CO

    Show

             Abstract

Abstract Details

Abstract Details


تحلیل قابلیت اعتماد‌ سازه‌ها با استفاده از ترکیب روش‌های نمونه‌برداری ابر مکعب لاتین و نمونه‌برداری نیمه طبقه‌بندی شده

Major Topic: Risk Assessment And Reliability Of Structures|تحلیل ریسک و قابلیت اعتماد سازه ها


Abstract

ارزیابی قابلیت اعتماد سازه‌ها و بررسی احتمال خرابی آن‌ها در حال حاضر از اهمیت بسیار بالایی برخوردار است به نحوی که موضوع قابلیت اعتماد امروزه در تدوین اکثر آئین‌نامه‌های طراحی مورد توجه قرار گرفته است. تا کنون روش‌های مختلفی جهت محاسبه احتمال خرابی و شاخص قابلیت اعتماد ارائه شده است که در میان‌ آن‌ها روش‌های نمونه‌برداری عموماً دارای قدرت بالا و حجم محاسباتی قابل قبول هستند. در این مقاله یک روش نمونه‌برداری جدید برمبنای ترکیب روش‌ نمونه‌برداری ابر مکعب لاتین و روش نمونه‌برداری نیمه طبقه بندی شده ارائه شده است. این روش می‌تواند نمونه‌هایی با space-filling مناسب در کل فضای طراحی تولید کند. ضمنا استفاده از آن موجب کاهش قابل توجه‌ واریانس پاسخ‌های حاصل و در نهایت افزایش دقت می‌گردد. قدرت کاهش واریانس روش پیشنهادی در دو مثال ریاضی با تعداد متغیر بالا (100 متغیر) با روش‌های پایه خود یعنی روش ابر مکعب لاتین و روش مونت کارلو مقایسه شده است. همچنین جهت بررسی کارایی این روش در محاسبه شاخص قابلیت اعتماد سازه‌ها، مثال‌های خرپا و قاب با تعداد متغیرهای مختلف ارائه شده و نشان داده است که این روش از قدرت بالایی در تخمین شاخص قابلیت اعتماد برخوردار است و می‌تواند هزینه محاسباتی مسائل سازه‌ای را به شدت کاهش دهد.

Keywords

تحلیل قابلیت اعتماد; شبیه‌سازی مونت کارلو; نمونه‌برداری طبقه‌بندی شده; نمونه‌برداری ابر مکعب لاتین


Referencrs

  1. [1] A. Kaveh, S. R. H. Vaez, P. Hosseini, and M. A. Fathali, “Heuristic operator for reliability assessment of frame structures,” Periodica Polytechnica Civil Engineering, vol. 65, no. 3, pp. 702-716, 2021.

  2. [2] M. Ilchi Ghazaan, and F. Saadatmand, "A new performance measure approach with an adaptive step length selection method hybridized with decoupled reliability-based design optimization." pp. 977-987.

  3. [3] E. T. Uzun, and E. Aktaş, “Reliability of Corroded Steel Members Subjected to Elastic Lateral Torsional Buckling,” International Journal of Steel Structures, vol. 21, no. 4, pp. 1478-1501, 2021.

  4. [4] Y. Su, S. Li, S. Liu, and Y. Fang, “Extensive second-order method for reliability analysis of complicated geotechnical structures,” European Journal of Environmental and Civil Engineering, vol. 23, no. 10, pp. 1203-1221, 2019.

  5. [5] X. Zhang, Z. Lu, K. Cheng, and Y. Wang, “A novel reliability sensitivity analysis method based on directional sampling and Monte Carlo simulation,” Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, vol. 234, no. 4, pp. 622-635, 2020.

  6. [6] S. Engelund, and R. Rackwitz, “A benchmark study on importance sampling techniques in structural reliability,” Structural safety, vol. 12, no. 4, pp. 255-276, 1993.

  7. [7] J. Xu, and C. Dang, “A novel fractional moments-based maximum entropy method for high-dimensional reliability analysis,” Applied Mathematical Modelling, vol. 75, pp. 749-768, 2019.

  8. [8] M. McKay, R. Beckman, and W. Conover, “Acomparisonof three methodsforselecting valuesofinputvariablesinthe analysisofoutputfrom acomputercode,” Technometrics, vol. 21, no. 2, pp. 239-245, 1979.

  9. [9] M. Stein, “Large sample properties of simulations using Latin hypercube sampling,” Technometrics, vol. 29, no. 2, pp. 143-151, 1987.

  10. [10] H. Zhu, L. Liu, T. Long, and L. Peng, “A novel algorithm of maximin Latin hypercube design using successive local enumeration,” Engineering Optimization, vol. 44, no. 5, pp. 551-564, 2012.

  11. [11] M. D. Shields, and J. Zhang, “The generalization of Latin hypercube sampling,” Reliability Engineering & System Safety, vol. 148, pp. 96-108, 2016.

Copyright © 2017, Accepted in 13ICCE Conference

Top