基于RBF神经网络的边坡稳定可靠度分析

RBF神经网络具有网络训练速度快、可以避免局部极小等优点。文章基于RBF神经网络理论,采用蒙特卡罗模拟法来进行结构的可靠度分析,研究了样本点的生成方法及样本数对可靠度分析结果的影响,并将基于RBF神经网络的蒙特卡罗模拟法应用于边坡的可靠度分析。计算表明:基于RBF神经网络的蒙特卡罗模拟法具有较好的计算效率和计算精度;样本点的生成方法和样本数对计算结果影响较大。与随机取样法相比,均匀设计法生成的样本点分布更均匀,由此样本点集训练生成的神经网络能更好的代替原功能函数,在相同的样本数时具有更高的计算精度;当计算精度相同时,均匀设计法比随机取样法需要生成的样本点少,计算效率高。