Stratified clustering-guided progressive importance sampling for high-precision and efficient failure probability function estimation

Yizhou Chen

doi:10.1016/j.compstruc.2026.108350

Stratified clustering-guided progressive importance sampling for high-precision and efficient failure probability function estimation

2026-07-01

0

PRE

AI

DOI：10.1016/j.compstruc.2026.108350

原文链接

原文求助

摘要

En 中文

失效概率函数作为评估结构安全性的关键指标，其值随随机输入分布参数在设计域内的变化而变化。为在高精度和高效估计稀有失效场景下的失效概率函数，本文提出了一种分层聚类引导的渐进重要抽样方法。该方法在由分布参数扩展的随机输入空间内运行，包含两个主要步骤：（1）通过K-means聚类分析自适应地识别对失效概率函数贡献最大的多个位置；（2）基于这些位置重构重要抽样密度。为便于稀有失效场景下失效概率函数估计的重要抽样密度重构，该方法自适应地引入中间失效域，并在其中逐步执行上述两个步骤。此外，为进一步减轻渐进重要抽样密度重构的计算负担，该方法引入了一种低成本克里金模型，并采用自适应学习策略。所提方法不仅消除了失效概率函数估计的双循环分析，还通过渐进重要抽样密度重构降低了失效概率函数估计的方差。这些优势通过所给示例得到充分验证。

Keyword:

Failure probability function

K-means clustering analysis

Importance sampling density

Intermediate failure domain

Kriging model

Stratified clustering-guided progressive importance sampling for high-precision and efficient failure probability function estimation

摘要

期刊

机构

引用论文