基于ALK模型与子集模拟的主动学习可靠性分析方法
刘泽清
程鑫
杨旭锋
西南交通大学 机械工程学院, 成都 610031
摘要：针对主动学习Kriging(Active Learning Kriging,ALK)模型在评估小失效概率时遇到的候选样本过多、计算耗时的问题,提出了一种结合ALK模型与子集模拟(Subset Simulation,SS)的双阶段代理模型方法——ALK-SS2.首先在第1 阶段基于构建的极限状态函数代理模型,采用较少数量的SS最后一层样本作为候选样本完成极限状态面的粗略近似,然后在第 2 阶段选择更大样本量的SS最后一层样本来细化第 1 阶段的极限状态函数代理模型,以获得更高的精度.此外,考虑到传统ALK模型的收敛准则太过于保守,在ALK-SS2 评估的失效概率基础上,提出了一种更高效的基于失效概率误差的收敛标准,进一步提高了该方法的效率.通过 4 个算例的测试以及同类方法的对比,证明其具有较高的计算精度和计算效率,适用于处理小失效概率问题和耗时的隐式功能函数问题.
关键词：可靠性分析主动学习Kriging模型子集模拟
分类号：TB114.3(工程基础科学)
论文发表日期：2024-02-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：11( 96-106 )
英文信息