skip to Main Content
تجزیه و تحلیل قابلیت اطمینان با شبیه سازی مونت کارلو و پیش بینی های کریگینگ (Kriging) وابسته ​

تجزیه و تحلیل قابلیت اطمینان با شبیه سازی مونت کارلو و پیش بینی های کریگینگ (Kriging) وابسته ​

عنوان انگلیسی: Reliability Analysis With Monte Carlo Simulation and Dependent Kriging Predictions
سال نشر: ۲۰۱۶
نویسنده: Zhifu Zhu,Xiaoping Du
تعداد صفحه فارسی: ۱۹ – تعداد صفحه انگلیسی: ۱۱
دانشگاه: Department of Mechanicaland Aerospace Engineering,Missouri University of Science and Technology,258A Toomey Hall,400 West 13th Street,Rolla, MO 65409-0500e-mail: [email protected],ProfessorDepartment of Mechanicaland Aerospace Engineering,Missouri University of Science and Technology,272 Toomey Hall,400 West 13th Street,Rolla, MO 65409-0500e-mail: [email protected]
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی

چکیده

تحلیل قابلیت اطمینان زمان بر است و بازده بالا را می توان از طریق ادغام روش Kriging و شبیه‌سازی مونت کارلو (MCS)حفظ کرد. این MCS هزینه محاسباتی را با ایجاد یک مدل جانشین برای جایگزین کردن تابع حالت – حالت اولیه از طریق MCS کاهش می‌دهد. هدف این تحقیق بهبود بیشتر کارایی تحلیل قابلیت اطمینان با یک استراتژی جدید برای ساخت مدل جانشینی است. رویکرد اصلی مورد استفاده در این تحقیق، اصلاح (به روز رسانی)مدل جانشین توسط حسابداری برای اطلاعات کامل موجود از روش Kriging است. MCS موجود مبتنی بر Kriging موجود تنها از اطلاعات جزیی استفاده می‌کند. کارآیی بالاتر با استراتژی‌های زیر بدست می‌آید: (۱)یک فرمول جدید تعریف شده توسط انتظار احتمال شکست در تمامی نقاط نمونه MCS، (۲)استفاده از یک تابع یادگیری جدید برای انتخاب نقاط تمرین (TPs). تابع یادگیری وابستگی‌های بین پیش‌بینی‌های Kriging در همه نمونه‌های MCS را شرح می‌دهد، در نتیجه منجر به TPs موثرتر و (۳)ایجاد یک معیار هم‌گرایی جدید می‌شود. روش جدید برای توابع حالت حدی غیر خطی بسیار مناسب است که برای آن‌ها روش‌های پایایی مرتبه اول و مرتبه دوم (FORM و SORM)دقیق

Abstract

Reliability analysis is time consuming, and high efficiency could be maintained through the integration of the Kriging method and Monte Carlo simulation (MCS). This Krigingbased MCS reduces the computational cost by building a surrogate model to replace the original limit-state function through MCS. The objective of this research is to further improve the efficiency of reliability analysis with a new strategy for building the surrogate model. The major approach used in this research is to refine (update) the surrogate model by accounting for the full information available from the Kriging method. The existing Kriging-based MCS uses only partial information. Higher efficiency is achieved by the following strategies: (1) a new formulation defined by the expectation of the probability of failure at all the MCS sample points, (2) the use of a new learning function to choose training points (TPs). The learning function accounts for dependencies between Kriging predictions at all the MCS sam
۱۴۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top