Reliability-based design optimization of ship structure using SMOTE algorithm and dynamic surrogate model
-
摘要:目的 针对传统船舶结构可靠性优化设计中难以同时保证全局近似精度与计算效率的问题,提出一种基于少数类合成的过采样算法(SMOTE)和动态代理模型的可靠性优化策略。方法 首先,通过最优拉丁超立方试验设计,在设计空间中选择初始样本点,构造BP神经网络模型;然后,利用全局优化算法−模拟退火法(ASA)和可靠性优化设计的单循环法(SLA),找到当前全局最优解;最后,通过SMOTE算法增加最优解周围的样本点,更新代理模型以提高其在全局最优解附近的精度,直至优化迭代收敛。结果 结果显示,SMOTE算法可以合成位于失效面附近的样本点,从而使BP神经网络模型更高效地拟合极限状态函数;SLA法将可靠性优化问题解耦成确定性优化问题,在保持计算精度的同时提高了计算效率。结论 优化结果表明,采用所提方法在获得分析模型全局最优解的同时还能有效减少计算成本。Abstract:Objectives Aiming at the problem that it is difficult to ensure global approximation accuracy and computational efficiency in the traditional reliability-based design optimization of ship structures, a reliability optimization strategy based on a dynamic surrogate is proposed.Methods The BP nueral network surrogate is constructed with initial sampling points generated by the optimal Latin hypercube design method. The global optimization algorithm and single loop method (SLA) of the reliability optimization design are used to find the current global optimal solution. The sample points around the optimal solution are then added using the synthetic minority over-sampling technique (SMOTE), and the surrogate is updated to improve its accuracy near the global optimal solution until the optimization iteration converges.Results The SMOTE algorithm can synthesize the sample points located near the failure surface so that the surrogate fits the limit state function efficiently; the SLA decouples the reliability optimization problem into a deterministic optimization problem, improving calculation efficiency while maintaining calculation accuracy.Conclusions This optimization method is validated using a mathematical problem and ship structure reliability optimization. The optimization results show that the method can effectively reduce the calculation cost while obtaining the global optimal solution of the analysis model.
-
0. 引 言
结构可靠性是指结构系统在规定的使用条件与环境下,在给定的使用寿命期间,能有效承受载荷和耐受环境影响并保持正常工作的概率。通过结构可靠性研究,可以提升结构性能,降低维修风险,这对于高可靠、长寿命和昂贵的结构制造而言具有重要意义。在船舶海洋结构物设计中,由于结构尺寸、材料性能和环境等包含有大量不确定的因素,而可靠性优化设计可以同时保证结构的经济性和安全性,是极具优势的优化设计方法,因而被广泛应用于船舶、飞行器、汽车设计等领域[1-3]。
可靠性优化设计最直接的解决方法是建立两层次优化问题,外层为设计变量的优化迭代,内层为结构可靠性评估[4]。由于两层次算法是高度非线性的耦合问题,因此存在计算量大、效率低等缺点。针对该问题,Liang等[5]提出了一种单层次算法,该方法通过计算极限状态函数的可靠性指标,可近似得到结构的最小功能点,称为单循环算法(single loop algorithm,SLA);贺谦等[6]使用SLA法对涡轮叶片进行了可靠性及多学科优化,将概率约束优化问题转换为近似的确定性约束优化问题求解,显著提高了计算效率。在可靠性优化设计中,迭代次数较多,使用有限元模型(FEM)计算虽然计算精度高但会耗费巨大的时间成本,计算效率十分低下,因此,可采用准确的代理模型代替有限元计算来拟合设计变量与响应之间的关系。常见的几种代理模型有多项式响应面模型(PRS)、Kriging模型、径向基函数模型(RBF)、支持向量回归(SVR)、BP神经网络模型等,其中BP神经网络模型可以较好地模拟非线性映射问题,适合代替计算耗时的大型有限元模型[7]。
根据构造方式的不同,代理模型可以分为2种:静态代理模型和动态代理模型[8-9]。静态代理模型是通过采样获取足够多的样本点来构造代理模型,并且该代理模型在优化过程中始终保持不变。为了提高静态代理模型的近似精度,需要在整个设计空间中分布较多数量的样本点,但这会使调用分析计算模型的次数增多,优化效率降低。动态代理模型是在优化迭代的过程中不断更新样本点,并重新构造代理模型,直至优化迭代收敛。与静态代理模型相比,动态代理模型具有更高的优化效率和结果精度。Wang[10]提出了自适应响应面方法(adaptive response surface method,ARSM),该方法是一种基于响应面法(RSM)的动态代理模型方法,具有很好的全局收敛性与优化效率。彭磊等[8]提出了重点采样空间的概念,即在优化过程中逐步更新重点采样空间并在其内部增加样本点然后更新代理模型,从而建立动态径向基函数代理模型。Li等[11]提出了一种基于序列代理模型的可靠性优化方法,其是通过初始样本点建立代理模型以后,再通过一系列的优化问题来增加初始最优解附近的样本点,从而更新代理模型,提高代理模型精度。Meng等[12]将Kriging模型与自适应混沌单循环方法相结合,通过在目标可靠面上沿下降的方向增加样本点,提高了最可能失效点(MPP)附近局部区域的代理模型精度。
由结构可靠性理论可知,MPP附近区域对失效概率的贡献最大。Echard等[13]通过调用失效面附近的样本点建立代理模型计算了失效概率,结果显示计算效率很高,且非常适用于高可靠度模型。龙周[14]通过引入少数类合成的过采样算法(synthetic minority over-sampling technique,SMOTE)计算敏感域,使BP神经网络模型高效、准确地近似极限状态函数,提高了优化效率与精度。SMOTE算法是一种利用现有样本集,对少数类样本进行“过抽样”而合成新样本的机器学习算法[15]。本文将引入SMOTE算法来增加当前最优解周围失效面附近的样本点。
