شیوه یادگیری فعال مبتنی بر کریجینگ برای تحلیل قابل اطمینان ساختاری در نمونه ساخت آکواریوم

سیستم تحلیل قابل اطمینان در حال حاضر در حال تغییر و تحول است و تالش ها برای تحلیل قابل اطمینان نیز بر روی درستی و کارآمدی بیشتر متمرکز هستند. کارآمدی متا مدل کریجینگ یادگیری فعال برای بررسی قابلیت اعتماد سیستم ساختاری به اثبات رسیده است. به منظور پیشبینی موثر از احتمال ناکامی شیوه یادگیری فعال نیمه موازی مبتنی بر کریگینگ (SPAK) در این تحقیق و پژوهش توسعه یافته است. فرآیند ایجاد یک تابع یادگیری جدید UA نام دارد که ارتباط همبستگی بین نکات آموزشی و نمونه ها را مورد بررسی قرار می دهد. تابع UA از تابع U توسعه یافته اما از آن متمایز هم می باشد. تابع UA تابع اصلی U را بهبود می بخشد که توجه بسیار زیادی به ناحیه نزدیک آستانه و دقت مدل جایگزین بهبود یافته است. سپس شیوه یادگیری نیمه موازی مطرح شده و از همبستگی شدن توابع UA و U فعال می شود. یک یا دو نقطه آموزشی کمکم و در طول تکرار یادگیری مدل اضافه خواهند شد. این اقدام نکات آموزشی مورد نیاز و طول مدت تکرار را به طور موثر کاهش داده و میزان کارآمدی سازه مدل را افزایش می دهد. در نهایت، نمونه عددی و یک کاربرد مهندسی انجام میگیرند تا دقت و کارآمدی شیوه مطرح شده را نشان دهد. میزان کارآمدی در فرآیند کاربرد حداقل تا ۱۴.۵٪ افزایش یافته و میزان کارآمدی تکرار تا ۳۷.۵٪ افزایش یافته است. نکته به دست آمده این مطلب را می تواند نشان دهد که الگوریتم مطرح شده برای کاربردهای مهندسی ارزش پیدا می کند.

کلیدواژه ها:

احتمال ناکامی ، یادگیری فعال ، نیمه موازی ، کریگینگ ، مونته کارلو