En el campo del análisis de confiabilidad de estructuras de ingeniería, a menudo existen problemas implícitos y altamente no lineales de funciones de desempeño. Al utilizar métodos analíticos aproximados para estimar la probabilidad de falla, generalmente existen errores significativos en los resultados; mientras que los métodos de simulación numérica pueden proporcionar soluciones altamente precisas, están limitados por tiempos de cálculo prolongados. Por lo tanto, el método de análisis de confiabilidad basado en el modelo de Kriging con aprendizaje activo ha sido ampliamente aplicado en el análisis de confiabilidad de estructuras de ingeniería. En este artículo, basado en la función de aprendizaje clásica U, se considera integralmente el impacto de los valores de predicción y la varianza predictiva de los puntos de muestra en la precisión de la estimación de la probabilidad de falla, seleccionando con prioridad los puntos de muestra más cercanos a la superficie del estado límite en el espacio de muestras y asignándoles un peso más alto a la varianza predictiva; con base en esto se propone la función de aprendizaje WU. En el proceso de construcción de la función de aprendizaje WU, mediante la comparación del efecto de selección de muestras bajo diferentes funciones direccionales adaptativas, se determinó la función direccional adaptativa aplicable. Además, se propone el método de análisis de confiabilidad AK-MCS-WU basado en el modelo de Kriging. La validación mediante dos ejemplos numéricos y un caso de ingeniería demuestra que el método AK-MCS-WU propuesto puede garantizar la convergencia estable de la probabilidad de falla, proporcionando al mismo tiempo una predicción eficiente y precisa de la probabilidad de falla estructural para problemas de confiabilidad que involucran funciones de desempeño complejas.

análisis de confiabilidad estructural;función de aprendizaje activo;modelo Kriging;función direccional adaptativa