En la ingeniería de confiabilidad, cómo utilizar datos experimentales para calibrar modelos computacionales y lograr predicciones de alta precisión es un problema clave y urgente por resolver. La actualización del modelo bayesiano (BMU), como un marco metodológico emergente, proporciona vías importantes para abordar este tipo de problema. Los métodos BMU existentes se pueden dividir en tres categorías: 1) métodos con bajo costo computacional pero alto nivel de aproximación (como la aproximación de Laplace, priors conjugados); 2) métodos con baja aproximación pero alto costo computacional (como cálculos bayesianos aproximados); 3) métodos bayesianos completos que proporcionan información completa pero con alta complejidad. Frente a la difícil compensación entre eficiencia computacional y precisión en estos métodos, este estudio propone un método aproximado de integración bayesiana basado en aprendizaje activo, que busca reducir significativamente el costo computacional mientras mantiene una precisión cercana a los métodos bayesianos completos. Las innovaciones del estudio se reflejan en tres aspectos: primero, mediante un modelo de procesos gaussianos para aproximar eficientemente la raíz cuadrada de la función de verosimilitud, combinando el marco de integración bayesiana para construir una solución analítica de la distribución posterior de parámetros, evitando así el costoso cómputo de métodos tradicionales de muestreo; en segundo lugar, se propone una nueva función de adquisición basada en la contribución de la varianza posterior (GPVC), la cual utiliza la media predictiva y la información de covarianza del modelo de regresión probabilística para equilibrar dinámicamente la exploración global y la explotación local del espacio de parámetros; finalmente, mediante validación numérica y casos de ingeniería, el método propuesto muestra ventajas significativas en la estimación de densidades posteriores multimodales, manteniendo una precisión de calibración comparable a los métodos bayesianos completos. Los resultados ofrecen una solución eficiente y robusta para la calibración de modelos de confiabilidad en sistemas complejos y de alta dimensión.

actualización de modelos bayesianos;integración bayesiana aproximada;regresión por procesos gaussianos;función de adquisición;aprendizaje automático activo