导读:本文包含了失效参数论文开题报告文献综述及选题提纲参考文献,主要关键词:单层球面网壳,地震作用,失效机理,增量动力分析
失效参数论文文献综述
张微敬,许丽红,张毅刚[1](2019)在《单层球面网壳强震失效机理及参数影响研究》一文中研究指出基于OpenSEES软件平台,建立了凯威特型单层球面网壳的纤维模型,通过增量动力分析方法,研究了球面网壳的塑性发展过程,判定了网壳结构的破坏类别;通过分析杆件纤维应力随时间的变化,杆件的塑性发展,以及失效杆件的位置分布,揭示单层球面网壳结构的倒塌机理。在此基础上,分析了跨度、矢跨比以及屋面质量对地震作用下单层球面网壳极限承载力的影响,可为工程设计提供参考。(本文来源于《世界地震工程》期刊2019年03期)
任冀宾,汪存显,张欣玥,索涛,李玉龙[2](2019)在《2A97铝锂合金的Johnson-Cook本构模型及失效参数》一文中研究指出在爆炸及高速碰撞的有限元模拟中,往往涉及到材料的大变形、断裂过程.文中选取2A97铝锂合金材料,针对Johnson-Cook(J-C)失效模型,对获取相应失效参数的方法进行了研究;设计了不同缺口尺寸的试样,结合有限元模拟对缺口试样的应变分布和应力叁轴度进行了研究,发现缺口试样的最大应变集中于缺口表面处,得到了缺口表面处应力叁轴度在加载过程中的变化情况.基于此结果,文中还制作了细散斑,并通过二维数字图像相关(DIC)测量方法得到了常温至573 K下准静态及动态加载试样的失效应变,从而准确地将修正应力叁轴度、应变率和温度与失效应变对应起来,获取了更为准确的J-C失效模型参数;通过对铝锂合金断口使用SEM扫描电镜进行微观观察,探究了应力叁轴度影响铝锂合金失效应变的微观机理,发现材料在变形过程中产生的微孔洞随应力叁轴度的增大而不再大量聚集形成韧窝.(本文来源于《华南理工大学学报(自然科学版)》期刊2019年08期)
胡雪岩,王永成,贲广利[3](2019)在《固态继电器过载失效与浪涌抑制电路参数设计》一文中研究指出提出了一种浪涌电流抑制电路参数设计的方法,并对使用该方法设计的浪涌电流抑制电路进行了实验测试。首先,通过构建RC并联结构的浪涌电流模拟源替代真实测试设备,用于浪涌抑制电路参数的设计以及测试,浪涌电流模拟源的参数通过计算、仿真得到;然后确定浪涌抑制电路结构,通过仿真不同参数的浪涌抑制电路对浪涌电流模拟源的抑制情况,设计浪涌抑制电路的主要参数。搭建实际的浪涌抑制电路及浪涌电流模拟源进行实测实验,实验结果表明,通过该方法设计的浪涌抑制电路可将浪涌电流模拟源的浪涌电流从95A抑制到7.5A,浪涌电流产生的时间延迟了700μs左右,满足项目中对浪涌电流幅度不得超过10A的要求。(本文来源于《长春理工大学学报(自然科学版)》期刊2019年04期)
李亿民[4](2019)在《指数分布无失效数据下参数的单侧M-Bayes估计》一文中研究指出基于指数分布定时截尾寿命试验,定义了失效率λ的单侧M-Bayes置信上限和可靠度R(t)的单侧M-Bayes置信下限;证明了超参数取不同密度函数时λ的M-Bayes置信上限函数性质,探讨了估计量关于超参数的稳健性,并通过实例对失效率λ和可靠度R(t)给出了不同超参数下的M-Bayes估计。结果证明,对于超参数分布的不同选取,估计具有较强的稳健性。(本文来源于《山东理工大学学报(自然科学版)》期刊2019年05期)
高莺,王巨汉,张琦,唐涛,曹源[5](2019)在《基于不同参数模型的安全计算机共因失效分数计算及比较分析》一文中研究指出采用常用的Beta参数模型计算联锁设备安全计算机的共因失效分数时,存在计算结果有偏差和不精确等问题。引入应用于核能领域的Alpha参数模型,证明并推导该模型获得的α因子与共因失效分数之间的等价关系。采用美国核管理委员会发布的安全计算机共因失效统计数据作为先验数据,计算获得2乘2取2及3取2这2种冗余结构的两阶和叁阶α因子,根据等价关系得到共因失效分数。以这2种冗余结构为例,分别采用2种参数模型,计算系统平均危险侧失效概率P_(PFH)和由共因失效导致的危险侧失效概率。结果表明:共因失效导致的危险侧失效概率是P_(PFH)主要组成部分,α参数模型能够量化计算3重及以上冗余结构的共因失效分数,并获得更符合实际输出的P_(PFH)计算结果;同时,当共因失效数据不断完善时,α参数模型可以通过修正后验参数获得更准确的共因失效分数,为验证计算机安全完整性等级提供有利帮助。(本文来源于《中国铁道科学》期刊2019年03期)
何其祥,林仁鑫[6](2019)在《失效原因缺失的加速失效时间模型下竞争风险数据的半参数估计》一文中研究指出本文在加速失效时间模型下,研究了竞争风险数据失效原因缺失情况下模型系数的估计问题。在随机缺失的假设下,利用倒概率加权和双重稳健增广技术构建估计方程,用非参数的核光滑方法估计失效原因缺失的概率。通过将估计方程转化成优化问题的方式,给出了求解估计方程的算法,研究了所提出估计量的渐近性质,通过随机模拟来评价估计量的表现,并将提出的估计方法用于研究实际的乳腺癌数据.(本文来源于《应用数学学报》期刊2019年03期)
