基于Kriging模型和代理抽样的分布参数不确定性灵敏度分析方法

doi:10.3901/JME.2024.08.370

机械工程学报 ›› 2024, Vol. 60 ›› Issue (8): 370-383.doi: 10.3901/JME.2024.08.370

扫码分享

基于Kriging模型和代理抽样的分布参数不确定性灵敏度分析方法

程洪鑫¹, 李璐祎¹, 周长聪²

1. 西北工业大学航空学院西安 710072;
2. 西北工业大学力学与土木建筑学院西安 710129

收稿日期:2023-03-21 修回日期:2023-09-17 出版日期:2024-04-20 发布日期:2024-06-17
作者简介:程洪鑫,女,1998年出生。主要研究方向为飞行器可靠性工程。E-mail:chx123@mail.nwpu.edu.cn;李璐祎(通信作者),女,1987年出生,博士,教授,博士研究生导师。主要研究方向为飞行器可靠性工程、安全工程。E-mail:luyili@nwpu.edu.cn;周长聪,男,1987年出生,博士,副教授,博士研究生导师。主要研究方向为多体动力学仿真、机械可靠性分析与设计。E-mail:changcongzhou@nwpu.edu.cn
基金资助:
自然科学基金(51875464)和中央高校基本科研业务费人才培育类资助项目。

Method for Sensitivity Analysis of the Uncertain Distribution Parameters Based on Kriging Model and Surrogate Sampling

CHENG Hongxin¹, LI Luyi¹, ZHOU Changcong²

1. School of Aeronautics, Northwestern Polytechnical University, Xi'an 710072;
2. School of Mechanics and Civil & Architecture, Northwestern Polytechnical University, Xi'an 710129

Received:2023-03-21 Revised:2023-09-17 Online:2024-04-20 Published:2024-06-17

摘要/Abstract

摘要： 针对结构系统输入变量分布参数具有不确定性的情况，为衡量分布参数不确定性对系统输出性能统计特征值的影响，以输出期望和方差为例，建立分布参数对输出性能均值和方差影响的全局灵敏度指标。为克服分布参数灵敏度指标计算量大而导致工程实际难以接受的问题，通过建立分布参数和输出统计特征值之间的Kriging模型，解决分布参数灵敏度分析计算量随输入变量及其分布参数维度增加呈指数形式增长的问题，又引入代理抽样概率密度函数对输入变量进行高效抽样，解除求解输出统计特征值时的计算量对输入变量分布参数维度的依赖性。数值和工程算例结果表明，所提方法能够在保证计算精度的同时，大大降低分布参数灵敏度分析的计算量。

关键词: 分布参数不确定, 灵敏度分析, Kriging代理模型, 代理抽样概率密度函数

Abstract: For structural system involving inputs with distribution parameter uncertainty, sensitivity indices which can evaluate the effect of uncertain distribution parameters on the statistical eigenvalues of the structural output response are firstly established by taking the output expectation and variance as examples. Then, to overcome the problem that the computational cost of the sensitivity indices is normally too prohibitive to be accepted for the engineering problem, a newly efficient algorithm is proposed for sensitivity analysis in the presence of distribution parameters uncertainty. In the proposed algorithm, the Kriging model between the distribution parameters and the statistical eigenvalues of the structural output response are established, which can solve the problem that the computational cost of the sensitivity analysis increases exponentially with the increase of the dimensions of the input variables and their distribution parameters. Furthermore, by introducing a ‘surrogate sampling probability density function (SS-PDF)’ to sample the input variables efficiently in the process of establishing the Kriging model, the dependency of the computational cost of the output statistical eigenvalues on the dimensionality of the distribution parameters of the input variables is further released. The results of numerical and engineering examples show that the proposed methods require substantially less computation effort while ensuring the calculation accuracy.

Key words: distribution parameter uncertainty, sensitivity analysis, kriging model, surrogate sampling probability density function

中图分类号:

TB114

程洪鑫, 李璐祎, 周长聪. 基于Kriging模型和代理抽样的分布参数不确定性灵敏度分析方法[J]. 机械工程学报, 2024, 60(8): 370-383.

