机械工程学报

作者：胡伟飞, 廖家乐, 郭云飞, 鄢继铨, 李光, 岳海峰, 谭建荣

单位：1. 浙江大学流体动力基础件与机电系统全国重点实验室 杭州 310058;2. 设计工程及数字孪生浙江省工程研究中心 杭州 310058;3. 浙江大学台州研究院 台州 318000;4. 智能采矿装备技术全国重点实验室 太原 030024

关键词：时变可靠性分析,优化设计,物理信息神经网络,重要性采样,代理模型；

基金：浙江省自然科学基金(LZ22E050006)、国家自然科学基金(52275275,52111540267)和浙江省‘尖兵'‘领雁'研发攻关计划(2023C01008)资助项目。

传统时变可靠性分析(Time-dependent reliability analysis, TRA)往往通过大量实验设计样本(Design of experiments, DoE)构建代理模型，从而实现时变可靠性分析计算。在这个过程中，随着性能方程的非线性程度、响应求解难度等增加，DoE的计算成本愈发高昂，使得可靠性分析耗时冗长。针对该问题，创新性地提出了一种基于物理信息神经网络(Physics-informed neural network，PINN)的时变可靠性分析方法(PINN-based TRA, PBTRA)。该方法在TRA过程中将约束系统响应的偏微分方程(Partial differential equation, PDE)融入PINN模型训练的损失函数，使用PINN模型预测系统的实际响应，并基于此构建性能方程，解决了传统时变可靠性分析依赖大量仿真计算获取实验样本的难题，有效降低了TRA计算成本。同时针对传统PINN训练过程出现的收敛缓慢和模型欠拟合等问题，根据训练过程中PINN模型在不同采样区域的响应情况，判断相关区域是否接近系统响应的极限状态，并据此划分敏感区域，动态调整训练点采样分布，进一步结合神经网络的重采样机制，提出了一种基于区域响应权重的PINN模型动态采样训练方法，并且将其应用于TRA中。相较于传统的PINN，所提方法具有更快的训练速度与更高的性能响应计算精度，进而能够提升TRA精度与效率。文章中针对两个案例测试了所提出的PBTRA方法，并与传统TRA方法进行了对比，验证了所提出方法的优越性。

来源：2024年第13期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2024年第13期