2. 概率基础与随机变量建模

结构可靠性分析的核心任务，是把工程中“不确定的量”转化为可计算的随机变量，再通过概率模型描述它们对结构响应的影响。本节围绕四个关键问题展开：用什么分布描述随机变量、如何用统计矩概括分布特征、如何刻画变量之间的相关性，以及如何把原始随机变量变换为便于抽样和灵敏度分析的标准形式。最后，将这些工具落到结构参数不确定性量化的具体流程中。

一、随机变量与概率分布

在结构工程中，材料强度、弹性模量、截面尺寸、恒载与活载、腐蚀速率等都具有不确定性。我们把它们建模为随机变量 X，用累积分布函数 F_X(x)=P(X≤x) 完整描述其取值规律。工程中常用的分布各有适用场景：

• 正态分布：适用于由大量独立微小因素叠加而成的量，如混凝土抗压强度、钢材屈服强度。参数为均值 μ 和标准差 σ。
• 对数正态分布：适用于恒为正、右偏的量，如材料强度、疲劳寿命、风荷载。若 lnX~N(μ_ln,σ_ln)，则 X 服从对数正态分布。
• 极值分布（Gumbel）：适用于荷载最大值、洪水位、风速极值等极值事件。
• 威布尔分布：常用于疲劳寿命、脆性材料强度。
• 均匀分布：当仅知区间范围而缺乏更多信息时使用。

选择分布时，应优先依据物理机制、已有统计数据和规范建议，而不是仅凭拟合优度。例如，混凝土强度按规范常取正态分布，而风荷载年最大值更宜用极值分布。

二、统计矩与分布特征

统计矩是描述随机变量集中趋势、离散程度和形状的数值特征。一阶原点矩即均值 μ_X=E[X]，反映平均水平；二阶中心矩即方差 σ_X²=E[(X−μ_X)²]，反映离散程度；标准差 σ_X 与均值之比为变异系数 δ_X=σ_X/μ_X，是无量纲的离散指标。三阶标准矩（偏度）描述分布的不对称性，四阶标准矩（峰度）描述尾部厚重程度。

在可靠性分析中，均值和方差往往是最关键的输入。例如，某批钢材屈服强度均值 235 MPa、标准差 17.6 MPa，则变异系数约 0.075，属于较低离散水平；而现场实测混凝土强度变异系数常在 0.15～0.20。变异系数越大，结构失效概率通常越高。

三、相关性建模

实际结构中，随机变量之间常存在相关性。例如，混凝土抗压强度与弹性模量正相关；同一构件不同截面的尺寸误差可能相关；恒载与活载在某些工况下也可能相关。忽略相关性会显著影响可靠度计算结果。

常用线性相关系数 ρ_XY 度量两个变量之间的线性相关程度，取值范围为 [−1,1]。当 ρ=0 时仅表示无线性相关，不代表独立。对于多个变量，可用相关矩阵 R 描述：

R = [ 1.0   0.6   0.3
      0.6   1.0   0.2
      0.3   0.2   1.0 ]

该矩阵必须对称、正定，对角线为 1。若矩阵非正定，说明给定的相关系数组合在数学上不可能同时成立，需要修正。

四、随机变量变换

为便于抽样和可靠度算法实施，常将原始随机变量 X 变换为标准正态空间中的独立变量 U。最常用的是 Nataf 变换或 Rosenblatt 变换。其基本思路是：先对每个变量做边缘分布变换 U_i=Φ⁻¹(F_Xi(X_i))，再通过相关矩阵的 Cholesky 分解消除相关性。

设相关矩阵 R 的 Cholesky 分解为 R=LL^T，则相关标准正态向量 Z 可表示为 Z=LU，其中 U 为独立标准正态向量。这样就把“相关非正态”问题转化为“独立标准正态”问题，便于后续一次二阶矩法、响应面法或蒙特卡洛模拟使用。

五、结构参数不确定性量化流程

将上述工具串联起来，可形成一条完整的参数不确定性量化路径。下图展示了从工程对象到可靠度分析输入的信号与数据流关系：

该流程的关键在于：分布选择与参数估计决定了输入模型的合理性；相关性建模决定了变量之间耦合关系是否被正确保留；随机变量变换则把问题标准化，使后续可靠度算法能够统一处理。三者缺一不可。

以某钢筋混凝土梁为例：混凝土抗压强度取正态分布，均值 38 MPa、变异系数 0.15；钢筋屈服强度取对数正态分布，均值 420 MPa、变异系数 0.08；梁宽与有效高度取正态分布，变异系数 0.03；恒载取正态分布，活载取极值分布。混凝土强度与弹性模量之间相关系数取 0.6，其余变量暂设独立。完成上述建模后，即可通过 Nataf 变换得到独立标准正态向量，为后续可靠度指标计算提供输入。

需要强调的是，概率模型不是对现实的精确复制，而是对不确定性的合理近似。模型选择应兼顾数据条件、计算成本和工程判断，并在结果解释中明确其适用范围与局限性。