CHENG Hongxin, LI Luyi, ZHOU Changcong. Method for Sensitivity Analysis of the Uncertain Distribution Parameters Based on Kriging Model and Surrogate Sampling[J]. Journal of Mechanical Engineering, 2024, 60(8): 370-383.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.2024.08.370

http://www.cjmenet.com.cn/CN/Y2024/V60/I8/370

参考文献

[1] SALTELLI A，RATTO M，ANDRES T，et al. Global sensitivity analysis: The primer[M]. NewNork：ohn Wiley & Sons，2008.
[2] DELENNE C，CAPPELAERE B，GUINOT V. Uncertainty analysis of river flooding and dam failure risks using local sensitivity computations[J]. Reliability Engineering and System Safety，2012，107：171-183.
[3] SALTELLI A，ALEKSANKINA K，BECKER W，et al. Why so many published sensitivity analyses are false：A systematic review of sensitivity analysis practices[J]. Environmental modelling & software，2019，114：29-39.
[4] 巴凯先，康岩，俞滨，等. 足式机器人轻量化液压驱动执行器质量建模及灵敏度分析[J]. 机械工程学报，2021，57(24)：39-48，82. BA Kaixian，KANG Yan，YU Bin，et al. Mass modeling and sensitivity analysis of lightweight hydraulic actuator for legged robot[J]. Journal of Mechanical Engineering，2021，57(24)：39-48，82.
[5] SOBOL I M. Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates[J]. Mathematics and Computers in Simulation，2001，55(1)：221-280.
[6] SALTELLI A. Sensitivity analysis for importance assessment[J]. Risk Analysis，2002，22(3)：579-590.
[7] SALTELLI A，MARIVOET J. Non-parametric statistics in sensitivity analysis for model output：A comparison of selected techniques[J]. Elsevier，1990，28(2)：229-253.
[8] SALTELLI A. Making best use of model evaluations to compute sensitivity indices[J]. Computer Physics Communications，2002，145(2)：280-297.
[9] CUKIER R I，FORTUIN C M，SHULER K E，et al. Study of the sensitivity of coupled reaction systems to uncertainties in rate coefficients. I Theory[J]. The Journal of Chemical Physics，1973，59：3873-3878.
[10] TARANTOLA S，GATELLI D，MARA T A. Random balance designs for the estimation of first order global sensitivity indices[J]. Reliability Engineering and System Safety，2005，91(6)：717-727.
[11] CRESTAUX T，Le MAITRE O，MARTINEZ J M. Polynomial chaos expansion for sensitivity analysis[J]. Reliability Engineering & System Safety，2009，94：1161-1172.
[12] SUDRET B. Global sensitivity analysis using polynomial chaos expansions[J]. Reliability Engineering & System Safety，2008，93：964-979.
[13] BLATMAN G，SUDRET B. Efficient computation of global sensitivity indices using sparse polynomial chaos expansions[J]. Reliability Engineering and System Safety，2010，95(11)：1216-1229.
[14] OAKLEY J E，O'HAGAN A. Probabilistic sensitivity analysis of complex models：A bayesian approach[J]. Journal of the Royal Statistical Society：Series B (Statistical Methodology)，2004，66(3)：751-769.
[15] RATTO M，PAGANO A，YOUNG P. State dependent parameter metamodelling and sensitivity analysis[J]. Computer Physics Communications，2007，177(11)：863-876.
[16] MARSEGUERRA M，MASINI R，ZIO E，et al. Variance decomposition-based sensitivity analysis via neural networks[J]. Reliability Engineering and System Safety，2003，79(2)：229-238.
[17] BUZZARD G T，XIU D. Variance-based global sensitivity analysis via sparse-grid interpolation and cubature[J]. Communications in Computational Physics，2011，9(3)：542-567.
[18] KONAKLI K，SUDRET B. Global sensitivity analysis using low-rank tensor approximations[J]. Reliability Engineering and System Safety，2016，156：64-83.
