In der Zuverlässigkeitstechnik ist die Nutzung von experimentellen Daten zur Kalibrierung von Rechenmodellen mit dem Ziel hochpräziser Vorhersagen eine derzeit dringend zu lösende Schlüsselfrage. Das Bayesianische Modell-Update (BMU) als neues methodisches Rahmenwerk bietet wichtige Ansätze zur Lösung dieses Problems. Bestehende BMU-Methoden lassen sich in drei Kategorien einteilen: 1) Methoden mit niedrigen Rechenkosten aber hohem Näherungsgrad (z.B. Laplace-Approximation, konjugierte Priors); 2) Methoden mit geringem Näherungsgrad aber hohem Rechenaufwand (z.B. approximative bayesianische Berechnung); 3) vollständige bayesianische Methoden mit umfassenden Informationen, aber sehr hoher Komplexität. Um den schwierigen Kompromiss zwischen Recheneffizienz und Genauigkeit dieser Methoden zu adressieren, schlägt diese Studie eine auf aktivem Lernen basierende approximative bayesianische Integrationsmethode vor, die darauf abzielt, die Rechenkosten signifikant zu senken und dennoch eine Genauigkeit nahe vollständiger bayesianischer Methoden zu erreichen. Die Innovationen dieser Arbeit liegen in drei Aspekten: Erstens wird die Wurzel der Likelihood-Funktion mithilfe eines Gaußprozesses effizient approximiert und kombiniert mit einem bayesianischen Integrationsrahmen zur analytischen Lösung der posterioren Parameterverteilung, wodurch die hohen Kosten herkömmlicher Sampling-Methoden vermieden werden; zweitens wird eine neue Akquisitionsfunktion basierend auf dem Beitrag der posterioren Varianz (GPVC) vorgeschlagen, die mit Hilfe des prognostizierten Mittelwerts und der Kovarianzinformation des probabilistischen Regressionsmodells die globale Erkundung und lokale Ausbeutung des Parameterraums dynamisch ausbalanciert; drittens zeigen numerische und ingenieurtechnische Fallstudien eine signifikante Überlegenheit der vorgeschlagenen Methode bei der Abschätzung multimodaler posteriorer Dichten bei gleichzeitiger Beibehaltung einer vergleichbaren Kalibrierungsgenauigkeit wie vollständig bayesianische Methoden. Die Forschungsergebnisse bieten eine effiziente und robuste Lösung für die Kalibrierung von Zuverlässigkeitsmodellen in komplexen, hochdimensionalen Systemen.

bayesianisches Modell-Update;approximative bayesianische Integration;Gaußprozessregression;Akquisitionsfunktion;aktives maschinelles Lernen