基于Kriging模型和改进MCMC算法的随机有限元模型修正_张雪萍
针对待修正参数维数较高时标准马尔可夫链蒙特卡罗（Markov Chain Monte Carlo，MCMC）算法不易收敛、拒绝率高的问题，提出了基于Kriging模型和在MCMC中融合花朵授粉算法的修正方法。首先，以应变模态作为响应，建立Kriging模型，通过蝙蝠算法确定Kriging模型的相关系数；然后，采用最大熵的贝叶斯方法估计参数的后验概率密度函数，花朵授粉算法融入Metropolis-Hasting（MH）抽样算法，提高局部寻优和全局寻优能力；最后，通过三自由度弹簧-质量系统和三维桁架结构的数值算例验证所提模型修正方法，修正后参数相对误差均低于0.86%。结果表明，所提方法修正后参数的马尔可夫链能够快速收敛、样本接受率高，该方法也对随机噪声具有一定的鲁棒性。
- 2021-04-20
- 阅读550
- 下载0
- 10页
- pdf
