《表2 10杆桁架结构的计算结果》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于改进Kriging模型的主动学习可靠性分析方法》
所提方法与AK-MCS的训练点如图3所示。可以看到,两种方法的训练点均位于极限状态平面附近,这说明ALK模型仅仅在“感兴趣”的区域对功能函数进行近似,而不是整个设计空间。同时,亦可看到所提方法的训练点更早、更多地汇集于G(x)=0两侧。这说明所提方法的训练点是更加优化的训练点。这些更优的训练点对失效概率预测精确的改善将更为明显。图4展示了两种方法在学习过程中Kriging模型预测失效概率的变化曲线和EFF最大值的变化曲线。可以看到,由于选择了更优的训练点,所提方法更快地收敛于真实的失效概率,所提方法更快地到达终止条件。更加优化的训练点加速了ALK模型的收敛,节约了训练点。
图表编号 | XD00202901700 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.15 |
作者 | 陈哲、杨旭锋、程鑫 |
绘制单位 | 中车株洲电力机车有限公司大功率交流传动电力机车系统集成国家重点实验室、西南交通大学机械工程学院、西南交通大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |