No campo da análise de confiabilidade de estruturas de engenharia, frequentemente existem problemas implícitos e altamente não lineares nas funções de desempenho. Ao usar métodos analíticos aproximados para estimar a probabilidade de falha, geralmente há erros significativos nos resultados; embora os métodos de simulação numérica possam fornecer soluções de alta precisão, eles são limitados pelo longo tempo de cálculo. Portanto, o método de análise de confiabilidade baseado no modelo Kriging de aprendizado ativo tem sido amplamente aplicado na análise de confiabilidade de estruturas de engenharia. Este artigo, baseado na função de aprendizado clássica U, considera de forma abrangente o impacto dos valores preditivos e da variância preditiva dos pontos amostrais na precisão da estimativa da probabilidade de falha, selecionando prioritariamente os pontos amostrais mais próximos da superfície de estado limite no espaço amostral e atribuindo um peso maior à variância preditiva desses pontos; com base nisso, propõe-se a função de aprendizado WU. No processo de construção da função de aprendizado WU, através da comparação do efeito da seleção de amostras sob diferentes funções direcionais adaptativas, foi determinada a função direcional adaptativa aplicável. Além disso, foi proposto o método de análise de confiabilidade AK-MCS-WU baseado no modelo Kriging. A validação através de dois exemplos numéricos e um caso de engenharia demonstrou que o método AK-MCS-WU proposto pode garantir a convergência estável da probabilidade de falha, proporcionando simultaneamente uma previsão eficiente e precisa da probabilidade de falha estrutural para problemas de confiabilidade que envolvem funções de desempenho complexas.

análise de confiabilidade estrutural;função de aprendizado ativo;modelo Kriging;função direcional adaptativa