Dans le domaine de l'analyse de la fiabilité des structures d'ingénierie, il existe souvent des problèmes implicites et fortement non linéaires des fonctions de performance. Lors de l'utilisation de méthodes analytiques approximatives pour estimer la probabilité de défaillance, des erreurs significatives dans les résultats sont souvent observées ; bien que les méthodes de simulation numérique offrent des solutions de haute précision, elles sont limitées par des temps de calcul trop longs. Par conséquent, la méthode d'analyse de fiabilité basée sur le modèle de krigeage à apprentissage actif a été largement appliquée dans l'analyse de la fiabilité des structures d'ingénierie. Cet article, basé sur la fonction d'apprentissage classique U, prend en compte l'impact des valeurs prédictives des points d'échantillonnage et de la variance prédictive sur la précision de l'estimation de la probabilité de défaillance, en choisissant prioritairement les points d'échantillonnage les plus proches de la surface d'état limite dans l'espace d'échantillonnage, et en attribuant un poids plus élevé à la variance prédictive de ces points ; en conséquence, une fonction d'apprentissage WU est proposée. Dans le processus de construction de la fonction d'apprentissage WU, en comparant l'effet de sélection des échantillons sous différentes fonctions directionnelles adaptatives, la fonction directionnelle adaptative appropriée est déterminée. De plus, la méthode d'analyse de fiabilité AK-MCS-WU basée sur le modèle de krigeage est proposée. La validation à travers deux exemples numériques et un cas d'ingénierie montre que la méthode AK-MCS-WU proposée peut assurer une convergence stable de la probabilité de défaillance, fournissant en même temps une prédiction efficace et précise de la probabilité de défaillance structurelle pour des problèmes de fiabilité impliquant des fonctions de performance complexes.

analyse de la fiabilité structurelle;fonction d'apprentissage actif;modèle de krigeage;fonction directionnelle adaptative