Professional Documents
Culture Documents
So Carlos, 2014
VERSO CORRIGIDA
A verso original encontra-se na Escola de Engenharia de So Carlos
So Carlos, 2014
AGRADECIMENTOS
Agradeo primeiramente a Deus pela sabedoria dada, necessria para a concluso de
mais esta etapa. Aos meus pais Ccera e Jos Roberto, por todo o apoio e dedicao durante
esta caminhada. minha tia Luzia, por ser to presente e preocupada. A toda minha famlia,
pelo apoio incondicional, mesmo nos momentos difceis. minha namorada Hlia, que
apesar de minha ausncia e distncia se mostrou companheira pelo incentivo e dedicao para
que esse trabalho pudesse ser concludo com xito.
Ao professor Andr Beck, pelos ensinamentos, incentivo e disponibilidade,
fundamentais no desenvolvimento deste trabalho. Aos professores Rodrigo Ribeiro Paccola e
Edson Denner Leonel, pelos bons comentrios durante o exame de qualificao e pela
disponibilidade. Ao professor Wellison Gomes, pela disponibilidade em sanar algumas
dvidas e pelas sugestes dadas. banca examinadora formada pelos professores Rafael
Holdorf Lopez e Marcelo Areias Trindade pelas sugestes dadas durante a defesa.
Aos Amigos do Departamento de Engenharia de Estruturas da Escola de Engenharia de
So Carlos, pelos bons momentos vividos na cidade de So Carlos. Aos amigos da Repblica
Alagoas, Cleilson Bernardino, Emerson Accio, Gregrio Felipe, Marcell Gustavo,
Nichollas e Ricardo Sampaio por esse tempo de partilha e convivncia. Aos amigos Andr
Vieira, Carlinhos Moreira, Arthur lax, Pablo Augusto, Rafael Nio, Srgio Callejas, Hugo
Oliveira, Matheus Fernandes, Fernando Vecchio, Elias Testoni, Laurenn Borges e Henrique
Kroetz. banda cigana que de maneira geral alegrou os churrascos nas repblicas So
Carlenses.
Aos professores e amigos do departamento de Fsica da Universidade Federal de
Alagoas, Tssius Maciel, Eliel Gomes, Jos Maria, Tlio Amncio, Eduardo Macena,
professor Carlos Jacinto e professora Maria Tereza. Aos amigos e professores do Centro de
Tecnologia (CTEC) da Universidade Federal de Alagoas, do Laboratrio de Computao
Cientfica e Visualizao (LCCV) e do Programa de Formao de Recursos Humanos da ANP
(PRH-40), em especial ao Heleno Pontes, Yna Almeida e ao Lucas Gouveia.
E a tantos outros que no cabem em apenas uma folha.
Ao CNPq pelo auxilio financeiro.
Ketson Roberto
RESUMO
SANTOS, K. R. M. Tcnicas de amostragem inteligente em simulao de Monte Carlo.
Dissertao (Mestrado Engenharia de Estruturas), 2014 Escola de Engenharia de So
Carlos, Universidade de So Paulo, So Paulo, 2014.
A confiabilidade de estruturas apresenta slidos desenvolvimentos tericos e crescentes
aplicaes prticas. Durante os ltimos anos, avanos significativos foram obtidos em termos
dos mtodos de transformao (FORM, SORM), bem como em termos das tcnicas de
simulao de Monte Carlo. Mtodos de transformao se mostraram eficientes para
problemas de dimenses e nolinearidades moderadas. J tcnicas de simulao sempre
permitiram a soluo de problemas de grandes dimenses e fortemente no lineares, embora o
custo computacional possa ser uma sria limitao. Com o avano da capacidade de
processamento dos computadores e com o desenvolvimento de tcnicas de amostragem
inteligente, a simulao de Monte Carlo passa a ser cada vez mais vivel. Este trabalho tem
por objetivo estudar e programar em computador tcnicas de amostragem inteligente em
simulao de Monte Carlo. O StRAnD um programa de computador que j possui
implementadas as tcnicas de simulao de Monte Carlo Bruto e com Amostragem por
Importncia, ambas utilizando a Amostragem Simples na gerao das variveis bsicas.
Assim, so adicionadas, ao StRAnD, as tcnicas de Amostragem Assinttica, Amostragem
Melhorada e Simulao de Subconjuntos. Alm disso, so programadas as tcnicas de
Amostragem por Hipercubo Latino e Amostragem por Variveis Antitticas. Nesta
dissertao, so analisados seis problemas distintos, de forma que as vantagens e
desvantagens de cada tcnica sejam avaliadas, em termos da probabilidade de falha, do
coeficiente de variao da probabilidade de falha, do erro relativo da probabilidade de falha e
do tempo de processamento.
Palavras-chave: Confiabilidade de Estruturas, Mtodo de Monte Carlo, Amostragem
Inteligente.
ABSTRACT
SANTOS, K. R. M. Intelligent sampling techniques in Monte Carlo simulation.
Dissertation (Master Structural Engineering), 2014 So Carlos School of Engineering,
University of So Paulo, So Paulo, 2014.
The structural reliability presents solid theoretical developments and increasing practical
applications. During the past few years, significant advances were achieved in terms of
transformation methods (FORM and SORM), as well as, in terms of Monte Carlo Simulation.
Transformation methods are effective in problems with moderate dimensions and moderate
nonlinearities. On the other hand, simulation techniques can be used to solve highdimensional problems and highly nonlinear problems, although the computational cost could
be a serious limitation. With the progress of computer processing capacity and with the
development of intelligent sampling techniques, the Monte Carlo Simulation becomes
increasingly feasible. This work aims to study and program intelligent sampling techniques in
Monte Carlo simulation. The StRAnD (Structural Reliability Analysis and Design) software
already has Crude Monte Carlo and Importance Sampling Monte Carlo, both using Simple
Sampling as basic samples generator. Thus, the Asymptotic Sampling technique, the
Enhanced Sampling technique and the Subset Simulation were added to the software.
Moreover, the Latin Hypercube Sampling technique and the Antithetic Variates techniques
were also added to the software. Six problems were evaluated in order to evaluate the
advantages and disadvantages of each technique, in terms of probability of failure, coefficient
of variation of the probability of failure, relative error and processing time.
Keywords: Structural Reliability, Monte Carlo method, Intelligent Sampling.
LISTA DE FIGURAS
Figura 1. Equao de estado limite e domnios de falha e segurana (BECK, 2012). ................ 52
Figura 2. Teste de uniformidade: a) i=1.000 e b) i=10.000 ( esquerda). ................................... 63
Figura 3. Gerador:
Figura 4. Gerador:
Figura 5. Gerador:
Figura 9. Gerao de nmeros aleatrios com distribuio prescrita (BECK, 2012). ................ 67
Figura 10. Grfico de convergncia da probabilidade de falha pela simulao do Monte Carlo Bruto,
no Exemplo 1. ............................................................................................................................. 71
Figura 11. Amostragem estratificada (HURTADO; BARBAT, 1998). ...................................... 73
Figura 12. Amostragem por hipercubo latino (HURTADO; BARBAT, 1998). ......................... 73
Figura 13. Hipercubo Latino para duas variveis e cinco realizaes (OLSSON; SANDEBERG;
DAHLBLOM, 2003). .................................................................................................................. 74
Figura 14. Histograma de frequncia na a) Amostragem Simples, b) Amostragem por Variveis
Antitticas e c) Amostragem por Hipercubo Latino. .................................................................. 75
Figura 15. Comparativo da convergncia do Monte Carlo Bruto com a Amostragem por Importncia,
no Exemplo 1. ............................................................................................................................. 77
Figura 16. Convergncia do Monte Carlo com Amostragem por Importncia, no Exemplo 1... 77
Figura 17. Vetor do ponto de projeto. ......................................................................................... 78
Figura 18. Hipercubo Latino original e transformado, adaptado de (OLSSON; SANDEBERG e
DAHLBLOM, 2003). .................................................................................................................. 79
Figura 19. Amostragem por importncia utilizando pontos de projeto (BECK, 2012)............... 80
Figura 20. Ilustrao do ajuste no linear realizado nas duplas ,
. ........................................ 81
Figura 21. Parametrizao dos desvios-padro das variveis aleatrias (SICHANI; NIELSEN;
BUCHER, 2011b). ...................................................................................................................... 83
Figura 22. Distribuies de probabilidade parametrizadas das variveis: Capacidade (C) e Demanda
(D). .............................................................................................................................................. 84
Figura 42. Regresso no linear na Amostragem Assinttica, para o Exemplo 2..................... 110
Figura 43. Espao amostral parametrizado utilizando a Amostragem Assinttica, no Exemplo 2.110
Figura 44. Relao entre o ndice de confiabilidade, relativo area do domnio de falha, e o parmetro
f, na Amostragem Assinttica, para Exemplo 2. ....................................................................... 111
Figura 45. Regresso no linear na Amostragem Melhorada, para o Exemplo 2. .................... 112
Figura 46. Limite de falha parametrizado, para o Exemplo 2. .................................................. 112
Figura 47. rea relativa do domnio de falha parametrizado, para o Exemplo 2...................... 113
Figura 48. Subconjuntos gerados via cadeias de Markov por meio do algoritmo de MetropolisHastings Modificado. ................................................................................................................ 114
Figura 49. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem Simples e
com Amostragem por Hipercubo Latino, para o Exemplo 2. ................................................... 114
Figura 50. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem Simples e
com Amostragem por Variveis Antitticas, para o Exemplo 2. .............................................. 115
Figura 51. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem por
Hipercubo Latino e com Amostragem por Variveis Antitticas, para o Exemplo 2. .............. 115
Figura 52. Coeficiente de variao da probabilidade de falha na Amostragem por Importncia, para o
Exemplo 2. ................................................................................................................................ 116
Figura 53. Comparativo da probabilidade de falha para uma amostra de tamanho 3.680, no Exemplo 2.
................................................................................................................................................... 117
Figura 54. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 2:
comparativo entre todas as tcnicas (a) e Monte Carlo Bruto (b). ............................................ 118
Figura 55. Limite de falha e os domnios de falha e segurana, para o Exemplo 3. ................. 118
Figura 56. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho
3103, no Exemplo 3. ................................................................................................................ 119
Figura 57. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 105,
no Exemplo 3. ........................................................................................................................... 120
Figura 58. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 3103,
no Exemplo 3. ........................................................................................................................... 121
Figura 59. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 105,
no Exemplo 3. ........................................................................................................................... 121
Figura 60. Simulao de Subconjuntos: Amostragem Simples, no Exemplo 3. ....................... 123
Figura 61. Simulao de Subconjuntos: Amostragem por Hipercubo Latino, no Exemplo 3. . 123
Figura 62. Simulao de Subconjuntos: Amostragem por Variveis Antitticas, no Exemplo 3.123
Figura 63. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no
Exemplo 3.................................................................................................................................. 124
Figura 64. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 3. ............................................................................................................... 124
Figura 65. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 3. ........................................................................................................ 125
Figura 66. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no
Exemplo 3.................................................................................................................................. 125
Figura 67. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia,
no Exemplo 3............................................................................................................................. 126
Figura 68. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 3.................................................................................................................................. 126
Figura 69. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 3.................................................................................................................................. 126
Figura 70. Comparativo da probabilidade de falha para uma amostra de tamanho 5.550, no Exemplo 3.
................................................................................................................................................... 128
Figura 71. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 3: Monte
Carlo Bruto (a) e Amostragem por Importncia (b). ................................................................. 129
Figura 72. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 3:
Amostragem Assinttica (a) e Amostragem Melhorada (b). ..................................................... 130
Figura 73. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 3: Simulao
de Subconjuntos (a) e comparativo entre todas as tcnicas(b). ................................................. 130
Figura 74. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 104,
no Exemplo 4............................................................................................................................. 132
Figura 75. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 105,
no Exemplo 4............................................................................................................................. 132
Figura 76. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 104,
no Exemplo 4............................................................................................................................. 133
Figura 77. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 105,
no Exemplo 4............................................................................................................................. 134
Figura 78. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no
Exemplo 4.................................................................................................................................. 135
Figura 79. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 4. ............................................................................................................... 136
Figura 80. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 4. ........................................................................................................ 136
Figura 81. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no
Exemplo 4. ................................................................................................................................ 137
Figura 82. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia,
no Exemplo 4. ........................................................................................................................... 137
Figura 83. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 4. ................................................................................................................................ 138
Figura 84. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 4. ................................................................................................................................ 138
Figura 85. Comparativo da probabilidade de falha para uma amostra de tamanho 2.300, no Exemplo 4.