[19] MORIO J. Influence of input PDF parameters of a model on a failure probability estimation[J]. Simulation Modelling Practice and Theory，2011，19(10)：2244-2255.
[20] HELTON J C，JOHNSON J D，OBERKAMPF W L，et al. Representation of analysis results involving aleatory and epistemic uncertainty[J]. International Journal of General Systems，2010，39(6)：605-646.
[21] 刘俊超，李璐祎. 分布参数不确定性重要性分析的高效求积公式法[J]. 西北工业大学学报，2022，40(6)：1212-1222. LIU Junchao，LI Luyi. Efficient importance analysis methods for structures with distribution parameter uncertainty based on cubature formula[J]. Journal of Northwestern Polytechnical University，2022，40(6)：1212-1222.
[22] 夏侯唐凡，刘宇，张皓冬，等. 考虑认知不确定性的多状态系统Birnbaum重要度分析方法[J]. 机械工程学报，2018，54(8)：223-232. XIAHOU Tangfan，LIU Yu，ZHANG Haodong，et al. Birnbaum importance measure of multi-state systems under epistemic uncertainty[J]. Journal of Mechanical Engineering，2018，54(8)：223-232.
[23] CHO H，CHOI K. K，GAUL N J，et al. Conservative reliability-based design optimization method with insufficient input data[J]. Structural and Multidisciplinary Optimization，2016，54(6)：1609-1630.
[24] LI G J，LU Z Z，LU Z Y，XU J. Regional sensitivity analysis of aleatory and epistemic uncertainties on failure probability[J]. Mechanical Systems and Signal Processing，2014，46(2)：209-226.
[25] 姜潮，张旺，韩旭. 基于Copula函数的证据理论相关性分析模型及结构可靠性计算方法[J]. 机械工程学报，2017，53(16)：199-209. JIANG Chao，ZHANG Wang，HAN Xu. A copula function based evidence theory model for correlation analysis and corresponding structural reliability method[J]. Journal of Mechanical Engineering，2017，53(16)：199-209.
[26] BEN-HAIM Y. A non-probabilistic concept of reliability[J]. Structural Safety，1994，14(4)：227-245.
[27] 王攀. 结构系统输入变量分布参数不确定性下的灵敏度分析[D]. 西安：西北工业大学，2014. WANG Pan. Importance analysis for the structural system with the uncertainty of the input variable’s distribution parameters[D]. Xi’an：Northwestern Polytechnical University，2014.
[28] LI L Y，LU Z Z. A new algorithm for importance analysis of the inputs with distribution parameter uncertainty[J]. International Journal of Systems Science，2016，47(13)：3065-3077.
[29] SACKS J，SCHILLER S B，WELCH W J. The design and analysis of computer experiments[J]. Technometrics，1989，31(1)：41-47.
[30] LOPHAVEN S N，NIELSEN H B，SONDERGAARD J. Aspects of the MATLAB toolbox DACE： IMM-REP-2002-13[R]. Kongens Lyngby：Technical University of Denmark，2002.
[31] 韩忠华. Kriging模型及代理优化算法研究进展[J]. 航空学报，2016，37(11)：3197-3225. HAN Zhanghua. Kriging surrogate model and its application to design optimization：A review of recent progress[J]. Acta Aeronautica et Astronautica Sinica，2014.
[32] KAYMAZ I. Application of Kriging method to structural reliability problems[J]. Structural Safety，2005，27(2)：133-151.
[33] ECHARD B，GAYTON N，LEMAIRE M. AK-MCS：An active learning reliability method combining Kriging and Monte Carlo simulation[J]. Structural Safety，2011，33(2)：145-154.
[34] 吕震宙，宋述芳，李璐祎，等. 结构/机构可靠性设计基础[M]. 西安：西北工业大学出版社，2019. LÜ Zhenzhou，SONG Shufang，LI Luyi，et al. Reliability design basis of structural mechanism[M]. Xi’an：Northwest University of Technology Press，2019.
[35] 余萌晨，龙湘云. 基于两阶段主动学习Kriging模型的广义概率区间混合可靠性分析[J]. 机械工程学报，2022，58(6)：274-288. YU Mengchen，LONG Xiangyun. Generalized probability and interval hybrid reliability analysis based on two-stage active learning kriging model[J]. Journal of Mechanical Engineering，2022，58(6)：274-288.

