面向复杂失效域可靠性分析的线条重要性采样(Line Importance Sampling, LIS)方法

《Reliability Engineering & System Safety》:Line importance sampling for reliability analysis with complex failure domain

【字体: 大 中 小 】 时间:2026年01月27日 来源:Reliability Engineering & System Safety 11

编辑推荐:

  摘要:可靠性分析是评价不确定条件下工程系统安全性的基础。现代结构系统常涉及高度非线性的功能函数及复杂失效域,使高效可靠性估计颇具挑战。线条采样(Line Sampling, LS)通过将高维问题转化为沿预定义重要方向的一系列一维条件问题可提升效率,但其仅适用于

  
摘要:可靠性分析是评价不确定条件下工程系统安全性的基础。现代结构系统常涉及高度非线性的功能函数及复杂失效域,使高效可靠性估计颇具挑战。线条采样(Line Sampling, LS)通过将高维问题转化为沿预定义重要方向的一系列一维条件问题可提升效率,但其仅适用于弱/轻度非线性情形且严重依赖于重要方向的选择。为克服上述局限,研究人员提出一种新颖的线条重要性采样(Line Importance Sampling, LIS)框架,将LS的高效性与重要性采样(Importance Sampling, IS)的灵活性相融合。在LIS中,采样于旋转后的(n?1)维空间中进行,并推导了理论上的最优重要性采样密度。此外,研究人员发展了基于自适应交叉熵(Cross-Entropy, CE)的CE-LIS方法,通过最小化最优采样密度与假定采样密度间的Kullback–Leibler(KL)散度来更新分布,给出了高斯混合模型(Gaussian Mixture Model, GMM)和von Mises–Fisher–Nakagami混合模型(vMFNM)的解析更新规则,使即便初始方向次优时样本也能自适应集中于主导失效区域。对含多设计点或非凸极限状态面的四个算例研究表明,所提CE-LIS获得了高精度与强鲁棒性,有效克服了传统LS方法的固有局限。
论文解读:面向复杂失效域可靠性分析的线条重要性采样(Line Importance Sampling, LIS)方法
一、研究背景与选题依据
在土木工程、航空航天等安全关键行业中,材料属性、几何尺寸、载荷及环境等因素存在固有不确定性,需通过结构可靠性分析量化失效概率Pf=∫RnIF(x)fX(x)dx,其中IF(x)为失效指示函数,g(x)≤0定义失效域F。现有方法可分为近似解析法〔如一阶/二阶可靠性方法(First/Second-Order Reliability Method, FORM/SORM)〕、基于矩的方法、基于代理模型(surrogate model)的方法及基于抽样(sampling-based)的方法。FORM/SORM在强非线性或失效域不连通时限于局部泰勒展开而精度骤降;基于矩的方法面临维数灾难(curse of dimensionality);代理模型法依赖训练样本代表性且同样受维数影响。最通用稳健的基于抽样方法中,蒙特卡洛模拟(Monte Carlo Simulation, MCS)对小失效概率需海量样本;各类方差缩减技巧——重要性采样(Importance Sampling, IS)、子集模拟(Subset Simulation, SS)、方向采样(Directional Sampling, DS)和线条采样(Line Sampling, LS)——各有适用局限。经典LS经正交变换将n维积分拆解为(n?1)维旋转空间抽样与沿单位重要方向eimp(常由FORM设计点Most Probable Failure Point, MPP或原点梯度获取)的一维条件失效概率Pf(β|u⊥)=P[g(βeimp+u⊥)≤0]求解,理论上可降低方差。但LS默认假设功能函数近线性、失效域凸且具单一主导设计点,对强非线性、高曲率、多失效模式或断开非凸失效域,预定义重要方向无法覆盖所有失效区致估计偏倚或收敛慢,且LS效率高度敏感于eimp质量。传统IS更新又仅用二元失效标记,信息密度低,高维/复杂域下收敛慢。为此,研究人员开展本研究以突破经典LS局限。
二、关键技术方法概述
研究人员提出线条重要性采样(Line Importance Sampling, LIS)框架,在标准正态空间U经正交变换U=βeimp+U⊥,其中β∈R为一维坐标,U⊥∈Rn?1为旋转后垂直于eimp的子空间变量。LIS不在原n维空间做IS,而在(n?1)维U⊥空间引入重要性采样密度h(U⊥),推导理论最优h*(U⊥)∝φn?1(U⊥)·Pf(β|U⊥),φn?1为标准正态密度,并以条件失效概率加权。为进一步自适应更新h(U⊥),嵌入交叉熵(Cross-Entropy, CE)优化:最小化Kullback–Leibler(KL)散度DKL(h*∥hθ),迭代更新参数θ。研究人员分别采用高斯混合模型(Gaussian Mixture Model, GMM)与von Mises–Fisher–Nakagami混合模型(von Mises–Fisher–Nakagami Mixture, vMFNM)参数化hθ,推导其近似解析更新公式。初始重要方向eimp可由FORM获取或取坐标轴方向。算法流程为:初选eimp→正交变换得U⊥→CE迭代更新GMM/vMFNM产生U⊥(i)→沿β数值求根得条件失效标志→估计Pf=Eh[φn?1(U⊥)/h(U⊥)·IF(βeimp+U⊥)]→收敛判停。数值验证选用二维多设计点问题、两构件串联系统(series system)、汽车侧撞(vehicle side impact)问题、航空发动机涡轮叶片(jet engine turbine blade)问题及高维非凸极限面问题。
