Como uno de los componentes clave de un motor a reacción, el blisk de la turbina soporta cargas de acoplamiento complejas en un entorno operativo severo, por lo que la fiabilidad del blisk de la turbina influye directamente en la operación segura del motor a reacción. Es urgente realizar una estimación precisa de la fiabilidad de una estructura blisk compleja. Para abordar este problema, se propone un marco mejorado de red neuronal en movimiento (MNNF) integrando la teoría de región de soporte compacto, el algoritmo de optimización de ternas sucias mejorado (ISTOA) y la estrategia de regularización bayesiana en una red neuronal artificial. La teoría de región de soporte compacto se aplica para seleccionar las muestras eficientes para el modelado del conjunto de muestras de entrenamiento, el ISTOA se utiliza para determinar la región de soporte compacto óptima, y el pensamiento de regularización bayesiana se utiliza para mejorar la capacidad de generalización del modelo de red neuronal. La evaluación de la fiabilidad operativa del blisk del motor a reacción se realiza considerando cargas transitorias para verificar el método MNNF propuesto. Se muestra que el grado de fiabilidad del blisk de la turbina es 0.9984 cuando el valor permitido es 5.2862 x 10 m. En comparación con otros métodos, el enfoque MNNF desarrollado tiene 0.99738 en error cuadrático medio, 3.1634 x 10 m en bondad de ajuste, 0.423 s en tiempo de modelado, 99.99% en precisión de simulación y 0.496 s en tiempo de simulación bajo 10,000 simulaciones, lo que es superior a todos los demás métodos (es decir, 99.96%, 99.91%, 99.93%, 99.97% y 99.97% en precisión de simulación y 16.27%, 4.82%, 30.07%, 39.87% y 23.59% en eficiencia de simulación, para el método de superficie de respuesta (RSM), Kriging, máquina de soporte vectorial (SVM), red neuronal de retropropagación (BP-NN) y BP-NN basado en optimización por enjambre de partículas (BP-PSO), respectivamente). Se demuestra que el método MNNF tiene excelentes rendimientos de modelado y simulación. Los esfuerzos de este estudio proporcionan herramientas e ideas prometedoras para el diseño de fiabilidad de estructuras complejas y enriquecen y desarrollan la teoría de fiabilidad.