................................................................................................................................................... 140
Figura 86. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 4: Monte
Carlo Bruto (a) e Amostragem por Importncia (b). ................................................................. 141
Figura 87. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 4:
Amostragem Assinttica (a) e Amostragem Melhorada (b). .................................................... 141
Figura 88. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 4: Simulao
de Subconjuntos (a) e comparativo entre todas as tcnicas(b). ................................................. 141
Figura 89.Ilustrao da trelia hiperesttica estudada. .............................................................. 143
Figura 90. Convergncia para a Amostragem por Importncia, no Exemplo 5. ....................... 145
Figura 91. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 103,
no Exemplo 5. ........................................................................................................................... 145
Figura 92. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 105,
no Exemplo 5. ........................................................................................................................... 146
Figura 93. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 103,
no Exemplo 5. ........................................................................................................................... 147
Figura 94. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 105,
no Exemplo 5. ........................................................................................................................... 147
Figura 95. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no
Exemplo 5. ................................................................................................................................ 149
Figura 96. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 5. ............................................................................................................... 149
Figura 97. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 5. ........................................................................................................ 149
Figura 98. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no
Exemplo 5.................................................................................................................................. 150
Figura 99. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 5.................................................................................................................................. 151
Figura 100. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 5.................................................................................................................................. 151
Figura 101. Comparativo da probabilidade de falha para uma amostra de tamanho 3.700, no Exemplo
5. ................................................................................................................................................ 153
Figura 102. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 5: Monte
Carlo Bruto (a) e Amostragem por Importncia (b). ................................................................. 153
Figura 103. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 5:
Amostragem Assinttica (a) e Amostragem Melhorada (b). ..................................................... 154
Figura 104. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 5:
Simulao de Subconjuntos (a) e comparativo entre todas as tcnicas(b). ............................... 154
Figura 105. Torre analisada e ns de referncia, para o Exemplo 6. ......................................... 155
Figura 106. Diagrama fator de carga deslocamento. .............................................................. 156
Figura 107. Regresso no linear utilizada na Amostragem Assinttica, para amostras de tamanho 105,
no Exemplo 6............................................................................................................................. 159
Figura 108. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 105,
no Exemplo 6............................................................................................................................. 160
Figura 109. Simulao de Subconjuntos: Amostragem Simples. .............................................. 162
Figura 110. Simulao de Subconjuntos: Amostragem por Hipercubo Latino. ........................ 162
Figura 111. Simulao de Subconjuntos: Amostragem por Variveis Antitticas. ................... 163
Figura 112. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no
Exemplo 6.................................................................................................................................. 163
Figura 113. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 6. ............................................................................................................... 164
Figura 114. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 6. ........................................................................................................ 164
Figura 115. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no
Exemplo 6.................................................................................................................................. 165
Figura 116. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia,
no Exemplo 6............................................................................................................................. 165
Figura 117. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 6. ................................................................................................................................ 166
Figura 118. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 6. ................................................................................................................................ 166
Figura 119. Comparativo da probabilidade de falha para uma amostra de tamanho 14.800, no Exemplo
6. ................................................................................................................................................ 168
Figura 120. Comparativo dos tempos de processamento (em segundos) das tecnicas empregadas no
Exemplo 6, para uma amostra de tamanho 14.800.................................................................... 170
Figura 121. Diagrama bsico do StRAnD. ................................................................................ 179
Figura 122. Dado de sada do StRAnD: Amostra aleatria a) 2-D e b) 3-D. ............................ 187
Figura 123. Dado de sada do StRAnD: gerao de subconjuntos na simulao de subconjuntos, no
Exemplo 1. ................................................................................................................................ 188
Figura 124. Dado de sada do StRAnD: Graficos de convergncia, no Exemplo 1. ................. 189
Figura 125. Dado de sada do StRAnD: Graficos de regresso utilizando o modelo do Exemplo 1.
................................................................................................................................................... 190
Figura 126. Dado de sada do StRAnD: Ranking dos pontos amostrais do Hipercubo Latino Gerado.
................................................................................................................................................... 191
LISTA DE TABELAS
Tabela 1. Mdias e desvios padro das variveis aleatrias do Exemplo 1. ............................... 94
Tabela 2. Parmetros ajustados na Amostragem Assinttica, para o Exemplo 1........................ 96
Tabela 3. Probabilidade de falha e coeficiente de Variao da probabilidade de falha, para a
Amostragem Assinttica, no Exemplo 1. .................................................................................... 96
Tabela 4. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 2103, no
Exemplo 1. .................................................................................................................................. 98
Tabela 5. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 105, no
Exemplo 1. .................................................................................................................................. 98
Tabela 6. Probabilidade de falha e coeficiente de Variao da probabilidade de falha, para a
Amostragem Melhorada, no Exemplo 1...................................................................................... 98
Tabela 7. Mdias e desvios padro do caminhante aleatrio do Exemplo 1. .............................. 99
Tabela 8. Comparativo da Pf para uma amostra de tamanho 9.200, no Exemplo 1. ................. 104
Tabela 9. Parmetros das variveis aleatrias do Exemplo 2.................................................... 108
Tabela 10. Mdias e desvios padro do caminhante aleatrio do Exemplo 2. .......................... 113
Tabela 11. Comparativo da Pf para uma amostra de tamanho 3.680, no Exemplo 2. ............... 116
Tabela 12. Mdias e desvios padro das variveis aleatrias do Exemplo 3. ........................... 119
Tabela 13. Parmetros ajustados na Amostragem Assinttica, para o Exemplo 3.................... 120
Tabela 14. Probabilidade de falha e coeficiente de Variao da probabilidade de falha, para a
Amostragem Assinttica, no Exemplo 3. .................................................................................. 120
Tabela 15. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 3103, no
Exemplo 3. ................................................................................................................................ 122
Tabela 16. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 105, no
Exemplo 3. ................................................................................................................................ 122
Tabela 17. Probabilidade de falha e coeficiente de Variao da probabilidade de falha, para a
Amostragem Melhorada, no Exemplo 3.................................................................................... 122
Tabela 18. Mdias e desvios padro do caminhante aleatrio do Exemplo 3. .......................... 122
Tabela 19. Comparativo da Pf para uma amostra de tamanho 5.500, no Exemplo 3. ............... 128
Tabela 20. Mdias e desvios padro das variveis aleatrias do Exemplo 4. ........................... 131
Tabela 21. Parmetros ajustados na Amostragem Assinttica, para o Exemplo 4.................... 133
Tabela 42. Mdias e desvios padro do caminhante aleatrio do Exemplo 6. .......................... 161
Tabela 43. Comparativo da Pf para uma amostra de tamanho 14.800, no Exemplo 6. ............. 167
Tabela 44. Comparativo da Pf, no Exemplo 6........................................................................... 168
Tabela 45. Tempo de processamento para o Exemplo 6, para uma amostra de tamanho 14.800.169
LISTA DE SIGLAS
AA Amostragem Assinttica
AAM Amostragem Melhorada com Amostragem por Variveis Antitticas
AASMC Amostragem Assinttica com Amostragem por Variveis Antitticas
AI Amostragem por Importncia
AISMC Amostragem por Importncia com Amostragem por Variveis Antitticas
ALHS Amostragem Assinttica com Amostragem por Hipercubo Latino
AM Amostragem Melhorada/ Amostragem Melhorada com Amostragem Simples
AM_LHS Amostragem Melhorada com Amostragem por Hipercubo Latino
ASIMC Monte Carlo Bruto com Amostragem por Variveis Antitticas
ASMC Amostragem Assinttica com Amostragem Simples
BRUTO Monte Carlo Bruto
FDA Funo de Distribuio Acumulada
FDP Funo de Densidade de Probabilidade
FORM First Order Reliability Method
GCL Gerador congruente linear
ILHS Amostragem por Importncia com Amostragem por Hipercubo Latino
ISMC Amostragem por Importncia com Amostragem Simples
LHS Latin Hypercube Sampling
MCMC Markov Chain Monte Carlo
SIMC Monte Carlo Bruto com Amostragem Simples
SLHS Monte Carlo Bruto com Amostragem por Hipercubo Latino
SORM Second Order Reliability Method
SS Simulao de Subconjuntos/ Simulao de Subconjuntos com Amostragem Simples
SSA Simulao de Subconjuntos com Amostragem por Variveis Antitticas
SSLHS Simulao de Subconjuntos com Amostragem por Hipercubo Latino
StRAnD Structural Reliability Analysis and Design
SUMRIO
1.
INTRODUO .................................................................................................................... 31
1.1.
Apresentao ................................................................................................................ 31
1.2.
Motivao ...................................................................................................................... 33
1.3.
Objetivos ....................................................................................................................... 33
1.3.1
1.3.2.
1.4.
Metodologia .................................................................................................................. 34
1.5.
2.
3.
3.2.
3.3.
3.3.1.
3.3.2.
3.3.3.
3.3.4.
3.4.
3.4.1.
4.
4.2.
4.3.
4.3.1.
4.4.
5.
5.1.1.
5.2.
6.
6.1.1.
Amostragem simples............................................................................................. 70
6.1.2.
6.1.3.
6.1.4.
6.2.
6.2.1.
6.2.1.1.
6.2.1.2.
6.2.2.
6.2.3.
6.2.3.1.
6.2.4.
7.
6.2.4.1.
6.2.4.2.
EXEMPLOS .......................................................................................................................... 93
7.1.
7.1.1.
7.1.2.
7.1.3.
7.1.4.
7.1.5.
7.1.6.
7.2.
7.2.1.
7.2.2.
7.2.3.
7.2.4.
7.2.5.
7.2.6.
7.3.
7.3.1.
7.3.2.
7.3.3.
7.3.4.
7.3.5.
7.3.6.
7.4.
7.4.1.
7.4.2.
7.4.3.
7.4.4.
7.4.5.
7.5.
7.5.1.
7.5.2.
7.5.3.
7.5.4.
7.5.5.
7.5.6.
7.6.
8.
7.6.1.
7.6.2.
7.6.3.
7.6.4.
7.6.5.
7.6.6.
8.2.
8.3.
31
1. INTRODUO
1.1.
Apresentao
Em engenharia, uma estrutura deve ser projetada de forma a obedecer alguns requisitos,
tais como: servio, segurana, robustez, econmico e social. Estes requisitos podem ser
explicitados por meio de equaes de estado limite, que determinam a fronteira entre o
domnio de falha e de segurana de uma estrutura. Assim, ao considerarmos as incertezas que
existem em cada parmetro de projeto, uma anlise determinstica no capaz de predizer o
quo segura a estrutura projetada. Desta forma, verifica-se a importncia da aplicao de
variabilidade s variveis de projeto de engenharia, o que nos leva ao estudo da confiabilidade
de estruturas (BECK, 2012).
A probabilidade de falha e o ndice de confiabilidade so obtidos atravs da anlise de
confiabilidade de estruturas. Diversas tcnicas tm sido desenvolvidas com o propsito de
estimar tais valores. Dentre estas tcnicas destacam-se o FORM (First Order Reliability
Method) e o SORM (Second Order Reliability Method). Estas tcnicas aproximam a equao
de estado limite no ponto de projeto por um hiperplano, no caso do FORM, ou por uma
hipersuperfcie quadrtica, no caso do SORM. A aproximao adotada pelo FORM e pelo
SORM, para equao de estado limite, pode conduzir a erros, principalmente quando a
equao de estado limite fortemente no linear. Assim, pode-se fazer uso da simulao de
Monte Carlo para se ter uma ideia do contedo de probabilidade que no est sendo levado
em considerao na estimativa da probabilidade de falha.
Utilizando o FORM ou o SORM, pode-se encontrar o ponto de projeto, que vem a ser o
ponto dentro do domnio de falha que possui o maior contedo de probabilidade, alm disso,
no espao normal padro ele o ponto com a menor distncia origem deste espao. Por isso,
o ponto de projeto bem indicado para se realizar a linearizao da equao de estado limite
no FORM; e para ser o ponto onde a funo de amostragem centrada, na tcnica de
Amostragem por Importncia. Vale lembrar que na Amostragem por Importncia, no
necessrio que a funo de amostragem seja centrada no ponto de projeto, porm, escolhas
erradas deste ponto podem levar obteno de resultados no consistentes. Desta forma,
quando no se pode definir bem o ponto de projeto, como nos casos em que a equao de
32
estado limite apresenta pontos equidistantes da origem do espao normal padro, necessrio
adotar tcnicas de simulao. Todavia, tcnicas de simulao podem ser proibitivas em
problemas que apresentem probabilidade de falha pequena e que envolvam: sistemas
estruturais, dimenso elevada, solues numricas no lineares, entre outros. Portanto, o
estudo de tcnicas de amostragem, que levem a obteno de boas respostas em termos de
probabilidade de falha com um menor esforo computacional, de grande relevncia dentro
da confiabilidade de estruturas.
Um dos objetivos das tcnicas de amostragem inteligente estimar probabilidades de
falha pequenas com a menor amostra possvel. Entre as tcnicas de amostragem inteligente
podemos
citar
Amostragem
por
Variveis
Antitticas
(Antithetic
Variates)
33
1.2.
Motivao
1.3.
Objetivos
34
1.4.
Metodologia
Amostragem Assinttica;
Amostragem Melhorada;
Simulao de Subconjuntos.
1.5.
Organizao do contedo
Captulo 2: apresentada uma breve reviso bibliogrfica sobre o tema em
estudo, onde so citadas algumas obras fundamentais de forma a inserir o leitor
no universo da simulao de Monte Carlo e da confiabilidade de estruturas.
