基于ALK模型与子集模拟的主动学习可靠性分析方法

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-SS²。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-SS²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。