基于解耦多概率密度演化方法的混合偶然与认知不确定性传播统一框架

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Unified Framework for Hybrid Aleatory and Epistemic Uncertainty Propagation via Decoupled Multi-Probability Density Evolution Method

【字体: 大 中 小 】 时间:2025年12月30日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 11

编辑推荐:

  本研究针对工程系统中混合偶然与认知不确定性的传播难题,提出了基于解耦多概率密度演化方法(M-PDEM)的统一计算框架。通过构建增广随机空间将概率、非概率及不精确概率等异质不确定性统一处理,实现了线性单自由度系统、10自由度滞回结构及碰撞盒模型等复杂动力系统的高效不确定性量化,为工程可靠性与风险评估提供了创新解决方案。

  
在现代工程系统的全生命周期中,不确定性如影随形。从抵御强震的摩天大楼到承受风载的大跨桥梁,从核电站安全壳到海洋平台,工程结构的性能深受材料特性、几何参数和外部激励中固有随机性(偶然不确定性)的影响。与此同时,由于认知局限和模型简化产生的认知不确定性同样至关重要。如何区分可减的认知不确定性和不可减的偶然不确定性,已成为提升工程安全性和经济性的核心挑战。
传统方法通常采用双循环策略处理混合不确定性:外循环遍历认知参数,内循环模拟随机变量。这种嵌套计算模式对于大型复杂系统往往计算成本高昂,特别是当涉及分布自由概率盒(p-box)等广义不确定性表征时,现有方法更是捉襟见肘。发表在《RELIABILITY ENGINEERING & SYSTEM SAFETY》的这项研究,正是为了突破这一瓶颈而生。
研究团队开发了一个基于解耦多概率密度演化方法(M-PDEM)的统一计算框架。该框架通过构建增广随机空间,将异质不确定性输入转换为统一格式,将混合不确定性传播问题转化为求解响应量条件概率密度函数(PDF)的核心任务。关键技术包括:增广随机空间构建技术,将概率盒、区间变量等统一映射到随机空间;解耦M-PDEM算法,将高维联合PDF演化分解为一系列一维Li-Chen方程求解;以及基于Voronoi图的概率空间划分和代表点选取策略。
增广随机空间处理不同类型不确定性
研究人员首先将不确定性参数分为三类:精确概率模型描述的随机变量ΘR、概率盒表征的不精确概率参数ΘP,以及区间变量表示的非概率参数ΘI。通过引入伪随机分布,将认知不确定性参数转化为增广随机变量,建立了统一的数学框架。对于混合随机和区间输入,输出表现为概率盒,其上下界由条件累积分布函数(CDF)的极值决定;对于纯概率盒输入,输出概率盒的边界通过积分运算获得。这种处理方式能够自然容纳输入变量间的相关性,为后续高效计算奠定基础。
基于解耦M-PDEM的求解策略
解耦M-PDEM是本研究的方法核心。该方法基于Li-Chen方程(广义密度演化方程),该方程从概率守恒原理严格推导而来,描述了动力系统响应量与输入随机变量联合PDF的演化规律。创新之处在于:通过数学推导证明,高维联合PDF的演化可精确分解为多个一维PDF的乘积形式。数值实现包含五个关键步骤:随机输入空间划分、确定性动力分析、一维Li-Chen方程求解、子联合PDF组装和最终积分。这种方法不仅避免了"维数灾难",还显著降低了高维联合PDF的存储需求。
数值算例验证
在线性单自由度系统算例中,系统受到高斯白噪声激励,固有频率被建模为概率盒。研究人员分别考察了响应方差和稳态位移的概率盒特性,解析解与数值结果高度吻合,即使仅用800个样本也能获得尾部的高精度。在10自由度Bouc-Wen滞回结构算例中,系统受到不精确地震激励(IPSD)作用。该模型包含20个随机参数和1个区间参数,随机相位角使总随机维数超过1000。与传统双循环蒙特卡洛模拟(DL-MCS)相比,解耦M-PDEM仅用2000个样本就获得了可比精度,计算效率提升两个数量级。碰撞盒算例则涉及5个随机变量和2个区间变量,验证了方法在复杂工程模型中的适用性。顶点蒙特卡洛验证表明,解耦M-PDEM结果能完全包络真实边界,条件CDF在区间顶点处与验证结果高度一致。
该研究的创新价值体现在三个层面:理论层面,建立了混合不确定性传播的统一数学框架;方法层面,发展了解耦M-PDEM高效算法;应用层面,验证了方法在从线性到强非线性、从低维到高维各类系统中的普适性。值得注意的是,该方法能自然处理响应PDF的多峰形态和输入变量相关性,为后续可靠性分析和风险评估提供了强大工具。未来研究方向包括结合代理模型的自适应采样策略,以及面向罕见事件分析的子集模拟技术拓展,进一步推动该方法在复杂工程系统不确定性量化中的深入应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号