针对船舶结构可靠性优化中的高度非线性问题,本文拟提出2个优化策略:一是通过在优化过程中使用SMOTE算法,逐步增加当前最优解周围失效面附近的样本点,并更新BP神经网络模型,以在全局最优解附近更好地近似极限状态函数;二是在可靠性优化的SLA算法中采用模拟退火法(ASA)和动态BP神经网络模型,以保证可靠性优化计算结果的准确性和高效性。
1. 基于SMOTE算法和动态BP神经网络的可靠性优化方法
1.1 BP神经网络模型简介
BP神经网络模型是一种多层前馈神经网络,是目前应用最广泛的神经网络模型之一。在构建神经网络模型之前,需要有一个训练集
Xi(i=1, 2,...,m) 和一个响应集G(Xi) ,在工程中,G(Xi) 的值通常需要从有限元模型中获取。在训练神经网络的过程中,需要将真实值G(Xi) 与预测值˜G(Xi) 进行比较,然后根据误差逆推,不断地反馈修正神经网络的链接权重,以减小误差,完成学习。构建BP神经网络模型的具体步骤如下:
1) 建立初始网络。初始化权值矩阵
w 和v ,设置以下参数:训练次数P 、学习率η 、训练后网络需要达到的最小精度Emin 和最大训练次数{{{P}}_{\max }} 。2) 计算预测输出值。输入训练集样本,计算输出层的预测输出值。
3) 计算误差值。计算预测输出值与真实值之间的误差,可将全部样本的误差值累加作为系统的误差
E 。4) 调整各层权重。根据系统的误差值计算各层误差值,调整各层权重。
5) 判断是否达到要求的网络精度,若
E < {{{E}}_{\min }} ,则停止训练,否则,将训练计数器上的训练次数P 加1,回到步骤2)。1.2 SMOTE算法原理简介
SMOTE算法是一种合成少数类数据的过抽样算法,由Chawla等[16]于2002年提出。该算法的基本思路是,对少数类样本进行分析,然后根据少数类样本人工合成新样本并添加到数据集中。SMOTE算法克服了一般过抽样算法仅通过简单地复制样本来增加少数类样本数目所导致的模型过拟合问题。近年来,SMOTE算法被广泛应用于数据分析[17]和数据挖掘,其应用领域包括互联网、金融及医学等[15]。 SMOTE算法的具体原理如下:
假设某一不平衡数据集。对于少数类样本集
\left\{ x \right\} 中的每一个样本{x_i} ,计算其至少数类样本集\left\{ x \right\} 中其他所有样本的欧氏距离,搜索得到K 个近邻。假设该数据集的向上采样倍率为N ,则从其K 个近邻中随机抽取N (K >N )个样本\left\{ {{{\hat x}_j}\left| {j = 1,...,N} \right.} \right\} ,在{x_i} 与\left\{ {{{\hat x}_j}\left| {j = 1,...,N} \right.} \right\} 之间进行随机插值,产生一个新的样本{x_{ {\rm {new}} }} ,这样,对于每一个少数类样本{x_i} 便都构造了N 个新样本。将这些新合成的少数类样本与初始的少数类样本集\left\{ x \right\} 组合,即可产生新的训练集。插值公式如式(1)所示。{x_{ {\rm {new}} }}{\rm{ = }}{x_i}{\rm{ + rand}}(0,1) \times \left( {{{\hat x}_j} - {x_i}} \right),\;\;j = 1, \ldots ,N (1) 式中:
{{ x}_j} 为{x_i} 的N 个近邻中的第j 个样本;{\rm{rand}}(0,1) 为[0,1]区间内随机生成的一个实数。采用SMOTE算法合成的少数类样本示意图如图1所示。可见,SMOTE算法的采样是在少数类样本点与其近邻样本点的连线上进行随机插值,即直线插值,新生成的少数类样本点具有通用性,相比单纯地复制原始样本点,SMOTE算法能够对不平衡数据进行更好的处理。在船舶结构可靠性优化中,位于失效面附近的样本点数量非常少,而该区域的样本点对于失效概率的贡献最大,因此,要准确拟合失效面函数,需要合成少数类的样本点,故SMOTE算法适用于船舶结构可靠性优化计算。
1.3 SLA简介
SLA的基本原理是,通过将可靠性循环的Karush-Kuhn-Tucker最优性条件作为等效的确定性设计优化公式的约束,将概率优化问题转换为等效的确定性优化问题。采用SLA进行可靠性分析能避免计算最可能失效点时的反复优化迭代过程,极大地提高了计算效率,同时还具有与两层次算法同等的计算精度[18]。SLA的数学模型可以描述为[5]:
\begin{split}&\quad\quad\quad\quad\quad\quad\quad \mathop { {\rm {min}} }\limits_{d,{\mu _x}} :f({d^k},{\mu _x}^k) \\&\quad\quad\quad\quad {\rm {s.t.}} \;\;{G_i}({d^k},{X_i}^k) \geqslant 0,\; \; {\rm{ }}i = 1,...,n \\&\quad\quad\quad\quad {d^ {\rm {L}} } \leqslant {d^k} \leqslant {d^ {\rm {U}} },\; \; {\mu _x}^ {\rm {L}} \leqslant {\mu _x}^k \leqslant {\mu _x}^ {\rm {U}} \\& \left\{ \begin{array}{l} {X_i}^k = {\mu _x}^k - {\sigma _X} \cdot {\alpha _i}^k \cdot {\beta _i} \\ {\alpha _i}^k = {\sigma _X} \cdot {\nabla _X}{G_i}({d^k},{X_i}^{k - 1})/\left\| {{\sigma _X} \cdot {\nabla _X}{G_i}({d^k},{X_i}^{k - 1})} \right\| \\ \end{array} \right. \\ \end{split} (2) 式中:
{X_i}^k 为第k次迭代的第i 个近似最小功能点;{\beta _i} 为第i 个约束对应的目标可靠性指标;{\alpha _i}^k 为第i 个约束的归一化梯度;{\sigma _X} 为随机变量X 的标准差。在迭代过程中,把近似最小功能点{X^k} 代入约束条件判断是否满足约束条件,并更新设计变量{d^k},\;{\mu _x}^k 。1.4 基于SMOTE算法和动态代理模型的可靠性优化
对于一般结构,特别是具有高度非线性的船舶结构,本文提出的基于SMOTE算法和动态代理模型的可靠性优化方法的基本思路是:首先,采用最优拉丁超立方试验设计在设计空间中产生均匀分布的初始样本点,调用有限元计算得到响应值,加入训练集,建立初始的BP神经网络模型;然后,利用ASA和可靠性优化设计的SLA找到当前全局最优解以及最优解周围
k 个位于失效面附近的样本点,通过SMOTE算法增加最优解周围的样本点,更新代理模型以提高其在全局最优解附近的精度,并判断是否满足收敛条件,若不满足,则继续迭代。基于SMOTE算法和动态BP神经网络模型的可靠性优化策略流程图如图2所示。
具体步骤如下:
1) 建立真实的分析模型,工程中常用有限元模型,确定设计变量以及设计空间。通过最优拉丁超立方设计在设计空间选择初始均匀的样本点,并保存到样本点数据库中。
2) 计算样本点对应的有限元模型的真实响应值。
3) 以样本点数据库中的样本点为训练集输入,以对应的真实响应值为输出,训练得到初始的BP神经网络模型。
