Certaines structures clés majeures font face à des événements extrêmes pendant leur service ; en raison de la très faible probabilité de survenue de ces événements extrêmes, ils peuvent être négligés, mais s'ils se produisent, ils entraînent des pertes graves. Pour estimer avec précision la très faible probabilité de défaillance de structures complexes, une méthode équilibrant la précision et le coût du calcul de la probabilité d’événements extrêmes est proposée. Grâce à une stratégie d’apprentissage actif basée sur un modèle proxy gaussien, une fonction de recherche capable de concentrer efficacement les points d’entraînement dans la queue unilatérale a été construite; cette fonction est meilleure pour trouver les zones d’erreur maximale pondérées par la fonction de distribution, puis réinvestit de nouveaux points d’entraînement. Pour vérifier l’efficacité de l’algorithme, une analyse non linéaire de fissuration de structure a été prise comme exemple, les résultats de l’algorithme ont été comparés à MCS, avec une erreur relative moyenne estimée des variables aléatoires d’environ 10%, indiquant que la méthode fournit des statistiques acceptables; comparé aux résultats de AL-GP, l’espérance d’erreur estimée des variables aléatoires a diminué de 20%, ce qui montre une réduction plus rapide de l’incertitude dans la queue. L’exemple démontre une sensibilité accrue de l’algorithme à la queue, adapté au calcul des distributions avec risques potentiels dans la queue.

Modèle proxy gaussien;fiabilité;apprentissage actif;événements extrêmes