Data-driven Time-variant Reliability Analysis using Deep Gaussian Processes

doi:10.1016/j.ress.2026.112395

Data-driven Time-variant Reliability Analysis using Deep Gaussian Processes

2026-02-14

0

PRE

AI

DOI：10.1016/j.ress.2026.112395

原文链接

原文求助

摘要

En 中文

时变可靠性分析（TRA）对于评估工程系统在演变条件（如材料劣化和随机外部力）下的动态风险至关重要。然而，传统方法通常假设所有随机输入的统计特性精确已知。在实际中，这些特性必须从有限且通常非平稳的测量数据中推断，引入显著的认识不确定性。本文提出了一种全面的数据驱动TRA框架，旨在解决这一挑战。所提出的方法将多元核密度估计（KDE）与自助法相结合，以非参数化方式对相关随机变量及其认识不确定性进行建模。同时，该方法采用深度高斯过程（DGP）作为复杂、非平稳随机过程的概率模型，其中认识不确定性通过潜在函数量化。该框架的一个关键贡献在于其能够系统性地量化和传播从输入建模到可靠性预测的认识不确定性，从而得到可靠性的完整概率分布。通过数值研究验证了所提出方法的有效性，将其性能与现有方法进行比较。结果表明，所提出的框架能够提供准确的概率预测，尤其是在复杂非平稳性和稀疏数据的场景下，从而能够实现更明智的风险评估和决策制定。

Keyword:

Time-variant reliability

Epistemic uncertainty

Deep Gaussian processes

Multivariate kernel density estimation

Bootstrapping

Data-driven Time-variant Reliability Analysis using Deep Gaussian Processes

摘要

期刊

机构