공학 구조 신뢰성 분석 분야에서는 종종 암묵적이고 고도로 비선형적인 성능 함수 문제가 존재합니다. 근사 해석 방법으로 고장 확률을 추정할 때 계산 결과에 유의미한 오차가 발생하는 반면, 수치 시뮬레이션 방법은 높은 정확도를 제공하지만 계산 시간이 오래 걸리는 제약이 있습니다. 따라서 능동 학습 크리깅 모델에 기반한 신뢰성 분석 방법은 공학 구조 신뢰성 분석에서 널리 적용되고 있습니다. 본 논문은 고전적인 U 학습 함수를 기반으로 샘플 포인트의 예측 값과 예측 분산이 고장 확률 추정 정확도에 미치는 영향을 종합적으로 고려하여, 샘플 공간에서 한계 상태 곡면과 더 가까운 샘플 포인트를 우선 선택하고, 이들 샘플 포인트의 예측 분산에 더 높은 가중치를 부여하여 WU 학습 함수를 제안합니다. WU 학습 함수 구성 과정에서는 다양한 적응 방향 함수 아래 WU 함수의 샘플 선택 효과를 비교하여 적합한 적응 방향 함수를 결정하였습니다. 또한 크리깅 모델과 결합하여 AK-MCS-WU 신뢰성 분석 방법을 제안하였습니다. 두 개의 수치 사례와 하나의 공학 사례를 통해 검증한 결과, 제안된 AK-MCS-WU 방법은 고장 확률의 안정적인 수렴을 보장하며, 복잡한 성능 함수를 포함하는 신뢰성 문제에 대해 효율적이고 정확한 구조 고장 확률 예측을 제공합니다.

구조 신뢰성 분석;능동 학습 함수;크리깅 대리 모델;적응 방향 함수