陈舒琪[7](2019)在《半参数加速失效时间混合治愈模型的构建及其在医学中的应用》一文中研究指出研究背景:随着医疗技术的进步和医疗质量的提升,“长期生存者”(Long-term Survivors)现象广泛存在于医学研究领域,即一部分观察对象,即使在随访时间充足的情况下也不会或者永远不会发生预期研究结局,通常表现为较长的删失时间,常见于肿瘤临床试验和其他慢性病研究中。而传统生存分析方法,如Cox回归、加速失效时间模型(Accelerated Failure Time Model,AFT)等,其应用前提为:所有观察对象在定义的充足随访时间内均会在某一时间点发生预期结局。因此,经典的生存分析方法并不适用于长期生存者资料的分析。目前,常用于分析该种类型资料的模型为混合治愈模型(Mixture Cure Model,MCM),其基本思想是将人群看成由治愈人群和非治愈人群两部分组成的混合人群,并分别用两个分模型去拟合分析,一般而言,前者用Logistic回归模型拟合,后者用不同的生存分析方法进行分析。其中,参数混合治愈模型(Parametric Mixture Cure Model)以及比例风险混合治愈模型(Proportional Hazard Mixture Cure Model,PHMC)应用较为广泛。然而,这两类模型均有无法避免的局限性:前者受限于生存时间分布的识别,后者虽为半参数模型,但要求生存资料必须满足比例风险(Proportional Hazard,PH)假定。近年来,在生存分析领域,半参数加速失效时间模型(Semiparametric Accelerated Failure Time Model)受到了广泛关注,该模型对生存时间分布无任何假定限制,同时对生存资料的适用性更为广泛,即不要求满足比例风险假定,且相较于Cox模型,更适用于高比例删失数据,被认为是Cox模型很好的替代分析方法。故构建基于半参数加速失效时间模型的混合治愈模型可以很好地拓展该类模型在长期生存者资料中的适用范围。此外,目前绝大多数生存分析方法研究仍基于Weibull分布或指数分布进行模拟研究,而在真实世界研究中,生存资料往往服从于混合分布,即由于受到某些因素的影响,人群的生存时间实际上服从两个或多个简单生存分布,表现为风险(Hazard Rate,HR)随时间波动,而并非呈现为单纯的单调递增,单调递减甚至保持不变。基于此,Crowther等人于2012年结合Bender等人的研究,将混合Weibull分布应用于模拟研究中,然而该方法仅适用于评估具有比例风险结构的模型,并不适用于加速失效时间模型。因此,研究适用于加速失效时间模型的复杂生存数据的模拟方法,构建基于半参数加速失效时间模型的混合治愈模型,以及探讨该模型在不同复杂程度的长期生存者资料中的适用性和可靠性具有很强的理论意义和实际价值。研究目的:本研究主要针对长期生存者资料,构建半参数加速失效时间混合治愈模型(Accelerated Failure Time Mixture Cure Model,AFTMC),并基于生存时间的不同分布情况,即Weibull分布和混合Weibull分布,通过模拟研究,评估比较四种常用的参数混合治愈模型与AFTMC在不同数据情境下的表现性能,同时将模型应用于实例研究中,以期为含有长期生存者的生存资料分析提供更多的方法学与技术支持。此外,提出一种生成服从混合分布且适用于加速失效时间模型的生存资料模拟方法,以期为生存资料模拟提供方法学支持。研究方法:本研究基于以上问题,主要采用数据模拟,模型构建,模型评估,实例应用这一流程来开展研究。数据模拟:采用蒙特卡罗(Monte Carlo)模拟方法随机生成两个自变量,一个为二分类变量,一个为连续性变量,而后分别基于Logistic回归模型和加速失效时间模型随机生成治愈指示变量Y和生存时间t,其中生存时间t考虑服从两种分布,即Weibull分布和混合Weibull分布。最后,结合所生成的删失时间,得到最终生存时间T和生存结局D,删失时间服从均匀分布,其分布范围由模拟迭代获得。此外,模拟研究还同时设置了不同的样本量:基于Weibull分布:200、500;基于混合Weibull分布:200、500、1000;不同的治愈率:0.2、0.4、0.6;不同的非治愈人群删失率:0.05和0.15,共计30种数据情境。模型构建及评估:本研究从准确性和精确性两方面比较AFTMC、指数混合治愈模型(Exponential Mixture Cure Model,EXPMC)、Weibull混合治愈模型(Weibull Mixture Cure Model,Web MC)、Lognormal混合治愈模型(Lognormal Mixture Cure Model,Log NMC)以及Loglogistic混合治愈模型(Loglogistic Mixture Cure Model,LLog MC)在不同数据情境下的表现性能。