تحلیل قابلیت اعتماد سازه‌ها براساس روش ترکیبی کوچک‌ترین مربعات دستگاه بردارهای پشتیبان و شبیه‌سازی مونت‌کارلوی پیشرفته

مهندسی عمران فردوسی

مقاله 8، دوره 29، شماره 1 - شماره پیاپی 18، تیر 1396، صفحه 109-122   

نوع مقاله: یادداشت پژوهشی

شناسه دیجیتال (DOI): 10.22067/civil.v29i1.19742

نویسندگان

محمد مهدی مجاهد^* ؛ بهروز احمدی ندوشن

یزد

چکیده

باتوجه به کوچک بودن احتمال خرابی سازه‌ها، تحلیل قابلیت اعتماد سازه‌ها هزینۀ زمانی بالایی را به‌همراه خواهد داشت. در این مقاله، به‌منظور کاهش زمان محاسبات، الگوریتمی براساس ترکیب روش رگراسیونی کوچک‌ترین مربعات دستگاه بردارهای پشتیبان و دو روش شبیه‌سازی مونت کارلوی پیشرفته: نمونه‌برداری بااهمیت و ابرمکعب لاتینی، ارائه شده است. با ارائۀ دو مثال قاب و یک مثال خرپا کارایی الگوریتم‌های پیشنهادی مورد ارزیابی قرار گرفته است. نتایج حاصل نشان می‌دهد که روش پیشنهادی می‌تواند احتمال خرابی را به‌خوبی تخمین زند و زمان محاسبات در مقایسه با دیگر روش‌های ارائه‌شده در سال‌های اخیر بسیار کمتر می‌باشد.

کلیدواژه‌ها

قابلیت اعتماد سازهها؛ روشهای پیشرفتۀ‌ شبیه‌سازی مونت کارلو؛ دستگاه بردارهای پشتیبان؛ احتمال خرابی

مراجع

1. Nowak, A.S., Collins, K.R., "Reliability of Structures", McGraw-Hill., Boston, pp. 1-6, (2000).

2. Hurtado, J.E., "An Examination of Methods for Approximating Implicit Limit State Functions From the Viewpoint of Statistical Learning Theory", Structural Safety, Vol. 26, pp. 271-293, (2004).

3. Zhang, H., Robert, L., Muhanna, R., and Almgren, R., " Interval Monte Carlo Methods for Structural Reliability", Structural Safety, Vol. 32, pp. 183–190, (2010).

4. Rackwitz, R., "Response Surfaces in Structural Reliability", Berichte Zur Zuverl Assign Keits Theorie der Bauwerke, Heft 67 Munchen, (1982).

5. Deng, J., Gu, D., Li, X. and Yue, Z.Q., "Structural Reliability Analysis for Implicit Performance Functions Using Artificial Neural Network", Structural Safety, Vol. 27, pp. 25–48, (2005).

6. Gomes, H.M., Awruch, A.M., "Comparison of Response Surface and Neural Network With Other Methods for Structural Reliability Analysis", Structural Safety, Vol. 26, pp. 49–67, (2004).

7. Cheng, J., "Hybrid Genetic Algorithms for Structural Reliability Analysis", Computers and Structures, Vol. 85, pp. 1524–1533, (2007).

8. Kaymaz, I., "Application of Kriging Method to Structural Reliability Problems", Structural Safety, Vol. 27, pp. 133–151, (2005).

9. Vapnik V. "Statistical Learning Theory", John, Wiley and Sons., New York, (1998).

10. Zhiwei, G., Guangchen, B., "Application of Least Squares Support Vector Machine for Regression to Reliability Analysis", Chinese Journal of Aeronautics, Vol. 22, pp. 160-166, (2009).

11. Li, H.S. And Lu, Z.Z., "Support Vector Regression for Structural Reliability Analysis", Applied Mathematics and Mechanics, Vol. 27(10), pp. 1295–1303, (2006).

12. Zhao, W., Qiu, Z., "An efficient response surface method and its application to structural reliability and reliability-based optimization", Finite Elements in Analysis and Design, Vol. 67, pp. 34–42, (2013).

13. Deng, J. "Structural Reliability Analysis for Implicit Performance Function using Radial Basis Function Network", International Journal of Solids and Structures, Vol. 43, pp. 3255-3291 (2006).

14. Tang, C.X., Jin, W.L. and Chen, J., "Importance Sampling Method based on SVM", J Yangtze River Scientific Res Inst, Vol. 24(6), pp. 62–5, (2007).

15. Bucher, C.G., Bourgund, U., "A fast and Efficient Response Surface Approach for Structural Reliability Problems", Structural Safety, Vol. 7(1), pp. 57–66, (1990).

16. McKay, M.D., Beckman, R.J., "A comparison of Three Methods for Selecting Values of Input Variables in the Analysis of Output from a Computer Code", Technometrics, Vol. 42(1), pp. 239–45, (2000).