35
36
37
2. REVISO BIBLIOGRFICA
Metropolis e Ulam (1949), no artigo intitulado de The Monte Carlo method, descrevem
um mtodo que essencialmente uma abordagem estatstica do estudo de equaes integrais e
diferenciais que ocorrem em vrios ramos das cincias naturais. Os autores passam a
distinguir os fenmenos que tratam da interao entre partculas, que descrito pela mecnica
clssica, daqueles que envolvem um nmero grande de partculas e que descrito pela
mecnica estatstica. O trabalho enfoca o estudo do conjunto de pontos que passa a ser
descrito pela teoria de conjuntos. Tambm relatado um exemplo em anlise combinatria e
teoria de probabilidades, que o clculo da probabilidade de xito no jogo de pacincia
(solitaire). Tal problema tomado de maneira meramente ilustrativa e trata da gerao de
diversos eventos e da avaliao da probabilidade de sucesso. Outro exemplo dado a
estimativa do volume de uma regio no espao , onde a regio definida pelo seguinte
conjunto de inequaes.
( ,
,,
) < 0;
( ,
,,
) < 0; ;
,
,,
( ,
,,
) < 0,
(1)
seria melhor se fossem tomados aleatoriamente 10 pontos e que aqueles que satisfizerem as
inequaes fossem contados. Outra ilustrao apresentada pelos autores se refere entrada de
raios csmicos na atmosfera, onde colises entre partculas levam a geraes de outras
partculas medida que a probabilidade de gerao destas partculas, com uma dada energia,
depende apenas da energia da partcula que gerou a coliso anterior. Alm disso, existe uma
distribuio para a direo dos movimentos das partculas, que caracterizado por cadeias de
Markov.
Metropolis et al. (1953), no artigo intitulado de Equation of state calculation by fast
38
como uma modificao da integrao de Monte Carlo. O problema inicial consiste em estudar
um mtodo geral para um potencial arbitrrio entre partculas. Assim, considerando um
nmero finito de partculas N em um quadrado, a energia potencial do sistema pode ser
calculada como a soma das energias potenciais entre molculas, que por sua vez funo da
distncia entre as partculas. Segundo os autores, para calcular o valor de equilbrio do
sistema, seriam necessrias integraes em um espao 2N-dimensional, o que pode ser
impraticvel quando se tem um sistema com centenas de partculas. Assim, uma opo
utilizar o mtodo de Monte Carlo na avaliao das integrais, de forma que colocando N
partculas no espao 2N-dimensional, o movimento para os prximos estados dependem do
estado anterior, tal estado definido por uma caminhada aleatria centrada na posio
original, de forma que qualquer ponto no espao pode ser alcanado.
Hastings (1970), em seu artigo Monte Carlo sampling methods using Markov chains
and their applications, apresenta uma generalizao do mtodo descrito por Metropolis et al.
(1953) para superar as dificuldades que o mtodo de Monte Carlo Bruto pode apresentar em
problemas de grandes dimenses, que nesse caso seria o custo computacional na geraes de
uma amostra aleatria grande. O autor apresenta a formulao bsica do mtodo e a gerao
de pontos amostrais via cadeias de Markov.
Robert e Casella (2011) apresentam uma reviso histrica sobre o mtodo de Monte
Carlo com Cadeias de Markov (Markov Chain Monte Carlo - MCMC) no artigo intitulado A
short history of Markov Chain Monte Carlo: Subjective recollections from incomplete data.
Os autores traam a histria do mtodo de Monte Carlo com Cadeias de Markov desde os
anos de 1940 at o perodo que o artigo foi publicado.
McKay, Beckman e Conover (1979), no artigo A comparison of three methods for
selecting values of input variables in the analysis of output from a computer code, apresentam
o desenvolvimento da Amostragem Estratificada e da Amostragem por Hipercubo Latino
(Latin Hypercube Sampling-LHS). Na tcnica de amostragem estratificada, todas as pores
do espao amostral de
Hipercubo Latino, segundo os autores, garante que todas as pores do espao amostral de
sejam representadas, de forma que o intervalo de cada varivel aleatria dividido em
estratos com probabilidade 1/! e cada um destes estratos amostrado uma vez.
39
tcnicas de Amostragem por Importncia, com ou sem uso do Hipercubo Latino. Foram
analisadas seis tcnicas, que so o mtodo de Monte Carlo com Amostragem por Importncia,
Amostragem por Importncia com Hipercubo Latino, Amostragem por Importncia com
Hipercubo Latino Transformado, Amostragem por Importncia Axial, Amostragem por
Importncia Axial com Hipercubo Latino e Amostragem por Importncia Axial com
Hipercubo Latino com Correlao Reduzida. So estudados trs exemplos, o primeiro um
sistema de molas submetido a carregamentos externos; o segundo uma placa quadrada
modelada com elementos finitos com o mdulo de elasticidade sendo modelado como um
campo estocstico; o terceiro exemplo trata da resposta obtida para equao de estado limite
no linear, onde a concavidade estudada como influncia na aplicao da Amostragem por
Importncia nas variaes aqui discutidas.
Bucher (2009), no artigo intitulado Asymptotic sampling for high dimensional reliability
analysis, apresenta um procedimento para anlise de confiabilidade como alternativa de
soluo em problemas com grande nmero de variveis aleatrias, tal procedimento foi
chamado de Amostragem Assinttica. Alm disso, foi dada nfase aos processos aleatrios e
campos aleatrios onde diversos exemplos so tratados. A ideia bsica por trs da tcnica
parametrizar os desvios padro das variveis aleatrias do problema, a fim de se obter mais
amostras dentro do domnio de falha e ento realizar um ajuste no linear aos dados formados
pelo parmetro
40
41
42
43
3. CONCEITOS DE PROBABILIDADE E
ESTATSTICA
Segundo Ang e Tang (1984), muitos processos ou fenmenos aplicados engenharia
contm aleatoriedade, sendo os reais resultados, em algum grau, imprevisveis. Tais
fenmenos so caracterizados por observaes experimentais que so invariavelmente
diferentes de outro experimento, mesmo que realizados sob as mesmas circunstncias.
A engenharia moderna encara a incerteza como inerente natureza do problema que
se est analisando. Assim, o estudo da teoria de probabilidades parte integrante e
fundamental da teoria da confiabilidade e na aplicao do mtodo de Monte Carlo na anlise
de confiabilidade de estruturas.
Este captulo procura dar uma abordagem aos principais tpicos dentro da teoria de
probabilidades, que de grande importncia no desenvolvimento das tcnicas a serem
estudadas. A seguir sero apresentados alguns conceitos importantes na fundamentao deste
trabalho.
3.1.
Seja " um evento qualquer, a probabilidade de ocorrncia do evento " pode ser
#$"% = lim
(2)
antes da primeira realizao do evento ", assim a definio clssica pode ser escrita como:
#$"% =
!.
.
!
(3)
44
#$0% 0 ;
#$% = 1;
3.2.
#$"|7% =
#$" 7%
.
#$7%
(4)
propriedades na relao entre dois eventos " e 7, de tal forma que se os eventos " e 7 so
A definio da probabilidade condicional nos leva a determinao de algumas
#$" 7% = 0 #$"|7% = 0.
#$"%
#$"%.
#$7%
(5)
(6)
#$7%
= 1.
#$7%
(7)
45
#$"|7% = #$"%,
(8)
#$7|"% = #$7%,
(9)
(10)
Estendendo essa definio para um nmero maior de eventos, tem-se que, os eventos
0 , 0 , , 0* so independentes se e somente se para algum subconjunto desses eventos,
0 , 0 , , 0 A,
#$0 0 0 A % = #$0 % #$0 % #$0 A %.
3.3.
(11)
Variveis aleatrias
Uma varivel aleatria pode assumir um valor real, ou pode assumir qualquer valor
definido por um intervalo, tal que o evento {D = } indica que a varivel aleatria D assume o
valor . J o evento {D } indica que a varivel aleatria D assume qualquer valor menor
ou igual a . Como se pode observar, a varivel aleatria definida por uma letra maiscula e
a realizao desta por uma letra minscula. A depender dos elementos que formam o espao
amostral , a varivel aleatria pode ser do tipo discreta, quando formado por um nmero
finito ou infinito contvel de pontos, ou do tipo contnua, quando formado por um nmero
infinito de pontos. Matematicamente, pode-se dizer que uma varivel aleatria real D(F)
uma funo real que atribui a cada ponto amostral F de um espao amostral , um valor real
, tal que o conjunto {D < } um evento para qualquer nmero real . Neste caso observase que o espao amostral o domnio de D(F) (BECK, 2012).
+.
46
onde
seguir.
G(
4G ( ) = #$CD E% = I
L,
G(
)J ,
(12)
)=
J4G ( )
.
J
G(
), tal que:
(13)
Tal funo usada para descrever uma varivel aleatria, podendo ser ela contnua ou
discreta. Na literatura, diversos modelos de funo de densidade de probabilidades so
apresentados, assim como suas aplicaes. Dessa forma, fenmenos como a ocorrncia de
chuvas, de ventos, de estados de mar, de resistncia dos materiais entre outros, podem ser
modelados com tais funes.
Montegomery e Runger (2003) dizem que a funo densidade de probabilidade
G(
L,
G(
G(
) 0,
(14)
)J = 1,
#$CM D NE% = I
G(
(15)
)J .
(16)
possvel definir algumas quantidades que caracterizam a varivel aleatria. Tais quantidades
so chamadas de momentos.
Tem-se que o momento de ordem Q para uma varivel aleatria continua dado por:
47
0$D
A%
=R =I
A
S,
L,
G(
)J .
(17)
0$D% = R = I
S,
G(
L,
)J ,
(18)
varivel
0$(D R)A % = TA = I
S,
( R)A G ( )J .
L,
(19)
S,
L,
( R)
G(
)J .
(20)
UMV$D% = 0$(D R) % = W ,
(21)
de tal forma que W = XUMV$D% o desvio-padro da varivel aleatria e uma medida que d
Se for retirada uma amostra de tamanho - de uma populao com mdia R e varincia
1
R = Z
[
1
WY =
Z(
-1
[
R ) .
(22)
(23)
48
- 1. Isso por que a varincia est sendo medida pela distncia dos pontos
Neste caso observa-se que a varincia apresenta em sua equao uma diviso pelo termo
em relao
3.4.
CD
ECD
;D
E% = 4G] ( ).
E formam
(24)
E CD
;;D
E CD*
*E
(25)
* E.
; ; D*
#$CD
;D
,,
;;D
,,
*)
(26)
; ; D*
* E%,
funo
de
,,
* ),
distribuio
,,
,,
G^ G_ G] G` (
conjunta
,,
cumulativa
,,
*)
de
a * 4G^ G_ G] G` ( , , , , ,
, , *) =
a a a a *
,,
,,
*)
*)
(27)
diretamente das funes de distribuio marginal de probabilidade, pois tal resultado muda
caso as variveis sejam correlacionadas ou no, porm, as funes de distribuio marginais
de probabilidade podem ser obtidas a partir da distribuio conjunta cumulativa de
probabilidade, atravs de procedimentos de integrao, tal que:
49
S,
L,
S,
L,
K]
I I
L,
S,
L,
4G] ( ) =
G^ G_ G] G` (b
(28)
, b , , b , , b* )Jb , Jb , , Jb , , Jb* .
avaliada por:
#$C( ,
,,
*)
G^ G_ G` (
dE% = I I
e
*,
* )J
,,
,,
*)
dE,
,J
,,J
*.
(29)
S,
= I I I
L, L,
L,
A^
A^
A_
D* A` g
A_
A`
(30)
G^ G_ G` (
,,
* )J
,J
,,J
*.
A^
= I I
L,
RG` j
A`
iD* RG` j k
S,
L,
G^ G` (
A`
RG^ j
,,
A^
* )J
(31)
*
,,J
*.
A ordem do momento conjunto dada pela soma dos termos Q . Assim, o momento
A]
A]
50
com Q = 2, corresponde ao momento central de ordem 2 da varivel D , ou seja, a varincia
desta.
A covarincia uma medida linear da relao entre duas variveis aleatrias no mesmo
(32)
pq$D, o%
.
WG Wr
(33)
Tal valor varia entre -1 e 1, tal que sGr = 1 indica uma correlao perfeita positiva e sGr =
1 indica uma correlao perfeita negativa, porm sGr = 0 no necessariamente indica
51
4. CONFIABILIDADE DE ESTRUTURAS
Neste Captulo sero apresentados o conceito de estados limites e os requisitos que uma
estrutura deve atender, para que posteriormente seja introduzido o problema fundamental da
confiabilidade, seguindo do mtodo de confiabilidade de primeira ordem e por fim da
confiabilidade de sistemas.
4.1.
Estados limites
52
modos de falha de uma estrutura, onde para cada modo de falha \ se escreve uma funo
t ( ), que funo do vetor de variveis aleatrias
t ( ) = t (D , D , , D* ) = 0.
(34)
(35)
(36)
(37)
(38)
A utilizao da varivel tempo pode ser consequncia de uma dependncia temporal do estado
limite ou atravs da considerao de carregamentos definidos por processos estocsticos
(BECK, 2012).
53
4.2.
(39)
Desta forma, diz-se que a probabilidade de falha #y uma medida de violao de estados
(40)
Assim, a probabilidade de falha avaliada pela Eq. (39), que o problema fundamental da
confiabilidade de estruturas.
