不平衡样本条件下工程结构可靠度分析的自适应深度神经网络方法

《Buildings》：Adaptive Deep Neural Network Method for Engineering Structural Reliability Analysis with Imbalanced Samples

　　

摘要

为提高不平衡样本条件下工程结构可靠度分析的精度与效率，提出了一种自适应深度神经网络（ADNN）方法。该方法将基于极限状态面（LSS）的分层划分、复合损失函数以及自适应训练策略集成到深度神经网络（DNN）框架中。在所提出的方法中，利用DNN建立输入变量与输出响应之间的映射关系。基于LSS的分层划分提高了LSS附近样本的代表性；复合损失函数赋予关键区域中的样本更大的权重，从而增强了模型学习LSS的能力；自适应训练策略用于提升模型的鲁棒性。通过两个非线性函数算例和一个斜拉桥工程实例对所提出的方法进行了验证，其中建模数据集中的失效样本比例范围为0.10至0.33。结果表明，ADNN提高了LSS的近似能力，且在失效样本比例降低的情况下仍保持良好的可靠度分析性能。与传统代理模型相比，ADNN方法在可靠度分析中实现了更高的精度和效率。本研究为不平衡样本条件下的结构可靠度分析提供了方法学支持。