一种基于增广主动学习的无缝线路可靠性敏感性分析方法
本发明涉及铁路工程结构可靠性分析,具体涉及一种基于增广主动学习的无缝线路可靠性敏感性分析方法。
背景技术:
1、在高速铁路无缝线路及相关铁路工程结构的服役可靠性分析中,可靠性敏感性分析是揭示温度荷载、列车荷载、扣件刚度、道床阻力、桥梁变形、基础沉降及环境作用等多源不确定性对线路安全状态影响规律、识别关键控制因素及指导结构正向优化的重要手段。由于无缝线路长期处于温度力、轮轨动力作用、桥梁/路基约束及部件性能退化等多因素耦合作用下,其响应通常具有显著的高维性、强非线性和小失效概率特征,使可靠性敏感性分析面临较大挑战。
2、目前,基于有限元模型(finite element model, fem)的局部敏感性分析、全局敏感性分析(global sensitivity analysis, gsa)及随机抽样方法(如蒙特卡洛模拟,montecarlo simulation, mcs)虽然具有较高的理论严谨性,但在处理无缝线路高维强非线性黑箱模型时,受限于“维数灾难”(curse of dimensionality),计算代价随变量维数和工况数量显著增长,难以满足多参数方案比选、服役状态评估及可靠度设计优化的工程需求。为缓解计算压力,基于代理模型(surrogate model, sm)的可靠性敏感性分析逐渐成为重要技术路线。然而,现有方法在面对无缝线路复杂服役场景时仍存在明显局限。
3、首先,现有代理模型通常将失效阈值设为静态标量,难以同时覆盖钢轨强度限值、线路横向稳定限值、轨道变形限值、扣件力限值等多类安全判据。在多参数协同分析中,温度、荷载、轨道约束和桥梁变形等因素会使无缝线路响应及安全阈值呈现复杂耦合关系,传统代理模型难以在单一框架内追踪不同阈值下的可靠性演化规律。其次,多数代理模型是针对特定工况分布进行局域构建的,一旦线路结构形式、边界条件、服役环境或参数空间发生偏移,其泛化能力即会下降,迫使研究者进行重复采样与重训练,导致计算资源浪费。最后,标准深度神经网络作为代理模型时普遍存在“过度自信(overconfidence)”缺陷,当预测点偏离训练数据进入分布外(out-of-distribution, ood)区域时,模型缺乏有效的认知不确定性量化手段,容易导致对极端温度、异常沉降、局部弱约束等关键工况的预测精度失真。
4、综上所述,亟需一种能够突破高维计算瓶颈,同时具备工况自适应性、全域距离感知能力(distance awareness)和多阈值统一建模能力的无缝线路可靠性敏感性分析方法,以精准揭示铁路工程结构在多参数耦合、复杂服役工况及不同安全阈值影响下的可靠性机理。
技术实现思路
1、为解决现有技术中存在的问题,本发明提供了一种基于增广主动学习的无缝线路可靠性敏感性分析方法,通过构建“增广输入—主动学习—梯度敏感性计算”的技术流程,将失效阈值作为输入变量引入代理模型;利用具有不确定性输出的代理模型筛选失效边界附近样本;模型收敛后通过自动微分提取响应梯度,计算无缝线路失效概率及其对线路设计变量和服役参数的可靠度敏感性,解决了上述背景技术中提到的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于增广主动学习的无缝线路可靠性敏感性分析方法,包括如下步骤:
3、s1、根据无缝线路随机变量、线路结构设计变量、服役参数及失效阈值的概率分布特征,构建联合输入空间,并将失效阈值作为独立变量建立增广功能函数及其对应的联合概率密度函数;
4、s2、基于联合概率密度函数,生成大规模蒙特卡洛样本池,选取部分样本点调用无缝线路高精度计算模型进行真实响应计算,构建初始训练数据集;
5、s3、基于所述训练数据集,建立包含谱归一化深度特征提取器与随机傅里叶特征高斯过程输出层的增广主动学习代理模型;
6、s4、利用当前训练的代理模型对蒙特卡洛样本池进行预测,获取样本的预测均值与预测方差,并结合主动学习采集函数筛选出高信息量候选样本;
7、s5、根据代理模型预测结果及预设的双重收敛条件判断主动学习过程是否收敛;若未收敛,则调用无缝线路高精度计算模型获取候选样本的真实响应,更新训练数据集并返回步骤s3继续迭代训练;若已收敛,则进入步骤s6;
8、s6、利用收敛后的代理模型对蒙特卡洛样本池进行前向推理,并通过自动微分技术,提取预测响应分布特征对线路结构设计变量及服役参数的响应梯度;
9、s7、基于步骤s6获得的响应梯度,求解不同服役工况及任意失效阈值条件下无缝线路失效概率对各设计变量及服役参数的可靠度敏感性指标,定量评估关键因素对无缝线路安全状态的影响并输出分析结果。