#y = #$Cz { < 0E% = #$(z, {) u % = |
}~ (V, )JVJ,
(41)
}~ (V, )
a funo
De maneira geral temos que a probabilidade de falha pode ser definida por:
#y = #$ u % = I
(w) Jw.
(42)
= z {.
(43)
Como z e { so variveis aleatrias, ento ser uma varivel aleatria com funo de
densidade de probabilidades dada por
dada por:
(T),
#y = #$M < 0% = I
L,
(T) JT,
(44)
54
4.3.
relaciona com a probabilidade de falha, tal que sendo z e { duas variveis aleatrias normais
W = W} + W~ .
(45)
(46)
Y=
M R
.
W
(47)
A probabilidade associada ao evento falha pode ser definida atravs da funo de distribuio
#y = P(M 0) = P Y
Assim:
=
R
R
= = ( ).
W
W
R
R} R
=
.
W XW} + W~
(48)
(49)
55
J * =
R} R
XW} + W~
(50)
Esta equao equivalente apresentada na Eq. (49). Dessa forma, pode definir o ndice de
confiabilidade como uma medida geomtrica da probabilidade de falha que corresponde a
menor distncia entre a equao de estado limite e a origem do espao normal padro.
O FORM e o SORM so mtodos de transformao utilizados em confiabilidade. O
FORM (First Order Reliability Method) o mtodo de confiabilidade de primeira ordem.
Este utiliza toda informao estatstica em relao s variveis do problema, o que inclui
variveis com distribuio marginal no gaussiana e coeficientes de correlao entre pares de
variveis. Porm, a equao de estado limite aproximada por um hiperplano no ponto de
projeto. O SORM (Second Order Reliability Method) o mtodo de confiabilidade de
segunda ordem. Este utiliza as mesmas informaes adotadas para o FORM, porm, a
equao de estado limite aproximada por uma hipersuperfcie quadrtica no ponto de
projeto. O FORM geralmente aceito como uma forma eficiente de resolver o problema na
Eq. (39), para pequenas ou moderadas dimenses do vetor X e para equaes de estado
limites t(x) lineares ou fracamente no lineares.
() e sua
para o espao
Y = $X%,
(51)
s^^
s_^
=
s`^
s^_
s__
s`_
s^`
s_`
.
s``
(52)
Na Eq. (52) tem-se que - o nmero de variveis aleatrias e s]] = 1, com \ = 1,2, , -
(BECK, 2012).
56
aleatrias normais equivalentes que mantm possveis correlaes entre pares de variveis
aleatrias. Tal transformao baseada no princpio da aproximao normal (DITLEVSEN,
1981). Este princpio consiste em determinar, para um ponto
RG] =
*
( )
=
,
G] ( )
WG] ,
*
(53)
(54)
o desvio padro da
WG*
^
= 0
= RG^
*
WG`
0
*
WG_
RG*
.
`
RG*
_
(55)
(56)
w =
)L
(57)
(58)
= w C E,
= w + .
(59)
(60)
57
Por meio do modelo de Nataf, pode-se construir uma aproximao para a funo
conjunta de densidade de probabilidades
como:
= * (, )
G^ (
) G_ ( ) G` ( * )
.
( )( ) (* )
definida
(61)
sG] = I I l - , l , s] J Jl ,
L, L,
(62)
onde (. ) a distribuio normal padro bivariada. Ento, conhecido sG] , pelo mtodo de
tentativas pode-se obter s] .
computacional devido ao grande nmero de operaes matriciais que o mtodo exige. Desta
forma, quando se tem matrizes de correlao no cheias, a fatorao de Cholesky apresenta
vantagem devido ao menor nmero de operaes matriciais.
de correlao so:
= ,
= ( )L ,
tal que
L ,
=
(63)
(64)
(65)
58
= .
(66)
= L ,
(67)
= .
(68)
(69)
= .
(70)
(Y)
portanto, o ponto sobre a equao de estado limite t() mais prximo da origem o ponto
= arg min X ,
sujeito a t () = 0.
= = ( )
(71)
/
o chamado ndice de
espao normal padro. O mtodo FORM consiste em encontrar o ponto de projeto, a partir da
(72)
59
4.4.
Confiabilidade de sistemas
limite t (w) deve ser escrita para cada possvel modo de falha. Neste caso, a estimativa de
t (w) aparecem associadas como um sistema em srie (se a falha acontece em relao a
qualquer um dos modos, ocorre a falha da estrutura). Neste caso, o domnio de falha
definido por:
u = (t (w) 0).
(73)
(74)
60
u = (t (w) 0)l .
(75)
Diversas outras formas de associao mista podem ser obtidas atravs da manipulao
correta das associaes de unio e interseco dos domnios de falha individuais.
61
5.1.
a funo definida por b* = t(* )|t: { $0,1% a funo de sada, dessa forma a sequncia
do gerador de nmeros aleatrios fica determinada por {b* |- 0}, que so variveis ditas
pseudoaleatrias, produzidas pelo gerador.
Sabe-se que { finito, assim possvel que o gerador retorne a algum estado anterior tal
que Sl = para algum \, n > 0, assim pode-se definir uma medida chamada de perodo s
que vem a ser o comprimento de um estado { at que ele ocorra novamente, assim, s no
pode exceder a cardinalidade de {. Por isso pode-se definir que tais geradores geram na
realidade uma sequncia de nmeros pseudoaleatrios, porm, sem perda de generalidade os
geradores estudados neste trabalho sero chamados de geradores de nmeros aleatrios.
Para L'Ecuyer (1997), um longo perodo s e uma boa estrutura de pontos no so as
nicas qualidades requeridas para um bom gerador de nmeros aleatrios. Estes precisam ser
rpidos, pois, simulaes podem exigir a gerao de uma quantidade cada vez maior de
nmeros aleatrios; precisam ser portveis, o que significa que o gerador, quando programado
62
recorrncia:
*S
= (M
+ )TpJ(T).
de
(76)
por , ( )TpJ(). Este gerador conhecido como Gerador Congruente Linear Misto.
Tal gerador dito misto, pois envolve as operaes de multiplicao e adio por M e
= (M
* )TpJ(T).
(77)
Como os geradores so cclicos, com perodo s sempre menor que T, deve-se adotar um
valor grande para T (BECK, 2012). Um gerador congruente linear misto bastante utilizado
com \ = 1, , -.
b = ] ,
K
(78)
63
(79)
360 durante a dcada de 60. Tal gerador definido pelos seguintes parmetros: CT, M, E =
apresentados na Figura 2 com o gerador congruente linear utilizado nos computadores IBM
seguinte notao:
a)
b)
Figura 2. Teste de uniformidade: a) i=1.000 e b) i=10.000 ( esquerda).
espera que os pares {(b* , b*S )|0 - < s} cubram todo o espao bidimensional de maneira
uniforme, porm, muitas vezes pode-se observar a formao de linhas de tendncias. No caso
lattice
todos
os
pontos
adjacentes
no
espao
t-dimensional
64
C(b* , b*S , , b*SL )|0 - < s} esto localizados em uma famlia de hiperplanos paralelos
equidistantes.
(31, 3, 0) e
Figura 3. Gerador: (, , ).
Figura 4. Gerador: (, , ).
Figura 5. Gerador: (, , ).
65
, . , .
66
5.2.
II.
(80)
67
= X2ln(b ) sen(2b ).
(81)
(82)
(83)
(84)
)=
[
G] (
).
(85)
68
para encontrar uma matriz de correlao equivalente . Os passos utilizados para gerar
amostras de variveis aleatrias correlacionadas so (BECK, 2012):
I.
II.
III.
IV.
C , , , * E;
69
$w% = 0 se w v ,
(86)
(87)
A Eq. (87) corresponde ao valor esperado da funo indicadora, que pode ser estimado a
#Yy = $ w% =
*
-y
1
Z $w% =
= 0f#Yy g,
[
(88)
70
onde a #Yy a probabilidade de falha estimada por uma amostra finita, - o nmero de pontos
amostrais e -y o nmero de pontos amostrais dentro do domnio de falha. Pode-se mostrar
estimador na Eq. (88) est sujeito a um erro de amostragem, que corresponde varincia da
probabilidade de falha:
Varf#Yy g =
medida que - .
*
1
Z i$w % #Yy j .
-1
[
(89)
, onde
6.1.
(90)
71
da probabilidade de falha e pelos intervalos de confiana, tal como definidos na Eq. (90).
Assim, quanto maior for o tamanho da amostra, mais estreito vai se tornando o intervalo de
confiana. Este tipo de representao grfica de particular importncia no desenvolvimento
deste trabalho, uma vez que a comparao entre as tcnicas de amostragem inteligente se
basear neste tipo de resultado. A Figura 10 apresenta um tpico grfico de convergncia
obtido para o Exemplo 1, que ser apresentado em 7.1.
Figura 10. Grfico de convergncia da probabilidade de falha pela simulao do Monte Carlo Bruto, no
Exemplo 1.
PfY g
fY g
X*
(91)
A partir da Eq. (91), estima-se que para uma probabilidade de falha da ordem de 10L com
$#Yy % 10%, seja necessria uma amostra de tamanho 10S . Como exemplo, para
c. o. v$#Yy % 10% e #y = 10L , resulta que - 10S = 10 . Como esta uma ordem de
probabilidade de falha comum em engenharia de estruturas, resulta que o nmero de
simulaes necessrio para obter uma boa estimativa da probabilidade de falha elevado
(BECK, 2012).
Nos problemas que possuem a equao de estado limite analtica, este nmero de
simulaes no proibitivo. No entanto, a engenharia de estruturas pode utilizar
procedimentos de simulao numrica, de elevado custo computacional. Para este tipo de
problema, a simulao de Monte Carlo com amostragem simples pode ter custo
72
de falha, #yP e #yO , podem ser combinados gerando um terceiro estimador no tendencioso #y ,
tal que:
#y
#yP + #yO
=
.
2
(92)
1
iUMVf#yP g + UMVf#yO g + 2 pqf#yP , #yO gj.
4
(93)
expressivas, porm, quando utilizada em conjunto com outras tcnicas, pode apresentar
resultados um pouco mais relevantes (BECK, 2012).
poderia gerar concentrao de pontos em algumas regies do domnio, e deixar outras regies
com poucos pontos. A amostragem estratificada busca evitar esta falta de homogeneidade na
cobertura do espao amostral. Isso realizado dividindo o domnio em faixas e realizando
amostragens em cada faixa do domnio (McKAY; BECKMAN; CONOVER, 1979). A Figura
11 ilustra a gerao de pontos na amostragem estratificada para duas variveis aleatrias.
Porm, esta tcnica no se mostra to eficiente quanto outras tcnicas de amostragem
73
inteligente, o que a tornaria um mtodo obsoleto e sem muita utilizao dentro do StRAnD,
por isso, ela no objeto de estudo deste trabalho.
74
Seja -P o nmero de variveis aleatrias do problema e - o nmero de pontos da
1
( ).
-
(94)
Figura 13. Hipercubo Latino para duas variveis e cinco realizaes (OLSSON; SANDEBERG;
DAHLBLOM, 2003).
L
= 4Kl
i l j,
(95)
L
onde 4Kl
a inversa da funo de distribuio acumulada de probabilidade da varivel Dl .
A gerao das matrizes S, P e R, pode ser proibitiva quando se deseja gerar uma
amostra de tamanho - muito grande, uma vez que isto pode levar a um consumo excessivo de
75
6. Retorna ao passo 4 at i= -;
l;
a)
b)
c)
Figura 14. Histograma de frequncia na a) Amostragem Simples, b) Amostragem por Variveis Antitticas
e c) Amostragem por Hipercubo Latino.
6.2.
76
(w)
(w)J.
(w)
(96)
y (w)
.
(w)
pode ser estimado a partir de uma amostra de tamanho finito, tal que:
(w )
1
#Yy = ( w) = Z (w )
.
(w )
*
(97)
Ao deslocar a amostra para o domnio de falha, a funo indicadora ter mais valores 1
do que na amostra original. No entanto, observa-se que cada valor 1 da funo indicadora est
associado a um peso definido por =
y (w] )
(w] )
1 (BECK, 2012).
77
Figura 15. Comparativo da convergncia do Monte Carlo Bruto com a Amostragem por Importncia, no
Exemplo 1.
Figura 16. Convergncia do Monte Carlo com Amostragem por Importncia, no Exemplo 1.
forma que uma de suas direes coincida com a direo definida pelo vetor unitrio do ponto
78
= , , , * = ( , , , * ) (0,0, ,0).
(98)
O vetor unitrio do ponto de projeto dado pela razo entre o vetor do ponto de projeto
.
| |
(99)
Dessa forma, uma particular direo do espao que gera o hipercubo latino transformada de
, as direes remanescentes so definidas como direes ortogonais
forma a coincidir com
, assim pode-se definir uma matriz de transformao
a
. As linhas de
so compostas
pelas componentes dos vetores unitrios do espao transformado lidos no espao original.
Uma propriedade de
em questo,
A matriz de transformao
= .
(100)
Dessa forma, inicialmente gerada uma amostra com distribuio normal padro no
correlacionada l = ib , b , , b* j com n = 1, 2, , -, na origem. Em seguida aplica-se a
matriz de transformao na amostra, de forma que:
79
l = l .
(101)
(102)
(103)
estado limite e (w) uma funo de amostragem centrada no i-simo ponto de projeto. Os
80
=
( )
.
*[ ( )
(104)
Assim, o tamanho total da amostra tomado como uma soma ponderada da amostra
relativa a cada estado limite, tal que:
- & -.
(105)
Figura 19. Amostragem por importncia utilizando pontos de projeto (BECK, 2012).
81
(106)
="
7
+ ,
(107)
constantes podem ser determinadas usando tcnicas convencionais de ajuste (e.g. mnimos
com o fator
(BUCHER, 2009):
(108)
A Eq. (108) pode ser substituda por uma mais geral, tal que:
82
="+7
(109)
(110)
valor mdio exato da curva e R r|K o valor estimado da funo ajustada no ponto
. Assim,
1
+ *
- [
R r|K + x,*L
Rr|K
(111)
1
+ *
- [
onde
*[ io o j
0 =
,
-
(112)
tal que, o o valor do ponto de suporte, o o valor da funo ajustada para um valor x do
ponto de suporte, n o nmero de pontos de suporte e p o nmero de parmetros.
calculado. O
= 1. Na Figura 21 possvel se
83
ter uma boa viso da aplicao do mtodo quando se parametriza o desvio-padro de cada
varivel aleatria.
Figura 21. Parametrizao dos desvios-padro das variveis aleatrias (SICHANI; NIELSEN;
BUCHER, 2011b).
Uma importante questo referente ao uso desta tcnica a escolha dos pontos de suporte,
de forma que seja possvel obter resultados satisfatrios. Sichani, Nielsen e Bucher (2011a,b)
mostraram que necessrio estabelecer com critrios o intervalo de
* , K %,
definido por
de forma que seja possvel obter bons resultados. Tambm foi mostrado que
existe um intervalo $
* , K %
dividindo os desvios-padro por 0,6 e 0,375, os limites da distribuio uniforme passam a ser:
$T-, T %
= $3,3333; 36,6667%
= $6,6667; 46,6667%
para
84
varivel Capacidade e $T-, T %
Figura 22. Distribuies de probabilidade parametrizadas das variveis: Capacidade (C) e Demanda (D).
De acordo com a Figura 22, como a distribuio uniforme, ento para cada distribuio
parametrizada por f, possvel obter qualquer resultado, com a mesma probabilidade, entre os
valores mximos e mnimos que foram anteriormente apresentados. Dessa forma, dever ser
questionado se as variveis podem apresentar valores negativos, o que muitas vezes poder
representar um dado fisicamente inconsistente. Dessa forma o StRAnD est provido de um
algoritmo que pode ser ativado pelo usurio, atravs do arquivo de entrada, para caso seja
necessrio avaliar tais condies. O Algoritmo identifica para cada valor de f, se os valores
mximos e mnimos da distribuio de probabilidade parametrizada possuem o mesmo sinal
da distribuio original. Dessa forma o programa dever identificar um intervalo do parmetro
f, que seja adequado a essa condio. Alm disso, esta tcnica poder apresentar problemas
quando as variveis aleatrias no possuem caudas com decrescimento suave, como no caso
da distribuio uniforme. Este ltimo problema ser discutido em 7.2.
Por estar em desenvolvimento, esta tcnica ainda objeto de vrios estudos, tais como os
apresentados por Tang, Lu e Pan (2014), que discutem trs questes. A primeira se refere ao
custo computacional da Amostragem Assinttica, que pode ser proibitivo devido
da Eq. (107). A terceira questo abordada pelos autores refere-se ao fato de que a
Amostragem Assinttica pode no ser capaz de gerar intervalos de confiana. J Sichani,
Nielsen e Bucher (2014), explicam que a tcnica falha para problemas de dimenso elevada.
85
,,
(113)
A funo
CM N E com 1.
(114)
CM N E com 1.
(115)
,,
, com n = 1, , T,
86
onde T o nmero de componentes do sistema e - o nmero de variveis aleatrias, ento se
(116)
y = # !l 0".
(117)
l[
y = # !l 0".
(118)
l[
com
l,
(119)
Dessa forma, utiliza-se a Eq. (115) para o ajuste no linear das duplas f, y g na
avaliao de sistemas.
87
w Jw = I w
w Jw.
(120)
forma que:
0A =
0 , Q = 1, , T.
(121)
d),
(122)
#y = #$0% = # %
0 & = #$0 %
#$0 |0 L %.
(123)
Por exemplo, para #$0 % = 0,1 e #$0 |0 L % = 0,1 com \ = 1, 2, 3 isso leva a #y =
#$0% = 10L o que um valor baixo de probabilidade, porm como as probabilidades dos
eventos intermedirios so de 0,1, uma amostra menor requerida para cada subconjunto
(AU; BECK, 2001).
Para obter o primeiro termo, #$0 %, utiliza-se diretamente a Eq. (88), seja com a
Amostragem Simples, com a Amostragem por Hipercubo Latino ou com a Amostragem por
88
w ] w
.
#$0 %
w|0 =
(124)
Como a ideia bsica desta tcnica estimar a probabilidade do evento falha #$0% a
#y = #$0% = #$Ct
0E%.
(125)
0E.
(126)
N E.
(127)
com um nmero !~~ de amostras pr-estabelecido (e.g. !~~ = 500), obtendo assim a amostra
Na execuo da tcnica, inicialmente realizada uma simulao de Monte Carlo Bruto
,A ,
,A ).
,A
vetor o S,A . O limite de falha intermedirio N determinado como o ponto amostral o S,A com
Q = # !~~ , dessa forma, #$Co S,
((
dentro do domnio de falha definido pelo limite de falha N . A partir de cada um desses pontos
| ,A ,
com distribuio |0
no
primeiro nvel, o que representa uma amostra de tamanho !~~ no nvel 1. Posteriormente
aplicam-se os pontos amostrais na equao de estado limite, tal que o(
| ,A
=t D
| ,A
89
Ento, o vetor o
| ,A
,A
e o limite de
amostral o S|
,A
((
N E% = # . Assim, o prximo
Assim, os # !~~ pontos amostrais condicionais sero as sementes das amostras condicionais
que o limite final N seja atingido, de forma que N = 0 (AU, 2005). Este processo
dos eventos seguintes. Assim, repetindo o processo, podem-se gerar amostras condicionais at
dado por:
90
1#
.
# !~~
(128)
1#
(1 + * ),
# !~~
(129)
) =
afirmam que embora # sejam correlacionados, simulaes mostram que uma boa
) = Z) ,
[
(130)
Um processo estocstico pode ser definido como a famlia de funes D(F, x), onde F
um ponto amostral do espao amostral , que associada a cada um destes pontos amostrais e
Neste trabalho ser dada nfase aos processos Markovianos, que por sua vez levam a
definio das cadeias de Markov.
Um processo estocstico dito ser um Processo Markoviano se a probabilidade
condicional de um evento futuro depende apenas do evento presente, ou seja, independe de
eventos passados, tal que:
91
#CD xAS
AS
|D xA =
A, , D
= #CD xAS
AS
|D xA =
A E.
(131)
Tal processo dito sem memria, pois eventos passados so desprezados de forma que
interessam apenas as probabilidades de transio #CD xAS
AS
|D xA =
A E.
Quando o
espao de estados discreto diz-se que o processo Markoviano uma Cadeia de Markov.
Neste caso tem-se que:
#CD Q + 1 =
AS
|D Q =
A, , D
= #CD Q + 1 =
AS
0 =
|D Q =
A E.
(132)
O mtodo de Monte Carlo com Cadeias de Markov utilizado para simular amostras de
variveis aleatrias. Nele as amostras so simuladas como estados da cadeia de Markov e
possuem uma distribuio alvo como sua distribuio limitante. Segundo Au e Beck (2001), a
ideia por trs da aplicao do algoritmo de Metropolis-Hastings que se possvel gerar uma
estado, uma nova amostra que tambm tender a ser distribuda de acordo com
|0 .
i.+ j
l = -
-G`
/;
+ l com probabilidade l D* , + l
l
0
com probabilidade 1 l D* , + l
l
92
D*S = 1
se 0
.
D* se 0
Segundo Zuev et al. (2012) existem valores timos do desvio padro da distribuio
se localiza entre 0,1 e 0,3. Porm, a escolha de tais parmetros ainda algo bem subjetivo e
deve ser feita com cuidado. Segundo Au e Beck (2001), o desvio padro da distribuio
proposta W afeta o tamanho da regio coberta pela amostra gerada pelas cadeias de Markov,
93
7. EXEMPLOS
Neste captulo so estudados exemplos com a aplicao das tcnicas de amostragem
inteligente em problemas de confiabilidade de estruturas independentes do tempo. O estudo a
ser realizado consiste na anlise comparativa da convergncia da probabilidade de falha (#y )
com o aumento do tamanho da amostra (N), da convergncia do coeficiente de variao da
94
7.1.
Exemplo 1: Capacidade-Demanda
capacidade (C) (C < D), quando as distribuies de probabilidade das variveis aleatrias C e
(133)
Varivel Aleatria
Distribuio
Normal
Normal
Mdia
2,0
1,0
Desvio Padro
0,20
0,15
7 8
X7 + 8
21
X0,2 + 0,15
4.
(134)
95
Este valor de
Figura 24. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 2103,
no Exemplo 1.
Figura 25. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 1105,
no Exemplo 1.
96
ASMC
ALHS
AASMC
2103
B
3,6004
3,7773
4,0262
2,315110-2
5,773810-2
4,598310-2
-2,0000
-2,0000
-2,0000
1105
B
4,0225
4,0468
4,0344
-8,674510-3
-1,198610-2
-8,360210-3
-2,0000
-2,0000
-2,0000
:
ASMC
ALHS
AASMC
#y
; de referncia: 3,167110-5
2103
#y
. U.
1,45310-4
6,28010-5
2,32910-5
40,0892
35,5488
31,7296
2,98810-5
2,73310-5
2,83810-5
1105
. U.
0,5133
0,0441
0,4479
Vale ressaltar que tal resultado depende do intervalo que se adota para o parmetro f.
Maiores estudos referentes a este intervalos podem ser realizados, mas no so objetivos deste
trabalho.
97
Figura 26. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 2103,
no Exemplo 1.
Figura 27. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 1105,
no Exemplo 1.
98
Tabela 4. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 2103, no Exemplo 1.
AM
AM_LHS
AAM
<
6,262410-2
5,852210-2
5,878610-2
8,8961
20,118
9,8633
'
0,4000
0,39785
0,4000
1,0574
1,4166
1,1196
Tabela 5. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 1105, no Exemplo 1.
AM
AM_LHS
AAM
<
1,803510-2
7,819910-2
0,20702
5,4913
2,8971
4,0108
'
-2,5018
-1,9209
-1,6978
5,2015
4,6638
4,0921
:
ASMC
ALHS
AASMC
#y
; de referncia: 3,167110-5
2103
#y
. U.
3,51310-4
3,22410-6
2,24610-5
0,5838
65,5407
1,4771
1105
2,69710-5
2,66910-5
2,42510-5
. U.
1,0690
1,0844
1,1945
um fator pelo desvio padro da variveis aleatria i do problema. Assim, o desvio padro do
dado por:
=W,
(135)
99
onde um valor maior que zero. No StRAnD, o usurio pode definir o valor do desvio
Varivel Aleatria
Distribuio
Uniforme
Uniforme
Mdia
0,0
0,0
Desvio padro
x 0,20
x 0,15
a) = 0,1
b) = 0,4
100
c) = 0,8
e) = 2,0
d) = 1,0
f) = 3,0
Observa-se que quando = 0,1 (Figura 28a) ocorre uma alta taxa de aceitao dos
pontos amostrais pelo algoritmo de Metropolis-Hastings Modificado. Quando maior que
um, observa-se um aumento da rejeio dos pontos amostrais pelo algoritmo de MetropolisHastings Modificado.
Portanto se verifica uma boa adequao da Simulao de Subconjuntos na anlise do
problema em questo.
101
a)
Mdia
b) C.V.
Figura 29. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no Exemplo
1.
a)
Mdia
b) C.V.
Figura 30. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 1.
a)
Mdia
b) C.V.
Figura 31. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 1.
Pode-se notar que as tcnicas em anlise tendem a convergir para o mesmo ponto, que
representado pela linha de referncia da probabilidade de falha. A Amostragem por
102
Importncia apresenta o melhor resultado dentre as tcnicas estudadas, pois apresenta uma
rpida convergncia da probabilidade de falha. As tcnicas de Amostragem Assinttica e de
Amostragem Melhorada apresentam uma ntida vantagem em relao ao Monte Carlo Bruto,
pois, estas tcnicas so capazes de estimar valores de probabilidades de falha com uma
amostra pequena. Tambm possvel notar que a Amostragem Assinttica apresenta uma boa
reduo do coeficiente de variao da pobabilidade de falha, a medida que se aumenta o
tamanho da amostra.
