Улучшенная активная обучающая метамодель на основе гауссовского процесса для оценки односторонней хвостовой вероятности нелинейного структурного отклика

Почему редкие отказы в крупных сооружениях имеют значение

Современные города зависят от крупных инженерных сооружений — метро-тоннелей, длиннопролетных мостов, морских платформ — которые проектируются на десятилетия эксплуатации. Эти конструкции почти всегда работают безопасно, но в очень редких случаях что-то идет не так: герметичность стыка тоннеля нарушается, трещины в бетоне разрастаются или болты проскальзывают настолько, что пускают воду. Поскольку такие отказы редки и дорогостоящи, инженерам трудно оценить их вероятность. В этой статье предложен новый способ расчета шансов таких экстремальных событий более точно и с гораздо меньшими вычислительными затратами, используя интеллектуальный алгоритм обучения под названием Tail-Sensitive Global Learning (TS-GL).

Видеть опасность на краях распределения

Когда инженеры говорят о риске, их часто интересуют «хвосты» вероятностной кривой — тонкие концы, которые представляют очень маловероятные, но крайне серьезные исходы. Стандартные статистические методы и компьютерные модели хорошо работают в середине распределения, где события часты, но становятся неэффективными и ненадежными в дальних хвостах. Чтобы получить достаточно редких отказов для прямого изучения, грубая модель имитации может потребовать миллионов прогонов дорогостоящей структурной модели, что займет дни или недели. Еще хуже, если инженеры неверно предполагают форму хвоста распределения, они могут недооценить частоту экстремальных событий, создавая ложное ощущение безопасности.

Обучение умной замены с фокусом на экстремумах

Чтобы преодолеть эти ограничения, авторы создают «метамодель», быстрый заместитель тяжелой численной симуляции, с помощью техники гауссовского процесса. Этот суррогат делает два дела одновременно: предсказывает отклик сооружения на разные входные воздействия и оценивает неопределенность каждой такой предсказания. Стратегия активного обучения затем решает, где выполнить следующий прогон, добавляя новые симуляции только там, где они наиболее улучшат модель. Ключевой вклад TS-GL заключается в том, что поиск целенаправленно смещен в сторону одной части распределения — той, которая связана с опасными исходами — вместо того чтобы тратить усилия на оба хвоста или на безопасные области, которые уже хорошо изучены.

Более острый взгляд на опасную сторону

TS-GL вводит новую «чувствительную к хвосту» схему взвешивания и функцию поиска, которая постоянно задает вопрос: на каком уровне отклика текущая модель с наибольшей вероятностью ошибается в опасном хвосте? Затем она размещает новые выборки рядом с этим уровнем, где дополнительная информация имеет наибольшее значение. Повторно обновляя суррогат и концентрируя точки в опасной области, TS-GL уточняет оценки односторонней хвостовой вероятности — шанса, что критический отклик превысит порог безопасности. Авторы тестируют несколько математических активационных функций внутри этой схемы взвешивания и обнаруживают, что, хотя их формы отличаются в деталях, общий выигрыш в основном обусловлен целенаправленным поиском, а не выбором конкретной функции.

Применение метода к метро-тоннелям

Чтобы показать, что TS-GL — это не просто теоретическая идея, исследователи применяют ее к реальной инженерной задаче: поведению сцепления (bond-slip) между стальными болтами и бетоном в стыках тоннелей метро. Если длина анкеровки слишком мала или соединение деградирует, болты могут проскальзывать и позволять сегментам тоннеля немного расходиться, открывая пути для протечек воды и деформаций. Команда сравнивает TS-GL с ранними методами активного обучения на базе гауссовских процессов и с классическим методом Монте-Карло. Для одинаковой точности в прогнозе хвоста распределения сдвига TS-GL требует примерно в четыре раза меньше дорогостоящих запусков модели по сравнению с методом обучения по обеим сторонам и примерно на три порядка меньших общих вычислительных затрат, чем грубая имитация.

Что это значит для реальной безопасности

Проще говоря, TS-GL дает инженерам более быстрое и точное средство для выявления редкого, но опасного поведения в сложных конструкциях. Вместо того чтобы тратить большую часть вычислений на обычные, предсказуемые случаи, метод автоматически концентрирует внимание на той небольшой части возможностей, где притаились отказы. Он предоставляет обоснованные оценки вероятности экстремальных сдвигов, напряжений или деформаций, одновременно сохраняя вычислительные затраты приемлемыми для крупных нелинейных моделей. По мере накопления мониторинговых данных от тоннелей, мостов или ветроустановок TS-GL можно будет использовать для обновления оценок риска практически в реальном времени, помогая операторам перейти от реакции на отказы после их появления к предвидению и предотвращению таких событий заранее.

Цитирование: Wang, Y., Huang, Y., Huang, Y. et al. Enhanced active learning Gaussian process metamodel for estimating the one-sided tail probability of nonlinear structural response. Sci Rep 16, 8832 (2026). https://doi.org/10.1038/s41598-026-37630-8

Ключевые слова: надежность сооружений, экстремальные события, гауссовский процесс, метро-тоннели, хвостовая вероятность