skip to Main Content
تجزیه و تحلیل قابلیت اطمینان وابسته به زمان با استفاده از مدل بارگیری وین ARMA

تجزیه و تحلیل قابلیت اطمینان وابسته به زمان با استفاده از مدل بارگیری وین ARMA

عنوان انگلیسی: Time-Dependent Reliability Analysis Using a Vine-ARMA Load Model
سال نشر: ۲۰۱۶
نویسنده: Zhen Hu,Sankaran Mahadevan
تعداد صفحه فارسی: ۲۱ – تعداد صفحه انگلیسی: ۱۲
دانشگاه: Department of Civil and Environmental Engineering, Vanderbilt University, 279 Jacobs Hall, Nashville, TN 37235e-mail: [email protected],Department of Civil and Environmental Engineering, Vanderbilt University, 272 Jacobs Hall, Nashville, TN 37235e-mail: [email protected]
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی

چکیده

یک استراتژی مشترک برای مدل سازی بارهای تصادفی در تحلیل پایایی وابسته به زمان، توصیف بارها به عنوان فرآیندهای تصادفی گاوسی است. این فرض برای بسیاری از برنامه های کاربردی مهندسی انجام نمی شود. این مقاله پیشنهاد می کند مدل بار متوسط – خودگردان – حرکت می کند (Vine-ARMA) برای تحلیل قابلیت اطمینان وابسته به زمان در مشکلات با یک بردار بارهای تصادفی غیر غایی گسسته. فرآیندهای تصادفی حاشیه ای به عنوان مدل های ARMA یک بعدی مدل سازی می شوند. همبستگی بین مدل های مختلف ARMA مختلف با استفاده از Vine coula گرفته می شود. مدل ARMA در طول زمان همبستگی را حفظ می کند. مخلوط Vine نشان دهنده ی همبستگی بین مدل های ARMA مختلف و همچنین وابستگی دم از مدل های ARMA مختلف است. بنابراین، مدل Vine-ARMA توسعه یافته می تواند به طور انعطاف پذیری یک بردار از فرآیند تصادفی غایی گاو نر را با توجه به وابستگی دم مدل کند. با توجه به ساختار پیچیده مدل Vine-ARMA، چالش های جدید در تحلیل پایایی وابسته به زمان معرفی می شوند. به منظور غلبه بر این چالش ها، مدل Vine-ARMA با روش مدل سازی جایگزین کریگینگ تک حلقه (SILK) یکپارچه شده است

Abstract

A common strategy for the modeling of stochastic loads in time-dependent reliability analysis is to describe the loads as independent Gaussian stochastic processes. This assumption does not hold for many engineering applications. This paper proposes a Vine-autoregressive-moving average (Vine-ARMA) load model for time-dependent reliability analysis, in problems with a vector of correlated non-Gaussian stochastic loads. The marginal stochastic processes are modeled as univariate ARMA models. The correlations among different univariate ARMA models are captured using the Vine copula. The ARMA model maintains the correlation over time. The Vine copula represents not only the correlation among different ARMA models but also the tail dependence of different ARMA models. Therefore, the developed Vine-ARMA model can flexibly model a vector of high-dimensional correlated non-Gaussian stochastic processes with the consideration of tail dependence. Due to the complicated structure of the Vine-ARMA
۱۵۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top