准确性主要基于相对偏倚(Relative Bias)和均方误差(Mean Squred Error,MSE)这两个指标,而精确性则主要利用标准误(Standard Error,SE)以及95%置信区间获得率(95%Confidence Interval(CI)Capture Rate)来评估。实例研究:实例数据来源于美国东部肿瘤协作组(Eastern Cooperative Oncology Group,ECOG)的两个临床试验,本研究通过分析高剂量干扰素IFN?-2b分别对恶性黑色素瘤患者疾病复发和生存的影响,比较不同混合治愈模型在实际研究中的分析效果。研究结果:模拟研究结果:基于Weibull分布:总体而言,Web MC和EXPMC在准确性和精确性方面均表现最好,其次为AFTMC,但与前两者相差不大,而后为Log NMC和LLog MC,表现最差,且与其他叁种模型相比,参数估计有明显差异。此外,随着非治愈人群删失率的升高,特别在小样本情况下,AFTMC相较于Web MC和EXPMC参数估计的差距逐渐减小,甚至会优于这两种模型,主要表现为治愈部分参数估计较小的相对偏倚,MSE以及标准误。而究其原因主要是因为Web MC和EXPMC的分布与模拟分布一致,而Log NMC以及LLog MC表现最差也源于其分布与模拟分布的不一致性。基于混合Weibull分布:总体而言,AFTMC无论基于准确性还是精确性维度,在所有数据情境中均远好于其他四种模型,其次为Web MC以及EXPMC,而LLog MC和Log NMC则表现最差,且这种优势在高删失率的情况下,即治愈率为0.6或非治愈人群删失率为0.15时更为明显。Web MC以及EXPMC仅在删失率较低,即治愈率为0.2或0.4且非治愈部分删失率为0.05时,模型的准确性和精确性表现均趋近于AFTMC。此外,基于模拟研究总体而言,样本量、治愈率以及非治愈部分删失率对模型的表现均有影响,尤其是对参数模型:1、随着治愈率的升高,非治愈部分参数估计的准确性和精确性稍许下降;2、随着非治愈部分删失率的升高,无论是非治愈部分还是治愈部分参数估计的准确性和精确性两方面均明显下降;3、随着样本量的升高,所有模型基于任何一个参数在每一个数据情境下的准确性和精确性均变好;4、当样本量较小,非治愈部分删失率较高时,参数模型治愈部分参数估计的MSE会出现异常庞大的数值,平均可达1000,且随着治愈率的升高,数值大幅增加。但这种情况并没有在AFTMC中出现;5、当样本量较小,治愈率为0.6,总删失率为0.75时,无论是AFTMC还是其他四种参数模型,模型拟合均不好。实例研究结果:本研究通过两个实例研究进一步评估和比较了AFTMC与四种参数模型的表现。实例一与实例二均来源于ECOG,实例一旨在探索高剂量干扰素IFN?-2b对恶性黑色素瘤患者生存的影响,而实例二旨在分析高剂量干扰素IFN?-2b对恶性黑色素瘤患者疾病复发的影响,且两者生存时间分布均服从混合Weibull分布。结果显示,高剂量干扰素IFN?-2b基于总生存期(Overall Survival,OS)是恶性黑色素瘤患者的保护因素(OR=0.188),即接受高剂量干扰素IFN?-2b治疗的试验组没有被治愈的概率为对照组的0.188倍,而高剂量干扰素IFN?-2b对恶性黑色素瘤患者疾病复发的影响没有统计学意义。此外,本研究在分析两个实例时,均利用AIC信息准则(Akaike Information Criterion,AIC)对模型进行了整体评估比较,其中AFTMC的AIC均最小,故模型拟合最好。研究结论:综上所述,AFTMC无论基于何种分布的长期生存者资料,其分析结果均具有良好的可信度和稳定性,且该模型相较于参数模型更适用于高删失率生存资料。此外,针对长期生存者资料本身而言,删失率大小对模型拟合,尤其是治愈部分参数估计的影响很大,而本研究所探索的模型均不适用于小样本且删失率较高的情况。(本文来源于《中国人民解放军海军军医大学》期刊2019-05-01)
王淑影[8](2018)在《带有信息的区间删失失效时间数据的半参数分析》一文中研究指出近年来,关于区间删失失效时间数据的研究引起了统计学者的广泛关注,很多模型和估计方法相继被提出.其中,同时包含参数部分和非参数部分的半参数模型尤其受到学者们的关注.区间删失失效时间数据广泛存在于很多科学研究领域,如人口学、金融、医学等(Sun,2006).对于区间删失数据,是指我们感兴趣的事件的发生时间T不能被直接精确观测到,取而代之的是只能观测到事件发生所在的时间区间(L,R)用里.区间删失数据一般主要分为两种类型:Ⅰ型区间删失数据和Ⅱ型区间删失数据.Ⅰ型区间删失数据通常指每个个体失效时间是左删失(L= 0)或者右删失(R = ∞)的(Groeneboom and Wellner,1992;Huang,1996).换言之,实验中的每个个体只被观测一次,我们对于感兴趣事件的发生时间所观测到的信息只是事件已经发生或者事件仍未发生.