انتشار عدم اليقين (Uncertainty Propagation، UP) هو خطوة رئيسية لتقييم تأثير عدم اليقين في المدخلات على استجابة الهيكل، وله أهمية كبيرة في التطبيقات الهندسية. ومع ذلك، لا يزال تحقيق تحليل دقيق وفعال لانتشار عدم اليقين في أنظمة الهياكل ذات اللاخطية العالية والخصائص متعددة المخرجات تحديًا. تقدم هذه الدراسة طريقة جديدة لتكيف انتشار عدم اليقين تعتمد على الشبكات العصبية الصناعية (Artificial Neural Network، ANN) لمواجهة هذا التحدي. في هذه الطريقة، يتم الحصول على المتوسط للاستجابة الناتجة مباشرة بواسطة ANN بوساطة الاستدلال التحليلي، حيث تتطلب عملية الحساب فقط استدعاء أوزان الشبكة ومتجهات الانحياز. بالنسبة لمشكلة حساب الانحراف المعياري للإخراج، تعتمد هذه الدراسة بشكل مبتكر على استبدال التكامل متعدد المتغيرات بعدة تكاملات أحادية المتغير. لقد خففت الطريقة التحليلية المُنشأة وتقنية التكامل الأحادي بشكل فعال من مشكلة أخطاء المعالجة اللاحقة الشائعة في تقدير المومنتات الإحصائية للمخرجات ضمن إطار ANN، والتي تنتج عن الطرق العددية التقليدية. علاوة على ذلك، اقترحت الدراسة إطارًا تكيفيًا يتضمن تقسيم فضاء المدخلات واستراتيجية إضافة متعددة النقاط قابلة للتعديل لتحسين دقة الحساب لمشكلة انتشار عدم اليقين الهيكلية. تم التحقق من فعالية الطريقة المقترحة من خلال عدة حالات تطبيق تشمل مسائل لاخطية عالية، أنظمة متعددة المخرجات، ونماذج العناصر المحدودة. أظهرت النتائج أن الطريقة لا تقدر إحصائيات اللحظات بدقة فحسب، بل تحصل أيضًا بشكل فعال على دالة كثافة الاحتمال لاستجابة ناتج الهيكل.

انتشار عدم اليقين;شبكة عصبية اصطناعية;نتائج التحليل;تكامل أحادي المتغير;إطار تكيفي