基于深度生成网络的高铁桥梁可靠度计算重要抽样方法技术

本申请提供了一种基于深度生成网络的高铁桥梁可靠度计算重要抽样方法包括以下步骤：确定高铁桥梁随机参数的概率分布，随机抽样生成预定数量的训练样本；搭建可解释的深度生成网络抽样模型，定义深度生成网络的损失函数；训练可解释的深度生成网络和单调神经网络，并根据单调神经网络确定高斯分布抽样的阈值；对一维高斯分布进行抽样，筛选小于阈值的训练样本，得到第一输入样本，对多维高斯分布进行抽样，得到第二输入样本；将第一输入样本和第二输入样本合并为合成输入样本；将合成输入样本输入到可解释的深度生成网络模型，得到输出样本，根据随机参数的概率分布估计值计算输出样本的重要抽样密度，根据重要抽样密度计算高铁桥梁的可靠度。桥梁的可靠度。桥梁的可靠度。

【技术实现步骤摘要】
基于深度生成网络的高铁桥梁可靠度计算重要抽样方法


[0001]本专利技术涉及高速铁路桥梁可靠性评估
，具体涉及基于深度生成网络的高铁桥梁可靠度计算重要抽样方法。

技术介绍

[0002]大跨高速铁路(高铁)桥梁在长期服役过程中有可能遭受强烈的风和地震等外荷载的作用，严重威胁到高速铁路桥梁的行车安全。进行大跨高铁桥梁的可靠性能评估，是保证高速铁路行车舒适性和安全性的关键任务。由于大跨高铁桥梁本身和外荷载都具有较强的随机性，传统的大跨高铁桥梁确定性评估方法难以满足工程需求。进行可靠度计算可以充分考虑大跨高铁桥梁本身和风荷载的随机性，更加准确地评估大跨高铁桥梁的可靠性能，是保障大跨高铁桥梁行车舒适和安全的重要手段。
[0003]蒙特卡洛模拟方法是大跨高铁桥梁可靠度计算的通用方法，通过随机抽样、响应分析和概率统计的方式求解桥梁响应的完整概率信息。然而，由于大跨高铁桥梁可靠度计算一般都需要进行大量的有限元计算，传统的蒙特卡洛模拟方法需要大量的样本才能保证足够的估计精度，直接采用蒙特卡洛模拟方法进行大跨高铁桥梁可靠度计算的计算量较大。重要抽样方法是提高蒙特卡洛模拟计算效率的重要手段。重要抽样方法通过利用重要抽样密度函数替换随机变量的原始概率密度函数抽样，减少蒙特卡洛模拟需要的样本数量。大跨高铁桥梁可靠度计算重要抽样方法常采用高斯分布、高斯混合和核密度估计等概率分布模型拟合重要抽样密度函数。然而，为了拟合重要抽样密度函数，现有的重要性抽样方法一般需要提前确定失效区域的训练样本。由于失效区域提前未知，对于复杂的重要抽样密度非常困难，现有的重要抽样密度函数的拟合精度不足、抽样效率不高。

