摘要
船舶与海洋工程结构物的服役环境复杂多变，其经常遭受多种随机环境载荷作用。对于遭受各种随机环境载荷的船海结构物而言，在设计阶段对其进行疲劳损伤评估尤为重要。与疲劳损伤的时域评估方法相比，频域评估方法具有计算过程简便且计算效率高的优点。目前，关于高斯随机过程疲劳损伤频域计算方法的研究较为充分。然而，很多真实场景下，船海结构物往往表现出宽带非高斯响应特征，直接采用高斯随机过程的疲劳损伤频域计算方法会导致预报结果不准确。因此，研究适用于非高斯随机过程的疲劳损伤计算方法具有重要的理论意义和工程应用价值。 本文基于Tovo-Benasciutti方法和BP神经网络算法，建立了一种适用于预报宽带非高斯随机过程疲劳损伤的神经网络模型。对于峰度范围在2-6之间的非高斯随机过程，利用Hermite转换函数实现了高斯过程与相应的非高斯过程之间的转换。根据多种类型功率谱和不同带宽参数、S-N曲线斜率、偏度和峰度的组合开展了大量的数值实验。探讨了带宽参数α1、α2、β1和β2以及偏度γ3、峰度γ4和S-N曲线的斜率k对权重因子b的影响，确定了神经网络模型的输入元和输出元。在此基础上，分析了神经网络参数即隐藏层神经元数量、迭代步数及学习率对于模型预报精度的影响，确定了最优的神经网络结构与模型参数。 为验证本文所提出的神经网络模型的预报精度及适用性，分别采用参数化功率谱和海洋结构物真实响应功率谱进行数值验证。以时域雨流计数法计算结果作为基准，验证了所提出的神经网络模型预报结果的准确性，并与多种现有的非高斯随机过程疲劳损伤频域方法进行了对比，结果表明神经网络模型具有更好的准确性和鲁棒性。
NETL