.png){kind=icon}
返回
An active learning method combining Reliability Analysis Transformer and attention-based sampling for high-dimensional reliability analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2026.112752.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
可靠性分析面临准确估计失效概率与最小化耗时模型评估次数的双重挑战。代理模型可显著减轻计算负担，但现代工程系统维度的增加对传统代理模型的性能构成严峻挑战。为解决这些问题，本文提出了一种高维可靠性分析的新型跨域范式，将随机变量的维度概念性地映射为自然语言处理（NLP）中的序列长度。基于此映射，设计了一种可靠性分析Transformer（RAT）以捕捉随机变量与系统响应间的复杂依赖关系。此外，依据相似样本贡献较少新信息的原理，提出了一种基于注意力机制的采样策略，用于测量样本相似性并迭代选择候选数据集中与现有样本最不相似的样本，从而提升RAT的精度。通过四个高维数值算例及液体火箭发动机案例研究验证了所提方法的有效性。结果表明，该方法在处理高维、大规模工程问题时兼具高精度与高效率。
Keyword:
Reliability Analysis Transformer
attention-based sampling
high-dimensional reliability analysis
surrogate models
active learning