技术实现思路

[0004]本专利技术的目的在于克服上述技术不足，提供一种基于深度生成网络的高铁桥梁可靠度计算重要抽样方法，解决现有技术中对于复杂的重要抽样密度非常困难，现有的重要抽样密度函数的拟合精度不足、抽样效率不高的技术问题。
[0005]为达到上述技术目的，第一方面，本专利技术的技术方案提供一种基于深度生成网络的高铁桥梁可靠度计算重要抽样方法，包括以下步骤：
[0006]确定高铁桥梁随机参数的概率分布，并根据所述随机参数的概率分布进行随机抽样，生成预定数量的训练样本；
[0007]搭建可解释的深度生成网络抽样模型，所述深度深层网络抽样模型包括：深度生成网络和单调神经网络，并定义所述深度生成网络的损失函数；
[0008]采用小批量随机梯度下降方法训练可解释的所述深度生成网络和所述单调神经网络，并根据所述单调神经网络确定高斯分布抽样的阈值；
[0009]对一维高斯分布进行抽样，筛选小于所述阈值的所述训练样本，得到第一输入样本，对多维高斯分布进行抽样，得到第二输入样本，多维高斯分布的维数取D
‑
1，其中D为所
述随机参数的维数；
[0010]将所述第一输入样本和所述第二输入样本合并为D维的合成输入样本；
[0011]将所述合成输入样本输入到所述可解释的深度生成网络模型，得到输出样本，根据随机参数的概率分布估计值计算所述输出样本的重要抽样密度，采用重要抽样理论根据所述重要抽样密度计算高铁桥梁的可靠度。
[0012]与现有技术相比，本专利技术的有益效果包括：
[0013]本专利技术提供的基于深度生成网络的高铁桥梁可靠度计算重要抽样方法，采用深度生成网络和单调神经网络构建可解释的深度生成网络抽样模型，实现复杂重要抽样密度的高效抽样，进而提高大跨高速铁路桥梁可靠度计算的效率和精度。
[0014]根据本专利技术的一些实施例，所述深度生成网络的损失函数包括：第一损失函数、第二损失函数、第三损失函数和第四损失函数；
[0015]为了拟合所述随机参数的概率分布，所述第一损失函数设计为：
[0016][0017]其中G
‑1(x)为所述深度生成网络的逆变换，拟合概率分布为所述随机参数的真实概率分布为q(x)；
[0018]为了缩小拟合概率分布和真实概率分布q(x)的差别，约束拟合分布的形状，避免过拟合，所述第二损失函数定义为：
[0019][0020]为了实现深度生成网络的可解释性，减少单调神经网络预测值与样本极限状态函数的误差，所述第三损失函数定义为：
[0021]loss3＝[g(x)
‑
M(z1)]2＝[g(x)
‑
M
(
G
‑
1(x)1
)
]2[0022]其中，G
‑1(x)1表示G
‑1(x)的第一维，g(x)为训练样本的极限状态函数值，M(z1)为单调神经网络的预测值；
[0023]为了避免所述单调神经网络的预测值收敛到局部最优值，鼓励单调神经网络预测新的极限状态函数值，第四个损失函数定义为：
[0024][0025]其中，n小批量学习的样本数，第i样本的预测值。
[0026]根据本专利技术的一些实施例，所述随机参数包括：桥梁几何尺寸、材料性能和外荷载、主梁弹性模量、桥塔弹性模量、车道均布荷载、拉索钢丝横截面积和拉索弹性模量。
[0027]根据本专利技术的一些实施例，采用小批量随机梯度下降方法训练可解释的所述深度生成网络和所述单调神经网络，包括步骤：
[0028]采用小批量随机梯度下降方法同时训练所述深度生成网络和所述单调神经网络；
[0029]当所述深度生成网络的预测精度满足要求，单独训练所述单调神经网络以使所述
单调神经网络具有更高的预测精度。
[0030]根据本专利技术的一些实施例，所述第一输入样本的维数为1维，所述第二输入样本的维数为4维，所述合成输入样本的维数为5维。
[0031]根据本专利技术的一些实施例，根据所述单调神经网络确定高斯分布抽样的阈值，所述阈值的计算式为：
[0032][0033]其中，ΔP分类误差的经验系数，取0.05；
[0034]的计算式为：
[0035][0036]M0的计算式为：
[0037][0038]根据本专利技术的一些实施例，根据随机参数的概率分布估计值计算所述输出样本的重要抽样密度，计算式如下：
[0039][0040]其中，为随机参数的概率分布估计值。
[0041]根据本专利技术的一些实施例，采用重要抽样理论根据所述重要抽样密度计算高铁桥梁的可靠度，计算式如下：
[0042][0043]第二方面，本专利技术的技术方案提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的基于深度生成网络的高铁桥梁可靠度计算重要抽样方法。
[0044]第三方面，本专利技术的技术方案提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如第一方面中任意一项所述的基于深度生成网络的高铁桥梁可靠度计算重要抽样方法。
[0045]本专利技术不需要预先准备本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度生成网络的高铁桥梁可靠度计算重要抽样方法，其特征在于，包括以下步骤：确定高铁桥梁随机参数的概率分布，并根据所述随机参数的概率分布进行随机抽样，生成预定数量的训练样本；搭建可解释的深度生成网络抽样模型，所述深度深层网络抽样模型包括：深度生成网络和单调神经网络，并定义所述深度生成网络的损失函数；采用小批量随机梯度下降方法训练可解释的所述深度生成网络和所述单调神经网络，并根据所述单调神经网络确定高斯分布抽样的阈值；对一维高斯分布进行抽样，筛选小于所述阈值的所述训练样本，得到第一输入样本，对多维高斯分布进行抽样，得到第二输入样本，多维高斯分布的维数取D
‑
1，其中D为所述随机参数的维数；将所述第一输入样本和所述第二输入样本合并为D维的合成输入样本；将所述合成输入样本输入到所述可解释的深度生成网络模型，得到输出样本，根据随机参数的概率分布估计值计算所述输出样本的重要抽样密度，采用重要抽样理论根据所述重要抽样密度计算高铁桥梁的可靠度。2.根据权利要求1所述的基于深度生成网络的高铁桥梁可靠度计算重要抽样方法，其特征在于，所述深度生成网络的损失函数包括：第一损失函数、第二损失函数、第三损失函数和第四损失函数；为了拟合所述随机参数的概率分布，所述第一损失函数设计为：其中G
‑1(x)为所述深度生成网络的逆变换，拟合概率分布为所述随机参数的真实概率分布为q(x)；为了缩小拟合概率分布和真实概率分布q(x)的差别，约束拟合分布的形状，避免过拟合，所述第二损失函数定义为：为了实现深度生成网络的可解释性，减少单调神经网络预测值与样本极限状态函数的误差，所述第三损失函数定义为：loss3＝[g(x)
‑
M(z1)]2＝[g(x)
‑
M
(
G
‑
1(x)1
)
]2其中，G
‑1(x)1表示G
‑1(x)的第一维，g(x)为训练样本的极限状态函数值，M(z1)为单调神经网络的预测值；为了避免所述单调神经网络的预测值收敛到局部最优值，鼓励单调神经网络预...

【专利技术属性】
技术研发人员：项正良，何旭辉，
申请(专利权)人：中南大学，
类型：发明
国别省市：