いくつかの重要な主要構造は、使用期間中に極端な事象に直面することがあり、極端な事象の発生確率が極めて低いため軽視されることがありますが、発生した場合は深刻な損失を招きます。複雑な構造の非常に小さい故障確率を正確に推定するために、極端な事象の発生確率の計算精度とコストをバランスさせる方法を提案しました。ガウス代理モデルに基づく能動学習戦略により、訓練点を片側の裾野に効果的に集中させる探索関数を構築しました。この関数は分布関数で重み付けされた誤差の最大領域をよりよく探索し、追加の訓練点を再投入します。アルゴリズムの有効性を検証するために、構造の亀裂非線形解析を例に取り、アルゴリズムの結果をMCSと比較しました。推定された確率変数の平均の相対誤差は約10％であり、本手法が許容可能な統計量の結果を得られることを示しています。AL-GPの結果と比較すると、推定された確率変数の誤差期待値が20％低減し、裾野における不確実性がより早く低減することを示しています。例題を通して、アルゴリズムが裾野に対してより敏感であり、潜在的な裾野リスクを持つ分布計算に適していることを証明しました。

ガウス代理モデル; 信頼性; 能動学習; 極端事象