不同结构复杂度下结合集成学习的模型修正方法
模型不确定性不可避免地影响到数值模型分析精度和可靠性，需要找到一种合适的模型方法，从实测数据中搜索并确定真实的模型参数值。该研究采用结合了过渡马尔科夫链蒙特卡罗(TMCMC)方法的贝叶斯模型更新理论对结构模型参数进行修正。采用Kriging法和多项式混沌展开法(PCE)生成代理模型，减少了 TMCMC算法的计算量。将该修正方法应用于两个不同结构复杂度的实例，包括一个十层框架和国家体育场模型。这两个模型分别代表高维线性模型和非线性模型。在两个实例下进一步讨论了贝叶斯方法中的不确定性量化，以验证代理模型的有效性和准确性。同时讨论了基于代理模型的修正方法在不同结构复杂度下的优缺点。最后，提出了利用集成学习方法改进代理模型的可能性。
模型修正 结构复杂度 马尔科夫蒙特卡洛采样 Kriging代理模型 多项式混沌展开 集成学习
林光伟 张熠
清华大学土木工程系,北京100084
国内会议
广州
中文
271-276
2021-10-01（万方平台首次上网日期，不代表论文的发表时间）