考虑材料劣变过程的桥梁地震易损性分析

建立了一套基于概率和非线性有限元的桥梁结构地震性能演变分析方法,分析了材料劣变过程;且结合人工神经网络(ANN)与蒙特卡罗(MC)方法,建立了结构随机能力模型;在能力模型的基础上,通过增量动力分析(IDA),建立了考虑材料劣变过程的需求模型,从而形成地震易损性曲线;并以一座斜拉桥的主塔为例,利用所建立的方法研究了随着服役年限增加结构易损性的变化规律.研究成果可为桥梁的全寿命设计、既有桥梁的运营以及地震风险评估等提供理论依据.

应用神经网络-蒙特卡罗法的可靠性分析方法

为了提高内燃机设计的可靠度 ,提出了应用神经网络 蒙特卡罗法求解发动机零部件可靠度的新方法 .该方法利用神经网络根据有限元分析样本逼近应力函数 ,结合应力 强度干涉模型 ,采用蒙特卡罗随机模拟求取可靠度 .将计算结果与常用的一次二阶矩法、设计验算点法相比较 ,表明该方法是可行的 ,而且适用面更广 。

柔性机构动态强度可靠性分析理论和方法研究

提出机构动态强度可靠性分析的理论和方法,给出柔性机构动态强度可靠性分析的模型。将驱动加速度、驱动时间、摩擦和阻尼力(矩)等作为随机变量,应用蒙特卡罗方法,取得动态参数样本,再利用人工神经网络方法,根据抽取的样本对网络进行训练,统计网络输出得到动态应力分布,进而求出机构动态强度可靠度。通过空间站柔性展开机构实例计算动态强度可靠度,结果表明,该方法精度高,与单纯使用蒙特卡罗方法的结果相比,提高了计算精度,大大减少计算时间,可用于复杂柔性机构的动态强度可靠性分析。

基于数据学习的新能源高渗透电网频率风险评估

新能源正在逐步代替传统发电厂为用户提供电能,但同时也为电网的安全运行带来了潜在的风险。因此,在规划阶段需要全面地对最大频率偏差越线风险进行概率评估。基于蒙特卡罗仿真(Monte Carlo simulation,MCS)的规划方法效率很低,而人工神经网络(artificial neural network,ANN)可以通过对数据的学习做出快速有效的预测。为此,提出一种基于MCS-ANN的区域频率概率评估方法,以实现对区域最大频率偏差越线风险的快速评估。首先,产生大量的随机扰动,仅对小部分扰动进行仿真;然后将这部分数据送入ANN进行训练,并将剩余的大部分扰动送入训练好的ANN进行输出预测;重复以上训练和预测的过程,将多次预测结果的平均值作为最终的预测输出,得到各个风险区间的概率分布情况。最后,在IEEE 10机39节点的系统上验证了所提方法的有效性。

基于人工神经网络的框架结构可靠性分析

为了解决结构可靠性分析中的非线性问题,将人工神经网络和Monte Carlo法相结合,利用训练后的网络模型对大范围的数据进行概率分析,得到了极限状态函数值的数字特征,求得结构系统的可靠性指标。该方法为复杂结构系统和极限状态函数无法显式表达的结构系统的可靠性分析提供了一个新途径。

基于Monte Carlo采样模型集群分析对定量结构-色谱保留相关关系(QSRR)常用建模方法的比较研究

本文收集了环烷烃类、环烯烃类、酮类、胺类、醚类、酯类等有机物在固定相角鲨烷和SE-30上的气相色谱保留指数,并采用基于Monte Carlo采样的模型集群分析（Monte Carlo sampling model population analysis,MCS MPA）方法进行了定量结构-色谱保留指数相关关系建模方法的比较研究。对于两种固定相上的有机化合物,分别采用不同的分子描述符予以表征,分子描述符的选择基于统计学与遗传算法。采用的建模方法包括多元线性回归（multivariate linear regression,MLR）、支持向量机回归（support vector machine,SVM）、径向基函数人工神经网络方法（radial basis function artificial neural networks,RBF ANN）,通过所建模型预测了独立外部测试样本的气相色谱保留指数。研究结果表明,对于本文所研究的数据,SVM回归方法的建模效果优于MLR与RBF ANN方法。