【技術實現步驟摘要】
本專利技術屬于基于計算機數據處理的有限元模型修正，尤其涉及一種主動學習型海洋平臺結構快速隨機模型修正方法。
技術介紹
1、海洋平臺是海洋資源開發（如石油、天然氣開采）的關鍵基礎設施，其在復雜多變的海洋環境下工作，同時其結構復雜，由樁腿、甲板、支撐結構等多個部分組成，這些結構的力學性能和動態響應受到多種因素的交互影響。初始建立的海洋平臺有限元模型等理論模型往往與實際結構存在偏差，主要來自于建模假設（如材料特性假設、邊界條件假設等）、制造誤差、安裝誤差等多個方面。如建模時假設材料的彈性模量是固定值，但實際材料的彈性模量可能會因為生產批次、環境腐蝕等因素而有所不同。通過模型修正可提高模型的準確性，從而更精準地預測平臺在各種工況下的響應。
2、海洋平臺在服役過程時常遭受超強臺風、巨浪和流冰等惡劣海洋環境荷載侵蝕，海水腐蝕、疲勞裂紋、構件凹陷變形等多種損傷時有發生，且這些損傷極其隱蔽、難以察覺，導致海洋平臺結構存在較高的未知性。海洋平臺結構考慮到服役期安裝傳感器需水下作業等因素限制，只能布置相對較少的傳感器以獲得結構振動響應，同時由于模態信息提取技術的制約，往往只能得到結構低階模態參數且通常含有噪聲，這些因素會對模型修正結果產生影響，因此提高噪聲影響下的結構隨機模型修正方法的有效性是必要的。
3、現有技術中，專利技術專利cn201710154817.8公開了一種基于kriging函數的有限元模型建立方法，包含以下步驟：步驟1、基于設計資料建立初始有限元模型；步驟2、采用拉丁超立方進行抽樣,并根據抽樣結果計算模型靜動
4、上述兩種修正方案，若應用于海洋平臺結構進行隨機模型修正，均未考慮設計參數的小樣本及方差對修正結果的影響，從而無法解決小樣本及噪聲污染條件下海洋平臺結構隨機修正誤差大及效率低的問題。
技術實現思路
1、針對上述問題，本專利技術提供了一種主動學習型海洋平臺結構快速隨機模型修正方法，包括以下過程：
2、s1，通過靈敏度分析篩選海洋平臺結構隨機修正的修正參數；將海洋平臺結構隨機修正過程轉變為對修正參數的均值及標準差的修正過程；
3、s2，根據修正參數均值和標準差進行拉丁超立方抽樣次，得到修正參數矩陣；
4、s3，通過有限元分析獲取結構頻率矩陣，基于修正參數矩陣和結構頻率矩陣，構建初始訓練集，并建立初始kriging模型；
5、s4，建立考慮實測頻率不確定性的新型學習函數表達式，計算學習函數值，使得學習函數值達到最大時對應的結構最優修正參數向量；
6、s5，將最優修正參數向量代入有限元模型進行有限元模型分析，得到對應的結構頻率向量；
7、s6，將最優修正參數向量和結構頻率向量添加到初始訓練集中，建立新的訓練集，采用構建新的kriging模型；
8、s7，采用實測頻率數據與初始有限元模型頻率數據構造目標函數，以修正參數均值和標準差為求解目標，利用優化算法進行求解，得到待修正有限元模型修正參數的均值和標準差；
9、重復上述步驟s4至s7，直至模型收斂，實現海洋平臺結構隨機修正。
10、優選的，所述s1的具體過程為：
11、通過靈敏度分析選擇海洋平臺結構中具有一定靈敏度的參數作為修正參數，其中代表第個修正參數；將海洋平臺結構隨機修正過程轉變為對修正參數的均值及標準差的修正過程，確定各參數初始均值和標準差，其中和分別代表修正參數的均值和標準差。
12、其中將海洋平臺結構隨機修正過程轉變為對修正參數的均值及標準差，海洋平臺結構隨機模型修正過程可視修正參數服從正態分布的修正過程，因此可將其概括為對修正參數的均值及標準差的修正。
13、優選的，所述s3的具體過程為：
14、對修正參數矩陣中的每個修正參數向量的修正參數代入有限元模型，其中有限元模型是指采用有限元分析軟件建立的海洋平臺結構有限元模型；
15、通過特征值分析獲取結構頻率矩陣向量，同時得到個參數組合對應的個結構頻率向量，從而組成結構頻率矩陣，每一組結構參數和對應結構頻率記為一組樣本數據，共得到組樣本數據；
16、通過特征值分析獲取結構頻率矩陣向量的具體過程為：通過修正參數向量中結構物理參數及尺寸參數更新有限元模型，進行特征值分析獲取結構固有頻率；
17、確定相關函數為高斯模型、基函數為二次多項式模型及相關函數系數取值，選擇前80%樣本數據作為訓練樣本池，其余樣本數據作為測試集，再從樣本池中選擇前20%樣本數據作為初始訓練集建立初始kriging模型。
