LUB: A Novel Adaptive Kriging Framework Incorporating Lower and Upper Bound Analysis for Enhanced Structural Reliability-Based Design Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Reliability-based design optimization (RBDO) is increasingly recognized for its potential to enhance the performance of structural engineering systems. Despite its potential, traditional RBDO methods are often hampered by significant computational challenges, especially when applied to nonlinear structures where simultaneous execution of structural optimization and reliability analysis increases the complexity of analysis. This computational burden presents a significant barrier for broader application of RBDO in complex systems, which therefore highlights the need for more efficient approaches. To address this challenge, we introduce an adaptive Kriging-assisted RBDO framework that leverages lower and upper bounds (LUB) analysis to improve its computational efficiency and robustness. In this proposed framework, regions delineated by varying confidence bounds are used for identifying design points close to the limit state. Convergence is rigorously assessed by comparing design and reliability predictions across upper and lower bound interfaces, thereby ensuring both interpretability and robustness. The framework allows for flexibility through its seamless integration with various adaptive sampling processes, evolutionary optimization algorithms, and reliability assessment techniques. The proposed framework is evaluated for four benchmark examples and two engineering cases, demonstrating superior accuracy and efficiency with fewer model evaluations compared with existing approaches. Through iterative optimization, the framework consistently maintains cost and errors of reliability estimation within predefined thresholds, offering robust and computationally efficient solutions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle