基于主动学习PC-Kriging模型的复杂结构可靠性分析方法.pdf

汽车工程

2025年（第47卷）第2期AutomotiveEngineering2025（Vol.47）No.2

doi：10.19562/j.chinasae.qcgc.2025.02.019

基于主动学习PC-Kriging模型的复杂结构

可靠性分析方法*

陈吉清1，2，张钰奇1，2，兰凤崇1，2，周云郊1，2，王俊峰1，2

（1.华南理工大学机械与汽车工程学院，广州510640；2.广东省汽车工程重点实验室，广州510640）

［摘要］对于复杂结构可靠性设计中多维设计变量和隐式非线性响应的问题，构造准确的代理模型是一种有

效的解决方法。然而，基于预设样本量的试验设计来构建代理模型，可能面临效率低下或准确性不足的挑战。为

此，提出一种主动学习PC-Kriging模型的可靠性分析方法，结合多项式混沌展开增强全局近似精度以及Kriging捕捉

局部特征的优点，利用主动学习策略，自适应地选择最佳样本点，最大程度减少训练样本量，即减少结构性能分析的

计算成本，提高分析效率。进一步构建主动学习PC-Kriging模型驱动的多软件协同设计框架，对前、后处理软件进

行二次开发，实现参数化建模、性能分析和后处理的无缝连接，形成一套自动化分析流程。最后，以电池包结构为例

进行可靠性分析，验证本文方法的高效性和准确性。

关键词：结构可靠性分析；主动学习；代理模型；PC-Kriging；多软件协同

ReliabilityAnalysisMethodofComplexStructuresBasedonActiveLearning

PC-KrigingModel

ChenJiqing1，2，ZhangYuqi1，2，LanFengchong1，2，ZhouYunjiao1，2WangJunfeng1，2

1.SchoolofMechanicalAutomotiveEngineering，SouthChinaUniversityofTechnology，Guangzhou510640；

2.GuangdongProvinceKeyLaboratoryofAutomotive，Guangzhou510640

［Abstract］Constructingaccuratesurrogatemodelsisaneffectivesolutiontoaddressingtheproblemof

multi-dimensionaldesignvariablesandimplicitnonlinearresponsesinthereliabilitydesignofcomplexstructures.

However，usingexperimentdesignbasedonapredeterminedsamplesizetoconstructsurrogatemodelsmayface

challengesofinefficiencyorinsufficientaccuracy.Therefore，anactivelearningPC-Krigingmodelforreliability

analysisisproposed，whichcombinestheadvantages