A seguir so apresentados os graficos do comparativo de cada tcnica com aplicao de
diferentes tcnicas de amostragem bsica. Neste caso feito um grfico para cada uma das
tcnicas (Monte Carlo Bruto, Amostragem por Importncia, Amostragem Assinttica e
Amostragem Melhorada) e para cada so obtidas trs curvas, uma para cada tcnica de
amostragem bsica (Amostragem Simples, Amostragem por Hipercubo Latino e Amostragem
por Variveis Antitticas).
a)
Mdia
b) C.V.
Figura 32. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no Exemplo 1.
a)
Mdia
b) C.V.
Figura 33. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia, no
Exemplo 1.
103
a)
Mdia
b) C.V.
Figura 34. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 1.
a)
Mdia
b) C.V.
Figura 35. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 1.
Na Figura 32, observa-se que o mtodo de Monte Carlo Bruto no apresenta boas
estimativas da probabilidade de falha.
Na Figura 33, pode-se observar que o uso da Amostragem por Hipercubo Latino e da
Amostragem por Variveis Antitticas so benficas para a Amostragem por Importncia,
especialmente nos trechos iniciais dos grficos de convergncia, mas vale lembrar que essa
diferena pequena.
Na Figura 34, pode-se observar uma certa vantagem do uso da Amostragem Assinttica
com o uso da Amostragem por Hipercubo Latino e da Amostragem por Variveis Antitticas,
especialmente nos trechos iniciais, mesmo que isso no seja expresso no coeficiente de
variao (Figura 34b).
104
comparativo dos resultados obtidos, para as tcnicas estudadas neste trabalho e para uma
amostra de tamanho 9.200, pode ser observado na Tabela 8.
; de referncia: 3,167110-5
SIMPLES
Tcnica
;
. >. da ;
Bruto
--Importncia
3,05710-5
0,0224
Assinttica
9,77110-5
1,9634
0,9926
Melhorada
9,18610-5
Subconjuntos
4,89510-5
0,2242
HIPERCUBO LATINO
Tcnica
;
. >. da ;
Bruto
--Importncia
3,04610-5
0,0223
Assinttica
2,57610-5
72,5439
-5
Melhorada
1,14710
9,2957
Subconjuntos
3,59410-5
0,2265
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
Bruto
---5
Importncia
3,12910
0,0223
Assinttica
8,06710-5
4,1835
Melhorada
1,10210-4
0,6168
Subconjuntos
4,88110-5
0,2247
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Erro (%)
-3,48
208,52
190,04
54,56
-3,82
18,66
63,78
13,48
-1,20
154,71
247,95
54,12
105
resultado mais prximo da probabilidade de falha de referncia, tal como observado pelo
valor do erro relativo.
Figura 36. Comparativo da probabilidade de falha para uma amostra de tamanho 9.200, no Exemplo 1.
106
a)
Figura 37. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1: Monte Carlo
Bruto (a) e Amostragem por Importncia (b).
a)
Amostragem Assinttica
b) Amostragem Melhorada
Figura 38. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1: Amostragem
Assinttica (a) e Amostragem Melhorada (b).
a)
Simulao de Subconjunto
b) Todas as tcnicas
Figura 39. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 1: Simulao de
Subconjuntos (a) e comparativo entre todas as tcnicas(b).
Na Figura 37a, na Figura 37b e na Figura 38a, observa-se que o uso da Amostragem por
Hipercubo Latino elevou os tempos de processamento da simulao do Monte Carlo Bruto, da
107
7.2.
Este exemplo analisa a aplicao das tcnicas estudadas em um problema com variveis
aleatrias limitadas nas caudas. O problema a ser analisado do tipo Capacidade-Demanda,
sendo que neste exemplo so adotadas variveis aleatrias com distribuio uniforme de
probabilidade. A equao de estado limite deste problema dada por:
t C, D = C D = 0.
(136)
108
Varivel Aleatria
Distribuio
Uniforme
Uniforme
A
10,0
1,1
B
30,0
10,1
Este problema pode ser resolvido analiticamente, uma vez que a probabilidade de falha
definida por:
#y = I
L,
) 4 ) J) .
(137)
) 4 ) , tal como
Figura 40. FDP da varivel Demanda (D) e FDA da varivel Capacidade (C), para o Exemplo 2.
(138)
(139)
O produto destas duas funes resulta na funo apresentada na Figura 41, onde se est
interessado na rea abaixo dela (rea hachurada).
109
(140)
= 4,0309.
110
Observa-se na Figura 42, seja para o caso particular com C=-2 ou para C livre, que no h
uma boa concordncia da funo a ser ajustada, com as duplas (f, /f). Esse comportamento
pode ser explicado pela forma da distribuio conjunta das variveis aleatrias, tal como
observado na Figura 43.
Uma vez que os desvios-padro das variveis aleatrias aumentam, os limites inferior e
superior de cada distribuio aumentam de acordo com f. Dessa forma, para cada valor de f,
um novo espao amostral obtido. Assim, diferentes domnios de falha so obtidos, e a
111
probabilidade de falha proporcional rea destes domnios de falha. Atravs de uma anlise
geomtrica pode-se obter o grfico da Figura 44, que a relao entre o ndice de
confiabilidade parametrizado por f, obtido pela probabilidade de falha relativa s reas dos
domnios de falha parametrizados, com o valor do parmetro f. Esse resultado concorda com
aquele obtido pela simulao de Monte Carlo, tal como apresentados na Figura 42.
Figura 44. Relao entre o ndice de confiabilidade, relativo area do domnio de falha, e o parmetro f,
na Amostragem Assinttica, para Exemplo 2.
112
Este comportamento dos pontos de suporte est diretamente relacionado com a forma da
distribuio conjunta de probabilidade, tal como na Amostragem Assinttica. Uma vez que a
equao de estado limite deslocada para a origem do espao de projeto pelo parmetro ,
diferentes domnios de falha vo sendo obtidos (Figura 46). Assim, para cada domnio de
falha so feitas estimativas da probabilidade de falha parametrizada. Dessa forma, a geometria
do domnio de falha governa o comportamento da probabilidade de falha.
Na Figura 46, cada linha definida por um valor de , que por sua vez define um limite
calculadas, tornando possvel o clculo das reas relativas de cada domnio de falha. Na
Figura 47 possvel observar que o resultado da anlise geomtrica equivalente ao grfico
113
Varivel Aleatria
Distribuio
Uniforme
Uniforme
Mdia
0,0
0,0
Desvio padro
x 5,7735
x 2,5981
onde uma constante multiplicativa maior que zero, que ir alterar o valor do desvio-padro
do caminhante aleatrio.
Utilizando um caminhante aleatrio uniforme com = 0,2, P0 = 0,1 e uma amostra com
800 pontos em cada subconjunto, possvel obter o grfico apresentado na Figura 48, onde
ilustrada a formao de cinco subconjuntos. Dessa forma, possvel observar que os
subconjuntos gerados apresentam um bom comportamento para o problema em anlise.
114
Figura 48. Subconjuntos gerados via cadeias de Markov por meio do algoritmo de Metropolis-Hastings
Modificado.
Figura 49. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem Simples e
com Amostragem por Hipercubo Latino, para o Exemplo 2.
115
Figura 50. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem Simples e
com Amostragem por Variveis Antitticas, para o Exemplo 2.
Figura 51. Comparativo da convergncia de Pf para o Monte Carlo Bruto com Amostragem por
Hipercubo Latino e com Amostragem por Variveis Antitticas, para o Exemplo 2.
116
Figura 52. Coeficiente de variao da probabilidade de falha na Amostragem por Importncia, para o
Exemplo 2.
Sigla
BRUTO
SS
Sigla
BRUTO
SS
Sigla
BRUTO
SS
Erro (%)
-14,0388
-12,5270
-43,8805
117
Figura 53. Comparativo da probabilidade de falha para uma amostra de tamanho 3.680, no Exemplo 2.
118
a)
b)
Figura 54. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 2: comparativo
entre todas as tcnicas (a) e Monte Carlo Bruto (b).
7.3.
= 3 X + 4X ) .
(141)
Esta funo fortemente no linear e seu comportamento pode ser visto na Figura 55.
119
Varivel Aleatria
Distribuio
Normal
Normal
Mdia
0,00
0,00
Desvio Padro
1,00
1,00
FORM no apresenta uma boa estimativa da probabilidade de falha para uma equao de
estado limite fortemente no linear.
Figura 56. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 3103,
no Exemplo 3.
120
Figura 57. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 1105,
no Exemplo 3.
no
ASMC
ALHS
AASMC
3103
B
2,3286
2,7393
1,3554
4,5452
0,5476
1,4792
-0,5949
-1,8091
-1,1235
1105
B
2,0617
2,1243
2,1389
1,2357
1,3134
1,1745
-1,2270
-1,1811
-1,2248
Na
Tabela 14,
:
ASMC
ALHS
AASMC
#y
; de referncia: 1,77410-4
3103
#y
. U.
1,33310-2
5,06510-4
2,29410-3
0,6486
0,0915
6,9019
4,8810-4
2,9310-4
4,6110-4
1105
. U.
0,1026
0,1994
0,2023
121
Figura 58. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 3103,
no Exemplo 3.
Figura 59. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 1105,
no Exemplo 3.
122
AM
AM_LHS
AAM
4,6704
0,18293
0,19760
<
'
1,312710-3
3,209410-10
1,899210-4
-6,1297
-6,3378
-3,3776
4,4442
11,918
7,0742
Tabela 16. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 1105, no Exemplo
3.
AM
AM_LHS
AAM
4,356910-2
2,459510-2
5,683610-2
<
'
6,5821
7,6629
5,7264
0,14392
0,31445
-2,471510-3
1,4627
1,2864
1,7407
:
AM
AM_LHS
AAM
; de referncia: 1,77410-4
3103
;
. >.
-3
1,39410
2,39210-4
2,88910-4
0,0915
0,4729
1,9724
1105
-4
2,30010
2,20410-4
1,80710-4
. >.
0,0791
0,0831
0,0929
Varivel Aleatria
Distribuio
Uniforme
Uniforme
Mdia
0,0
0,0
Desvio padro
x 1,0
x 1,0
123
para cada subconjunto, com =0,2 e P0 = 0,1. Neste caso, pode-se observar uma boa
concordncia da tcnica com o que ela prope realizar.
124
Mdia
b) C.V.
Figura 63. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no Exemplo
3.
a)
Mdia
b) C.V.
Figura 64. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 3.
125
a)
Mdia
b) C.V.
Figura 65. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 3.
Mdia
b) C.V.
Figura 66. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no Exemplo 3.
126
a)
Mdia
b) C.V.
Figura 67. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia, no
Exemplo 3.
a)
Mdia
b) C.V.
Figura 68. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 3.
a)
Mdia
b) C.V.
Figura 69. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 3.
127
Observa-se no Monte Carlo Bruto, que nem a Amostragem por Hipercubo Latino, nem
a Amostragem por Variveis Antitticas, levaram a uma melhora significativa na
convergencia da probabilidade de falha (Figura 66a). J a Amostragem por Hipercubo Latino
apresentou um coeficiente de variao da probabilidade de falha (Figura 66b) maior que as
outras tcnicas as quais ele foi comparado. Na Amostragem por Importncia, observa-se que o
uso da Amostragem por Variveis Antitticas apresenta uma influncia negativa na
probabilidade de falha, nas primeiras simulaes. O uso da Amostragem por Hipercubo
Latino e por Variveis Antitticas, levou a uma melhora da convergncia da probabilidade de
falha (Figura 68a) na tcnica de Amostragem Assinttica. Porm, tal melhora no se reflete
no coeficiente de variao (Figura 68b) da probabilidade de falha. Em relao a Amostragem
Melhorada, observa-se que esta apresenta um um bom resultado quando utilizada em conjunto
com a Amostragem por Hipercubo Latino e Amostragem por Variveis Antitticas (Figura
69).
probabilidade uniforme.
128
; de referncia: 1,77410-4
SIMPLES
Tcnica
;
. >. da ;
-4
Bruto
5,40510
0,5772
-4
Importncia
1,70110
0,0717
Assinttica
2,87310-3
0,4744
Melhorada
5,56210-4
0,1858
Subconjuntos
4,48010-4
0,2845
HIPERCUBO LATINO
Tcnica
;
. >. da ;
Bruto
--Importncia
1,88310-4
0,0688
Assinttica
1,14010-4
4,7053
Melhorada
5,67210-5
1,3958
-4
Subconjuntos
1,86010
0,3099
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
Bruto
3,60410-4
--4
0,0684
Importncia
1,90310
Assinttica
5,03110-3
0,5638
-4
Melhorada
3,49410
0,2893
Subconjuntos
2,22010-4
0,3003
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Erro (%)
204,68
4,11
1519,50
213,53
152,54
Erro (%)
-6,14
35,74
73,66
4,85
Erro (%)
103,16
7,27
2735,96
96,96
25,14
Neste caso, nota-se que o uso de Amostragem por Importncia superior s outras
tcnicas, tal resultado j era esperado. Porm, interessante notar que a tcnica de Simulao
de Subconjuntos apresenta um desempenho satisfatrio tanto em termos de probabilidade de
falha, quanto em termos do seu coeficiente de variao. Destaca-se que a maioria das tcnicas
beneficiada pelo uso da Amostragem por Hipercubo Latino. Tal resultado pode ser
conferido graficamente na Figura 70.
