CN119494245A 一种主动学习型海洋平台结构快速随机模型修正方法 （中国海洋大学）

一种主动学习型海洋平台结构快速随机模本发明提供了一种主动学习型海洋平台结建立初始Kriging模型；找到新修正参数训练样值和标准差为求解目标，利用优化算法进行求发明实现了小样本及噪声误差下快速高效精准2S1，通过灵敏度分析筛选海洋平台结构随机数值达到最大时对应的结构最优修正参数向量x"；S7，采用实测频率数据与初始有限元模型频率数据2.如权利要求1所述的一种主动学习型海洋平台结构快速随机模型修正方法，其特征通过灵敏度分析选择海洋平台结构中具有一定灵敏度的参数作为修正参分别代表修正参数的均值和标准差。3.如权利要求1所述的一种主动学习型海洋平台结构快速随机模型修正方法，其特征型是指采用有限元分析软件建立的海洋平台结构有4.如权利要求1所述的一种主动学习型海洋平台结构快速随机模型修正方法，其特征3基于建立的考虑实测频率不确定性的新型学习函数表达式XEFF，依次式中：i=1,2,3,…l，表示某个训练样本x'对应的结构频表示标准正态分布密度函数，p()为高斯分布函5.如权利要求4所述的一种主动学习型海洋平台结构快速随机模型修正方法，其特征6.如权利要求1所述的一种主动学习型海洋平台结构快速随机模型修正方法，其特征数为频率分布之间的欧式范数及KL散度，修正参数初始取值参考基准模型，优化函数为学习Kriging模型进行模型修正后的修正参数均值和方4[0003]海洋平台在服役过程时常遭受超强台风、巨浪和流冰等[0004]现有技术中，发明专利CN201710154817.8公逆kriging函数的结构有限元模型修正方法，首先基于设计资料建立结构初始有限元模型参数抽样样本和静动力响应构建满足精度要求的逆kriging函数模型；最后实测实际结构的静动力响应并作为输入代入已构建的逆kriging函数求解待修正的设计参数值，完成结5机修正过程转变为对修正参数的均值及标准通过灵敏度分析选择海洋平台结构中具有一定灵敏度的参数作为修和分别代表修正参数的均值和标准差。元模型是指采用有限元分析软件建立的海洋平台通过特征值分析获取结构频率矩阵向量y，同时得到n个参数组合对应的n个结构频率向量，从而组成结构频率矩阵y=[y,y2,通过特征值分析获取结构频率矩阵向量的具体过程为：通过修正参数向量xn数据作为初始训练集建立初始Krigin6;且*=+2G:，该主动学习Kriging模型进行模型修正后的修正参数[0017]图4为本发明实施例中本发明主动学习型Kriging模型前三阶频率修正前后置信7[0020]图7为本发明实施例中本发明主动学习型Kriging模型不同噪声程度结构频率均[0021]图8为本发明实施例中传统Kriging模型不同噪声程度结构频率均值和标准差修[0025]以初始有限元模型修正参数即弹性模量和密度的均值和标准差、实测数据为输别为[150,220]GPa和[7000,7900]kg/m3，并采用拉丁超立方抽样生成100组结构参数样本，将结构参数样本代入导管架结构有限元模型得到各个参数样本对应的结构前五阶频[0026]首先，在训练样本池中抽取前16组参数样本及对应前五阶频率数据建立初始Kriging模型，其中选择二次多项式模型为回归模型拟合修正参数与频率响应之间的回归值对应的样本点及其前五阶频率加入训练样本集中重新构造主动学习Krig动学习Kriging模型进行模型修正后的修正参数均值和[0030]为验证主动学习Kriging模型的拟合精度，采用相对均方误差RMSE与决定系数R2对建立的主动学习Kriging模型进行有效性评价，通过测试集的有限元模型值与主动学习8[0031]表1给出了采用主动学习Kriging模型进行随机模型修正得到的修正参数均值和us和标准差修正误差为0.013%和7.683%；与表2中传统Kriging模型对应的相对误差0.154%和14.678%以及0.166%和14.368%；从均值来看，传统Kriging模型最大修正误差来看，传统Kriging模型最大修正误差14.678%，主动学习型Kriging模型最大修正误差参数标准差的修正精度。标准差修正误差在修正后均出现不同程度的下降，误差稳定在7%左右，其中最大误差为Kriging模型方法对结构频率的修正效果存在明样证明本发明所提基于主动学习Kriging模型的随机模型修正方法修正效果优于基于9作为实测数据。最后采用NSGA_聂多目标遗传算法迭代求解有限元模型修正参数的均值和[0037]给出不同噪声程度下的结构参数均值和标准差修正误差，当性学习Kriging模型得到1000组频率响应数据，对频率响应数据进行统计分析得到修正后[0040]如图7和图8，分别给出了本发明主动学习型Kriging模型不同噪声程度结构频率均值和标准差修正误差示意图和传统Kriging模型不同噪声程度结构频率均值和标准差修分布的KL散度作为适应度函数量化修正效果，利用蒙特卡洛模拟及主动学习Kriging模型[0045]上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限