Некоторые важные ключевые конструкции в период эксплуатации сталкиваются с экстремальными событиями, которые могут быть проигнорированы из-за крайне низкой вероятности их возникновения, но если они происходят, приводят к серьезным потерям. Для точной оценки крайне малой вероятности отказа сложных конструкций предложен метод, который балансирует между точностью и стоимостью вычисления вероятности экстремальных событий. С помощью стратегии активного обучения на основе гауссовской модели заместителя построена поисковая функция, способная эффективно концентрировать обучающие точки в одностороннем хвосте, эта функция лучше ищет область максимальной ошибки, взвешенную функцией распределения, и заново вводит новые обучающие точки. Для проверки эффективности алгоритма, в качестве примера рассмотрен нелинейный анализ трещины конструкции, результаты алгоритма были сопоставлены с MCS, относительная ошибка оценки среднего значения случайных переменных составляет около 10%, что показывает приемлемость статистических результатов метода; по сравнению с результатами AL-GP, ожидаемая ошибка оценки случайных переменных уменьшилась на 20%, что свидетельствует о более быстром снижении неопределенности в хвосте распределения. Пример доказывает, что алгоритм более чувствителен к хвосту и подходит для распределений с потенциальными рисками хвоста.

Гауссовская модель заместителя;надежность;активное обучение;экстремальные события