Анализ надежности в модели «нагрузка‑прочность» по рекордным значениям с практической верификацией

Почему побитые рекорды важны для повседневной надежности

От деталей самолётов и спортивных результатов до загрязнения городского воздуха — мы постоянно задаём один и тот же вопрос: насколько вероятно, что система выдержит предъявляемые к ней требования? Статистика фиксирует это через показатель «нагрузка–прочность»: вероятность того, что прочность детали превышает действующую на неё нагрузку. В этой работе разработаны новые инструменты для оценки этой вероятности в ситуациях, где решающее значение имеют редкие экстремальные события, используя только наиболее экстремальные наблюдения — рекордные значения — вместо полного набора данных.

Сравнение нагрузки и прочности в реальном мире

В представлении надежности «нагрузка» означает воздействие на систему — например, турбулентность на крыле или скачки загрязнения воздуха, а «прочность» отражает способность системы справляться с этим воздействием. Ключевая величина — вероятность того, что прочность превышает нагрузку. Многие современные наборы данных, особенно связанные с экстремумами, имеют длинные хвосты: большинство значений умеренные, но некоторые крайне большие. Авторы моделируют и нагрузку, и прочность с помощью гибкого длиннохвостого распределения, называемого инвертированной экспоненцированной Парето. Такой выбор облегчает описание редких, но существенных экстремумов, приводящих к отказу.

Как извлечь максимум из рекордных наблюдений

Вместо использования всех наблюдений исследование сосредоточено на верхних рекордных значениях: последовательности новых максимумов в ряду измерений. Они естественны в таких областях, как климатология, финансы или спорт, где новые «рекорды» привлекают внимание и порой являются единственным сохранённым материалом. Авторы сначала выводят простую формулу для надежности, зависящую только от двух параметров формы, описывающих распределения нагрузки и прочности. Затем они строят «классические» оценки этих параметров методом максимального правдоподобия, адаптированным к рекордным данным, и получают оценку вероятности того, что прочность превосходит нагрузку, а также приближённые границы погрешности.

Сочетание классического и баесовского подходов к неопределённости

Помимо классических оценок, в статье разработано семейство баесовских методов, которые явно комбинируют данные с априорными представлениями о неизвестных параметрах. Авторы рассматривают как неинформативные априоры, отражающие слабое предварительное знание, так и информативные априоры, настроенные с учётом прошлого опыта. Они также изучают разные способы штрафования переоценки и недооценки через несколько «функций потерь», включая сбалансированную квадратичную ошибку и две несимметричные альтернативы, где ошибки в одном направлении считаются более дорогостоящими. Поскольку итоговая математика сложна, применяется моделирование методом Марковских цепей Монте-Карло — Gibbs‑выборка и Metropolis–Hastings — чтобы симулировать из базовой вероятностной модели и аппроксимировать требуемые оценки надежности и доверительные интервалы.

Тестирование методов через моделирование и реальные данные

Чтобы оценить работоспособность подходов, авторы проводят обширные компьютерные эксперименты. Они генерируют искусственные наборы рекордных данных при известных условиях и сравнивают, насколько близко разные методы подходят к истинной надежности. Анализируется не только средняя точность, но и устойчивость оценок, а также ширина и покрытие интервальных оценок. В ряде сценариев баесовские оценки при сбалансированной квадратичной ошибке оказываются точнее как классических оценок, так и баесовских оценок с несимметричными функциями потерь. Работа также сравнивает несколько типов интервальных оценок, включая бутстрэп‑интервалы и баесовские интервалы наивысшей апостериорной плотности. В целом перцентильные бутстрэп‑интервалы превосходят более сложный бутстрэп‑t подход, в то время как баесовские интервалы — особенно при информативных априорах — обычно короче, но при этом чаще включают истинную надежность.

От голов в футболе до экстремумов загрязнения воздуха

Затем авторы применяют свои методы к двум реальным наборам данных. Первый фиксирует минуты первого гола в матчах Лиги чемпионов УЕФА в двух сезонах, сравнивая игры первого и второго матча двух встреч. Здесь роли «нагрузки» и «прочности» помогают охарактеризовать, у какой стороны чаще происходят ранние прорывы. Второй набор охватывает ежемесячные концентрации диоксида серы в Лонг‑Бич, Калифорния, почти за два десятилетия, сравнивая весенние и позднелетние уровни. В обоих случаях модель инвертированной экспоненцированной Парето лучше описывает асимметричные, длиннохвостые данные по сравнению с несколькими альтернативными распределениями. Используя только верхние рекорды, извлечённые из этих наборов, баесовские методы снова дают более стабильные оценки надежности по сравнению с классическими, что согласуется с результатами моделирования.

Что это означает для оценки надежности

Для широкой аудитории главный вывод таков: статья предлагает обоснованный способ количественной оценки «насколько безопасно достаточно», когда доступны только экстремальные рекордные значения и поведение системы имеет длинные хвосты. Тщательно моделируя и нагрузку, и прочность с помощью гибкого распределения и применяя современное баесовское вычисление, авторы показывают, что можно получить надёжные вероятности выживания или отказа вместе с реалистичными интервалами неопределённости даже при относительно скудных данных. Их результаты указывают на то, что в таких ситуациях баесовские подходы со сбалансированным учётом ошибок дают наиболее достоверные ответы, а предложенные идеи применимы в различных областях — от инженерных компонентов до спортивной статистики и экологических рисков — где экстремумы имеют решающее значение.

Цитирование: Hassan, A.S., Alballa, T., Alshawarbeh, E. et al. Reliability analysis in stress-strength model under record values with practical verification. Sci Rep 16, 14460 (2026). https://doi.org/10.1038/s41598-026-39638-6

Ключевые слова: надежность нагрузка‑прочность, рекордные значения, баесовская оценка, данные с тяжелыми хвостами, инженерная надежность