Intelligent importance-weighted Gaussian process learning for efficient structural reliability evaluation

doi:10.1016/j.neucom.2026.134972

Intelligent importance-weighted Gaussian process learning for efficient structural reliability evaluation

2026-09-01

0

PRE

AI

DOI：10.1016/j.neucom.2026.134972

原文链接

原文求助

摘要

En 中文

复杂工程系统结构可靠性评价常受限于昂贵的仿真、有限的高质量样本和非线性输入-输出关系。为解决这些问题，提出了一种智能重要性加权高斯过程学习方法用于高效可靠性评估。首先引入一种受限动态加权策略，在紧凑支撑区域内识别信息样本并为训练数据分配不同的重要性水平。该区域的半径随后通过智能启发的搜索机制自适应优化，以提高局部代理建模的质量。在所提出的框架中，高斯过程学习用于捕捉不确定输入与结构响应之间的非线性相关性，而动量梯度下降被用于高效估计模型超参数。进一步通过嵌入高斯变异、t分布扰动变异、自适应t分布扰动变异、柯西变异和随机微分变异发展了五种增强变体到灰雁优化算法中。通过基准函数拟合、航空发动机涡轮盘变形和起落架制动系统温度异常案例评估了所提出的模型。实验结果表明，所发展的方法在预测精度、收敛速度和计算成本方面优于几种代表性的高斯过程基和优化辅助代理模型。所提出的框架为安全关键工程结构的可靠性评价、不确定性量化及智能健康监测提供了一种有效的神经计算基工具。

Intelligent importance-weighted Gaussian process learning for efficient structural reliability evaluation

摘要

期刊

机构

引用论文