Zpřesnění aproximace funkce poruchy pomocí metody plochy odezvy založené na umělé neuronové síti v okolí návrhového bodu

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26110%2F16%3APU117710" target="_blank" >RIV/00216305:26110/16:PU117710 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Zpřesnění aproximace funkce poruchy pomocí metody plochy odezvy založené na umělé neuronové síti v okolí návrhového bodu

Popis výsledku v původním jazyce

Při spolehlivostní analýze komplexních stavebních konstrukcí je s ohledem na redukci výpočtové náročnosti analýz pro stanovení úrovně spolehlivosti často přistupováno k využití aproximačních metod. Příspěvek je zaměřen na využití metody plochy odezvy založené na umělé neuronové síti v kombinaci se simulační technikou Latin Hypercube Sampling při výpočtu ukazatelů spolehlivosti. Umělá neuronová síť je využita jako náhradní model pro aproximaci původní funkce poruchy. Efektivita je umocněna využitím stratifikované simulační metody pro výběr prvků učící množiny sítě. Umělá neuronová síť jakožto náhradní model funkce poruchy je následně použita společně s klasickou metodou Monte Carlo k výpočtu ukazatelů spolehlivosti. Představená metoda je testována při stanovení spolehlivostních ukazatelů jednoduchého rámu s nelineární funkcí poruchy. Dále je provedeno zpřesnění aproximace z oblasti okolo středních hodnot do oblasti v blízkosti návrhového bodu.

Název v anglickém jazyce

An improvement of artificial neural network-based response surface approximation nearby the design point

Popis výsledku anglicky

The reliability analysis of complex structural systems requires utilization of approximation methods for calculation of reliability measures with the view of reduction of computational efforts to an acceptable level. In the paper, an artificial neural network-based response surface method in combination with the small-sample simulation technique Latin Hypercube Sampling is presented. An artificial neural network is used as a surrogate model for approximation of original limit state function. Efficiency is emphasized by utilization of the stratified simulation method for the selection of neural network training set elements. Subsequently, the artificial neural network surrogate model is utilized in conjunction with Monte Carlo simulation method to obtain desired reliability measures. The proposed method is tested using nonlinear limit state function taken from the literature. An iterative upgrade of response surface is also tested to improve the approximation of original limit state function nearby the design point.

Druh

D - Stať ve sborníku

CEP obor

JM - Inženýrské stavitelství

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

Juniorstav 2016: Sborník abstraktů

ISBN

978-80-214-5311-1

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

1-8

Název nakladatele

Vysoké učení technické v Brně, Fakulta stavební

Místo vydání

Brno, Česká republika

Místo konání akce

Fakulta stavební, VUT v Brně

Datum konání akce

28. 1. 2016

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—