Προχωρημένες μέθοδοι προσομοίωσης στοχαστικών πεπερασμένων στοιχείων και αξιοπιστίας των κατασκευών

Περίληψη

Στα πλαίσια της παρούσας διδακτορικής διατριβής, για την αντιμετώπιση του υπολογιστικού κόστους που έχει η μέθοδος προσομοίωσης Monte Carlo, αναπτύχθηκαν αρχικά δύο μεθοδολογίες για τον υπολογισμό της πιθανότητας αστοχίας ενός στοχαστικού συστήματος. Στην πρώτη μεθοδολογία τα τεχνητά νευρωνικά δίκτυα χρησιμοποιούνται στο πλαίσιο της μεθόδου των υποσυνόλων ενώ στη δεύτερη μέθοδο τα νευρωνικά δίκτυα χρησιμοποιούνται στο πλαίσιο της μεθόδου Monte Carlo. Οι δύο αυτές μέθοδοι είχαν ως αποτέλεσμα τη μείωση του υπολογιστικού κόστους τόσο της μεθόδου των υποσυνόλων όσο και της Monte Carlo. Στη συνέχεια πραγματοποιήθηκε μία προσαρμοστική διατύπωση της μεθόδου των φασματικών πεπερασμένων με μεθόδους Galerkin χρησιμοποιώντας τη μέθοδο διακύμανσης της απόκρισης (Variability response function) για τη χωρική κατανομή των όρων της Karhunen-Loeve στοιχείων η οποία βελτιώνει την υπολογιστική απόδοση της μεθόδου. Η μέθοδος αυτή οδηγεί σε μείωση της πυκνότητας των διευρυμένων μητρώων η οποία με τη χρήση ...
περισσότερα

Περίληψη σε άλλη γλώσσα

This thesis presents a series of methodologies that have been implemented in the framework of SFEM and reliability analysis in order to reduce the computational effort involved .The first methodology is a neural network-based subset simulation in which neural networks are trained and then used as robust meta-models in order to increase the efficiency of subset simulation with a minimum additional computational effort. In the second methodology neural networks are used in the framework of MCS for computing the reliability of stochastic structural systems, fields, by providing robust neural network estimates of the structural response. The third methodology consists of constructing an adaptive sparse polynomial chaos (PC) expansion of the response of stochastic systems in the framework of spectral stochastic finite element method (SSFEM). The proposed methodology utilizes the concept of variability response function (VRF) in order to compute an a priori low cost estimation of the spatial ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/38408
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/38408
ND
38408
Εναλλακτικός τίτλος
Advanced stochastic finite element simulations and reliability analysis
Συγγραφέας
Γιοβάνης, Δημήτριος του Γεώργιος
Ημερομηνία
2014
Ίδρυμα
Εθνικό Μετσόβιο Πολυτεχνείο (ΕΜΠ). Σχολή Πολιτικών Μηχανικών. Τομέας Στατικής και Αντισεισμικών Ερευνών
Εξεταστική επιτροπή
Παπαδόπουλος Βησσαρίων
Παπαδρακάκης Εμμανουήλ
Τρέζος Κωνσταντίνος
Δεοδάτης Γεώργιος
Κουτσογιάννης Δημήτρης
Παπαδημητρίου Κωνσταντίνος
Βαμβάτσικος Δημήτρης
Επιστημονικό πεδίο
Επιστήμες Μηχανικού και ΤεχνολογίαΕπιστήμη Πολιτικού Μηχανικού
Λέξεις-κλειδιά
Νευρωνικά δίκτυα; Μέθοδος υποσυνόλων; Μέθοδος φασματικών πεπερασμένων στοιχείων; Εκτίμηση αξιοπιστίας κατασκευών; Μέθοδος προσομοίωσης Monte Carlo
Χώρα
Ελλάδα
Γλώσσα
Αγγλικά
Άλλα στοιχεία
202 σ., πιν., σχημ., γραφ., ευρ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)