Im Bereich der Zuverlässigkeitsanalyse von Ingenieurstrukturen treten häufig implizite und stark nichtlineare Leistungsfunktionen auf. Bei der Schätzung der Ausfallwahrscheinlichkeit mit approximativen analytischen Methoden treten typischerweise erhebliche Fehler auf; numerische Simulationsmethoden können zwar hochpräzise Lösungen liefern, sind jedoch durch lange Rechenzeiten begrenzt. Daher hat die auf aktivem Lernen basierende Kriging-Modell-Zuverlässigkeitsanalyse breite Anwendung in der Zuverlässigkeitsanalyse von Ingenieurstrukturen gefunden. In dieser Arbeit wird basierend auf der klassischen U-Lernfunktion der Einfluss der Vorhersagewerte und der Vorhersagevarianz von Stichprobenpunkten auf die Genauigkeit der Ausfallwahrscheinlichkeitsabschätzung umfassend berücksichtigt, wobei im Stichprobenraum vorrangig Stichprobenpunkte ausgewählt werden, die näher an der Grenzzustandsfläche liegen, und diesen Punkten eine höhere Gewichtung der Vorhersagevarianz zugewiesen wird; darauf basierend wird die WU-Lernfunktion vorgeschlagen. Im Aufbau der WU-Lernfunktion wurde durch den Vergleich der Stichprobenauswahlwirkung unter verschiedenen adaptiven Richtungsfunktionen die geeignete adaptive Richtungsfunktion bestimmt. Weiterhin wird die AK-MCS-WU-Zuverlässigkeitsanalysemethode auf Basis des Kriging-Modells vorgeschlagen. Die Validierung anhand von zwei numerischen Beispielen und einem Ingenieurfall zeigte, dass die vorgeschlagene AK-MCS-WU-Methode eine stabile Konvergenz der Ausfallwahrscheinlichkeit gewährleisten kann und gleichzeitig eine effiziente und genaue Vorhersage der strukturellen Ausfallwahrscheinlichkeit für Zuverlässigkeitsprobleme mit komplexen Leistungsfunktionen bietet.

Strukturzuverlässigkeitsanalyse;aktive Lernfunktion;Kriging-Stellvertretermodell;adaptive Richtungsfunktion