Figura 70. Comparativo da probabilidade de falha para uma amostra de tamanho 5.550, no Exemplo 3.
129
Figura 71. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 3: Monte Carlo
Bruto (a) e Amostragem por Importncia (b).
130
a)
Amostragem Assinttica
b) Amostragem Melhorada
Figura 72. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 3: Amostragem
Assinttica (a) e Amostragem Melhorada (b).
a)
Simulao de Subconjunto
b) Todas as tcnicas
Figura 73. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 3: Simulao de
Subconjuntos (a) e comparativo entre todas as tcnicas(b).
A anlise que pode ser feita neste problema a mesma que foi realizada no Exemplo 1,
pois trata-se de um problema com duas variveis aleatrias, da mesma forma que no Exemplo
1. Observa-se que a no linearidade da equao de estado limite no apresenta influncia
significativa no tempo de processamento. Alm disso, a defasagem do tamanho da amostra
em cada ponto do grfico da Figura 73a, devido a adaptatividade da tcnica, pois nesta o
usurio tem o controle do tamanho da amostra em cada subconjunto e no da amostra total.
7.4.
131
X D
.
8
(142)
Este problema busca analisar uma situao extrema, em que existe uma equao de
estado limite no linear com vrias variveis aleatrias, sendo tais variveis aleatrias
definidas por diferentes distribuies de probabilidade. Os parmetros das distribuies de
probabilidade das variveis aleatrias so apresentados na Tabela 20.
Tabela 20. Mdias e desvios padro das variveis aleatrias do Exemplo 4.
Varivel Aleatria
@
@
@
@
@
@
Distribuio
Weibull (mnima)
Log-normal
Gumbel
Uniforme
Exponencial
Normal
Mdia
4,0
25.000,0
0,875
20,0
100,0
150,0
Desvio padro
0,1
2.000,0
0,1
1,0
100,0
10,0
Neste caso a probabilidade de falha obtida por meio do FORM foi de 3,24510-5
variao de 0,0042.
132
Figura 74. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 1104,
no Exemplo 4.
Figura 75. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 1105,
no Exemplo 4.
De acordo com a Figura 74 e com a Figura 75, pode-se observar certa concordncia
entre o modelo proposto no ajuste e os pontos de suporte obtidos por simulaes de Monte
Carlo, apesar de se notar diferenas entre o valor exato do ndice de confiabilidade e aquele
obtido por meio da Amostragem Assinttica.
Os parmetros ajustados na tcnica em questo, com a Amostragem Simples (ASMC),
com a Amostragem por Hipercubo Latino (ALHS) e com a Amostragem por Variveis
Antitticas (AASMC), so apresentados na Tabela 21, para as amostras de tamanho 1104 e
de tamanho 1105.
133
ASMC
ALHS
AASMC
1104
B
-5.330,211
2,155
12.391,608
5.334,246
1,645
-12.387,328
-2,69510-4
-0,744
9,32410-5
1105
B
4,403
4,373
1,753
0,1887
0,221
2,295
-1,922
-1,696
-0,503
:
ASMC
ALHS
AASMC
#y
; de referncia: 2,77710-5
1104
#y
. U.
2,72410-5
7,2310-5
9,34810-6
165,7952
10,5330
82,0325
2,19610-6
2,17510-6
2,58710-5
1105
. U.
0,6346
1,1075
0,7608
De acordo com a Tabela 22, a tcnica de Amostragem Assinttica apresentou uma boa
resposta apenas no seu uso em conjunto com a Amostragem por Variveis Antitticas.
Figura 76. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 104, no
Exemplo 4.
134
Figura 77. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 105, no
Exemplo 4.
AM
AM_LHS
AAM
1,454310-2
2,204110-2
879,72
<
12,1800
10,8720
16,1540
'
0,4000
0,3753
0,1647
0,9969
0,9542
0,2730
Tabela 24. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 1105, no Exemplo
4.
AM
AM_LHS
AAM
1,766510-2
1,557110-2
1,465210-2
<
12,6060
10,7370
11,0480
'
0,3802
0,3893
0,4000
1,0881
0,9915
0,9991
135
Tabela 25. Probabilidade de falha e coeficiente de Variao da probabilidade de falha, para a Amostragem
Melhorada, no Exemplo 4.
#y
; de referncia: 2,77710-5
1104
#y
. U.
-6
9,63410
2,07410-5
1,84210-4
AM
AM_LHS
AAM
4,1349
2,0713
0,2604
1105
-6
9,86210
2,15110-5
1,94410-5
. U.
2,0225
0,4975
0,6943
Mdia
b) C.V.
Figura 78. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no Exemplo 4.
136
a)
Mdia
b) C.V.
Figura 79. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 4.
a)
Mdia
b) C.V.
Figura 80. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 4.
137
Mdia
b) C.V.
Figura 81. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no Exemplo 4.
a)
Mdia
b) C.V.
Figura 82. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia, no
Exemplo 4.
138
a)
Mdia
b) C.V.
Figura 83. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 4.
a)
Mdia
b) C.V.
Figura 84. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 4.
139
; de referncia: 2,77710-5
SIMPLES
Tcnica
;
Bruto
-Importncia
1,97310-5
Assinttica
-Melhorada
1,15210-4
Subconjuntos
2,64010-5
HIPERCUBO LATINO
Tcnica
;
Bruto
-Importncia
1,94710-5
Assinttica
-Melhorada
5,12910-7
Subconjuntos
1,67010-5
VARIVEIS ANTITTICAS
Tcnica
;
Bruto
-Importncia
2,25810-5
Assinttica
-Melhorada
1,36910-5
Subconjuntos
1,07810-5
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
. >. da ;
-0,0551
-0,5941
0,4741
. >. da ;
-0,0587
-144,2610
0,5101
. >. da ;
-0,0661
-4,1940
0,5559
Erro (%)
-28,9521
-314,8362
4,9334
Erro (%)
-29,8884
-98,153
39,8632
Erro (%)
-18,6892
-50,7022
61,1811
140
Figura 85. Comparativo da probabilidade de falha para uma amostra de tamanho 2.300, no Exemplo 4.
141
a)
Figura 86. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 4: Monte Carlo
Bruto (a) e Amostragem por Importncia (b).
a)
Amostragem Assinttica
b) Amostragem Melhorada
Figura 87. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 4: Amostragem
Assinttica (a) e Amostragem Melhorada (b).
a)
Simulao de Subconjunto
b) Todas as tcnicas
Figura 88. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 4: Simulao de
Subconjuntos (a) e comparativo entre todas as tcnicas(b).
De incio se observa na Figura 86a que devido ao maior nmero de variveis aleatrias,
o tempo de processamento da simulao do Monte Carlo Bruto com Amostragem por
142
7.5.
Barra
1
2
3
4
5
6
Perfil U
U 50x25x2,00
U 50x25x2,00
U 50x25x2,00
U 50x25x2,00
U 50x25x2,00
U 75x40x1,20
A (cm2)
1,87
1,87
1,87
1,87
1,87
1,81
Iy (cm4)
1,13
1,13
1,13
1,13
1,13
2,97
143
A princpio podem-se definir duas equaes de estado limite para cada barra, sendo uma
referente flambagem elstica (Eq. (143)) e outra referente ao escoamento da seo (Eq.
(144)), considerando o comportamento de trelia ideal.
t 0,
t -" ,
, U, A =
.
, U, A = "
+ M U + N A , com \ = 1, ,6,
(143)
(144)
a tenso de
144
Varivel Aleatria
Mdulo de Elasticidade (E)
Tenso de escoamento (fy)
Carregamento Vertical (V)
Carregamento Horizontal (H)
Unidade
kN/cm
kN/cm
kN
kN
145
mas sim pelo resultado final da simulao. Aprimoramentos devero ser incorporados ao
StRAnD de maneira a melhorar a apresentao deste tipo de resultado.
Figura 91. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 1103,
no Exemplo 5.
146
Figura 92. Regresso no linear utilizada na Amostragem Assinttica para amostras de tamanho 1105,
no Exemplo 5.
ASMC
ALHS
AASMC
1103
B
-4.120,902
1,482
-2.8679,322
4.123,940
1,266
28.682,263
-2,68210-4
-1,195
-6,56410-5
1105
B
-2.484,862
3,567
1,803
2.488,268
0,104
1,621
-4,23710-4
-2,596
-0,513
:
ASMC
ALHS
AASMC
#y
; de referncia: 1,13910-4
1103
#y
. U.
1,19210-3
2,99710-3
1,63610-3
17,3986
5,3516
18,2864
3,29010-4
1,20810-4
3,07510-4
1105
. U.
0,5133
0,0441
0,4479
147
Figura 93. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 1103,
no Exemplo 5.
Figura 94. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 1105,
no Exemplo 5.
148
AM
AM_LHS
AAM
<
2,916510-2
2,442010-2
0,14562
5,3352
8,5153
6,3353
'
0,4000
0,4000
0,32419
0,96511
0,95894
0,60112
Tabela 32. Parmetros ajustados na Amostragem Melhorada, para uma amostra de tamanho 1105, no Exemplo
5.
AM
AM_LHS
AAM
<
0,61922
2,602210-2
3,319310-2
9,0525
9,2385
8,9463
'
5,452610-2
0,4000
0,37777
0,98820
0,98684
0,97621
:
AM
AM_LHS
AAM
#y
; de referncia: 1,13910-4
1103
#y
. U.
1,112110-3
1,32410-4
9,75510-4
0,2582
1,6293
0,3461
1105
1,18110-4
9,81310-5
1,19110-4
. U.
0,1453
0,2177
0,1336
149
a)
Mdia
b) C.V.
Figura 95. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no Exemplo
5.
a)
Mdia
b) C.V.
Figura 96. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo Latino,
no Exemplo 5.
a)
Mdia
b) C.V.
Figura 97. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 5.
150
Mdia
b) C.V.
Figura 98. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no Exemplo 5.
151
a)
Mdia
b) C.V.
Figura 99. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 5.
a)
Mdia
b) C.V.
Figura 100. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 5.
Nos comparativos realizados na Figura 98, na Figura 99 e na Figura 100, fcil ver que
o uso da Amostagem por Hipercubo Latino vantajoso em todas as tcnicas estudadas, pelo
fato de lev-las uma convergncia mais rpida da probabilidade de falha, mesmo que no
signifique uma reduo do coeficiente de variao da probabilidade de falha. Alm disso, a
Amostragem por Variveis Antitticas s no foi vantajosa quando utilizada em conjunto com
o Monte Carlo Bruto (Figura 98a).
!~~ =1.000, =1,5, P0 = 0,1. O caminhante aleatrio segue uma distribuio de probabilidade
uniforme. Tais resultados podem ser observados na Tabela 34.
152
; de referncia: 1,13910-4
SIMPLES
Tcnica
;
. >. da ;
Bruto
---4
Importncia
1,20110
0,0287
Assinttica
2,38210-3
1,2903
Melhorada
6,20910-4
0,1657
-4
Subconjuntos
1,59010
0,3221
HIPERCUBO LATINO
Tcnica
;
. >. da ;
Bruto
--Importncia
1,11110-4
0,0260
Assinttica
3,87910-4
10,4964
Melhorada
6,83010-5
1,6205
-4
Subconjuntos
1,18810
0,3406
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
Bruto
---4
0,0292
Importncia
1,17110
Assinttica
1,22910-3
3,1715
Melhorada
3,84610-4
0,2525
Subconjuntos
1,28010-4
0,3205
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Erro (%)
-5,4434
1991,3082
445,1273
39,5961
Erro (%)
-2,4583
240,5619
40,0351
4,3020
Erro (%)
-2,8095
979,0167
237,6646
12,3793
153
Figura 101. Comparativo da probabilidade de falha para uma amostra de tamanho 3.700, no Exemplo 5.
Figura 102. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 5: Monte Carlo
Bruto (a) e Amostragem por Importncia (b).
154
a)
Amostragem Assinttica
b) Amostragem Melhorada
Figura 103. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 5: Amostragem
Assinttica (a) e Amostragem Melhorada (b).
a)
Simulao de Subconjunto
b) Todas as tcnicas
Figura 104. Relao entre o tempo de processamento e o tamanho da amostra no Exemplo 5: Simulao de
Subconjuntos (a) e comparativo entre todas as tcnicas(b).
7.6.
155
com no linearidade fsica e geomtrica. Hansen e Vanderplaats (1990) analisaram uma torre
de linha de transmisso de energia eltrica com carregamentos provenientes apenas dos cabos.
Gomes e Beck (2013) apresentam uma modificao deste problema atravs da otimizao de
sua topologia (Figura 105) e da insero das foras devido ao do vento na estrutura.
