Algunas estructuras clave importantes enfrentan eventos extremos durante su servicio, que pueden ser ignorados debido a la probabilidad extremadamente baja de ocurrencia, pero si ocurren, causarán pérdidas graves. Para estimar con precisión una probabilidad mínima de fallo en estructuras complejas, se propone un método que equilibra la precisión y el costo del cálculo de la probabilidad de eventos extremos. Mediante una estrategia de aprendizaje activo basada en un modelo proxy gaussiano, se construyó una función de búsqueda capaz de concentrar efectivamente los puntos de entrenamiento en un único lado de la cola; esta función es mejor para encontrar la región de error máximo ponderada por la función de distribución y reinvertir nuevos puntos de entrenamiento. Para verificar la efectividad del algoritmo, se tomó como ejemplo un análisis no lineal de fisura estructural, los resultados del algoritmo se compararon con MCS, el error relativo estimado de la media de variables aleatorias fue de alrededor del 10%, lo que indica que el método puede obtener resultados estadísticos aceptables; comparado con los resultados de AL-GP, la expectativa del error estimado de las variables aleatorias se redujo en un 20%, lo que indica una reducción más rápida en la incertidumbre de la cola. El ejemplo demuestra que el algoritmo es más sensible a la cola y es adecuado para distribuciones con riesgo potencial en la cola.

Modelo proxy gaussiano;confiabilidad;aprendizaje activo;eventos extremos