[论文解读] Optimized Equivalent Linearization for Random Vibration

Ziqi Wang|arXiv (Cornell University)|Aug 18, 2022

Probabilistic and Robust Engineering Design参考文献 43被引用 4

一句话总结

本文提出了一种针对非线性随机振动的优化等效线性化方法（ELM），通过结合蒙特卡洛方差减少技术（控制变数与重要性采样）来增强代理线性模型，以校正线性系统响应，使其趋近于真实非线性系统解。该方法通过优化线性系统以在关键区域与非线性响应保持最大相关性，确保即使在强非线性条件下，也能收敛至正确的响应统计量和罕见事件概率。

ABSTRACT

A fundamental limitation of various Equivalent Linearization Methods (ELMs) in nonlinear random vibration analysis is that they are approximate by their nature. A quantity of interest estimated from an ELM has no guarantee to be the same as the solution of the original nonlinear system. In this study, we tackle this fundamental limitation. We sequentially address the following two questions: i) given an equivalent linear system obtained from any ELM, how do we construct an estimator so that, as the linear system simulations are guided by a limited number of nonlinear system simulations, the estimator converges on the nonlinear system solution? ii) how to construct an optimized equivalent linear system such that the estimator approaches the nonlinear system solution as quickly as possible? The first question is theoretically straightforward since classical Monte Carlo techniques such as the control variates and importance sampling can improve upon the solution of any surrogate model. We adapt the well-known Monte Carlo theories into the specific context of equivalent linearization. The second question is challenging, especially when rare event probabilities are of interest. We develop specialized methods to construct and optimize linear systems. In the context of uncertainty quantification (UQ), the proposed optimized ELM can be viewed as a physical surrogate model-based UQ method. The embedded physical equations endow the surrogate model with the capability to handle high-dimensional random vectors in stochastic dynamics analysis.

研究动机与目标

• 为克服等效线性化方法（ELM）的根本局限性，即其本质上为近似方法且缺乏收敛至真实非线性系统解的保证。
• 开发一种框架，利用有限的非线性系统仿真结果来引导并校正线性系统仿真，确保估计器收敛至真实解。
• 优化参数化线性系统，使其响应估计器尽可能快速趋近于真实非线性系统解，尤其针对罕见事件概率。
• 将线性系统的物理解释性与统计方差减少技术相结合，实现在随机动力学中高效的概率密度量化。

提出的方法

• 在等效线性化框架内应用经典蒙特卡洛技术——控制变数与重要性采样，以减少响应估计器的方差。
• 通过最大化线性系统响应与非线性系统响应在关键区域（尤其是罕见事件的尾部区域）的相关性，优化参数化线性系统的参数。
• 采用控制变数量化ELM来估计响应统计量（如峰值响应均值），利用皮尔逊相关系数实现方差减少。
• 采用重要性采样增强的ELM来估计罕见事件概率，通过聚焦于关键响应区域的模拟以最小化采样方差。
• 将优化后的线性系统与有限的非线性系统仿真结果相结合，迭代校正线性模型以趋近真实非线性解。
• 采用数学公式进行优化，平衡相关性与方差减少，确保在有限采样条件下的收敛性。

实验结果

研究问题

• RQ1 当仅依赖有限次非线性仿真时，如何构建基于等效线性系统的估计器，使其收敛至非线性随机系统的真实解？
• RQ2 应采用何种优化策略来调整参数化线性系统，使其响应估计器尽可能快速趋近真实非线性系统解？
• RQ3 如何将控制变数与重要性采样适配至等效线性化框架，以提升收敛性与效率？
• RQ4 线性化在捕捉非高斯响应与罕见事件响应方面的性能极限是什么？如何加以缓解？
• RQ5 所提出的方法能否推广至均值峰值响应与首次通过概率之外的其他响应量？

主要发现

• 控制变数量化ELM在响应统计量估计中实现了显著的方差减少，尤其当线性与非线性响应之间相关性较高时。
• 重要性采样增强的ELM在罕见事件概率估计中尤为有效，而传统ELM常因采样效率低下而失效。
• 在高度非线性滞迟系统中，线性与非线性响应之间的最大可实现相关性被限制在约0.8左右，表明线性化存在根本性局限。
• 所提方法确保线性系统估计器随非线性仿真次数增加而收敛至真实非线性系统解，克服了传统ELM的核心缺陷。
• 优化后的线性系统不仅编码了点估计，还保留了如功率谱密度等物理信息，使线性系统理论可进一步应用。
• 该方法在强非线性条件下依然稳健，已在三个基准非线性随机振动问题中得到验证。