基于物理信息神经网络的时变可靠性分析方法

作     者：胡伟飞 廖家乐 郭云飞 鄢继铨 李光 岳海峰 谭建荣 HU Weifei;LIAO Jiale;GUO Yunfei;YAN Jiquan;LI Guang;YUE Haifeng;TAN Jianrong

作者机构：浙江大学流体动力基础件与机电系统全国重点实验室杭州310058 设计工程及数字孪生浙江省工程研究中心杭州310058 浙江大学台州研究院台州318000 智能采矿装备技术全国重点实验室太原030024 

基　　金：浙江省自然科学基金(LZ22E050006) 国家自然科学基金(52275275,52111540267) 浙江省‘尖兵’‘领雁’研发攻关计划(2023C01008)资助项目 

出 版 物：《机械工程学报》 (Journal of Mechanical Engineering)

年 卷 期：2024年第60卷第13期

页      码：141-153页

摘      要：传统时变可靠性分析(Time-dependent reliability analysis, TRA)往往通过大量实验设计样本(Design of experiments, DoE)构建代理模型,从而实现时变可靠性分析计算。在这个过程中,随着性能方程的非线性程度、响应求解难度等增加,Do E的计算成本愈发高昂,使得可靠性分析耗时冗长。针对该问题,创新性地提出了一种基于物理信息神经网络(Physics-informed neural network,PINN)的时变可靠性分析方法(PINN-based TRA, PBTRA)。该方法在TRA过程中将约束系统响应的偏微分方程(Partial differential equation, PDE)融入PINN模型训练的损失函数,使用PINN模型预测系统的实际响应,并基于此构建性能方程,解决了传统时变可靠性分析依赖大量仿真计算获取实验样本的难题,有效降低了TRA计算成本。同时针对传统PINN训练过程出现的收敛缓慢和模型欠拟合等问题,根据训练过程中PINN模型在不同采样区域的响应情况,判断相关区域是否接近系统响应的极限状态,并据此划分敏感区域,动态调整训练点采样分布,进一步结合神经网络的重采样机制,提出了一种基于区域响应权重的PINN模型动态采样训练方法,并且将其应用于TRA中。相较于传统的PINN,所提方法具有更快的训练速度与更高的性能响应计算精度,进而能够提升TRA精度与效率。文章中针对两个案例测试了所提出的PBTRA方法,并与传统TRA方法进行了对比,验证了所提出方法的优越性。

主 题 词：时变可靠性分析 优化设计 物理信息神经网络 重要性采样 代理模型 

学科分类：0711[理学-心理学类] 1201[管理学-管理科学与工程类] 08[工学] 081402[081402] 080203[080203] 0802[工学-机械学] 0814[工学-地质类] 

核心收录：

D　O　I：10.3901/JME.2024.13.141

馆 藏 号：203134400...