机械工程学报

作者：杨旭锋, 程鑫, 刘泽清

单位：西南交通大学机械工程学院 成都 610031

关键词：可靠性分析,主动学习,Kriging模型,交叉熵,自适应重要抽样；

基金：中央高校基本科研业务费专项资金(2682022ZTPY079)、四川省科技计划重点研发(2021YFG0178)和国家自然科学基金(51705433)资助项目。

在估计小失效概率时，基于主动学习Kriging (Active learning Kriging，ALK)模型的可靠性方法常常面临候选样本过多，计算耗时的问题。针对这一问题，引入改进的交叉熵自适应重要抽样(Improved cross-entropy adaptive important sampling，iCE-AIS)，提出一种融合ALK模型与iCE-AIS的高效可靠性方法。该方法记为ALK-iCE-AIS。在ALK-iCE-AIS中，iCE-AIS根据Kriging模型的预测抽取重要样本，Kriging模型在iCE-AIS的重要样本中选取最优训练点。如此迭代，Kriging模型将越来越精确地预测失效域，由iCE-AIS估计的失效概率也愈加精确。鉴于传统的收敛标准比较保守，特在iCE-AIS的框架下进一步提出一种基于失效概率误差的收敛标准，以保证Kriging模型在达到目标精度要求后及时终止学习。从算例测试来看，ALK-iCE-AIS能够以较少的训练样本获得准确的失效概率估计值。

来源：2024年第16期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2024年第16期