.png){kind=icon}
返回
Practical enhancement of failure-probability estimation using probability density-driven active learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.probengmech.2025.103871.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种新的T-learning函数，将先验概率整合到主动学习中。
• 与现有方法相比，表现出对随机初始条件的优越鲁棒性。
• 评估了在单次评估设置下停止标准的可靠性。
Keyword:
Surrogate model
Gaussian process regression
Reliability analysis
Learning function
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.5
论文数:
1.7K
被引数:
4.1K
机构
引用论文
Bayesian updating of model parameters using adaptive Gaussian process regression and particle filter.png)
STRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏分享收藏Active learning for structural reliability: Survey, general framework and benchmark结构可靠性的主动学习: 调查，一般框架和基准STRUCTURAL SAFETYOAAI
STRUCTURAL SAFETYIF6.3
OAAI分享收藏Estimation of small failure probabilities in high dimensions by subset simulation通过子集模拟估计高维中的小失效概率OAAI
OAAI分享收藏A New Kriging-Based Learning Function for Reliability Analysis and Its Application to Fatigue Crack Reliability一种新的基于Kriging的可靠性分析学习函数及其在乏力裂纹可靠性中的应用IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Challenges in geotechnical design revealed by reliability assessment: Review and future perspectives可靠性评估揭示的岩土工程设计挑战: 回顾和未来展望OAAI
OAAI分享收藏AK-MCS: An active learning reliability method combining Kriging and Monte Carlo SimulationAk-mcs: 一种结合Kriging和蒙特卡洛模拟的主动学习可靠性方法STRUCTURAL SAFETY
STRUCTURAL SAFETYIF6.3
PREAI
分享收藏
查看更多内容