В надежностной инженерии ключевой задачей является использование экспериментальных данных для калибровки вычислительных моделей с целью достижения высокой точности прогнозов. Обновление байесовских моделей (BMU) как новая методологическая парадигма предоставляет важные пути решения этой задачи. Существующие методы BMU можно разделить на три категории: 1) методы с низкой вычислительной стоимостью, но высокой степенью приближения (например, приближение Лапласа, сопряжённые априорные распределения); 2) методы с низкой степенью приближения, но высокой вычислительной затратой (например, приближённые байесовские вычисления); 3) полно байесовские методы с полной информацией, но высокой сложностью. Для решения трудности баланса между вычислительной эффективностью и точностью в этих методах в данном исследовании предложен метод приближенной байесовской интеграции на основе активного обучения, направленный на значительное снижение вычислительных затрат при сохранении точности, близкой к полным байесовским методам. Инновации исследования заключаются в трех аспектах: во-первых, с помощью модели гауссовских процессов эффективно аппроксимируется квадратный корень функции правдоподобия, а также с использованием байесовской интеграционной структуры строится аналитическое решение апостериорного распределения параметров, что позволяет избежать высокой стоимости традиционного сэмплирования; во-вторых, предлагается новая функция сбора на основе вклада апостериорной дисперсии (GPVC), которая динамически балансирует глобальное исследование и локальную разработку пространства параметров, используя прогнозное среднее и ковариационную информацию вероятностной регрессионной модели; в-третьих, численные и инженерные примеры демонстрируют значительные преимущества предлагаемого метода в оценке многомодальной апостериорной плотности при сохранении точности калибровки, сопоставимой с полными байесовскими методами. Результаты исследования предоставляют эффективное и устойчивое решение для калибровки надежностных моделей сложных высокоразмерных систем.

обновление байесовской модели;приближенная байесовская интеграция;регрессия гауссовского процесса;функция сбора;активное машинное обучение