بهینه‌سازی موثر جهانی برای تحلیل زمانی قابلیت اطمینان ​

تحلیل قابلیت اطمینان زمانی نیاز به استفاده از مقدار حداکثر یک واکنش دارد. تابع ارزش افراطی معمولا بسیار غیرخطی است و روش‌های اعتبار سنتی مانند روش قابلیت اطمینان مرتبه اول (FORM)ممکن است خطاهای بزرگی ایجاد کنند. راه‌حل این مشکل استفاده از یک مدل جانشینی از واکنش افراطی است. هدف از این کار بهبود کارایی ساخت چنین مدل جانشینی است. یک روش بهینه‌سازی ترکیبی کارا (m – EGO)پیشنهاد شده‌است. متفاوت از روش EGO فعلی که نمونه‌هایی از متغیرهای تصادفی و زمان را به طور مستقل ترسیم می‌کند، روش m – EGO نمونه‌هایی از دو نوع نمونه را به طور همزمان جذب می‌کند. روش m – EGO از شبیه‌سازی تطبیقی کریگینگ- مونت کارلو (AK – MCS)استفاده می‌کند تا دقت بالایی نیز حاصل شود. سپس، شبیه‌سازی مونت کارلو (MCS)برای محاسبه قابلیت اطمینان زمانی بر مبنای مدل جانشین به کار می‌رود. دقت خوب و کارایی روش m – EGO با سه مثال نشان داده می‌شوند. [ DOI: ۱۰.۱۱۱۵ / ۱.۴۰۲۹۵۲۰ ]

Time-dependent reliability analysis requires the use of the extreme value of a response. The extreme value function is usually highly nonlinear, and traditional reliability methods, such as the first order reliability method (FORM), may produce large errors. The solution to this problem is using a surrogate model of the extreme response. The objective of this work is to improve the efficiency of building such a surrogate model. A mixed efficient global optimization (m-EGO) method is proposed. Different from the current EGO method, which draws samples of random variables and time independently, the m-EGO method draws samples for the two types of samples simultaneously. The m-EGO method employs the adaptive Kriging–Monte Carlo simulation (AK–MCS) so that high accuracy is also achieved. Then, Monte Carlo simulation (MCS) is applied to calculate the time-dependent reliability based on the surrogate model. Good accuracy and efficiency of the m-EGO method are demonstrated by three examples.