Ⅰ型区间删失数据通常也被称为现状数据(Rossini and Tsiais,1996;Martinussen and Scheike,2002).Ⅱ型区间删失数据是指感兴趣的事件发生在某个有限的时间区间中(Huang and Wellner,1997;Sun,1998,2005).这种数据有几种不同的表达方式,其中一种常见的是K型区间删失数据,即存在一列观测的时间点,真实的失效时间仍落在某两个观测时间点内,数据的具体形式在第一章中给出.这种删失数据也是我们要重点研究的数据类型.本文将主要研究叁个与K型区间删失失效时间数据相关的半参数回归分析问题.首先,我们研究了带有信息的K型区间删失失效时间数据下,可加危险率模型的半参数分析问题.已有很多学者考虑了失效时间数据的回归分析问题,其中可加危险率模型(Lin and Ying,1994)是较为常用的模型之一.在以往的研究中,多数文章假设感兴趣的失效时间和删失机制是独立的(Chen et al.,2013;Huang,1996;Sun,2006),但在实际情况中,这个假设未必成立,即删失是相依的或者有信息的.对于删失机制与感兴趣的失效时间相关的情况,已有学者提出了一些方法,如:Ma et al.(2015),Wang et al.(2016),Zhang et al.(2005,2007).这里对于K型区间删失数据,我们考虑失效时间和观测过程是相依的或者有信息的,因而实际讨论的是K型有信息区间删失数据.为刻画有信息删失或者建立感兴趣的失效时间和删失变量之间关系,常用的有两种方法:Copula模型方法和脆弱模型方法.针对上述问题,我们考虑的是使用脆弱模型来刻画失效时间和观测过程间的相关关系.为介绍K型区间删失失效时间数据的形式,考虑一个包含n个独立个体的失效时间研究.令Ti表示第i个个体的感兴趣事件的失效时间.对于第i个个体,假设存在一个p维的协变量向量,记为xi,并且有一列观测时间点Ui0=<0<Ui1<Ui2<...<其中,Ki表示这个个体的观测时间点的个数.定义Ni(t)=Σj=1Ki I(Uij≤t),δij = I(Ui-1<Ti≤Uij)i=1,...,n,j=1,...,Ki.则Ni(t)表示第i个个体到时刻t时,观测时间点的总个数,可以看到,其只在每个观测时间点跳跃,因此K型区间删失数据有如下形式:O = Oi=(τi,Uij,δij,xi,j = 1,...,i = 1,...,n }在上面数据中,τi记为第i个个体的跟踪时间,并且假设其与失效时间Ti是独立的.为了描述感兴趣的失效时间和删失机制之间的联系,假设存在一个潜变量bi.在给定协变量xi和潜变量bi·条件下,Ti和Ni(t)是独立的.同时假设在给定xi和b条件下,Ti服从如下可加危险率脆弱模型:λi(t|xi,bi)= λ0(t)+ xiTβ1+biβ2,(1)其中,A0(t)表示一个未知的基准危险率函数,β1,β2是未知的回归参数.进一步地,假设给定xi和bi条件下,Ni(t)是一个非齐次的泊松过程,其强度函数为λih(t|xi,bi)= λ0h(t)exp(xiTα + bi),(2)其中,λ0h(t)是一个未知的连续基准强度函数,α同β1和β2类似,是回归参数向量,显然,参数β2表示失效时间和观测过程之间联系的程度.当β2=0时,上述两者是独立的.定义β=(β1Τ,β2)Τ,Λ0(l)=∫0t λ0(s)ds.对于模型(1)和模型(2)的统计推断问题,如果bi的分布是已知的,我们可以使用观测似然函数,即包括bi的分布函数和给定Uij,bi和xi时的条件似然函数做推断,这里条件似然函数如下:其中,Si(t)=exp(-Λ0(t)-(xiTβ1+ biβ2)t).另一方面,可以看到,似然中会涉及到一些复杂的积分,并且bi的分布通常是未知的.为了解决这些问题,我们借鉴Huang and Wang(2004)和Wang et al.(2016)文章中的想法,给出相对容易实现的两步估计方法.两步估计方法的主要想法是首先估计模型(2)中的未知部分,然后使用Sieve极大似然方法估计模型(1)中的未知部分.下面,我们假设Λ0h(τ0)= 1,其中,A0h(t)=f0tλ0h(s)ds,τ0表示最长的跟踪时间.为了估计模型(2),注意到在关于Ni(t)的假设下和给定xi和bi时,观测次数Ki服从泊松分布,均值为Λih(τi|xi,bi)=Λ0h(τi)exp(xiTα+bi).并且注意到由Wang et al.(2001)文章中的估计方法和结果,可以使用非参数极大似然函数估计量来估计Λ0h(t).在上面式子中,s(l)是观测时间点{Uij}的有序且不同的取值,d(l)是等于s(l)的观测时间点的个数,R(l)是观测时间和观测终止时间满足Uij ≤s(l)≤τi的观测事件的总个数.对于回归参数α的估计,可以定义一列估计方程,如下:其中,xiT =(1,xiT),wi是可以依赖xi,τi和Λ0h的权重.令α表示参数α的估计量,则可以用下式来估计或者代替bi,bi=log{Ki/Λ0h(τi)exp(xiTα)}从而进一步估计回归参数β1和β2.