科研之友
微信
新浪微博
Facebook
分享链接
摘要
在估计小失效概率时，基于主动学习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，引入了改进的交叉熵自适应重要抽样(iCE-AIS)，提出了一种融合ALK模型与iCE-AIS的高效可靠性方法。该方法记为ALK-i CE-AIS。在ALK-iCE-AIS中，i CE-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了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。
- 单位
