.png){kind=icon}
返回
A theoretically-consistent parallel enrichment strategy for Bayesian active learning reliability analysis
.png){kind=icon}
OA
AI
DOI：10.1016/j.cma.2025.117752.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管并行主动学习可靠性分析具有前景并已得到广泛研究，但仍存在一个开放性问题，即如何实现更好的理论一致性并避免过度依赖经验实践。本研究提出了一种新的并行贝叶斯主动学习可靠性方法。首先，在贝叶斯失效概率估计中，从失效概率均方绝对偏差的上界定义了一个称为“错误分类综合概率”（IPM）的指标。然后，提出了一种称为“k点错误分类综合概率降低”（k-IPMR）的多点学习函数，用于指导选择一批k（≥1）个新样本，以最大化IPM的预期降低量。为进一步减少计算开销，通过四个关键策略实现了快速k-IPMR引导的并行贝叶斯主动学习可靠性分析。（i）将k-IPMR替换为其理论等价但计算成本更低的变体。（ii）采用逐步最大化k-IPMR策略替代繁琐的直接最大化方法。（iii）以自适应方式确定每轮迭代新增样本的数量。（iv）根据每轮迭代的实际IPM降低量设定混合收敛准则。由于IPM的核心作用，我们将贝叶斯失效概率推断、多点丰富过程和收敛准则三个主要要素以理论一致的方式融合。通过四个不同复杂度的算例验证了所提方法的有效性。结果表明，所提方法所需的迭代次数少于现有方法，因而计算效率更高，尤其在处理耗时复杂的可靠性问题时表现更为突出。
Keyword:
Multi-point learning function
Parallel enrichment
Stepwise maximization
Theoretical consistency
Bayesian active learning
Reliability analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
1.3W
被引数:
5.6W
机构
引用论文
分享收藏Active learning and active subspace enhancement for PDEM-based high-dimensional reliability analysis基于PDEM的高维可靠性分析的主动学习和主动子空间增强.png)
STRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏An expected integrated error reduction function for accelerating Bayesian active learning of failure probability用于加速故障概率的贝叶斯主动学习的期望集成误差减少函数
PREAI
分享收藏
查看更多内容