18、優選的，所述s4的具體過程為：
19、基于建立的考慮實測頻率不確定性的新型學習函數表達式xeff，依次計算實測頻率與樣本池剩余的某個訓練樣本的學習函數值，找出使得學習函數值達到最大時對應的結構修正參數向量，新型學習函數xeff表達式如下：
20、；
21、式中：，表示某個訓練樣本對應的結構頻率向量的第個分量，且，，表示標準正態分布密度函數，為高斯分布函數，和表示對應的結構頻率向量的標準差和均值；為實測頻率的階數；為結構實測頻率向量的第個分量。
22、優選的，所述s6中計算訓練樣本池中剩余樣本點的xeff學習函數值，選擇xeff學習函數最大值對應的樣本點加入訓練樣本集，將其對應的前五階頻率加入響應集，重新構造主動學習kriging模型。
23、優選的，所述s7的具體過程為：利用構造的主動學習kriging模型進行隨機模型修正，目標函數為頻率分布之間的歐式范數及kl散度，修正參數初始取值參考基準模型，優化函數為nsga-ⅱ多目標遺傳算法，設定種群大小和迭代次數，設定適應度偏差值，得到利用該主動學習kriging模型進行模型修正后的修正參數均值和方差。
24、與現有技術相比，本專利技術具有如下有益效果：
25、引入主動學習算法對kriging模型的加點準則進行改進，構造的kriging模型能夠通過改進的加點方式減少所需的訓練樣本數量，同時在構造學習函數時考慮實測數據中的不確定性因素，構造了考慮實測數據不確定性的新型學習函數，從而實現小樣本及噪聲誤差下快速高效精準模型修正，本專利技術本文檔來自技高網...
【技術保護點】
1.一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，包括以下過程：
2.如權利要求1所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，所述S1的具體過程為：
3.如權利要求1所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，所述S3的具體過程為：
4.如權利要求1所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，所述S4的具體過程為：
5.如權利要求4所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于：所述S6中計算訓練樣本池中剩余樣本點的XEFF學習函數值，選擇XEFF學習函數最大值對應的樣本點加入訓練樣本集，將其對應的前五階頻率加入響應集，重新構造主動學習Kriging模型。
6.如權利要求1所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，所述S7的具體過程為：利用構造的主動學習Kriging模型進行隨機模型修正，目標函數為頻率分布之間的歐式范數及KL散度，修正參數初始取值參考基準模型，優化函數為NSGA-Ⅱ多目標遺傳算法，設
...【技術特征摘要】
1.一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，包括以下過程：
2.如權利要求1所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，所述s1的具體過程為：
3.如權利要求1所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，所述s3的具體過程為：
4.如權利要求1所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于，所述s4的具體過程為：
5.如權利要求4所述的一種主動學習型海洋平臺結構快速隨機模型修正方法，其特征在于：所述s6中計算訓練樣本池中...
【專利技術屬性】
技術研發人員：蔣玉峰，王樹青，李韻慧，馬春可，鄭澤鵬，
申請(專利權)人：中國海洋大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。