【摘要】：所谓模型拟合程度，是指反分析方法分析的结果的可靠性。目标方程的变化是相对初始估算来说的改进值，目标方程的值也可以非正式地用来评估模型拟合的程度。目标方程的改变可以用一个新的统计量——拟合改进量来表示，定义为优化后结果改进量与初始估计值的比值的百分比。同时，图形分析也可以有效地验证模型的优化结果。当画出加权测量值和加权计算值的曲线时，应该为一条截距为0、斜率为1的直线。
所谓模型拟合程度，是指反分析方法分析的结果的可靠性。有几种方法可以用来评估模型的拟合程度：首先，可以采用加权或者不加权的残差，以及它们的分布，比如相对时间和空间的分布，在第一次运行有限元程序的时候，结果会出现比较大的残差，这个残差被称为数据、模型或者权重中的净残差，当这种残差在反分析中被矫正到比较低的水平的时候，其他的因素相对而言就开始变得重要了。
一个比较常用的表示整体加权残差的方法是结果的方差：
其中，S(b)是目标方程；ND为实测数据点数；NP为反分析的参数数目。
目标方程的变化是相对初始估算来说的改进值，目标方程的值也可以非正式地用来评估模型拟合的程度。目标方程的改变可以用一个新的统计量——拟合改进量(FI)来表示，定义为优化后结果改进量与初始估计值的比值的百分比。如下式所示：(www.xing528.com)
其中，S(b)初始为初始估计时目标函数值；S(b)优化后为优化停止时目标函数值。
同时，图形分析也可以有效地验证模型的优化结果。理想情况下，优化后加权残差的总和为0，残差点的分布图形应该是无规律的随机分布，且其涵盖的面积的大小与计算结果无关。当画出加权测量值和加权计算值的曲线时，应该为一条截距为0、斜率为1的直线。从小到大分布的加权残差和按照概率函数分布(N(0，1))的加权残差之间的关系系数定义为相关总和统计量，R 2N可表示如下：
其中，所有向量长度均为ND；m向量的左、右元素均等于加权残差的平均值；e 0是从小到大排列的加权残差向量；τ向量的第i个元素等于概率分布函数N(0，1)的纵坐标值。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