对于模型(1)的推断,注意到如果bi已知,此模型则退化为通常的可加危险率模型,可以基于似然函数L(β,Λ0|bi's)对模型进行推断.因此,为了估计模型(1)中的参数,很自然地极大化估计后的似然函数或者工作似然函数L(β,Λ0|bi's).同时需要注意的是L(β,Λ0|bi's)中涉及到无穷维的未知函数Λ0(t),而这项的存在会使得函数的极大化过程变得困难.为解决这个问题,我们使用基于逐段常数的Sieve方法先对未知函数Λ0(t)进行近似.具体方法在第二章中给出.注意到在估计问题中涉及到未知函数时,Sieve方法经常被用来简化问题,并且在不同的情况包括在脆弱项模型框架下,其近似效果都是较有效的(Huang and Rossini,1997).定义θT=(βT,γT),令yi =(xiT,bi)T,yi=(xiT,bi)T.则我们可以定义β和Λ0(t)或者θT的Sieve极大似然估计量,记为θ =(βT,γT)T.上述估计量为使下式在Sieve空间Ω×Φqn 上达到最大时取到的值,l(β,γ|bi's)= l(β,Λn(t)|bi's)=log L(β,Λn(t)|bi's)=∑i=1n l(i)(β,Λn|bi's),其中Ω是Rp+1的有界子集.给定qn和tl时,我们需要求解下列工作得分方程iβ(β,Λn|bi's)= 0,iγl(β,Λn|bi's)= 0.其中,iβ(i)(β,Λn|bi)和iγl(i)(β,Λn|bi)的具体形式在第二章中给出.对于上面估计方法的具体实现,有很多已有的优化方法可以使用,包括Nelder-Mead单纯形法和Newton-Raphason法,而我们使用的是R中的无约束的非线性优化函数nlm.对于β0的统计推断,显然我们也需要估计β的协方差矩阵.这里参考文章Efron(1979),He et al.(2009),Huang et al.(20 10),采用简单的 bootstrap 方法估计协方差阵.具体地,令B为提前给定的正整数.对于每个b = 1,...,B,从观测数据O中可重复的抽取样本量为n的一个随机样本O(b)={Oi(b);i=1,...,n},令β(b)记为基于bootstrap数据集O(b)的参数β的估计量.故β的协方差矩阵的一个自然估计量给出如下:其次,我们讨论有信息删失的K型区间删失失效时间数据的半参数分析问题.不同于第一个研究问题,这里并不使用两步的估计方法,而是考虑一种基于全似然的估计方法.通过假设存在一个共有的脆弱项,来刻画失效时间和观测过程间的相关性,从而建立联合模型.对于有信息的删失,已有很多研究(Ma et al.,2015;Wang et al.,2016).处理有信息删失数据的较常用的方法有Copula模型方法(Zhao et al.,2015;Ma et al.,2015)和潜变量或者脆弱模型方法(Zhang et al.,2005,2007;Li et al.,2017;Liu et al.,2016).下面我们要研究的问题是基于脆弱模型方法的.考虑一个包含n个独立个体的失效时间研究.沿用第一个问题中定义的记号,同时假设存在一个潜变量b,作为感兴趣的失效时间和观测过程之间的联接.因此,对于n个个体的一个完整的随机样本为(Ni(·),xi,τi,Uij,δji,bi,j=1,...,Ki),i=1,2,...,n.可以注意到,观测数据为O = {Oi=(xi,τi,Uij,δij,j=1,...,Ki),i=1,...,n}.其中,τi记为第i个个体的跟踪时间,并且假设其与失效时间Ti是独立的.我们做如下的模型假设:(A1)对于个体i,存在一个潜变量bi给定协变量xi和bi时,观测过程Ni(t)是一个非齐次的泊松过程,其强度函数为λih(t|xi,bi)= λ0h(t)exp(xiTα + bi),其中,α是一个p× 1的回归参数向量,λ0h(t)表示一个完全未知的连续的基准强度函数且Λ0h(t)=∫0t λ0h(s)ds.潜变量bi和协变量xi是独立的.(A2)给定xi和bi时,Ti服从下面的可加危险率脆弱模型λi(t|xi,bi)=λ0(t)+xiTβ1±+biβ2,其中,λ。(t)表示一个完全未知的基准危险率函数且Λ0(t)= ∫0tλ0(s)ds,β1和β2是未知的回归参数.(A3)在给定脆弱项bi和协变量xi后,假设失效时间Ti和观测过程Ni(·)是条件独立的.(A4)假设bi是独立同分布的正态随机变量,其均值为0,方差未知,记为σ2.记θ =(β1T,β2,α T,σ2,Λ0(·),A0h(·))为未知参数,f(bi)是脆弱项的密度函数,对于观测数据O ={Oi,i=1,...,n},其全似然为其中,S(t)=exp {-Λ0(t)-t(xiTβ1+biβ2)},δi=(δi1,...,δiKi),=(Ui1,...,UiKi),Lδi|Ui,Ni(τi)=Ki,bi(θ),Lui,Ni(τi)=Ki|bi(θ),f(bi;σ)的具体形式将在第叁章中给出.接下来,我们考虑直接极大化基于观测数据的似然函数lO(θ).