Artificial neural network based inverse reliability analysis

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26110%2F10%3APU90943" target="_blank" >RIV/00216305:26110/10:PU90943 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Artificial neural network based inverse reliability analysis

Popis výsledku v původním jazyce

An inverse reliability analysis is the problem to find design parameters corresponding to specified reliability levels expressed by reliability index or by theoretical failure probability. Design parameters can be deterministic or they can be associatedto random variables described by statistical moments. The aim is to solve generally not only the single design parameter case but also the multiple parameter problems with given multiple reliability constraints. A new general approach of inverse reliability analysis is proposed. The inverse analysis is based on the coupling of a stochastic simulation of Monte Carlo type and an artificial neural network. A novelty of the approach is the utilization of the efficient small-sample simulation method Latin Hypercube Sampling used for the stochastic preparation of the training set.

Název v anglickém jazyce

Artificial neural network based inverse reliability analysis

Popis výsledku anglicky

An inverse reliability analysis is the problem to find design parameters corresponding to specified reliability levels expressed by reliability index or by theoretical failure probability. Design parameters can be deterministic or they can be associatedto random variables described by statistical moments. The aim is to solve generally not only the single design parameter case but also the multiple parameter problems with given multiple reliability constraints. A new general approach of inverse reliability analysis is proposed. The inverse analysis is based on the coupling of a stochastic simulation of Monte Carlo type and an artificial neural network. A novelty of the approach is the utilization of the efficient small-sample simulation method Latin Hypercube Sampling used for the stochastic preparation of the training set.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JM - Inženýrské stavitelství

OECD FORD obor

—

Projekt

<a href="/cs/project/7D08004" target="_blank" >7D08004: Risk based Performance Prediction and Lifetime Assessment of Concrete Structures</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2010

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Proceedings in Applied Mathematics and Mechanics

ISSN

1617-7061

e-ISSN

—

Svazek periodika

1

Číslo periodika v rámci svazku

10

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

2

Strana od-do

—

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—