基于AL-Kriging模型及PSO算法的桥机主梁优化

为解决有限元模型和群智能算法相结合的起重机结构优化计算的计算成本昂贵的问题,该文基于AL-Kriging代理模型和粒子群智能优化算法构建了起重机主梁优化方法,在该方法中通过EFF学习函数选择优化所需的有效样本点,从而用较少的高保真计算样本构建出满足精度要求的代理模型,再通过PSO算法以及所构建好的代理模型完成结构优化。通过工程案例验证证明,在取得同样计算结果的情况下,与基于静态Kriging模型相比,该方法的优化时间节省了70%,调用样本数仅为静态代理模型的27%,证明了所构建的优化方法是可行和有效的。

一种新的自适应Kriging法停止准则及其在涡轮盘疲劳寿命可靠性中的应用

自适应Kriging结合Monte Carlo模拟(AK-MCS)是估计结构失效概率的高效方法。AK-MCS在自学习过程中需要停止准则掌控其自学习的程度,然而目前的停止准则没有准确地将自学习过程和失效概率估计值的精度联系起来。为此,提出一个基于失效概率置信区间的停止准则,该停止准则首先计算失效概率估计值的方差,然后依据切比雪夫不等式将失效概率估计值方差转化为失效概率估计值的置信区间,并以置信区间长度小于给定阈值作为停止准则。所列的简单算例以及涡轮盘低周疲劳寿命可靠性工程算例均将该方法与同类研究进行了对比,验证了该方法的精度。