买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于自适应变保真模型的结构可靠性分析方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121598718B 。

龙图腾网通过国家知识产权局官网在2026-04-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610122667.1，技术领域涉及：G06F30/23；该发明授权一种基于自适应变保真模型的结构可靠性分析方法是由官毅;智鹏鹏;汪忠来;张炜;何瑞恒设计研发完成，并于2026-01-29向国家知识产权局提交的专利申请。

本一种基于自适应变保真模型的结构可靠性分析方法在说明书摘要公布了：本发明提供了一种基于自适应变保真模型的结构可靠性分析方法，方法包括：通过改进的随机抽样方法KMODMC生成均匀分布且具有代表性的初始样本点集，初始样本点集包括低保真样本集和高保真样本集，随后，利用低保真样本集训练BP神经网络，得到低保真BP神经网络模型；同时，基于高保真样本集与低保真模型预测值的误差训练Kriging模型，构建误差修正Kriging模型，将低保真BP神经网络模型和误差修正Kriging模型结合形成多保真混合代理模型，通过双模型交替加点采样策略进行自适应迭代优化，最终获得用于结构可靠性评估的高精度多保真混合代理模型。本发明解决了高保真仿真计算成本高与低保真模型精度不足的问题，有效提升了模型在复杂非线性问题中的适应能力和预测精度。

本发明授权一种基于自适应变保真模型的结构可靠性分析方法在权利要求书中公布了：1.一种基于自适应变保真模型的结构可靠性分析方法，其特征在于，所述方法包括以下步骤： 步骤S1、生成初始样本点集，通过改进的随机抽样方法KMODMC生成初始样本点集，初始样本点集包括低保真样本集和高保真样本集； 步骤S2、利用低保真样本集训练BP神经网络，得到训练好的低保真BP神经网络模型； 步骤S3、利用高保真样本集结构失效概率预测值与高保真样本集在低保真BP神经网络模型中结构失效概率预测值的误差训练Kriging模型，得到误差修正Kriging模型； 步骤S4、结合低保真BP神经网络模型和误差修正Kriging模型，构建多保真混合代理模型，将多保真混合代理模型进行自适应迭代，在每次迭代中实施双模型交替加点采样策略，最后使用多保真混合代理模型进行结构可靠性评估； 其中，所述步骤S4中将多保真混合代理模型进行自适应迭代，在每次迭代中实施双模型交替加点采样策略，包括： 偶数迭代时，计算低保真BP神经网络模型在预测点上的不确定性和预测值的梯度，综合两者计算结果，生成偶数迭代加点评分函数，选择得分最高的样本点加入自适应迭代的训练集； 奇数迭代时，计算误差修正Kriging模型的预测方差和引入失效概率面距离项，综合两者计算结果，生成奇数迭代加点评分函数，选择得分最高的样本点加入自适应迭代的训练集； 在每次迭代后，判断模型是否收敛，收敛后终止加点迭代，获得高精度多保真混合代理模型； 进一步地，偶数迭代包括： 构建低保真BP神经网络模型在输入点上的预测分布： ； 其中，为BP神经网络的第次前向传播，表示对同一个输入点进行随机前向传播的采样次数，不确定性为： ； 其中，； 预测值的梯度为： ； 表示偏微分，偶数迭代加点评分函数为： ； 选取得分前高的样本点加入自适应迭代的训练集； 奇数迭代包括： Kriging模型通过自身结构提供预测方差MSE，衡量某点处的预测不确定性，在设计点处的MSE计算方式为： ； 其中，为当前点与训练点之间的相关向量，为Kriging模型的协方差参数，为回归残差项，表示相关矩阵，代表样本点之间的空间相关性； 引入以下距离项： ； 其中，为多保真混合代理模型的输出值，为失效判别阈值； 使用指数形式的加权函数： ； 其中，为超参数； 奇数迭代加点评分函数为： ； 选取得分前高的样本点加入自适应迭代的训练集。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。