4) 在单循环法优化分析中,采用ASA作为优化算法,通过每次调用BP神经网络模型来计算响应值,并判断是否满足约束条件。在单循环法可靠性分析中,调用BP神经网络模型逼近极限状态函数,计算最可能的失效点和失效概率。循环直至满足收敛条件,得到当前可靠性优化最优解
{x_k}^* 和对应的近似目标函数值\tilde f({x_k}^*) 。5) 调用有限元模型计算当前可靠性优化最优解
{x_k}^* 处的真实目标函数值f({x_k}^*) ,并保存在最优解集合中。6) 判断可靠性优化是否收敛。当迭代计数参数
k = 1 时,直接转入步骤7);当k \geqslant 2 时,计算第k 次迭代和第k{\rm{ - }}1 次迭代得到的最优解处真实目标函数值的相对误差,以判断该相对误差是否小于给定的标准值\varepsilon ,若满足该条件,则停止迭代,第k 次最优解即为该可靠性优化问题的最优解,若不满足,则转入步骤7)。7) 找出当前最优解周围位于失效面附近的
m 个样本点,以这m 个样本点为少数类样本点,利用SMOTE算法合成新样本点,并将新样本点与最优点保存到样本点数据库中,参数k 加1,转入步骤2)。建立BP神经网络模型时,训练集样本越多,所建立的网络模型越接近真实有限元模型,但是调用有限元模型计算的次数也越多。在工程应用中,往往关心的是可靠性优化问题的全局最优解,因此建立BP神经网络模型的目的是得到全局最优解。本文是通过在每次迭代过程中增加当前最优解周围失效面附近的样本点,来重新构造BP神经网络模型,经多次迭代后,可以提高代理模型在真实有限元模型可靠性优化最优解附近的近似精度,并在每一次迭代中使用全局优化算法−ASA,来求解代理模型的可靠性优化最优解,直至前后两次所得最优解对应目标函数的相对误差满足收敛条件,便停止迭代。本文提出的动态BP神经网络方法并不关心代理模型在全局的近似精度,而只关心全局最优解附近的精度,因此可以减少调用有限元模型计算的次数,提高计算效率。
2. 数学算例及结果分析
2.1 数学模型及优化结果
2.1.1 数学算例1
为了证明本文所提的基于SMOTE算法和动态BP神经网络模型的可靠性优化方法的有效性,引用文献[5]中具有非线性失效面的数学算例进行了测试。
算例的可靠性优化数学模型如式(3)所示。
\begin{split} &\qquad\qquad\quad\quad\quad\mathop {\rm {min}}\limits_{{\mu _1},{\mu _2}} f = {\mu _1} + {\mu _2}\\ &\qquad{\rm {s.t.}} \;\;P\left( {{G_j}(X) \geqslant 0} \right) \geqslant 99.87\%, \;\;\;j = 1,2,3\\& \qquad\qquad\qquad {G_1}(X) = x_1^2\cdot{x_2}/20 - 1\\& {{{G}}_2}(X) = {\left( {{x_1} + {x_2} - 5} \right)^2}/30 + {\left( {{x_1} - {x_2} - 12} \right)^2}/120 - 1\\& \qquad\qquad {{{G}}_3}(X) = 80/\left( {x_1^2 + 8\cdot{x_2} + 5} \right) - 1\\& \qquad\qquad\quad 0 \leqslant{\mu _1} \leqslant10,\;\;0 \leqslant{\mu _2} \leqslant10 \end{split} (3) 式中:
f 为目标函数;{G_1} ,{G_2} ,{G_3} 分别为3个确定性约束函数;设计变量{x_1},{x_2} 相互独立,服从正态分布,均值为{\mu _1} 和{\mu _2} ,标准差{\sigma _1}{\rm{ = }}{\sigma _2}{\rm{ = }}0.3 。分别使用本文提出的基于SMOTE算法和动态BP神经网络模型的可靠性优化方法(动态BP神经网络模型),以及传统的基于一次选点的BP神经网络模型可靠性优化方法(静态BP神经网络模型),对上述数学问题构造BP神经网络模型并优化。选取设计变量的初始值为
\left( {{\mu _1},{\mu _2}} \right){\rm{ = }} \left( {5,5} \right) ,构建BP神经网络模型时的参数取值分别为:最大训练次数Pmax=10 000,学习率\eta =0.05,训练后网络所需要达到的最小精度{{{E}}_{\min }} =0.001。初始样本点数目为50个,建立BP神经网络模型,并进行可靠性优化计算,得到最优解
{x_1}^* 。每次迭代时,取m=3,N=4,每次迭代生成12个新的样本点并加入到样本集中,同时加入当前计算得到的最优解。迭代2次后,若计算结果满足收敛条件,则{x_3}^* 为最终的最优解。采用蒙特卡罗方法对使用动态BP神经网络模型得到的可靠性优化方案的可靠度进行验证。为了保证验证结果的可靠性,选取了1 \times {10^6} 个随机样本点进行计算,得到可靠度{{{P}}_{\rm{r}}} = 99.89\% ,达到了预设要求。分别对使用本文动态BP神经网络模型和文献[11]中序列代理(SSRBO)模型以及静态BP神经网络模型计算的结果进行了对比,3种方法的优化结果和计算分析模型的次数如表1所示。
表 1 动态、静态BP神经网络及SSRBO方法可靠性优化结果对比Table 1. Reliability optimization results comparison of dynamic,static BP nueral network and SSRBO代理模型 可靠性优化结果 计算分析模型次数 理论解 (3.440 9,3.290 9) − 动态BP神经网络模型 (3.441 8,3.291 2) 76 SSRBO模型 (3.458 0,3.285 0) 28 静态BP神经网络模型 (3.441 1,3.291 8) 200 由表1可知,采用本文提出的动态BP神经网络模型和传统的静态BP神经网络模型均可求解得到该数学问题的可靠性优化全局理论最优解。但从优化效率上看,采用本文提出的动态BP神经网络模型计算分析模型的次数为76次,相比传统的静态BP神经网络模型,计算分析模型的次数减少了62%。由此可见,使用本文提出的基于SMOTE算法和动态BP神经网络模型的可靠性优化方法不仅可以获得全局最优解,还显著减少了计算分析模型的次数,提高了可靠性优化效率。
从计算分析模型次数上看,虽然本文提出的动态BP神经网络模型比SSRBO模型的次数多一些,但二者的计算次数仍属同一数量级。相比传统的求解方法,本文方法已经可以满足工程问题的求解需要,也提供了一种可靠性优化求解新思路。从可靠性优化结果精度上看,本文的动态BP神经网络模型得到的最优解与理论解的误差仅为0.026%,而SSRBO模型所得最优解与理论解的误差为0.497%,可见采用本文方法得到的可靠性优化结果的精度相对更高。采用动态BP神经网络模型和传统的静态BP神经网络模型在各自得到的最优解处的代理模型响应值与式(3)中数学表达式的计算模型的真实响应值的对比如表2所示,最优解处的计算误差如表3所示。
