基于Jensen-Shannon散度的自适应采样方法的高效可靠性分析

摘要

目前,对基于代理模型的可靠度分析进行了广泛的研究,该方法在保证评估准确性的同时,减少调用真实且复杂性能函数的次数。为了更高效地评估失效概率,本文提出了一种自适应采样方法。首先,结合Jensen-Shannon散度(JSD)推导了一种新的主动学习函数,通过选择最合适的采样点更新Kriging模型。为了提高效率,建立了一种信念域方法,用以减少有关主动学习功能函数评估时的计算负担,同时不影响评估的准确性。此外,引入了基于不确定性函数的终止准则,以确保在不同的失效概率情况下实现更好的鲁棒性。该方法主要有以下两个优点:新选择的采样点接近极限状态边界区域,且这些采样点具有较大的离散性。最后,通过三个案例分析验证了方法的可行性和性能。结果表明,与蒙特卡罗模拟或其他主动学习函数相比,该方法在处理复杂问题时在效率、收敛性和准确性方面均具有优势。