Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.creator | Barbosa, Anderson Henrique | - |
Autor(es): dc.creator | Freitas, Marcílio Sousa da Rocha | - |
Autor(es): dc.creator | Neves, Francisco de Assis das | - |
Data de aceite: dc.date.accessioned | 2019-11-06T13:26:01Z | - |
Data de disponibilização: dc.date.available | 2019-11-06T13:26:01Z | - |
Data de envio: dc.date.issued | 2013-01-28 | - |
Data de envio: dc.date.issued | 2013-01-28 | - |
Data de envio: dc.date.issued | 2005 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/123456789/2072 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/555265 | - |
Descrição: dc.description | A análise de confiabilidade estrutural em geral, por envolver um grande número de variáveis aleatórias ou exigir uma grande quantidade de simulações, se depara com a questão do custo computacional. Duas técnicas utilizadas para essa avaliação são o método de simulação de Monte Carlo e os métodos analíticos do tipo FORM/SORM. Os métodos analíticos FORM e SORM podem apresentar problema de precisão no cálculo da probabilidade de falha. Em relação ao método de Monte Carlo, embora sejam de fácil implementação e absolutamente geral, o grande número de simulações pode exigir um tempo de processamento elevado, o que pode tornar sua aplicação inviável. Nesse trabalho, foi utilizada uma rede neural treinada para substituir a solução do problema estrutural necessário a cada simulação de Monte Carlo, com o objetivo de reduzir o custo computacional requerido na análise. As aplicações realizadas proporcionaram bons resultados, com baixo custo computacional, o que atesta a viabilidade de sua aplicação. ____________________________________________________________________________________________________ | - |
Descrição: dc.description | Abstract: Structural reliability analysis due to the great number of random variables or large number of simulations needed may result in a high computational cost. Two techniques largely used for structural reliability assess are Monte Carlo Simulation and the analytic methods FORM/SORM. These may present some inaccuracy in the assessment of the probability of failure. The Monte Carlo Method is easy to implement and absolutely general, but the great number of required simulations may result in high computational cost making the application impracticable. This work used a trained neural network to substitute the structural analysis needed for each Monte Carlo Simulation, in order to reduce the computational cost. The applications produced good results with low computational cost, certifying its application viability. | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Autorização concedida ao Repositório Institucional da UFOP pela Revista Escola de Minas em 12/09/2013 para depositar uma cópia eletrônica dos artigos publicados por esse periódico em que ao menos um dos autores é aluno ou professor da UFOP. | - |
Palavras-chave: dc.subject | Confiabilidade estrutural | - |
Palavras-chave: dc.subject | Redes neurais | - |
Palavras-chave: dc.subject | Método de Monte Carlo | - |
Palavras-chave: dc.subject | Monte Carlo Method | - |
Palavras-chave: dc.subject | Neural Networks | - |
Palavras-chave: dc.subject | Structural reliability | - |
Título: dc.title | Confiabilidade estrutural utilizando o método de Monte Carlo e redes neurais | - |
Aparece nas coleções: | Repositório Institucional - UFOP |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: