En ingénierie de la fiabilité, la manière d’utiliser les données expérimentales pour calibrer les modèles de calcul afin d’obtenir des prévisions de haute précision est une problématique clé à résoudre. La mise à jour des modèles bayésiens (BMU), en tant que cadre méthodologique émergent, offre des voies importantes pour traiter ce type de problème. Les méthodes BMU existantes se divisent en trois catégories : 1) méthodes à faible coût de calcul mais avec un haut degré d’approximation (comme l’approximation de Laplace, les priors conjugués) ; 2) méthodes à faible approximation mais à coût de calcul élevé (comme le calcul bayésien approché) ; 3) méthodes bayésiennes complètes, riches en informations mais à complexité élevée. Pour résoudre le compromis difficile entre efficacité calculatoire et précision, cette recherche propose une méthode d’intégration bayésienne approchée basée sur l’apprentissage actif, visant à réduire considérablement le coût de calcul tout en maintenant une précision proche des méthodes bayésiennes complètes. Les innovations de l’étude sont triples : premièrement, par l’utilisation d’un modèle à processus gaussien pour approximer efficacement la racine carrée de la fonction de vraisemblance, combiné au cadre d’intégration bayésienne pour construire une solution analytique de la distribution postérieure des paramètres, évitant ainsi le coût élevé des méthodes d’échantillonnage traditionnelles ; deuxièmement, une nouvelle fonction d’acquisition basée sur la contribution de la variance postérieure (GPVC) est proposée, exploitant la moyenne prédictive et l’information de covariance du modèle de régression probabiliste pour équilibrer dynamiquement l’exploration globale et l’exploitation locale de l’espace paramétrique ; enfin, validée par des exemples numériques et industriels, la méthode proposée montre des avantages significatifs dans l’estimation de densités postérieures multimodales tout en conservant une précision de calibration comparable aux méthodes bayésiennes complètes. Les résultats offrent une solution à la fois efficace et robuste pour le calibrage des modèles de fiabilité de systèmes complexes à haute dimension.

mise à jour du modèle bayésien;intégration bayésienne approchée;régression par processus gaussien;fonction d’acquisition;apprentissage machine actif