论文部分内容阅读
蒙特卡罗模拟是目前结构可靠度分析中最准确有效的方法，但因其计算量太大、效率低而受到很大的限制。特别是对于大型复杂结构的功能函数不能被明确表达的情况．鉴于此，在案特卡罗重要抽样方法的基础上，提出了利用RBF神经网络替代原结构功能函数的RBF-蒙特卡罗方法，以提高工作效率．RBF神经网络训练样本的选取则由均匀试验设计确定，以提高样本的代表性并大幅减少样本数量，从而加快网络的训练过程．加强网络的逼近能力．算例分析表明，该方法不但能最大限度地减少结构有限元分析次数，而且有满意的计算精度，具有实际应用价值．