但是其中包含无穷维的未知函数Λ0(·)和A。h(.),使得直接极大化观测似然函数变得很困难.因此,我们参考Huang and Rossini(1997)中的想法,使用基于Bernstain多项式的Λn(.)和Λnh(·)来逼近函数Λ0(·)和A0h(·),其中,a1,a2表示观测时间的上下界γl和ξl是未知的待估参数.此外,Bl=(t,m,a1,a2)=Cml(g-a1/a2-a1)l(1-t-a1/a2-a1)m-1,其中,m表示Bernstain多项式的阶数,通常对0<v<1/2,m取为o(nv),当0<a1<1/2时,Mn= O(na1).完成上面的近似后,下面利用EM算法对参数进行估计.定义完整数据为{(Oi,bi),i=1,...,n}.令b=(b'1,...,b'2)',完整数据的似然函数为:LC(θ;O,b)=ΠLδi|Ui,Ni(τi)=Ki,bi(θ)·LUi,Ni(τi)=Ki|bi(θ)·f(bi;σ2).则,在给定观测数据和当前估计的条件下,计算第(k+ 1)步迭代中(4)式对数的期望,即为:Q(θ|O,θ(k))=E[lC(θ;O,b)|O,θ(k)]-E[1/2log2π+logσ+bi2/2σ2|Oi,θ(k)]}.(5)在上述条件期望的计算中,较难处理的是计算下面形式的积分,E{g(bi)|Oi,θ(k)}=∫g(bi)f(biOi,θ(k))dbi,(6)其中,g(bi)是bi的函数,f(bi|Oi,θ(k))是给定观测数据和θ的第kk步迭代估计的条件下,bi的概率密度函数.这里,由于(6)中的积分没有解析形式,故使用Monte Carlo方法对其近似.在第(kk + 1)步迭代中,关于参数θ极大化条件期望(5)式,得到得分函数Sβ1(θ1),Sβ2(θ1),Sλl(θ1),Sα(θ2),Sξl(θ2),得分函数的具体形式可在第叁章中给出,令上述得分函数为零,从而获得第(k+1)次的更新估计.综合以上步骤,我们可以得到以下算法:第一步.选择m的值和给出所有参数的初始值,即θ(0);第二步.在第(k+1)步迭代中,在θ=θ(k)下,计算条件期望Ei{φi1},Ei{φi2},Ei{φi3},Ei(bi),Ei[ebi],Ei(bi2);第叁步.给定γl =γl(k),l= 0,1,...,m,通过解方程组Sβ1(θ1)=0和Sβ2(θ1)=0,得到更新估计量β1(k-1)和β2(k+1);第四步.给定β1 = β1(k+1),β2=β2(k+1),通过解方程组Sγl(θ1)=0,得到更新估计量#+1);第五步.给定ξl =ξl(k),l=0,1,...m,通过解方程组Sα(θ2)=0,获得更新估计量α(k+1);第六步.给定α =α(k+1),通过解方程组Sξ(θ2)=0,得到更新估计量为ξl(k+1);第七步.由具体给出的解析表达式,给出参数σ2的第(k+1)步估计量σ2(k+1);第八步.重复第二步到第七步,直至收敛.下面,在给定一些正则性条件下,估计量θ的理论结果在下列定理中给出,且所有极限均取在n → ∞的条件下.定理1假定第叁章中的正则条件成立,β1,β2,α,σ2分别是β10,β20,α0,σ02的强相合估计量,且有‖Λn-Λ0‖2→0,‖ΛAnh-Λ0h‖2→0几乎处处成立.定理2假定第叁章中的正则条件成立,d(θ,θ0)= Op(n-(1-v)/2 + n-rv/2),当v=1(1+r)时;有d(θ,θ0)= op(nr/(n-r/(2+2r)).定理3假定第叁章中的正则条件成立,则n1/2((β1-β10)T,(β2-β20),(α-α0)T,(σ2-σ02))→N(0,Σ)依分布成立,(β1T,β2,αT,σ2)τ是半参数有效的.其中,对于渐近方差矩阵的估计,我们采用简单的Bootstrap方法进行估计.最后,我们研究了存在治愈子组时,相依区间删失失效时间数据的半参数分析问题.在生存分析的多数统计方法中,一个经常性的假设是假设所有实验个体是敏感的且在时间足够长时,是会经历感兴趣的失效事件的.但在现实中,因现代医疗水平的提高等原因,生存概率也有提升.在一些情况下,研究总体中可能既存在敏感的子总体,也存在对于感兴趣事件不敏感的治愈子总体,而只有敏感个体才可能会经历感兴趣的失效事件.对于治愈率,主要研究方法有两种:混合治愈模型和非混合治愈模型.关于非混合治愈模型的研究已有很多,如:Tsodikov(1998),Tsodikov et al.(2003),Zeng et al.(2006),Liu and Shen(2009),Hu and Xiang(2013)等.同时,混合治愈率模型也引起了学者们的广泛关注(Berkson and Gage,1952;Farewell,1982;Kuk and Chen,1992;Lam and Xue,2005;Mao and Wang,2010),这种模型是两个回归模型的混合,并且对于非治愈子总体的治愈函数和生存函数中的协变量可以有不同的解释.