Le modèle proxy peut efficacement accélérer le processus d'estimation de la probabilité de défaillance, mais lorsque le modèle proxy ne parvient pas à représenter avec précision la véritable surface de défaillance, il introduit souvent un biais d'estimation, ce qui est particulièrement courant dans les problèmes d'ingénierie réels à haute dimension et/ou fortement non linéaires. En s'inspirant de l'idée de l'acceptation différée (delayed acceptance, DA) dans la méthode de Monte-Carlo par chaîne de Markov (MCMC), cet article propose une nouvelle stratégie combinant la simulation par sous-ensembles (subset simulation, SuS) avec un modèle proxy, appelée méthode DA-SuS. Cette méthode décompose le processus d'acceptation dans MCMC en trois étapes, où les échantillons candidats sont d'abord évalués par le modèle proxy ; s'ils sont rejetés à cette étape, ils ne passent pas aux calculs ultérieurs. Ce mécanisme d'acceptation différée ne rompt pas la condition d'équilibre détaillé de MCMC, ce qui signifie que, quelle que soit la précision du modèle proxy, sa distribution stationnaire reste la distribution cible, garantissant ainsi l'absence de biais asymptotique des estimateurs MCMC. Bien que cette stratégie réduise quelque peu l'efficacité statistique, elle réduit considérablement les coûts de calcul en n'évaluant le modèle réel que sur les échantillons candidats ayant une forte probabilité d'être dans le domaine de défaillance, améliorant ainsi l'efficacité globale du calcul. De plus, cet article introduit trois stratégies d'amélioration, y compris l'entraînement adaptatif du modèle proxy Kriging, un critère d'acceptation guidé par les erreurs de mauvaise classification et un schéma de mise à jour au niveau de la chaîne. Les performances de l'algorithme DA-SuS ont été vérifiées à travers trois exemples de référence et comparées aux méthodes SuS traditionnelles et à leurs variantes améliorées intégrant un modèle proxy. Les résultats montrent que la méthode DA-SuS proposée peut fournir une estimation sans biais de la probabilité de défaillance même dans les problèmes à haute dimension et fortement non linéaires, bien que son efficacité statistique et informatique dépende en partie de la qualité du modèle proxy.

simulation par sous-ensembles; modèle proxy; sans biais; acceptation différée; Kriging