基于Kriging模型和代理抽样的分布参数不确定性灵敏度分析方法

Method for Sensitivity Analysis of the Uncertain Distribution Parameters Based on Kriging Model and Surrogate Sampling

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	田师峤, 罗湘萍, 肖春昱, 周劲松, 宫岛, 赵增闯. 主动径向与迫导向转向架曲线通过性能差异化研究[J]. 机械工程学报, 2025, 61(22): 189-197.
[2]	王凯, 范小宁, 余畅, 吕召国. 基于动态Kriging模型的起重机金属结构可靠性解耦优化方法[J]. 机械工程学报, 2025, 61(2): 384-394.
[3]	陈俊杰, 刘晨, 邱光琦. 紊流效应下节流管空气阻尼弹簧动力学建模及灵敏度分析[J]. 机械工程学报, 2024, 60(23): 205-215.
[4]	袁野, 杨怀广, 丁亮, 兰清宁, 杨超杰, 高海波, 邓宗全. 反映载荷影响的星球车车轮试验及模型研究[J]. 机械工程学报, 2024, 60(14): 263-271.
[5]	范小宁, 王凯, 余畅. 基于约束边界抽样的起重机金属结构可靠性优化[J]. 机械工程学报, 2023, 59(8): 288-298.
[6]	度红望, 许晓亚, 邵仁波, 熊伟, 王海涛. 气动弯曲型人工肌肉瞬态动力学建模、分析与验证[J]. 机械工程学报, 2023, 59(21): 199-208.
[7]	何庆, 利璐, 李晨钟, 王平, 谢斯. 基于Kriging模型的在役高速列车悬挂参数近似贝叶斯估计[J]. 机械工程学报, 2023, 59(12): 139-148.
[8]	智鹏鹏, 汪忠来, 李永华, 田宗睿. 基于RMQGS-APS-Kriging的主动学习结构可靠性分析方法[J]. 机械工程学报, 2022, 58(16): 420-429.
[9]	范晋伟, 谢本田, 叶倩, 陶浩浩. 基于区间理论的数控内圆复合磨床几何误差灵敏度分析方法研究[J]. 机械工程学报, 2022, 58(11): 220-230.
[10]	巴凯先, 康岩, 俞滨, 付康平, 黄智鹏, 徐悦鹏, 袁立鹏, 孔祥东. 足式机器人轻量化液压驱动执行器质量建模及灵敏度分析[J]. 机械工程学报, 2021, 57(24): 39-48,82.
[11]	张俊, 蒋舒佳, 池长城. 2UPR&2RPS型冗余驱动并联机器人的运动学标定[J]. 机械工程学报, 2021, 57(15): 62-70.
[12]	戴大力, 肖新标, 陈辉, 姚丹, 金学松. 基于声功率灵敏度的仿生脉序优化方法研究[J]. 机械工程学报, 2021, 57(1): 138-147.
[13]	杨赟, 朱梦瑞, 李慧敏, 杜正春, 杨建国. 基于灵敏度分析的立式加工中心批量空间误差建模和补偿[J]. 机械工程学报, 2020, 56(7): 204-212.
[14]	赵胜军, 黄春跃, 梁颖, 匡兵, 唐香琼. BGA无铅焊点再流焊焊后残余应力分析与优化[J]. 机械工程学报, 2020, 56(10): 86-94.
[15]	汪应春,唐登平,李兴鹏. 基于报价修正的输电线路负值网损经济性结算研究 ^*[J]. 电气工程学报, 2020, 15(1): 89-94.