机器学习替代模型中的不确定性计量：高斯-赫尔米特求积可靠性分析方法
机器学习
2025-09-24 v1
摘要
机器学习替代模型日益用于取代昂贵的物理基可靠性分析模型。然而，其使用会引入来自模型逼近误差的认识不确定性，这会与模型输入中的随机不确定性耦合，可能损害可靠性预测的准确性。本研究提出了一种高斯-赫尔米特求积方法，用于解耦这些嵌套不确定性，实现更准确的可靠性分析。该方法利用第一阶和第二阶可靠性方法评估随机不确定性下的条件失效概率，然后对认识不确定性的实现情况进行积分。三个案例示例表明，所提方法在保持计算效率的同时，比忽略模型不确定性的传统方法生成更可信的预测。
引用
@article{arxiv.2509.18128,
title = {Accounting for Uncertainty in Machine Learning Surrogates: A Gauss-Hermite Quadrature Approach to Reliability Analysis},
author = {Amirreza Tootchi and Xiaoping Du},
journal= {arXiv preprint arXiv:2509.18128},
year = {2025}
}