Unsicherheitsfortpflanzung (Uncertainty Propagation, UP) ist ein wichtiger Schritt zur Bewertung des Einflusses von Eingangsunsicherheiten auf das Strukturverhalten und hat in der Ingenieurpraxis große Bedeutung. Für hochgradig nichtlineare Struktursysteme mit mehreren Ausgabewerten stellt die genaue und effiziente Analyse der Unsicherheitsfortpflanzung jedoch weiterhin eine Herausforderung dar. In dieser Studie wird eine neuartige adaptive UP-Methode auf Basis künstlicher neuronaler Netze (Artificial Neural Network, ANN) vorgeschlagen, um diese Herausforderung zu bewältigen. In der Methode wird der Mittelwert der Ausgangsantwort direkt mittels ANN durch analytische Ableitung ermittelt; der Berechnungsprozess erfordert nur den Aufruf der Gewichte und Biasvektoren des Netzes. Zur Berechnung der Standardabweichung der Ausgabe verwendet die Studie innovativ mehrere univariate Integrale anstelle von multivariaten Integralen. Die etablierte analytische Methode und die univariate Integrationstechnik mildern effektiv die bei traditionellen numerischen Methoden unter dem ANN-Rahmen häufig auftretenden Nachbearbeitungsfehler bei der Schätzung statistischer Momente der Ausgabe. Darüber hinaus wird ein adaptiver Rahmen vorgeschlagen, der eine Unterteilung des Eingangsraums und eine einstellbare Mehrpunkt-Hinzufügestrategie beinhaltet, um die Rechenpräzision bei der Unsicherheitsfortpflanzungsproblematik zu verbessern. Die Wirksamkeit der vorgeschlagenen Methode wurde anhand mehrerer Anwendungsfälle, darunter hochgradig nichtlineare Probleme, Mehrfachausgabesysteme und Finite-Elemente-Modelle, validiert. Die Ergebnisse zeigen, dass die Methode nicht nur statistische Momente genau schätzen kann, sondern auch effektiv die Wahrscheinlichkeitsdichtefunktion der strukturellen Ausgangsantwort ermittelt.

Unsicherheitsfortpflanzung;künstliche neuronale Netze;analytische Ergebnisse;univariate Integration;adaptiver Rahmen