| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 引言 | 第12-13页 |
| 1.2 工程可靠度的研究现状 | 第13-14页 |
| 1.3 结构可靠度研究 | 第14-16页 |
| 1.3.1 结构可靠度研究现状 | 第14-15页 |
| 1.3.2 梁桥可靠度研究现状 | 第15-16页 |
| 1.4 基于机器学习的可靠度分析研究现状 | 第16-18页 |
| 1.4.1 机器学习的研究进展 | 第16-17页 |
| 1.4.2 基于机器学习的结构可靠度分析研究现状 | 第17-18页 |
| 1.5 本文的主要研究内容 | 第18-19页 |
| 1.6 研究方法与技术路线 | 第19-21页 |
| 1.6.1 研究方法 | 第19页 |
| 1.6.2 技术路线 | 第19-21页 |
| 第二章 结构可靠度及支持向量机的基本理论 | 第21-38页 |
| 2.1 引言 | 第21页 |
| 2.2 结构分析的极限状态方程及其设计变量 | 第21-23页 |
| 2.2.1 结构设计变量的随机性 | 第22页 |
| 2.2.2 承载能力极限状态 | 第22-23页 |
| 2.2.3 正常使用极限状态 | 第23页 |
| 2.3 结构的可靠度及其计算方法 | 第23-29页 |
| 2.3.1 结构的可靠度 | 第23-25页 |
| 2.3.2 蒙特卡罗法 | 第25-28页 |
| 2.3.3 响应面法 | 第28-29页 |
| 2.4 体系可靠度 | 第29-31页 |
| 2.5 支持向量机分类算法的基本原理 | 第31-37页 |
| 2.5.1 线性分类情况 | 第32-35页 |
| 2.5.2 非线性分类情况 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 基于支持向量机分类算法的可靠度分析 | 第38-56页 |
| 3.1 引言 | 第38页 |
| 3.2 生成训练样本的拉丁超立方均匀抽样方法 | 第38-39页 |
| 3.3 基于支持向量机分类算法的极限状态曲面构造方法 | 第39-47页 |
| 3.3.1 支持向量机分类算法机器参数分析及选择方法 | 第40-43页 |
| 3.3.2 基于完善样本的分类面函数优化方法 | 第43-44页 |
| 3.3.3 生成验算点方法 | 第44-46页 |
| 3.3.4 分类面函数拟合精度检验方法 | 第46-47页 |
| 3.4 基于构造分类面的蒙特卡罗可靠度分析方法 | 第47-50页 |
| 3.4.1 蒙特卡罗法可靠度分析样本的生成方法 | 第48-49页 |
| 3.4.2 结构可靠度分析 | 第49页 |
| 3.4.3 基于支持向量机分类算法的可靠度分析方法流程 | 第49-50页 |
| 3.5 算例验证 | 第50-54页 |
| 3.6 本章小结 | 第54-56页 |
| 第四章 红水河大桥施工过程可靠度分析 | 第56-74页 |
| 4.1 工程概况 | 第56-60页 |
| 4.1.1 桥梁概况 | 第56-57页 |
| 4.1.2 设计资料 | 第57页 |
| 4.1.3 有限元模型概况 | 第57-60页 |
| 4.2 结构可靠度分析的随机变量 | 第60-63页 |
| 4.3 基于支持向量机分类方法的可靠度分析 | 第63-73页 |
| 4.3.1 梁截面压应力失效模式可靠度分析 | 第63-68页 |
| 4.3.2 梁截面拉应力失效模式可靠度分析 | 第68-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第五章 结论与展望 | 第74-76页 |
| 5.1 结论 | 第74-75页 |
| 5.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80页 |
