Skip navigation
Veuillez utiliser cette adresse pour citer ce document : http://repositorio.unb.br/handle/10482/48806
Fichier(s) constituant ce document :
Fichier TailleFormat 
JoaoPauloSilvaLima_TESE.pdf7,48 MBAdobe PDFVoir/Ouvrir
Titre: Bi-fidelity surrogate modeling with Subset Simulation for structural reliability assessment
Auteur(s): Lima, João Paulo Silva
Orientador(es):: Evangelista Junior, Francisco
Assunto:: Confiabilidade (Engenharia)
Redes neurais artificiais
Análise não-linear
Date de publication: 12-jui-2024
Référence bibliographique: LIMA, João Paulo Silva. Bi-fidelity surrogate modeling with Subset Simulation for structural reliability assessment. 2023. xxi, 118 f., il. Tese (Doutorado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2023.
Résumé: Esta tese apresenta um novo Modelo de Aprendizagem Multitarefa Bi-Fidelidade baseado em uma Rede Neural Profunda (BFMT-DNN) para abordar o desafio computacional da análise de confiabilidade estrutural aplicada a estruturas complexas. A principal contribuição é o desenvolvimento de um novo BFMT-DNN com hiperparâmetros otimizados, que considera as vantagens da Otimização Bayesiana, focando na precisão da previsão, estabilidade e eficiência computacional para acessar a confiabilidade de problemas não lineares elevados. Para a construção deste modelo substituto, o estudo procedeu ao longo de duas etapas preliminares. Primeiramente, é apresentado um método baseado em um modelo substituto de Krigagem Bi-fidelidade associado à Simulação de Subconjuntos para análise de confiabilidade estrutural. A eficiência do modelo Krigagem Bi-fidelidade é avaliada usando um problema de confiabilidade de painel enrijecido que demanda altos custos computacionais, como modelos estruturais não lineares de análise de Elementos Finitos. A próxima etapa propôs um modelo substituto de Rede Neural Profunda de Bi-fidelidade de dois estágios em associação com Simulação de Subconjunto para quantificar a incerteza da análise estrutural e avaliar a probabilidade de falha de eventos raros de alta dimensão. Nas duas etapas, os modelos substitutos podem reproduzir o comportamento não linear na análise da incerteza da variável, reduzindo a alta demanda computacional desses problemas. Além disso, o modelo substituto BF-DNN usou a Otimização Bayesiana para ajustar os hiperparâmetros. Os modelos de multifidelidade utilizaram amostras de dados de baixa fidelidade adicionadas ao modelo para prever respostas de alta fidelidade e, ao apresentar uma boa correlação entre as fidelidades, a avaliação do método proposto mostrou que o método multifidelidade proposto é uma boa estratégia por fornecer uma probabilidade precisa de estimativa de falha com um custo reduzido computacional. Um modelo BFMT-DNN com hiperparâmetros otimizados usando amostras de dados de baixa fidelidade adicionadas ao modelo para prever respostas de alta fidelidade para análise de colapso estrutural é apresentado na análise final. A avaliação é realizada em uma turbina eólica offshore em condições extremas e descrita usando análise não linear de Elementos Finitos para obter múltiplas saídas. Os resultados mostram que os métodos de multifidelidade propostos podem fornecer uma estimativa precisa da probabilidade de falha com menor custo computacional.
Abstract: This thesis presents a novel Bi-Fidelity Multi-task Learning Model based on a Deep Neural Network (BFMT-DNN) to address the computational challenge of structural reliability analysis applied to complex structures. The main contribution is the development of a novel hyperparameter-optimized BFMT-DNN, that considers the advantages of Bayesian Optimization, focusing on prediction accuracy, stability, and computational efficiency to accesses the reliability of high nonlinear problems. For constructing this surrogate model, the study proceeded throughout two stages before. Firstly, is presented a method based on a Bifidelity Kriging surrogate model associated with Subset Simulation for structural reliability analysis. The efficiency of the bi-fidelity Kriging model is evaluated using a stiffened panel reliability problem that demands high computational costs, such as non-linear finite element analysis structural models. The next step proposed a two-stage Bi-Fidelity Deep Neural Network surrogate model in association with Subset Simulation to quantify the uncertainty of structural analysis and assess the probability of failure of high dimensional rare events. In the two steps, the surrogate models can reproduce the non-linear behaviour in the variable's uncertainty analysis, reducing the high computational demand of these problems. Furthermore, the BF-DNN surrogate model used Bayesian optimization to fine-tunning the hyperparameters. The multi-fidelity models used low-fidelity data samples added to the model to predict high-fidelity responses, and, when presenting a good correlation between the fidelities, the assessment of the proposed method showed that the proposed Multi-fidelity Method is a good strategy because it can provide an accurate probability of failure estimation with a lower computational cost. A hyperparameter-optimized BFMT-DNN using low-fidelity data samples added to the model to predict high-fidelity responses for structural collapse behaviour framework is presented in the final analysis. The assessment is realized in an offshore wind turbine in extreme conditions and described using non-linear Finite Element analysis to obtain multiple outputs. The results show that the proposed multi-fidelity methods can give a precise failure probability estimation with less computational cost.
metadata.dc.description.unidade: Faculdade de Tecnologia (FT)
Departamento de Engenharia Civil e Ambiental (FT ENC)
Description: Tese (doutorado) — Universidade de Brasília, Programa de Pós-Graduação em Estruturas e Construção Civil, Faculdade de Tecnologia, 2023.
metadata.dc.description.ppg: Programa de Pós-Graduação em Estruturas e Construção Civil
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Collection(s) :Teses, dissertações e produtos pós-doutorado

Affichage détaillé " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/48806/statistics">



Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.