10、优选的,在步骤s1中,将无缝线路随机变量集记为,线路结构设计变量及服役参数集记为,失效阈值记为;构建增广输入变量;
11、其中,随机变量包括钢轨温度、列车荷载、扣件刚度、道床阻力、支承刚度、桥梁位移、基础沉降、材料性能及施工偏差;设计变量及服役参数包括钢轨、扣件、道床、桥梁/路基约束、温度及荷载的参数;上述变量的分布形式和取值范围由监测数据、试验结果、设计规范或工程经验确定;
12、基于无缝线路真实响应函数y(x,α),建立增广极限状态函数h(z):
13、;
14、其中,y(x, α)为无缝线路在随机变量x与设计变量及服役参数下的真实响应;当h(z)<0时,判定无缝线路达到或超过相应失效状态;当h(z)>0表示无缝线路处于安全状态,h(z)≤0表示无缝线路达到或超过相应失效状态;
15、根据各输入变量的边缘概率密度函数及变量间相关性,构建增广输入变量z的联合概率密度函数:;fx(x)、fα(α)和fy(y)分别为随机变量x、设计变量及服役参数α和失效阈值y的概率密度函数。
16、优选的,步骤s2中,基于增广输入变量z的联合概率密度函数fz(z),随机抽取样本量为nmc的蒙特卡洛样本池smc;采用空间均匀覆盖抽样策略抽取其中的n0个样本点调用无缝线路高精度计算模型进行真实响应计算,构建初始训练数据集。
17、优选的,步骤s3中,设当前第k次主动学习迭代对应的训练数据集为,构建sngp代理模型,包括谱归一化深度特征提取器和随机傅里叶特征高斯过程输出层;
18、训练过程中,输入z经深度特征提取器映射为隐层特征,并对各层权重矩阵wl施加谱归一化约束:
19、;
20、式中,为矩阵wl的最大奇异值;
21、随后,将隐层特征h映射至随机傅里叶特征空间:
22、;
23、式中,为从标准正态分布中独立同分布抽样固定的随机频率矩阵,b为从[0, 2π]均匀分布中抽样固定的随机偏置向量,d为设定的随机特征维数;
24、最终,代理模型输出为:;代理模型输出的预测均值与预测方差的分别表示为:
25、;
26、其中,为高维隐层随机傅里叶特征向量,为输出层权重的后验均值向量,为输出层权重的后验协方差矩阵。
27、优选的,在步骤s4中,基于代理模型输出的预测均值、预测方差及无缝线路失效边界邻域信息构建主动学习采集函数,并结合样本空间分布特征对候选样本池中的样本进行排序,以筛选失效边界附近信息量最大的候选样本z*。
28、优选的,所述步骤s5中的双重收敛判据包括:
29、(1) 模型预测误差收敛准则
30、采用误差型停止准则esc,用于控制代理模型在无缝线路失效边界附近的预测误差并避免过度采样;
31、(2)失效概率估计精度收敛准则:
32、在连续m次主动学习迭代过程中,增广系统失效概率估计值的相对变化率满足:
33、;
34、其中,为预设收敛容差,pf(i)是第i次主动学习迭代时系统计算获取的失效概率;
35、当上述两个条件同时满足时,判定主动学习过程收敛。
36、优选的,在步骤s6中,利用收敛后的代理模型对蒙特卡洛样本池smc进行前向推理,基于自动微分技术计算预测均值和预测标准差对α的局部梯度,以表征线路参数变化对响应分布的影响。
37、优选的,步骤s7中,当失效阈值设定为固定常数y0时,无缝线路的失效概率pf (α)表示为对增广状态下的条件失效概率在随机变量x空间上的期望,公式表示为:
38、;
39、其中,为标准正态分布累积分布函数;
40、利用链式求导法则与期望算子的线性特性,得到无缝线路失效概率对α的可靠度敏感性指标:
41、;
42、式中,为标准正态分布概率密度函数,所述可靠度敏感性指标综合反映α变化对无缝线路失效概率和安全状态的影响程度。
43、优选的,失效阈值y作为增广输入变量参与训练,使该方法能够在单一代理模型下获得不同阈值对应的失效概率及可靠度敏感性结果。
44、本发明的有益效果是:
45、1)本发明将失效阈值作为增广输入变量,实现无缝线路多工况、多阈值可靠性敏感性统一建模,避免重复构建代理模型;
46、2)本发明利用具备不确定性输出和距离感知能力的sngp代理模型,提高失效边界附近及外推区域的预测稳定性;
47、3)本发明通过主动学习筛选高信息量样本,减少有限元模型、梁轨耦合模型或车辆-轨道耦合模型的调用次数,降低小失效概率分析成本;
48、4)本发明基于自动微分直接获得响应梯度,减少有限差分扰动带来的重复计算和数值误差。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com