基于Bayesian证据推断与信息增益的参数化有限元修正模型选择

摘要：

在概率论和信息论框架下,建立一种基于Bayesian证据推断与马尔科夫链蒙特卡洛(MCMC)方法的有限元参数化修正模型选择分析方法,以解决有限元模型修正中的待定模型参数选择问题.引入信息增益(Information Divergence)指标,定量表征有限元模型修正过程中需要从测量数据中提取用于修正待定模型参数的信息量多少,以惩罚有限元模型待修正参数的复杂程度,能过权衡有限元参数化模型复杂度与其相应信息论表述的复杂度,获得满足模型与实测数据吻合度要求且待定参数相对简单的有限元参数化修正模型,有效避免由于待修正参数过多而导致的模型过拟合问题.通过对某两层螺栓连接钢框架有限元模型半刚性连接刚度参数修正的数值仿真与模型实验研究,对该方法进行验证.

关键词：有限元模型修正、贝叶斯证据推断、模型选择、证据因子、马尔科夫链蒙特卡洛方法(MCMC)、信息增益

所属期刊栏目：37

分类号：O327(振动理论)

资助基金：国家自然科学基金51778506

在线出版日期：2018-12-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：159-166