크리깅 보조 시스템 신뢰성 평가(Kriging-assisted system reliability assessment)는 광범위하게 연구되어 왔으며, 특히 능동 학습(active learning) 전략과 결합될 때 우수한 성능으로 널리 인정받고 있다. 그러나 기존의 대부분의 방법은 현재 상태의 오분류 확률(misclassification probability)에 주로 초점을 맞추고 있으며, 새로 추가되는 샘플이 실패 확률 추정에 미치는 향후의 전역(global) 영향은 간과한다. 이러한 한계를 극복하기 위해, 시스템 신뢰성 평가를 가속하기 위한 stepwise error reduction (SER)이라는 새로운 룩어헤드(look-ahead) 학습 전략을 제안한다. SER은 현재 시스템 오차(system error)와 기대되는 향후 시스템 오차(expected future system error) 사이의 차이가 가장 큰 점을 반복적으로 선택하는 것을 목표로 한다. SER 프레임워크는 세 가지 주요 구성요소로 이루어진다. 첫째, 임의의 시스템에 적용 가능한 실시간 시스템 오차 측정 방법을 개발한다. 둘째, 크리깅 업데이트 공식(Kriging update formulas)과 전체확률정리(total probability theorem)를 결합하여, 서로 다른 시스템에 대한 기대 향후 오분류 확률을 도출한다. 다음으로, 시스템 오차 정보를 활용하여 능동 학습의 두 가지 핵심 구성요소인 학습 함수(learning function)와 종료 기준(stopping criterion)을 개발한다. 셋째, 계산 효율을 더욱 향상시키기 위해 시스템 특성에 따라 후보 샘플 프루닝(candidate sample pruning) 전략을 도입한다. 제안된 방법의 성능은 세 가지 수치 예제와 하나의 실제 공학 문제를 통해 시연한다. 실험 결과는 제안된 방법이 시스템 신뢰성 평가에서 효율성과 정확성을 향상시킬 수 있음을 보여준다.

본 연구는 단일 자유도를 갖는 링크 기구(linkage)를 위한 새로운 최적화 기반 합성 프레임워크를 제시한다. 현재의 위상 최적화 기반 기구 합성 방법은 목적함수의 고도로 비선형적이며 다봉(modal)적인 특성으로 인해 종종 실행 불가능한 해를 도출한다. 이를 해결하기 위해 본 연구에서는 설계 구성요소로 이진 링크(binary links)를 사용하고, 노드 인접 행렬(node adjacency matrices)을 통해 토폴로지, 엔드 이펙터 위치, 그리고 지면 고정(ground-anchoring) 노드를 지정하여 후보 기구를 정의하는 새로운 최적화 프레임워크를 제안한다. 우리는 환원가능성(reducibility)과 동형성(isomorphism)을 고려함으로써 후보군을 무효 운동 및 무효 토폴로지에 대해 선별한다. 본 접근법은 자유도가 유효한 후보에 대해서만 전역-국소(global-local) 최적화를 수행하여, 무효 기구에 대한 탐색을 회피함으로써 실행 가능한 해를 식별할 가능성을 높인다. 첫 번째 최적화 단계에서는 전역 탐색을 수행하며, 목표 경로를 최적으로 추종하도록 링크의 토폴로지와 형상을 동시에 최적화한다. 두 번째 단계에서는 노달 좌표(nodal coordinates)를 최적화하여 링크 형상을 정밀 조정한다. 제안된 방법의 유효성은 사례 연구를 통해 검증되었으며, 최대 7개 노드로 이루어진 링크 기구를 해결할 수 있음을 보여준다.