结构参数化敏感性分析，往往是我们在尝试对结构计算模型调整之前需要进行的一个重要准备——毕竟如果先知道可以调整的几个参数中，哪个参数对目标结果的影响比较大，就会将其作为主要调整的对象，起到提高效率的作用。
但是，常规的敏感性分析方法，都是设定一个参数按照10%左右的幅度变化，其他各参数保持固定不变的前提。这样做是为了能够查看出单一变量对结构相应的影响，但却不符合基本事实——因为实际上所有的影响因素都是同时在变动的。当常规用有限元软件来操作的计算方法，又不能让各变量一起动，那结果就失去了意义。所以就只能舍弃一点精度，保证结果的可用性。
其实，完全可以让各个变量同时动起来的——那就需要借助人工神经网络技术来帮忙了。这个“人工神经网络”技术，并不是医学名词，而是一种数据处理方法，它本身其实没有任何物理意义。简单来说，工作流程就是我们先给它一组样本值和目标值，在一定的条件下(这些条件是可控的，比如神经元与隐含层数量，计算精度等等)，让程序自动建立二者之间的关系，当关系建立起来之后，也就是所谓的“神经网络训练完毕”，再输入新的样本值，就会输出我们需要的目标值了。
只需要几十组有限元分析的样本数据，就可以由神经网络技术来建立结构参数和结构响应之间的关系，由此，便可由神经网络的程序来替代有限元来进行大规模重复计算——我曾经用一套代码，在4个小时内进行了150万次计算，这要是用ansys来计算，单独一次就需要将近1个小时，等都算完，估计我这人都不在了。
神经网络除了可以提高有限元计算效率之外，还有个很强大的功能值得挖掘，就是可以输出网络中每个层的神经元之间的权值和阀值，这对我们研究“多参数敏感性分析”至关重要，这些权值是在网络训练过程中，由程序在样本和目标之间建立起来的数据转换关系，这从侧面可以得出输入变量对结果的影响权值——这就是我们需要的多参数敏感性分析的解答了。
至于权值之间的算法，有好多种，我个人比较倾向于Garson算法：
关于这个算法的详情，大家按照这个关键词查询文件就可以了，这里不多说。
个人以为，利用神经网络来做的多参数敏感性分析，至少有两个优点：一个是可以实现多参数联动，另一个是可以量化出每个参数的影响因子到底是多少。很多时候，当许多因素“看起来差不多”的时候，通过这种方法，得到因素A的敏感性是21%，因素B的敏感性是20%，这样再排序，就方便多了。