三、研究结果(按原文小标题逻辑归纳)
Original Line Sampling for Reliability Analysis(原有线条采样回顾)
研究人员回顾标准LS原理:通过正交变换分离β与U⊥,Pf=Eφn?1[P(g(βeimp+U⊥)≤0)],沿eimp求一维条件失效概率再对U⊥~N(0,In?1)期望。指出其优势为高维小概率问题降方差,缺陷为严重依赖eimp及近线性假设。
Line Importance Sampling (LIS)(线条重要性采样框架)
研究人员建立LIS理论:将IS嵌入LS的(n?1)维子空间,引入提议密度h(U⊥),Pf=Eh[φn?1(U⊥)/h(U⊥)·Pf(β|U⊥)],给出最优h*(U⊥)表达式。此构造使抽样避开原LS均匀抽U⊥~N(0,I)却忽视条件失效概率权重的弊端,从原理上允许向高贡献失效区偏移。
Cross-Entropy-based Adaptive Update Strategy / CE-LIS(基于交叉熵的自适应更新与CE-LIS)
研究人员将CE方法引入LIS:以参数族{hθ}近似h*,通过样本{U⊥(i)}自重要性权重w(i)=φn?1(U⊥(i))Pf(β|U⊥(i))/hθ(U⊥(i))最小化KL散度得θ更新方程。因含未知归一化常数,采用平滑重要性权重替代指示函数以驱动分布朝高Pf(β|U⊥)区集中。即使eimp偏离真实主导方向,迭代可使U⊥样本聚于对应失效子域投影,克服LS对eimp的过度敏感。
Sampling Functions and Update Rules — GMM and vMFNM(采样函数及GMM与vMFNM更新规则)
研究人员详述两种混合模型:(1) GMM:hGMM(U⊥)=ΣkwkN(U⊥; μk, Σk),给出含加权条件的μk、Σk、wk更新解析式;(2) vMFNM(适用于方向特征明显的高维球面分布建模):结合von Mises–Fisher分布与Nakagami幅值混合,推导对应参数更新。比较表明GMM对一般形态灵活,vMFNM在特定对称结构上具参数效率。
Identification of the Unit Important Direction(单位重要方向确定)
研究人员说明eimp可取FORM所得MPP方向eimp=u*/‖u*‖,若无FORM可用坐标轴最大灵敏度方向或随机试探;因CE-LIS具自适应U⊥聚焦机制,对eimp偏差容忍度显著高于经典LS。
Examples(算例结果)
研究人员通过五例验证:①二维双设计点问题——经典LS因单方向漏失一失效区分区低估Pf,CE-LIS(GMM/vMFNM)均收敛至参考值且变异系数(Coefficient of Variation, CoV)低;②两构件串联系统——含两断开失效域,CE-LIS准确捕获联合失效概率,传统LS偏差大;③车辆侧撞问题(n=11随机变量)——CE-LIS以远少于MCS样本获稳定Pf估测;④航空发动机涡轮叶片问题——强非线性、高维,CE-LIS表现稳健;⑤高维非凸极限状态面问题——CE-LIS维持精度,LS失效。四例综合显示CE-LIS精度高、鲁棒性强、所需功能函数调用次数显著少于MCS及传统IS变体。
四、讨论与结论翻译总结
研究人员指出,传统LS局限于弱非线性单凸失效域及对重要方向的强依赖;所提LIS框架通过在(n?1)维旋转空间引入IS及CE自适应更新,理论上适用于非凸、多设计点问题。CE-LIS利用条件一维失效概率作连续权重(而非仅0/1标记)更新混合模型采样密度,使样本自然趋近主导失效区投影,降低对初始eimp质量的敏感度。GMM与vMFNM提供灵活采样函数选项。算例证实方法在精度、效率及鲁棒性上优于原始LS及部分既有IS改进算法。
论文结论部分翻译如下:
本研究提出了一种新颖的线条重要性采样(Line Importance Sampling, LIS)框架,以提升原始线条采样(Line Sampling, LS)方法在具复杂失效域可靠性分析中的效率与适用性。不同于仅对弱非线性性能函数及凸极限状态面有效的原始LS,所提LIS在(n?1)维旋转空间中引入重要性采样(Importance Sampling, IS),使其在理论上可应用于非凸及含多设计点的问题。在此基础上,研究人员发展了基于交叉熵(Cross-Entropy, CE)的自适应CE-LIS方法,通过在旋转子空间最小化Kullback–Leibler散度迭代更新采样分布(采用高斯混合模型Gaussian Mixture Model(GMM)或von Mises–Fisher–Nakagami混合模型(vMFNM)),即便初始重要方向次优亦可驱使样本集中于主导失效区域。数值算例表明CE-LIS获得高精度与强鲁棒性,有效克服了原始LS方法的固有局限。未来工作将探索更高效的重要方向初始化策略及LIS与代理模型(surrogate model)的融合以进一步降低计算成本。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号