近日，工學院教師平夢浩在工程可靠性領域期刊《RELIABILITY ENGINEERING & SYSTEM SAFETY》（影響因子：9.4，中科院一區TOP）發表題為“Learning non-stationary model of prediction errors with hierarchical Bayesian modeling”的研究論文。
在系統識別問題中，根據結構的測量數據識別結構參數是提升數值模型模擬精度的關鍵手段，也是后續開展結構設計優化、可靠度分析以及結構健康監測的重要基礎。針對由于建模誤差、服役環境的變異性、測量噪聲以及測量數據不充分等因素導致的參數識別結果的非唯一性問題，貝葉斯參數識別方法基于貝葉斯定理，提供了嚴格的數學工具，用于量化上述因素引起的參數不確定性。傳統貝葉斯方法通常假設數值模型對測量數據的預測誤差服從高斯白噪聲，這一假設在復雜工程問題中往往難以成立。
本研究充分考慮了模型預測誤差的非平穩性，采用高斯過程模型對預測誤差建模，提出了一種新的貝葉斯推斷方法，并設計了迭代求解過程，實現了模型參數與非平穩預測偏差的聯合識別。研究結果表明，所提出的方法在結構動力學問題以及疲勞裂紋擴展問題中，能夠準確識別關鍵參數及預測誤差特性。此外，利用識別結果更新的數值模型也顯著提升了模型對實際測量數據的預測精度。
本研究由北京林業大學和澳門大學的科研團隊聯合完成。北京林業大學工學院青年教師平夢浩為論文第一作者，北京林業大學為第一完成單位。
該工作得到了國家自然科學基金青年基金項目（52405248）、澳門青年學者計劃（AM2023005）等項目的支持。
