Deep Bayesian active learning for high-dimensional time-variant reliability analysis

doi:10.1007/s00158-026-04351-5

2026-05-21

PRE

DOI：10.1007/s00158-026-04351-5

原文链接

原文求助

摘要

En 中文

时变可靠性分析（TRA）在许多复杂工程结构全生命周期成本优化、结构安全设计和预防性维护管理中发挥着重要作用。为克服高维时变可靠性分析（HDTRA）巨大的计算负担，本文提出了一种基于深度贝叶斯主动学习（DBAL）的新型代理建模方法。首先，开发了一种基于批量代表性点选择的主动学习策略，在每次迭代中从所有时间轨迹的预测极值点和预测失效点中选择最重要点。然后，利用贝叶斯深度神经网络（BDNN）在主动学习框架下构建高维时变性能函数的代理模型。此外，提出了基于置信度的收敛准则，以及时终止主动训练过程。最后，可通过基于极值法的蒙特卡罗模拟（MCS）计算时变可靠性，通过统计失效时间轨迹的频率，并对多个数值算例进行分析，以验证所提出方法的有效性。

Keyword:

High-dimensional problems

Time-variant reliability analysis

Active learning

Bayesian deep neural network

Black-box problem