.png){kind=icon}
返回
An adaptive β-shell active learning Kriging method for structural reliability analysis
.png){kind=icon}
PRE
AI
DOI：10.1016/j.compstruc.2026.108211.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在可靠性分析中，如何以最少的计算评估次数实现对失效概率的稳定且精确估计，仍然是一个基本挑战。为克服现有基于代理模型和径向采样的方法依赖预设初始可靠性指数且在失效边界学习方面可能表现不稳定的局限性，本文提出了一种自适应β壳主动学习克里金方法（AK-AS）。该方法采用自适应β壳策略，通过利用克里金模型的预测结果逐步识别和更新可靠性指数，从而消除了对用户定义初始可靠性指数的需求，并缩减了候选样本空间。在该框架内，引入了两种具有互补作用的优化函数以实现代理模型的适应性改进。复合边界引导采样优化函数（CBS）能够对初始克里金模型进行轻量级修正，以支持初始可靠性指数的稳定识别，而径向惩罚采样优化函数（RPS）则聚焦于相邻β壳之间的狭窄区域进行改进，以抑制数值振荡并提升失效边界附近的精度。数值算例表明，所提出的方法在涉及小失效概率、多失效模式和高非线性极限状态函数的问题中，能够实现计算效率与估计稳定性的提升。
Keyword:
Kriging
active learning
structural reliability
failure probability
adaptive β-shell
查看更多机构