表 2 最优解处代理模型与计算模型的响应值对比Table 2. Response values comparison of surrogate model and calculation model at the optimal solution代理模型 最优解处代理模型响应值 计算模型真实响应值 f G1 G2 G3 f G1 G2 G3 动态BP神经网络模型 6.733 14 0.949 16 0.270 04 0.852 331 6.733 00 0.949 38 0.270 18 0.852 90 静态BP神经网络模型 6.732 64 0.950 86 0.270 63 0.842 820 6.732 90 0.948 94 0.270 42 0.852 90 表 3 最优解处计算结果误差对比Table 3. Error comparison of calcuation results at the optimal solution代理模型 结果误差/% f G1 G2 G3 动态BP神经网络模型 0.002 1 −0.022 7 −0.051 3 −0.066 6 静态BP神经网络模型 −0.003 9 0.202 1 0.076 2 −1.196 0 由表3可以看出,在最优解附近,本文提出的动态BP神经网络模型的近似精度要优于静态BP神经网络模型,并且可以很好地近似真实计算模型。这是因为动态BP神经网络模型将样本点主要分布在最优解附近,提高了BP神经网络模型在全局最优解附近的近似精度,所以通过SLA和ASA进行可靠性优化求解可以获得真实计算模型的全局最优解。
2.1.2 数学算例2
采用文献[12]中具有强非线性的数学算例进行测试,算例的可靠性优化数学模型如式(4)所示。
\begin{split} &\quad\quad\mathop {\min }\limits_{{\mu _{1,}}{\mu _2}} f = - \frac{{{{({\mu _1} + {\mu _2} - 10)}^2}}}{{30}} - \frac{{{{({\mu _1} - {\mu _2} + 10)}^2}}}{{120}}\\ &\;\;\quad\quad{\rm {s.t.}} \;\;P\left( {{G_j}(X) \geqslant 0} \right) \geqslant 99.87\%, \;\;\;\;j = 1,2,3\\& \qquad\qquad\quad\quad {{{G}}_1}(X) = {{{x_1}^2 · {x_2}} / {20}} - 1\\& \quad {{{G}}_2}(X) = 1 - {(Y - 6)^2} - {(Y - 6)^3}{\rm{ + 0}}{\rm{.6\cdot}}{(Y - 6)^4} - Z\\& \qquad\qquad {{{G}}_3}(X) = {{80} / {({x_1}^2{\rm{ + }}8 \cdot {x_2}{\rm{ + 5}})}} - 1\\& \qquad\quad\quad\quad {{Y = 0}}{\rm{.906\;3\cdot}}{x_1}{\rm{ + }}0.422\;6{\rm{\cdot}}{x_2}\\& \qquad\quad\quad\quad {{Z = 0}}{\rm{.422\;6\cdot}}{x_1} - 0.906\;3{\rm{\cdot}}{x_2}\\& \qquad\qquad\quad\quad\quad 0 \leqslant{\mu _1},\;\;0 \leqslant{\mu _2} \end{split} (4) 式中,
X = ({x_1},{x_2}) ,设计变量{x_1},{x_2} 相互独立,服从正态分布,均值为{\mu _1} 和{\mu _2} ,标准差为{\sigma _1}{\rm{ = }}{\sigma _2}{\rm{ = }}0.1 。设计变量的初始值为\left( {{\mu _1},{\mu _2}} \right){\rm{ = }}\left( {5,5} \right) 。使用本文提出的动态代理模型进行计算,构建BP神经网络模型时的参数取值分别为:最大训练次数Pmax=10 000,学习率
\eta =0.05,训练后网络所需要达到的最小精度{{{E}}_{\min }} =0.001。初始样本点数目为50个,建立BP神经网络模型,并进行可靠性优化计算,得到最优解
{x_1}^* 。每次迭代时取m=3,N=4,每次迭代生成12个新的样本点并加入到样本集中,同时,加入当前计算得到的最优解。迭代3次后,若计算结果满足收敛条件,则{x_4}^* 为最终的最优解。采用蒙特卡罗方法对使用动态BP神经网络模型得到的可靠性优化方案的可靠度进行验证。为了保证验证结果的可靠性,选取1 \times {10^6} 个随机样本点进行了计算,得到可靠度{{{P}}_{\rm{r}}} = 100\% ,达到了预设要求。将使用本文动态BP神经网络模型和文献[11]中的自适应混沌单循环方法(AK-ACSLA)计算的结果进行了对比,2种方法的优化结果及计算分析模型的次数如表4所示。
表 4 动态BP神经网络模型与自适应混沌单循环方法的可靠性优化结果对比Table 4. Reliability optimization results comparison of dynamic BP nueral network model and AK-ACSLA目标函数值 可靠性优化结果 计算分析模型次数 动态BP神经
网络模型−1.722 1 (4.558 9,1.970 3) 89 AK-ACSLA −1.724 8 (4.557 8,1.964 5) 32 由表4所示计算分析模型次数上看,虽然本文提出的动态BP神经网络模型的计算分析模型次数比AK-ACSLA法的多,但二者的计算次数还是属于同一数量级,相比传统的求解方法,本文方法已经可以满足工程问题的求解需要,具有一定的精度,也提供了一种可靠性优化求解新思路。
2.2 参数选取讨论
为了探讨本文所提的基于SMOTE算法和动态代理模型的可靠性优化方法中参数m(选取的少数样本点数量)和参数N(每次迭代产生的新样本点倍数)的选取原则,针对数学算例1,选取表5所示的几组参数进行了对比。
表 5 参数m和N选取结果对比Table 5. Optimization results comparison of different parameter m and Nm N 每次新增
样本点数目迭代次数 最优解结果 总样本点数量 3 3 9 4 (3.435 6, 3.290 3) 90 3 4 12 2 (3.441 8, 3.291 2) 76 3 5 15 2 (3.438 7, 3.286 6) 82 3 6 18 2 (3.435 4, 3.292 8) 88 3 7 21 2 (3.435 5, 3.287 3) 94 3 8 24 2 (3.435 9, 3.287 6) 100 3 9 27 2 (3.439 3, 3.286 0) 106 4 3 12 4 (3.441 1, 3.291 4) 102 4 4 16 3 (3.444 0, 3.286 5) 101 4 5 20 2 (3.432 9, 3.278 3) 92 4 6 24 2 (3.444 6, 3.286 8) 100 4 7 28 2 (3.437 3, 3.280 4) 108 4 8 32 2 (3.437 6, 3.278 4) 116 4 9 36 2 (3.450 5, .283 2) 124 6 2 12 5 (3.436 5, 3.288 0) 115 6 3 18 4 (3.435 2, 3.281 5) 126 6 4 24 3 (3.439 8, 3.279 5) 125 6 5 30 3 (3.437 5, 3.290 2) 143 6 6 36 3 (3.438 8, 3.287 9) 161 6 7 42 2 (3.441 7, 3.281 5) 136 6 8 48 2 (3.442 8, 3.278 3) 148 6 9 54 2 (3.439 6, 3.278 0) 160 8 3 24 5 (3.439 4, 3.284 4) 175 8 4 32 5 (3.442 9, 3.277 6) 215 8 5 40 4 (3.434 9, 3.284 7) 214 8 6 48 4 (3.435 5, 3.293 8) 246 8 7 56 3 (3.440 6, 3.282 6) 221 8 8 64 3 (3.437 2, 3.290 4) 245 8 9 72 3 (3.440 2, 3.294 0) 269 由表5可知:
