強化されたアクティブ・ラーニング ガウスのプロセスメタモデルで,非線形構造応答の片面的な尾の確率を推定する

科学分野:

• 構造工学 構造工学とは
• コンピューティング・メカニクス コンピュータ・メカニクス
• リスク評価 リスク評価

背景:

• メガストラクチャは,希少で大きな影響を与える故障による安全問題に直面しています.
• 確率の低い構造的反応の正確な推定は困難である.
• 地下鉄のトンネルなどの地下構造物の故障は,アンカレージの長さが不十分であることから生じる可能性があります.

研究 の 目的:

• 構造工学における珍しい事象の確率を正確に推定するための新しい枠組みを開発する.
• 構造的応答分布の片面的な尾の確率の推定を改善するために.
• 重要なインフラストラクチャの安全性における不確実性分析のための実用的なツールを提供すること.

主な方法:

• テイル・センシティブ・グローバル・ラーニング (TS-GL) アルゴリズムの導入.
• TS-GLには,尾を中心とした検索メカニズムと新しい重量機能が搭載されています.
• 計算効率のためのアクティベーション関数の調査.

主要な成果:

• TS-GLは,既存の方法と比較して,片面的な尾の確率の推定を大幅に改善します.
• アルゴリズムは,鋼筋コンクリート接続における結合-滑り関係で検証されました.
• TS-GLは,まれなイベントの定量化のためのアクティブ・ラーニングベースのガウスプロセス (AL-GP) メタモデルよりも優れた正確性と効率性を実証しました.

結論:

• TS-GLアルゴリズムは,クリティカルインフラストラクチャの不確実性分析のための実用的で効果的なソリューションを提供します.
• この新しい枠組みは,メガストラクチャの安全運転とメンテナンスを強化します.
• 希少な事象の確率の見積もりを改善することは,構造的障害を防止するために極めて重要です.