Einige wichtige Schlüsselstrukturen sind während ihres Dienstes extremen Ereignissen ausgesetzt, die aufgrund der extrem geringen Eintrittswahrscheinlichkeit möglicherweise ignoriert werden, aber im Falle ihres Auftretens zu erheblichen Verlusten führen. Zur genauen Abschätzung der sehr geringen Versagenswahrscheinlichkeit komplexer Strukturen wird eine Methode vorgeschlagen, die ein Gleichgewicht zwischen Genauigkeit und Kosten der Berechnung der Eintrittswahrscheinlichkeit extremer Ereignisse herstellt. Durch eine auf einem Gauß-Proxymodell basierende aktive Lernstrategie wurde eine Suchfunktion entwickelt, die Trainingspunkte effektiv auf eine einseitige Verteilung konzentrieren kann; diese Funktion ist besser darin, den fehlerintensivsten Bereich nach der Verteilungsfunktion neu zu gewichten und neue Trainingspunkte einzubringen. Zur Überprüfung der Wirksamkeit des Algorithmus wurde eine nichtlineare Analyse von Strukturrissen als Beispiel verwendet, die Algorithmenresultate wurden mit MCS verglichen, die relativen Fehler bei der Schätzung des Mittelwerts der Zufallsvariablen liegen bei etwa 10%, was darauf hinweist, dass die Methode akzeptable statistische Ergebnisse liefert; im Vergleich zu den AL-GP-Ergebnissen wurde die erwartete Fehler der Zufallsvariablen um 20% reduziert, was auf eine schnellere Verminderung der Unsicherheit im Schwanzbereich hinweist. Das Beispiel beweist, dass der Algorithmus eine höhere Sensitivität im Schwanzbereich besitzt und für Verteilungen mit potenziellen Tail-Risiken geeignet ist.

Gauß-Proxymodell;Zuverlässigkeit;Aktives Lernen;Extreme Ereignisse