1) 本算例中,m取3或4时得到最优解所需的总样本点数量较少;
2) N较小时虽然每次增加的样本点数量少,但是迭代收敛所需的次数多,因此所需的总样本点数量也较多,而当N较大时则相反;
3) 参数m和N取不同的值对于最终求解得到的最优值影响不大。
这是因为需要从失效面附近选取距离当前最优解最近的m个样本点,然后使用SMOTE算法在这m个样本点中增加N倍数量的新样本点。如果m选取过大,新增样本点的选取范围也将过大,在新增样本点数量一定的情况下,位于最优解附近的样本点数量就会过少,所以代理模型的近似精度就会不够,从而导致迭代次数增多。
综上,对于参数m和N的选取,建议m选择为初始位于失效面附近样本点数量的30%~40%(本算例中,初始位于失效面附近的样本点数量为8),N可适当大一些(3~5均可),这有利于提高得到全局最优解的计算效率,减少计算成本。
3. 船舶结构可靠性优化实例
3.1 船舶结构可靠性优化模型
本文基于上述SMOTE算法和动态BP神经网络模型方法,对一艘618 TEU型多用途船舶的货舱舱段进行了可靠性优化设计。该船主要用于装载集装箱和矿石等散装货物,主要参数如表6所示。
表 6 618 TEU型多用途船舶的主要参数Table 6. Main parameters of 618 TEU multi-purpose ship参数 数值 船长/m 132.9 型宽/m 19.3 型深/m 9.9 设计吃水/m 7.4 航速/kn 12 此多用途船舶共有3个货舱舱段,本文建立的可靠性优化模型即为此三舱段模型。舱段所受载荷和约束条件根据中国船级社的《散货船结构强度直接计算指南》确定[19]。计算的工况为:所有货舱满载,最大吃水,所有压载舱均为空舱。
板材尺寸对船体总纵强度和船体总重量影响较大,因此本文选择中剖面的板材厚度作为设计变量。每种板材厚度以其初始厚度为中心,步长为1 mm,取5个离散值作为设计变量的取值范围,共16个设计变量,不考虑随机参数的影响。设板材厚度为正态分布的随机变量,其标准差为加工允许偏差,一般取板材厚度均值的2%,即板材厚度设计变量服从分布
N({\mu _{{x_i}}},0.02{\mu _{{x_i}}}) 。具体设计变量的分布位置如图3所示,其中骨材的形状和尺寸视为已知量。以该货舱舱段的总质量
\sum\limits_{i = 1}^{16} {{{mass}}({x_i})} 最小为目标函数,以板的中面应力和梁的轴向力均小于许用应力为约束条件。按照规范,共得到6个约束条件,以满足上述6个约束条件的概率表示结构的可靠度,设定结构可靠度{{{P}}_{\rm{r}}}{\rm{ = }}99.653{\rm{\% }} ,则此船舶舱段可靠性优化模型为:\begin{split} &\qquad\qquad\quad \min \sum\limits_{i = 1}^{16} {{{mass}}({x_i})} \\&\qquad\quad {\rm{s}}{\rm{.t}}{\rm{. }}\;\;{\sigma _1}(x){\rm{ = }}{g_1}(x) - 220 \leqslant 0 \\&\qquad\qquad {\sigma _2}(x){\rm{ = }}{g_2}(x) - 235 \leqslant 0 \\&\qquad\qquad {\sigma _3}(x){\rm{ = }}{g_3}(x) - 175 \leqslant 0 \\&\qquad\qquad {\sigma _4}(x){\rm{ = }}{g_4}(x) - 195 \leqslant 0 \\&\qquad\qquad {\sigma _5}(x){\rm{ = }}{g_5}(x) - 206 \leqslant 0 \\&\qquad\qquad {\sigma _6}(x){\rm{ = }}{g_6}(x) - 176 \leqslant 0 \\& P\{ {\sigma _j}(x) \leqslant 0\} \geqslant 99.653\% ,\;\;j = 1,2,...,6 \end{split} (5) 式中:
{\sigma _i}(x) 为第i 个极限状态函数;{g_i}(x) 为计算所得各区域的应力。{g_i}(x) 对应的计算区域及许用应力值如表7所示。表 7{{{g}}_{{i}}}({{x}}) 对应的计算区域及许用应力值Table 7. Analysis domain and allowable stress values for{{{g}}_{{i}}}({{x}}) 变量名称 结构分类 许用应力值/MPa g1 主甲板、内外底板、顶边舱、底边舱斜板舷侧内壳、双舷侧内舷纵桁或平台 220 g2 船底纵桁 235 g3 肋板、横舱壁板 175 g4 凳板、横框架板 195 g5 纵向构件上的梁 206 g6 横向构件上的梁 176 3.2 船舶结构可靠性优化结果
按照1.4节所述的基于SMOTE算法和动态BP神经网络模型的可靠性优化流程,基于Matlab和Isight平台,对此船舶舱段进行可靠性优化设计,具体过程如下:
1) 采用最优拉丁超立方试验设计在设计空间均匀生成200个样本点,然后调用有限元模型计算其对应的响应。以该样本点集为训练集输入,以对应的真实响应值为输出,训练得到初始的BP神经网络模型。
2) 使用SLA并结合ASA进行可靠性分析和优化计算,得到当前的可靠性优化最优解。
3) 筛选位于失效面附近的点,调用Matlab找到最优解附近的10个样本点,对这些样本点,利用SMOTE算法扩大3倍,生成30个新的样本点,并调用有限元模型计算其对应的响应。
4) 将新增的样本点和计算得到的最优解加入训练集重新训练,更新BP神经网络模型。
5) 迭代优化,直至相邻两次优化解对应的目标函数值的相对误差小于0.2%,便停止迭代,优化结束。
按照上述方法,使用本文所提的基于SMOTE算法和动态BP神经网络模型的可靠性优化方法(表8中的动态BP神经网络模型),并考虑式(4)的所有约束条件,对此船舶舱段进行可靠性优化。考虑式(4)中的前6个确定性约束条件,不考虑
{{{P}}_{\rm{r}}} \geqslant 99.653{\rm{\% }} 的可靠性约束条件,进行确定性优化。使用传统的基于一次选点的BP神经网络模型可靠性优化方法(表8中的静态BP神经网络模型),针对上述船舶舱段可靠性优化问题构造BP神经网络模型并优化。构建BP神经网络模型时的参数取值保持一致,分别为:最大训练次数Pmax=10 000,学习率\eta =0.05,训练后网络所需要达到的最小精度{{{E}}_{\min }} =0.001。3种方法的优化结果对比如表8所示。从表中可以看出,本文所提可靠性优化方法在保证得到全局最优解的同时,还显著缩减了计算量。表 8 确定性优化与静态BP神经网络模型、动态BP神经网络模型可靠性优化结果对比Table 8. Reliability optimization results comparison of deterministic optimization,static BP neural network model and dynamic BP neural network model变量
编号变量名称 初始
值/mm确定性
优化结
果/mm静态BP神经网
络模型可靠性
优化结果/mm动态BP神经网
络模型可靠性
