同济大学学报(自然科学版)

作者：宋超林，张弛，孙斌，肖汝诚

单位：1.同济大学 土木工程学院，上海 200092;2.Verisk Analytics Inc.，波士顿 02111

关键词：可靠度,代理模型,物理信息神经网络,自适应训练,子集模拟

基金：国家自然科学基金青年基金（52308196）；中国博士后科学基金面上资助（2023M742664）；国家资助博士后研究人员计划（GZB20230528）。

工程结构服役过程中会面临多种影响结构完整性和功能性的不确定性因素，可靠度分析通过评估结构失效概率量化服役安全性。随着机器学习技术的发展，诸多学者开始研究建立评估更加高效的代理模型，更好实现计算精度和效率的平衡。通过偏微分方程或者常微分方程等具有物理意义的方程定义损失函数，物理信息神经网络具有通用函数逼近器的能力。已有学者提出了在物理信息神经网络中考虑随机变量输入，从而无需外部调用有限元分析软件等求解器，进行高效的可靠度分析。但是已有方法多基于均匀采样设计训练配点，并利用蒙特卡洛方法求解失效概率，方法难以适用于极小概率问题。为此提出基于子集模拟自适应训练物理信息神经网络，并展开可靠度分析，从而提升神经网络的训练效果和求解可靠度问题的计算效率。若干数值和工程案例验证了提出方法的性能。

来源：2025年第11期

《同济大学学报(自然科学版)》期刊编辑部

查看同济大学学报(自然科学版)杂志2025年第11期