下面的研究也是在混合治愈模型下,考虑了相依区间删失的半参数问题.考虑一个包含n个独立个体的失效时间研究,其中可能存在治愈的子总体.令T表示感兴趣的失效时间,协变量向量记为X ∈Rp.在混合治愈模型方法(Farewell,1982)下,失效时间的分解给出如下:T = YT*+(1-Y)∞,其中,y是治愈指示变量,当研究个体对感兴趣的事件敏感时,取值为1;当个体被治愈或者不敏感时,取值为0.T*<∞记为敏感个体的感兴趣的失效时间.假设对于y,也存在与其相关的协变量Z ∈Rq,则对于治愈指示变量Y,有logistic模型如下:π(Z)=P(Y=1/Z)=exp(ηTZ)/1+exp(ηTz),(7)这里,η是q维的未知的回归参数向量,协变量Z可能和X相同,或是X的一部分,或者与X完全不相同.假设失效时间T不能被精确地观测到,而是得到一系列的观测时间点,记为 Ui0 = 0<Ui1<Ui2<…<UiKi,且有 δij=<Ti ≤ Uij),i =1,...,n,j = 1,...,Ki.可以看到,感兴趣的失效时间只属于某个观测时间段,Ki·记为已发生的观测时间点的总个数.引入一个观测过程N(t),对于某个体,令N(t)=∫0tdN(u)表示在(0,t]内观测时间点的个数,其中,dN(t)=N(t+dt)-N(t)记为在小的时间区间(t,t+dt]中观测时间点的个数.对于跟踪时间τ,N(τ)= K.因此,观测数据为:{Oi =(Xi,Zi,τi,Uij,δij,Ki,j = 1,...,Ki),,i = 1,2,...,n }.其中,对于第i个个体,τi记为其相应的跟踪时间,假设其与Ti独立.则可以得到K型区间删失数据.事实上,感兴趣的失效时间和观测过程可能是相关的.类似地,为了描述上面提到的两者之间的关系,假设存在潜变量b,作为联系失效时间和观测过程的桥梁.对于模型的假设和第二个研究问题中类似,具体内容在第四章中给出.记θ =(β1T,β2,αT,ηT,σ2,Λ0(·),Λ0h(·))为未知参数,f(bi)为脆弱项的密度函数,对于观测数据O={Oi,i=1,...,n}的全似然有如下形式:(8)接下来,我们将讨论感兴趣的参数的估计问题.对于未知函数λ0(·)和Λ0h(·),参考 Liu et al.(2016),在 I =[a1,a2]上,使用基于 Bernstain 多项式的Sieve方法对其进行近似,其中,a1,a2表示观测时间的上下界.对于参数的估计,我们使用EM算法.首先注意到如果bi是可观测的,基于数据{(Oi,bi),i =1,...,n}的伪完整数据似然函数为LC(θ)=L1(θ1)L2(θ2)L3(σ2).(9)上述中,θ1=(β1T,β2,η,Λ0(·)),θ2 =(α,Λ0h(·)),及则在给定观测数据和当前估计量的条件下,计算第(l+1)步中(9)式的对数的期望,即为,Q(θ|O,θ(k)= Eb[lc(θ)|O,θ(k)]=Eb[logL1(θ1)|O,θ(k)]+ Eb[logL2(θ2)|o,θ(k)]+ Eb[logL3(σ2)|o,θ(θ)],(10)其中,Eb[lC(θ)|O,θ(k)]表示在给定观测数据和当前估计值θ(k)条件下,logLc(θ)关于b的条件期望.在M步中,需要分别关于θ1,θ2和σ2极大化下面函数,Eb[logL1(θ1)|O,θ(k)],Eb[logL2(02)|o,O(k)],,Eb[log L3(σ2)|0,θ(k).对于这些期望,可以看到并没有解析形式,故这里采用Monte Carlo方法进行数值近似,具体细节在第四章中给出.在第(kk + 1)步迭代中,关于参数θ极大化条件期望(10)式,得到得分函数Sβ1(θ1),Sβ2(θ1),Sη(θ1),Sγl(θ1),Sα(θ2),Sξl(θ2),具体形式在第四章中给出,令上述得分函数为零,从而获得第(k+1)次的更新估计.综上,我们提出的EM算法可以分为以下步骤:第一步.选择m的值和给出所有参数的初始值为θ(0);第二步.在第(k+1)步迭代中,在θ=(k)下,计算条件期望Ei{φi1},Ei{φi2},Ei{φi3),Ei{φi4},Ei{φi5},Ei{φi6} Ei{φi7},Ei[ebi],Ei(bi2)at θ=θ(k).第叁步.给定γl= γl(k),l=0,1,...,m,通过解方程组Sβ1(θ1)=0,Sβ2(θ1)= 0和Sη(θ1)=0得到更新估计量β1(k+1),β2(k+1)和η(k+1);第四步.给定β1=β1(k+1),β2=β2(k+1)和η= η(k+1),通过解方程组Sγl(θ1)=0,得到更新估计量γl(k+1);第五步.给定ξl=ξl(k),l= 0,1,...,m,通过解方程组Sα(θ2)=0,获得更新估计量α(k+1);第六步.给定α=α(k+1),通过解方程组Sξl(θ2)=0,得到更新估计量为ξl(k+1);第七步.由具体给出的解析表达式,给出参数σ2的第(k+1)步估计量σ2(k+1);第八步.重复第二步到第七步,直至收敛.