优化结果/mmx1 舷侧内板-1 18 18 19 18 x2 甲板 18 20 20 20 x3 舷侧外板-1 16 16 17 18 x4 舷侧内板-2 14 15 15 15 x5 二层甲板 9 7 8 7 x6 舷侧外板-2 12 10 10 10 x7 舷侧内板-3 12 10 10 10 x8 内底板-1 12 10 10 10 x9 船舭板 15 13 13 13 x10 内底板-2 15 13 13 13 x11 内底板-3 15 13 13 13 x12 外底板-1 12 10 10 10 x13 外底板-2 12 10 10 10 x14 旁底桁-1 12 10 11 10 x15 旁底桁-2 10 8 8 8 x16 中底桁 7 5 6 5 Mass/t 487.413 456.239 468.676 460.225 Mass/t
(FEM)− − 459.897 459.026 计算分析模型次数 − − 800 294 由表8还可知,使用动态BP神经网络模型得到的可靠性优化设计结果与初始设计相比质量减少了5.578%,与确定性设计结果相比质量增加了0.874%,这是因为可靠性优化考虑了设计变量的不确定性,牺牲了少部分的目标值来达到可靠性的要求。
采用蒙特卡罗方法对使用动态BP神经网络模型得到的可靠性优化方案的可靠度进行了验证。在进行可靠性计算时,考虑板材厚度正态分布,将具体板材厚度数据作为均值,其标准差取均值的2%进行可靠性计算。为了保证验证结果的可靠性,选取了
1 \times {10^6} 个随机样本点进行计算,得到可靠度{{{P}}_{\rm{r}}} = 99.96\% ,达到了预设要求。将可靠性优化得到的最终方案代入有限元进行计算,得到的目标质量和约束条件对比如表9所示。由表可知,动态BP神经网络模型在最优解处具有较高的预测精度。表 9 可靠性优化设计与有限元结果对比Table 9. Comparison of reliability optimization and FE resultsMass/t g1/MPa g2/MPa g3/MPa g4/MPa g5/MPa g6/MPa 可靠性优化 460.225 195.229 117.984 109.367 171.251 203.585 7 118.642 有限元结果 459.026 196.414 118.972 109.254 171.934 203.462 118.551 相对误差/% 0.261 2 −0.603 3 0.830 4 0.103 4 −0.397 2 0.060 8 0.076 8 4. 结 语
本文针对船舶结构优化中设计变量存在不确定性的问题,提出了结合SMOTE算法的动态BP神经网络模型,通过最优拉丁超立方试验设计在设计空间中选择初始样本点,构造BP神经网络模型,并利用ASA和可靠性优化设计的SLA找到当前全局最优解,然后再通过SMOTE算法增加最优解周围的样本点,更新代理模型以提高其在全局最优解附近的精度,直至优化迭代收敛。
本文以一个具有解析表达式的数学算例为例,基于动态BP神经网络模型的可靠性优化计算过程,只计算了76次便得到了可满足可靠性要求的全局最优解;在多用途船舶舱段可靠性优化设计问题中,优化后的舱段结构质量减少了5.578%,可靠度提升到了99.96%,在提高船舶经济性的同时保证了船舶结构的安全性,证明了本文所述方法的有效性。同时,将可靠性优化计算中调用有限元模型的次数减少到了293次,相比常规的采用静态BP神经网络模型,显著减少了计算成本,提高了计算效率。
因此,本文提出的基于SMOTE算法和动态BP神经网络模型的可靠性优化设计策略能有效解决复杂结构的可靠性设计优化问题,在保证可靠性优化结果准确性的同时大幅度提高优化效率,可为船舶及其他大型复杂结构的可靠性优化设计提供新的思路。
-
表 1 动态、静态BP神经网络及SSRBO方法可靠性优化结果对比
Table 1 Reliability optimization results comparison of dynamic,static BP nueral network and SSRBO
代理模型 可靠性优化结果 计算分析模型次数 理论解 (3.440 9,3.290 9) − 动态BP神经网络模型 (3.441 8,3.291 2) 76 SSRBO模型 (3.458 0,3.285 0) 28 静态BP神经网络模型 (3.441 1,3.291 8) 200 表 2 最优解处代理模型与计算模型的响应值对比
Table 2 Response values comparison of surrogate model and calculation model at the optimal solution
代理模型 最优解处代理模型响应值 计算模型真实响应值 f G1 G2 G3 f G1 G2 G3 动态BP神经网络模型 6.733 14 0.949 16 0.270 04 0.852 331 6.733 00 0.949 38 0.270 18 0.852 90 静态BP神经网络模型 6.732 64 0.950 86 0.270 63 0.842 820 6.732 90 0.948 94 0.270 42 0.852 90 表 3 最优解处计算结果误差对比
Table 3 Error comparison of calcuation results at the optimal solution
代理模型 结果误差/% f G1 G2 G3 动态BP神经网络模型 0.002 1 −0.022 7 −0.051 3 −0.066 6 静态BP神经网络模型 −0.003 9 0.202 1 0.076 2 −1.196 0 表 4 动态BP神经网络模型与自适应混沌单循环方法的可靠性优化结果对比
Table 4 Reliability optimization results comparison of dynamic BP nueral network model and AK-ACSLA
目标函数值 可靠性优化结果 计算分析模型次数 动态BP神经
网络模型−1.722 1 (4.558 9,1.970 3) 89 AK-ACSLA −1.724 8 (4.557 8,1.964 5) 32 表 5 参数m和N选取结果对比
Table 5 Optimization results comparison of different parameter m and N
m N 每次新增
样本点数目迭代次数 最优解结果 总样本点数量 3 3 9 4 (3.435 6, 3.290 3) 90 3 4 12 2 (3.441 8, 3.291 2) 76 3 5 15 2 (3.438 7, 3.286 6) 82 3 6 18 2 (3.435 4, 3.292 8) 88 3 7 21 2 (3.435 5, 3.287 3) 94 3 8 24 2 (3.435 9, 3.287 6) 100 3 9 27 2 (3.439 3, 3.286 0) 106 4 3 12 4 (3.441 1, 3.291 4) 102 4 4 16 3 (3.444 0, 3.286 5) 101 4 5 20 2 (3.432 9, 3.278 3) 92 4 6 24 2 (3.444 6, 3.286 8) 100 4 7 28 2 (3.437 3, 3.280 4) 108 4 8 32 2 (3.437 6, 3.278 4) 116 4 9 36 2 (3.450 5, .283 2) 124 6 2 12 5 (3.436 5, 3.288 0) 115 6 3 18 4 (3.435 2, 3.281 5) 126 6 4 24 3 (3.439 8, 3.279 5) 125 6 5 30 3 (3.437 5, 3.290 2) 143 6 6 36 3 (3.438 8, 3.287 9) 161 6 7 42 2 (3.441 7, 3.281 5) 136 6 8 48 2 (3.442 8, 3.278 3) 148 6 9 54 2 (3.439 6, 3.278 0) 160 8 3 24 5 (3.439 4, 3.284 4) 175 8 4 32 5 (3.442 9, 3.277 6) 215 8 5 40 4 (3.434 9, 3.284 7) 214 8 6 48 4 (3.435 5, 3.293 8) 246 8 7 56 3 (3.440 6, 3.282 6) 221 8 8 64 3 (3.437 2, 3.290 4) 245 8 9 72 3 (3.440 2, 3.294 0) 269 表 6 618 TEU型多用途船舶的主要参数
