来源：期刊VIP网 时间：
作者：刘泽清;程鑫;杨旭锋;
单位：西南交通大学机械工程学院;
摘要：针对主动学习Kriging(Active Learning Kriging, ALK)模型在评估小失效概率时遇到的候选样本过多、计算耗时的问题，提出了一种结合ALK模型与子集模拟(Subset Simulation, SS)的双阶段代理模型方法——ALK-SS~2。首先在第1阶段基于构建的极限状态函数代理模型，采用较少数量的SS最后一层样本作为候选样本完成极限状态面的粗略近似，然后在第2阶段选择更大样本量的SS最后一层样本来细化第1阶段的极限状态函数代理模型，以获得更高的精度。此外，考虑到传统ALK模型的收敛准则太过于保守，在ALK-SS~2评估的失效概率基础上，提出了一种更高效的基于失效概率误差的收敛标准，进一步提高了该方法的效率。通过4个算例的测试以及同类方法的对比，证明其具有较高的计算精度和计算效率，适用于处理小失效概率问题和耗时的隐式功能函数问题。
关键词：可靠性分析;;主动学习;;Kriging模型;;子集模拟
基金资助：中央高校基本科研业务费专项资金(2682022ZTPY079);; 四川省科技计划项目重点研发项目(2021YFG0178);; 国家自然科学基金项目(51705433)资助~~
