| 第一章 绪论 | 第6-11页 |
| 1.1 工程中的不确定因素 | 第6页 |
| 1.2 结构可靠性研究的现状 | 第6-7页 |
| 1.3 神经网络技术的发展 | 第7-9页 |
| 1.4 本文研究内容 | 第9-11页 |
| 第二章 可靠性基本理论和神经网络基础 | 第11-24页 |
| 2.1 引言 | 第11页 |
| 2.2 结构可靠性理论和数值方法 | 第11-14页 |
| 2.2.1 可靠度和可靠性指标 | 第11-12页 |
| 2.2.2 可靠度计算的数值方法 | 第12-14页 |
| 2.3 系统可靠性理论和数值方法 | 第14-16页 |
| 2.3.1 基本理论 | 第14-15页 |
| 2.3.2 界限估计法 | 第15-16页 |
| 2.4 神经网络基础 | 第16-23页 |
| 2.4.1 人工神经元结构 | 第16-18页 |
| 2.4.2 BP神经网络结构 | 第18-19页 |
| 2.4.3 BP算法及公式推导 | 第19-22页 |
| 2.4.4 网络设计中应注意的几个问题 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 应用神经网络技术确定随机变量的分布 | 第24-39页 |
| 3.1 引言 | 第24-25页 |
| 3.2 分布函数基本特性和对数Sigmoid函数 | 第25页 |
| 3.3 应用神经网络逼近随机变量的分布函数 | 第25-31页 |
| 3.3.1 神经网络模型 | 第25-26页 |
| 3.3.2 训练样本的选取 | 第26-27页 |
| 3.3.3 训练参数的选取 | 第27页 |
| 3.3.4 数值算例 | 第27-31页 |
| 3.4 应用神经网络逼近随机变量函数的分布函数 | 第31-32页 |
| 3.5 应用神经网络逼近任意分布函数的反函数 | 第32-37页 |
| 3.6 直接抽样法 | 第37-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第四章 具有多失效模式结构的可靠性优化设计 | 第39-57页 |
| 4.1 引言 | 第39-40页 |
| 4.2 随机摄动技术 | 第40-41页 |
| 4.3 任意分布参数可靠性优化设计的数值逼近法 | 第41-44页 |
| 4.3.1 基本理论 | 第41-43页 |
| 4.3.2 算法实现 | 第43页 |
| 4.3.3 初值B_i~((o))和步长ΔB_i~((k))的选取 | 第43-44页 |
| 4.4 基于神经网络的结构可靠性优化设计方法 | 第44-46页 |
| 4.5 数值算例 | 第46-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 局部应力集中的结构可靠性优化设计 | 第57-83页 |
| 5.1 引言 | 第57-58页 |
| 5.2 应力集中概述 | 第58-60页 |
| 5.2.1 应力集中与应力集中因素 | 第58页 |
| 5.2.2 产生应力集中的因素 | 第58页 |
| 5.2.3 应力集中系数与基准应力 | 第58-59页 |
| 5.2.4 降低应力集中的方法 | 第59-60页 |
| 5.3 应用神经网络技术模拟应力集中系数 | 第60-76页 |
| 5.3.1 缺口和沟槽 | 第60-65页 |
| 5.3.2 台肩 | 第65-70页 |
| 5.3.3 孔 | 第70-76页 |
| 5.4 可靠性分析和可靠性优化设计数值算例 | 第76-81页 |
| 5.5 本章小结 | 第81-83页 |
| 第六章 结构可靠分析的FEM-NN-MCS方法 | 第83-104页 |
| 6.1 引言 | 第83-84页 |
| 6.2 响应面法 | 第84-85页 |
| 6.3 FEM-NN-MCS法 | 第85-86页 |
| 6.4 数值算例 | 第86-102页 |
| 6.5 本章小结 | 第102-104页 |
| 第七章 结语和展望 | 第104-106页 |
| 参考文献 | 第106-116页 |
| 攻读博士学位期间取得的主要科研成果 | 第116-117页 |
| 致谢 | 第117-118页 |
| 摘要 | 第118-120页 |
| ABSTRACT | 第120页 |
| 吉林大学博士学位论文原创性声明 | 第123页 |