Table 6 Main parameters of 618 TEU multi-purpose ship
参数 数值 船长/m 132.9 型宽/m 19.3 型深/m 9.9 设计吃水/m 7.4 航速/kn 12 表 7
{{{g}}_{{i}}}({{x}}) 对应的计算区域及许用应力值Table 7 Analysis domain and allowable stress values for
{{{g}}_{{i}}}({{x}}) 变量名称 结构分类 许用应力值/MPa g1 主甲板、内外底板、顶边舱、底边舱斜板舷侧内壳、双舷侧内舷纵桁或平台 220 g2 船底纵桁 235 g3 肋板、横舱壁板 175 g4 凳板、横框架板 195 g5 纵向构件上的梁 206 g6 横向构件上的梁 176 表 8 确定性优化与静态BP神经网络模型、动态BP神经网络模型可靠性优化结果对比
Table 8 Reliability optimization results comparison of deterministic optimization,static BP neural network model and dynamic BP neural network model
变量
编号变量名称 初始
值/mm确定性
优化结
果/mm静态BP神经网
络模型可靠性
优化结果/mm动态BP神经网
络模型可靠性
优化结果/mmx1 舷侧内板-1 18 18 19 18 x2 甲板 18 20 20 20 x3 舷侧外板-1 16 16 17 18 x4 舷侧内板-2 14 15 15 15 x5 二层甲板 9 7 8 7 x6 舷侧外板-2 12 10 10 10 x7 舷侧内板-3 12 10 10 10 x8 内底板-1 12 10 10 10 x9 船舭板 15 13 13 13 x10 内底板-2 15 13 13 13 x11 内底板-3 15 13 13 13 x12 外底板-1 12 10 10 10 x13 外底板-2 12 10 10 10 x14 旁底桁-1 12 10 11 10 x15 旁底桁-2 10 8 8 8 x16 中底桁 7 5 6 5 Mass/t 487.413 456.239 468.676 460.225 Mass/t
(FEM)− − 459.897 459.026 计算分析模型次数 − − 800 294 表 9 可靠性优化设计与有限元结果对比
Table 9 Comparison of reliability optimization and FE results
Mass/t g1/MPa g2/MPa g3/MPa g4/MPa g5/MPa g6/MPa 可靠性优化 460.225 195.229 117.984 109.367 171.251 203.585 7 118.642 有限元结果 459.026 196.414 118.972 109.254 171.934 203.462 118.551 相对误差/% 0.261 2 −0.603 3 0.830 4 0.103 4 −0.397 2 0.060 8 0.076 8 -
[1] 胡新明, 王德禹. 基于迭代均值组合近似模型和序贯优化与可靠性评估法的船舶结构优化设计[J]. 上海交通大学学报, 2017, 51(2): 150–156. HU X M, WANG D Y. Optimization of ship structures using ensemble of surrogates with recursive arithmetic average and sequential optimization and reliability assessment[J]. Journal of Shanghai Jiao Tong University, 2017, 51(2): 150–156 (in Chinese).
[2] 王宇. 基于不确定性的优化方法及其在飞机设计中的应用[D]. 南京: 南京航空航天大学, 2010. WANG Y. Uncertainty-based optimization method and its application in aircraft design[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2010 (in Chinese).
[3] 李方义, 文忠武, 刘杰, 等. 基于序列Kriging模型的汽车车身轻量化可靠性优化设计[J]. 汽车安全与节能学报, 2017, 8(2): 205–212. doi: 10.3969/j.issn.1674-8484.2017.02.014 LI F Y, WEN Z W, LIU J, et al. Reliability-based design optimization for lightweight design of vehicle body based on sequential Kriging model[J]. Journal of Automotive Safety and Energy, 2017, 8(2): 205–212 (in Chinese). doi: 10.3969/j.issn.1674-8484.2017.02.014
[4] RASHKI M, MIRI M, MOGHADDAM M A. A simulation-based method for reliability based design optimization problems with highly nonlinear constraints[J]. Automation in Construction, 2014, 47: 24–36. doi: 10.1016/j.autcon.2014.07.004
[5] LIANG J H, MOURELATOS Z P, TU J. A single-loop method for reliability-based design optimisation[J]. International Journal of Product Development, 2008, 5(1/2): 76–92. doi: 10.1504/IJPD.2008.016371
[6] 贺谦, 李元生, 敖良波, 等. 基于单循环方法的涡轮叶片可靠性及多学科设计优化[J]. 推进技术, 2011, 32(5): 658–663. HE Q, LI Y S, AO L B, et al. Reliability and multidisciplinary design optimization for turbine blade based on single-loop method[J]. Journal of Propulsion Technology, 2011, 32(5): 658–663 (in Chinese).
