Utilization of artificial neural networks for global sensitivity analysis of model output

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26110%2F19%3APU131736" target="_blank" >RIV/00216305:26110/19:PU131736 - isvavai.cz</a>

Výsledek na webu

<a href="https://aip.scitation.org/doi/abs/10.1063/1.5114107" target="_blank" >https://aip.scitation.org/doi/abs/10.1063/1.5114107</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1063/1.5114108" target="_blank" >10.1063/1.5114108</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Utilization of artificial neural networks for global sensitivity analysis of model output

Popis výsledku v původním jazyce

The paper deals with the application of artificial neural networks to sensitivity measurement of the output quantity to the variability of input quantities. The original nonlinear FEM model calculates ultimate load-bearing capacity of a T-shaped prestressed concrete roof girder. Latin hypercube sampling algorithm is used to generate samples of input variables. The global Sobol sensitivity analysis is proposed to understand the effect of the input variability on the quantity of interest. The outputs of the Sobol sensitivity analysis are verified by subsequent two sensitivity analyses. The first studies show that artificial neural networks are very promising for effective evaluation of global sensitivity analysis. Artificial neural networks do not eliminate mutual interaction among input quantities; it is a very important piece of knowledge connected with maintaining the satisfactory accurateness of the reliability computation.

Název v anglickém jazyce

Utilization of artificial neural networks for global sensitivity analysis of model output

Popis výsledku anglicky

The paper deals with the application of artificial neural networks to sensitivity measurement of the output quantity to the variability of input quantities. The original nonlinear FEM model calculates ultimate load-bearing capacity of a T-shaped prestressed concrete roof girder. Latin hypercube sampling algorithm is used to generate samples of input variables. The global Sobol sensitivity analysis is proposed to understand the effect of the input variability on the quantity of interest. The outputs of the Sobol sensitivity analysis are verified by subsequent two sensitivity analyses. The first studies show that artificial neural networks are very promising for effective evaluation of global sensitivity analysis. Artificial neural networks do not eliminate mutual interaction among input quantities; it is a very important piece of knowledge connected with maintaining the satisfactory accurateness of the reliability computation.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20101 - Civil engineering

Projekt

<a href="/cs/project/GA17-02862S" target="_blank" >GA17-02862S: Pravděpodobnostní modelování a optimalizace smykové únosnosti betonových nosníků (PROMOSS)</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

AIP Conference Proceedings

ISBN

978-0-7354-1854-7

ISSN

0094-243X

e-ISSN

—

Počet stran výsledku

4

Strana od-do

„120005-1“-„120005-4“

Název nakladatele

American Institute of Physics Inc.

Místo vydání

MELVILLE, USA

Místo konání akce

Ixia, Rhodes

Datum konání akce

13. 9. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000521108600119