Algumas estruturas chave importantes enfrentam eventos extremos durante seu serviço, que podem ser ignorados devido à baixa probabilidade de ocorrência, mas se ocorrerem podem causar perdas graves. Para estimar com precisão a probabilidade muito baixa de falha de estruturas complexas, propõe-se um método que equilibra a precisão e o custo do cálculo da probabilidade de eventos extremos. Por meio de uma estratégia de aprendizagem ativa baseada em modelo proxy gaussiano, constrói-se uma função de busca que concentra efetivamente os pontos de treinamento em uma cauda unilateral, essa função é melhor para encontrar a área de erro máximo ponderada pela função de distribuição e reintegra novos pontos de treinamento. Para validar a eficácia do algoritmo, utiliza-se uma análise não linear de fissuras estruturais como exemplo, os resultados do algoritmo são comparados com MCS, o erro relativo médio da variável aleatória estimada é em cerca de 10%, indicando que o método produz resultados estatísticos aceitáveis; em comparação com os resultados do AL-GP, a expectativa de erro da variável aleatória estimada foi reduzida em 20%, mostrando que a incerteza na cauda diminui mais rapidamente. O exemplo demonstra que o algoritmo é mais sensível à cauda e adequado para o cálculo de distribuições com risco potencial na cauda.

Modelo proxy gaussiano; confiabilidade; aprendizagem ativa; eventos extremos