[7] RUMELHART D E, MCCLELLAND J L, the PDP Research Group. Parallel distributed processing: explorations in the microstructures of cognition. Vol. 1: foundations[M]. Cambridge, MA: MIT Press, 1986.
[8] 彭磊, 刘莉, 龙腾. 基于动态径向基函数代理模型的优化策略[J]. 机械工程学报, 2011, 47(7): 164–170. doi: 10.3901/JME.2011.07.164 PENG L, LIU L, LONG T. Optimization strategy using dynamic radial basis function metamodel[J]. Journal of Mechanical Engineering, 2011, 47(7): 164–170 (in Chinese). doi: 10.3901/JME.2011.07.164
[9] 张扬, 张维刚, 马桃, 等. 基于全局敏感性分析和动态代理模型的复杂非线性系统优化设计方法[J]. 机械工程学报, 2015, 51(4): 126–131. doi: 10.3901/JME.2015.04.126 ZHANG Y, ZHANG W G, MA T, et al. Optimization design method of non-linear complex system based on global sensitivity analysis and dynamic metamodel[J]. Journal of Mechanical Engineering, 2015, 51(4): 126–131 (in Chinese). doi: 10.3901/JME.2015.04.126
[10] WANG G G. Adaptive response surface method using inherited Latin hypercube design points[J]. Journal of Mechanical Design, 2003, 125(2): 210–220. doi: 10.1115/1.1561044
[11] LI X, GONG C L, GU L X, et al. A reliability-based optimization method using sequential surrogate model and Monte Carlo simulation[J]. Structural and Multidisciplinary Optimization, 2019, 59(2): 439–460. doi: 10.1007/s00158-018-2075-3
[12] MENG Z, ZHANG Z H, ZHANG D Q, et al. An active learning method combining Kriging and accelerated chaotic single loop approach (AK-ACSLA) for reliability-based design optimization[J]. Computer Methods in Applied Mechanics and Engineering, 2019, 357: 112570. doi: 10.1016/j.cma.2019.112570
[13] ECHARD B, GAYTON N, LEMAIRE M, et al. A combined importance sampling and Kriging reliability method for small failure probabilities with time-demanding numerical models[J]. Reliability Engineering & System Safety, 2013, 111: 232–240.
[14] 龙周. 基于代理模型的船舶结构轻量化技术研究[D]. 上海: 上海交通大学, 2019. LONG Z. Research on lightweight technology of ship structure based on surrogate[D]. Shanghai: Shanghai Jiao Tong University, 2019 (in Chinese).
[15] HE H B, GARCIA E A. Learning from imbalanced data[J]. IEEE Transactions on Knowledge and Data Engineering, 2009, 21(9): 1263–1284. doi: 10.1109/TKDE.2008.239
[16] CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002, 16: 321–357. doi: 10.1613/jair.953
[17] 孙涛, 吴海丰, 梁志刚, 等. SMOTE算法在不平衡数据中的应用[J]. 北京生物医学工程, 2012, 31(5): 528–530. SUN T, WU H F, LIANG Z G, et al. Application of SMOTE arithmetic for unbalanced data[J]. Beijing Biomedical Engineering, 2012, 31(5): 528–530 (in Chinese).
[18] 肖卉, 杨迪雄. 基于可靠性的结构优化方法性能比较[C]//中国力学大会2011暨钱学森诞辰100周年纪念大会论文集. 哈尔滨: 中国力学学会, 2011. XIAO H, YANG D X. Performance comparison of structural reliability-based design optimization methods[C]//Proceedings of the China Mechanics Conference 2011 and the 100th Anniversary of the Birth of Qian Xuesen. Harbin: Chinese Society of Theoretical and Applied Mechanics, 2011 (in Chinese).
[19] 中国船级社. 散货船结构强度直接计算指南[M]. 北京: 人民交通出版社, 2003. China Classification Society. Direct calculation guide for structural strength of bulk carriers[M]. Beijing: China Communications Press, 2003 (in Chinese).
-
期刊类型引用(12)
1. 赵志峰. 船体结构件中常见焊缝的优化策略. 船舶物资与市场. 2024(02): 35-37 . 百度学术
2. 康煜晗,裴志勇,吴卫国. 基于代理模型技术的江海直达船体结构可靠性优化设计. 船舶力学. 2024(04): 551-560 . 百度学术
3. 盛婷,李晓文,朱兆一,阮志杰. 船体结构优化技术研究进展. 船舶工程. 2024(07): 26-35 . 百度学术
4. 樊昱玮,郭腾博,李哲,洪良友,刘超,蒋东翔. 基于长短时记忆网络的结构动态载荷预测方法. 中国舰船研究. 2024(06): 228-236 . 本站查看
5. 王一镜,罗广恩,刘家奇,刘俊成. 基于AMPSO-BP-GA的油船舱段结构优化. 江苏科技大学学报(自然科学版). 2023(02): 7-13 . 百度学术
6. 戚林辉,潘伟锋,罗伟林. 采用自适应最小化置信下限和SMOTE算法的动态代理模型. 福州大学学报(自然科学版). 2023(06): 811-818 . 百度学术
7. 康煜晗,裴志勇,吴卫国. 基于SMOTE算法的船体结构极限状态代理模型研究. 武汉理工大学学报(交通科学与工程版). 2023(06): 1089-1094+1101 . 百度学术
8. 吕国臣,程远胜,易家祥,刘均. 基于既往优化知识的稳健性优化方法. 中国舰船研究. 2022(02): 148-155 . 本站查看
9. 赵立. 探析船舶焊接与结构设计优化. 船舶物资与市场. 2022(07): 27-29 . 百度学术
10. 李晓利. 船舶结构优化的基本要求与设计方法. 船舶物资与市场. 2022(07): 21-23 . 百度学术
11. 王晶,胡弦. 基于融合动态图形和视觉感知的舰船立体流线造型优化设计. 舰船科学技术. 2022(17): 60-63 . 百度学术
12. 刘沛锋. 船舶结构优化研究进展. 船舶物资与市场. 2021(05): 1-2 . 百度学术
其他类型引用(11)