下面,在给定一些正则性条件下,估计量θ的理论结果在下列定理中给出,且所有极限均取在n → ∞的条件下.定理4假定第四章中的正则条件成立,β1,β2,α,η,σ2分别是β10,β20,α0,η0.,σ02的强相合估计量,且有‖Λn-Λ0 ‖2 → 0,‖Λnh-Λ0h ‖2 →0几乎处处成立.定理5假定第四章中的正则条件成立,d(θ,θ0)= Op(n-(1-v)/a +n-rv/2),当 v = 1/(1+r)时,有d(θ,θ0)=Op(n-r/(2+2r)).定理6假定第四章中的正则条件成立,则n1/2((β1-β10)T,(β2-β20),(α-α0)τ,(η-η0)T,(σ2-σ02))→ N(0,Σ)依分布成立,(β1R,β2,αT,ηT,σ2)T是半参数有效的.其中,对于渐近方差矩阵的估计,我们采用简单的Bootstrap方法进行估计.(本文来源于《吉林大学》期刊2018-12-01)
伍杰,李理,刘乐青,张建武[9](2018)在《基于工艺参数的镀层金属板冲压成形断裂失效窗口》一文中研究指出随着工程领域对于材料性能越来越高的要求,镀层金属薄板由于具有耐腐蚀、耐磨损等特殊的功能,而被广泛地应用于汽车、造船、新能源等行业中。在镀层金属薄板被加工成零件的复杂变形过程中,由于不同部位的加工变形量不同,容易出现断裂失效现象,而工艺参数对于断裂失效问题有着重要的影响。本论文以镍镀层金属薄板为对象,采用基于连续介质损伤力学框架的有限元模拟,研究了工艺参数对冲压成形断裂时的最大冲压深度的影响,并建立了镀层金属板冲压成形中的成形窗口,为研究镀层金属板冲压成形中的失效问题提供了一种不同的思路。(本文来源于《锻压装备与制造技术》期刊2018年05期)
陈军红,徐伟芳,张方举,陈刚,黄西成[10](2018)在《冲击载荷作用下TC11钛合金失效模型中关键参数测试方法研究》一文中研究指出应力叁轴度的测试和确定对于材料动态失效模型的研究具有重要意义。该文以TC11钛合金为研究对象,通过光滑圆棒试样静动态单轴拉伸实验和带缺口试样动态拉伸实验,分别获取TC11钛合金材料动态本构模型参数和失效模型中应力叁轴度随时间的演化规律。实验结果显示,随着加载时间增加,TC11钛合金缺口处材料应力叁轴度从初始的1.02呈非线性下降到0.90。进一步通过有限元模拟对实验测试结果进行验证。该文发展的应力叁轴度测试方法为材料动态失效模型的研究提供重要支撑。(本文来源于《中国测试》期刊2018年10期)
失效参数论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
在爆炸及高速碰撞的有限元模拟中,往往涉及到材料的大变形、断裂过程.文中选取2A97铝锂合金材料,针对Johnson-Cook(J-C)失效模型,对获取相应失效参数的方法进行了研究;设计了不同缺口尺寸的试样,结合有限元模拟对缺口试样的应变分布和应力叁轴度进行了研究,发现缺口试样的最大应变集中于缺口表面处,得到了缺口表面处应力叁轴度在加载过程中的变化情况.基于此结果,文中还制作了细散斑,并通过二维数字图像相关(DIC)测量方法得到了常温至573 K下准静态及动态加载试样的失效应变,从而准确地将修正应力叁轴度、应变率和温度与失效应变对应起来,获取了更为准确的J-C失效模型参数;通过对铝锂合金断口使用SEM扫描电镜进行微观观察,探究了应力叁轴度影响铝锂合金失效应变的微观机理,发现材料在变形过程中产生的微孔洞随应力叁轴度的增大而不再大量聚集形成韧窝.
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
失效参数论文参考文献
[1].张微敬,许丽红,张毅刚.单层球面网壳强震失效机理及参数影响研究[J].世界地震工程.2019
[2].任冀宾,汪存显,张欣玥,索涛,李玉龙.2A97铝锂合金的Johnson-Cook本构模型及失效参数[J].华南理工大学学报(自然科学版).2019
[3].胡雪岩,王永成,贲广利.固态继电器过载失效与浪涌抑制电路参数设计[J].长春理工大学学报(自然科学版).2019
[4].李亿民.指数分布无失效数据下参数的单侧M-Bayes估计[J].山东理工大学学报(自然科学版).2019
[5].高莺,王巨汉,张琦,唐涛,曹源.基于不同参数模型的安全计算机共因失效分数计算及比较分析[J].中国铁道科学.2019
[6].何其祥,林仁鑫.失效原因缺失的加速失效时间模型下竞争风险数据的半参数估计[J].应用数学学报.2019
[7].陈舒琪.半参数加速失效时间混合治愈模型的构建及其在医学中的应用[D].中国人民解放军海军军医大学.2019
[8].王淑影.带有信息的区间删失失效时间数据的半参数分析[D].吉林大学.2018
[9].伍杰,李理,刘乐青,张建武.基于工艺参数的镀层金属板冲压成形断裂失效窗口[J].锻压装备与制造技术.2018
[10].陈军红,徐伟芳,张方举,陈刚,黄西成.冲击载荷作用下TC11钛合金失效模型中关键参数测试方法研究[J].中国测试.2018