الگوریتم های نمونه‌برداری مبتنی بر کریگینگ برای تخمین رویدادهای نادر

الگوریتم‌های نمونه‌گیری بسیار کارآمد برای تخمین احتمالات رخداد نادر مانند نمونه‌برداری اهمیت یا اهمیت تفکیک سازی پیشنهاد شده‌اند. حتی اگر تعداد نمونه‌های مورد نیاز برای اعمال این تکنیک‌ها نسبت به شبیه‌سازی مونت کارلو یک‌سان باشد، اغلب اجرای آن‌ها بر روی کدهای شبیه‌سازی زمان گیر دشوار است. استفاده مشترک از تکنیک‌های نمونه‌برداری و مدل‌های جانشین ممکن است در نتیجه مورد استفاده قرار گیرند. در این مقاله , ما یک روش نمونه‌برداری مهم مبتنی بر کریگینگ برای تخمین احتمال رخداد رویداد نادر را توسعه می‌دهیم . این نوآوری در استفاده از نمونه‌گیری اهمیت انطباقی و در نتیجه توانایی تخمین احتمالات رخداد بسیار نادر (کم‌تر از ۱۰ ۳)که در کارهای قبلی در موضوعات مشابه در نظر گرفته نشده است، وجود دارد. خواص آماری کریگینگ همچنین امکان محاسبه یک معیار اعتماد برای برآورد حاصل را فراهم می‌کند . نتایج حاصل از هر دو حالت آزمایش تحلیلی و مهندسی، کارایی روش را از لحاظ دقت و تعداد کم نمونه‌ها نشان می‌دهند.

Very efficient sampling algorithms have been proposed to estimate rare event probabilities, such as Importance Sampling or Importance Splitting. Even if the number of samples required to apply these techniques is relatively low compared to Monte-Carlo simulations of same efficiency, it is often difficult to implement them on time-consuming simulation codes. A joint use of sampling techniques and surrogate models may thus be of use. In this article, we develop a Kriging-based adaptive Importance Sampling approach for rare event probability estimation. The novelty resides in the use of adaptive Importance Sampling and consequently the ability to estimate very rare event probabilities (lower than 10 −۳ ) that have not been considered in previous work on similar subjects. The statistical properties of Kriging also make it possible to compute a confidence measure for the resulting estimation. Results on both analytical and engineering test cases show the efficiency of the approach in terms