.png){kind=icon}
返回
A three-stage active learning method with clustering-driven structural exploration for reliability analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.istruc.2026.111752.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动学习结合高斯过程回归（GPR）已在结构可靠性分析中得到了广泛的研究与应用。在此背景下，采集函数发挥着关键作用，因为它们直接影响训练过程的时长以及模型进行准确预测的能力。然而，传统的采集函数通常采用单目标设计方式，往往未能充分利用输入空间中嵌入的结构特征，从而限制了主动学习的有效性。本文提出TSAC，一种三阶段主动学习方法，整合多维自适应评分机制与聚类驱动的空间采样，以提升结构可靠性分析中的信息效率与样本分布控制能力。代理模型采用GPR构建，并由一个整合了三个关键因素的自适应评分函数引导：失效边界潜力、概率密度和预测不确定性。在样本选择阶段，采用两阶段空间聚类方案：多样性引导的K-means算法识别广泛分布的候选集，并应用谱聚类选取局部代表性样本。比较实验证实，所提出的方法具有有效性能，且可广泛应用。此外，结果表明TSAC在失效概率估计方面具有高综合性能。
Keyword:
Active learning
Gaussian Process Regression
acquisition function
structural reliability analysis
clustering-driven sampling
查看更多机构