Na engenharia de confiabilidade, como utilizar dados experimentais para calibrar modelos computacionais a fim de alcançar previsões de alta precisão é uma questão chave e urgente a ser resolvida. A atualização de modelos bayesianos (BMU), como um quadro metodológico emergente, oferece vias importantes para resolver esse tipo de problema. Os métodos BMU existentes podem ser divididos em três categorias: 1) métodos de baixo custo computacional, mas com alto grau de aproximação (como a aproximação de Laplace, priors conjugados); 2) métodos com baixo grau de aproximação, porém com alto custo computacional (como o cálculo bayesiano aproximado); 3) métodos bayesianos completos que fornecem informações completas, mas com complexidade alta. Diante do difícil equilíbrio entre eficiência computacional e precisão dessas metodologias, este estudo propõe um método aproximado de integração bayesiana baseado em aprendizado ativo, que visa reduzir significativamente o custo computacional mantendo uma precisão próxima aos métodos bayesianos completos. As inovações do estudo se refletem em três aspectos: primeiro, por meio de um modelo de processo gaussiano para aproximar eficientemente a raiz quadrada da função de verossimilhança, combinando com o quadro de integração bayesiana para construir uma solução analítica da distribuição posterior dos parâmetros, evitando os altos custos computacionais dos métodos tradicionais de amostragem; segundo, uma nova função de aquisição baseada na contribuição da variância posterior (GPVC) é proposta, que utiliza a média preditiva e informação de covariância do modelo de regressão probabilística para equilibrar dinamicamente a exploração global e a exploração local do espaço de parâmetros; por fim, por meio de validação numérica e casos de engenharia, o método proposto demonstra vantagens significativas na estimativa de densidades posteriores multimodais, mantendo uma precisão de calibração comparável a métodos bayesianos completos. Os resultados oferecem uma solução eficiente e robusta para a calibração de modelos de confiabilidade em sistemas complexos e de alta dimensão.

atualização de modelo bayesiano;integração bayesiana aproximada;regressão por processo gaussiano;função de aquisição;aprendizado de máquina ativo