Assim, neste problema se considera uma estrutura tima em relao sua forma e aos custos
associados (Gomes e Beck, 2013).
realizado o acoplamento entre o mdulo de simulao de Monte Carlo do StRAnD e o
programa Acadframe, que desenvolvido no departamento de engenharia de estruturas da
EESC. Na modelagem da estrutura so considerados elementos de prtico bidimensionais,
com formulao posicional (CODA; PACCOLA, 2007. CODA; PACCOLA, 2010. CODA;
PACCOLA, 2011. CODA; GRECO, 2004. GRECO e CODA, 2006. GRECO et al., 2006)
para se realizar uma anlise no linear geomtrica. Cada elemento possui trs ns, sendo dois
extremos e um no meio do elemento. Cada n possui trs graus de liberdade, duas translaes
e uma rotao. So consideradas sees L, sendo o material considerado elstico
perfeitamente plstico. A Figura 105 apresenta a torre que o objeto de estudo neste exemplo,
nela esto destacados os ns 11 e 12, pois estes ns so utilizados na estimativa do
deslocamento mdio que utilizado na equao de estado limite, tal como ser explicado a
seguir.
156
)
,
(145)
o incremento no fator
de carga adimensional, que calculado a partir da carga atuante e x o vetor que contm as
variveis aleatrias. O ngulo crtico de 75, que a inclinao do diagrama fator de carga
deslocamento, que representa a falha. A falha da estrutura no representada necessariamente
pelo seu colapso, mas sim por uma mudana do seu comportamento.
As cargas gravitacionais so definidas pelo peso prprio dos cabos. considerada uma
configurao simtrica dos cabos e consequentemente de suas cargas. A estimativa da ao
horizontal de vento baseada na NBR-6123: Foras devidas ao vento em edificaes. O vento
de projeto adotado de 45 m/s (v
(146)
157
q = X0,1 qA .
(147)
(148)
= 2,1, que o
Varivel Aleatria
>
G
Distribuio
Gumbel para mximos
Lognormal
Mdia
0,95
207 GPa
C.V
0,13
0,03
(149)
admitida como " = 300 m 0,0252 m = 7,56 m . O coeficiente de arrasto devido aos
P
= 1,2. Assim, a velocidade mdia do vento que age no cabo, obtida por meio
encontram na cota POH = 15,24 m, a partir do solo. Como a fora de arrasto calculada por
4P =
encontrado. Assim, foi obtida a probabilidade de falha de #y,IJ} = 1,088 10L e o ndice
158
como ser visto adiante. Porm, interessante testar este valor com a simulao de Monte
Carlo.
A maior dificuldade apresentadas pelas tcnicas de simulao de Monte Carlo a
necessidade de se realizar avaliaes de um problema numrico iterativo, como neste caso,
em que se utiliza o Mtodo dos Elementos Finitos na presena de no linearidades.
Inicialmente so abordados os desempenhos do Monte Carlo Bruto e da Amostragem por
Importncia. Em seguida so realizados estudos referentes Amostragem Assinttica,
Amostragem Melhorada e da Simulao de Subconjuntos. Por fim, realizada uma anlise
comparativa da convergncia e do tempo de processamento das tcnicas aqui estudadas.
So realizadas simulaes do Monte Carlo Bruto e do Monte Carlo com Amostragem
por importncia, de forma que o resultado do FORM possa ser testado. A Tabela 36 e a
Tabela 37 apresentam os resultados da probabilidade de falha, do coeficiente de variao da
probabilidade de falha, do tempo de processamento e do erro relativo resposta do FORM,
para o mtodo de Monte Carlo Bruto e para o mtodo de Monte Carlo com Amostragem por
Importncia. Estes resultados so obtidos com uma amostra de tamanho 1105 e utilizando
como amostragem bsica, a Amostragem Simples, a Amostragem por Hipercubo Latino e a
Amostragem por Variveis Antitticas.
Tabela 36. Comparativo do uso de diferentes tcnicas de amostragem bsica no mtodo de Monte Carlo Bruto,
para uma amostra de 1105, no exemplo 6.
Simples
LHS
Antittica
; de referncia: 1,08810-4
Pf
C.V. da Pf
Tp
-4
1,40010
0,2672
11 h e 2 min
1,1010-4
0,3015
10 h e 17 min
1,5010-4
0,2582
11 h e 1 min
Tabela 37. Comparativo do uso de diferentes tcnicas de amostragem bsica no mtodo de Monte Carlo com
Amostragem por Importncia, para uma amostra de 1105, no exemplo 6.
Simples
LHS
Antittica
; de referncia: 1,08810-4
Pf
C.V. da Pf
Tp
1,09910-4
0,0038
13 h e 36 min
1,08910-4
0,0038
13 h e 41 min
1,09610-4
0,0038
13 h e 43 min
onde Tp o tempo de processamento da anlise em questo para cada uma das tcnicas
utilizadas.
Como se observa na Tabela 36, a simulao pelo mtodo de Monte Carlo Bruto
apresentou resultados prximos do valor obtido pelo FORM, com destaque para o uso
159
conjunto com a Amostragem por Hipercubo Latino, porm, o uso de Amostragem por
Importncia (Tabela 37) apresentou resultados melhores que o apresentado pelo mtodo de
Monte Carlo Bruto. Alm disso, a Amostragem por Importncia apresenta um menor
coeficiente de variao da probabilidade de falha, apesar de apresentar um tempo de
processamento maior. Portanto, o resultado obtido pelo FORM ser utilizado como referncia
nesse trabalho.
A seguir sero apresentados os estudos referentes as tcnicas de Amostragem
Assinttica, Amostragem Melhorada, Simulao de Subconjuntos e por fim ser apresentado
um estudo comparativo entre as tcnicas.
Figura 107. Regresso no linear utilizada na Amostragem Assinttica, para amostras de tamanho 1105,
no Exemplo 6.
160
ASMC
ALHS
AASMC
-15.917,960
3,0455
-9.240,556
1105
B
15.921,560
0,6909
9.244,064
C
-1,140110-4
-1,498
-2,044710-4
De acordo com a Figura 107, se observa uma boa concordncia entre as curvas
ajustadas e os pontos de suporte, com destaque para o uso conjunto com a Amostragem por
Hipercubo Latino, onde se observam bandas de confiana mais estreitas no ajuste realizado.
Alm disso, tal resultado pode ser comprovado na Tabela 39, onde se observa que o uso de
Amostragem por Hipercubo Latino leva a um menor erro na estimativa da probabilidade de
falha.
Tabela 39. ndice de confiabilidade, probabilidade de falha, coeficiente de variao da probabilidade de falha e
tempo de processamento, para a Amostragem Assinttica, no Exemplo 6.
Pf
Simples
LHS
Antittica
; de referncia: 1,08810-4
C.V. da Pf
Tp
1,6010-4
9,3310-5
2,25710-4
1,5734
0,4791
0,5037
12 h e 22 min
11 h e 19 min
11 h e 14 min
Figura 108. Regresso no linear utilizada na Amostragem Melhorada para amostras de tamanho 1105,
no Exemplo 6.
161
AM
AM_LHS
AAM
<
2,200210-3
9,220610-2
8,502510-2
6,2375
4,8546
9,5191
'
-3,7501
-2,3842
-2,6185
5,4552
3,8852
3,7857
Pf
; de referncia: 1,08810-4
C.V. da Pf
Tp
1,25410-4
1,31710-4
1,48910-4
Simples
LHS
Antittica
0,2710
0,1502
0,1460
10 h e 2 min
9 h e 46 min
9 h e 46 min
15,2574
21,0478
36,8566
Na Tabela 41, observa-se que a Amostragem Melhorada apresenta uma boa reduo do
coeficiente de variao da probabilidade de falha e resultados estimados mais consistentes da
probabilidade de falha. Vale ressaltar que a utilizao de Amostragem por Hipercubo Latino e
Amostragem por Variveis Antitticas se mostrou vantajosa neste caso.
Varivel Aleatria
>
G
Distribuio
Uniforme
Uniforme
Mdia
0,0
0,0
Desvio-Padro
0,06175
3,105MPa
162
Simples (Figura 109), pela Amostragem por Hipercubo Latino (Figura 110) e pela
Amostragem por Variveis Antitticas (Figura 111).
163
A partir da Figura 109, da Figura 110 e da Figura 111, primeiramente se observa que a
Simulao de Subconjuntos pode ser aplicada sem maiores dificuldades. Segundo, possvel
notar que a equao de estado limite quase linear, ou pouco no linear. Portanto, o FORM
dever apresentar uma boa estimativa para a probabilidade de falha, por isso, o valor da
probabilidade de falha obtida pelo FORM utilizado como probabilidade de falha de
referncia.
Mdia
b) C.V.
Figura 112. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Simples, no
Exemplo 6.
164
a)
Mdia
b) C.V.
Figura 113. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Hipercubo
Latino, no Exemplo 6.
a)
Mdia
b) C.V.
Figura 114. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Variveis
Antitticas, no Exemplo 6.
Pode-se notar que as tcnicas em questo tendem a convergir para o mesmo ponto, que
representado pela linha de valor de referncia da probabilidade de falha. Valor este obtido
por meio do FORM. De acordo com a Figura 112a e Figura 112b, pode-se notar que a
Amostragem por Importncia apresenta uma convergncia mais rpida do que as outras
tcnicas, como j esperado. Por outro lado, observa-se que a tcnica de Amostragem
Melhorada apresenta uma convergncia mais rpida que o Monte Carlo Bruto e a
Amostragem Assinttica, alm de apresentar um coeficiente de variao da probabilidade de
falha muito prximo do obtido pela simulao do Monte Carlo Bruto. Vale destacar que a
tcnica de Amostragem Assinttica com Amostragem Simples, apesar de convergir para o
resultado esperado, no o fez de maneira satisfatria, alm de apresentar uma forte flutuao
do coeficiente de variao da probabilidade de falha.
165
Mdia
b) C.V.
Figura 115. Comparativo da convergncia da Pf (a) e de C.V. (b) para o Monte Carlo Bruto, no Exemplo
6.
a)
Mdia
b) C.V.
Figura 116. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem por Importncia, no
Exemplo 6.
166
a)
Mdia
b) C.V.
Figura 117. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Assinttica, no
Exemplo 6.
a) Mdia
b) C.V.
Figura 118. Comparativo da convergncia da Pf (a) e de C.V. (b) para a Amostragem Melhorada, no
Exemplo 6.
167
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
Sigla
BRUTO
AI
AA
AM
SS
SIMPLES
Tcnica
;
. >. da ;
-4
Simples
2,70310
0,4999
Importncia
1,09010-4
0,0099
Assinttica
2,69710-4
8,0852
Melhorada
1,32710-4
0,4103
Subconjuntos
1,96010-4
0,1970
HIPERCUBO LATINO
Tcnica
;
. >. da ;
-5
Simples
6,75710
--4
0,0100
Importncia
1,09110
Assinttica
8,30010-5
1,5114
-4
0,3106
Melhorada
1,65910
Subconjuntos
1,11010-4
0,2046
VARIVEIS ANTITTICAS
Tcnica
;
. >. da ;
-4
Simples
2,70310
0,4999
Importncia
1,08610-4
0,0100
-4
Assinttica
1,39310
4,7499
Melhorada
1,65010-4
0,3941
-4
0,1963
Subconjuntos
1,62310
Erro (%)
148,44
0,18
147,89
21,97
80,15
Erro (%)
37,90
0,28
23,71
52,48
2,02
Erro (%)
148,44
0,18
28,03
51,65
49,17
168
Figura 119. Comparativo da probabilidade de falha para uma amostra de tamanho 14.800, no Exemplo 6.
conhecimento do problema, como neste caso, onde realizar alguns testes pode ser
computacionalmente custoso. Assim, foi possvel obter os seguintes resultados:
Tabela 44. Comparativo da Pf, no Exemplo 6.
Tamanho da
Amostra
9.200
Tamanho da
Amostra
7.400
Tamanho da
Amostra
7.400
SIMPLES
. >. da ;
Erro (%)
9,53910-5
0,2461
3,731
HIPERCUBO LATINO
Erro (%)
;
. >. da ;
1,05510-4
0,2446
3,705
VARIVEIS ANTITTICAS
Erro (%)
;
. >. da ;
1,06510-4
0,2463
3,703
Tempo de
processamento
(min)
58
Tempo de
processamento
(min)
43
Tempo de
processamento
(min)
44
169
BRUTO
AI
AA
AM
SS
Simples
1 h e 37 min
2h
1 h e 16 min
1 h e 27 min
1 h e 52 min
LHS
Antitticas
1 h e 31 min
1 h e 38 min
2 h e 2 min
2 h e 2 min
1 h e 15 min
1 h e 14 min
1 h e 30 min
1 h e 30 min
1 h e 50 min
1 h e 51 min
170
Figura 120. Comparativo dos tempos de processamento (em segundos) das tecnicas empregadas no
Exemplo 6, para uma amostra de tamanho 14.800.
171
8.
CONSIDERAES FINAIS
Nesta dissertao foram analisadas cinco tcnicas utilizadas na estimativa da
8.1.
Qualidade da resposta
172
8.2.
Tempo de processamento
8.3.
173
174
175
REFERNCIAS
ABNT ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 6123: Foras
devidas ao vento em edificaes. Rio de Janeiro, 1988.
ANG, A. H-S.; TANG, W. H. Probability Concepts in Engineering: Emphasis on
Applications to Civil and Environmental Engineering, 2nd Edition. New York: John
Wiley & Sons, 1984.
AU, S-K. Reliability-based design sensitivity by efficient simulation. Computer and
structures, v.83, p. 1048-1061, 2005.
AU, S-K.; BECK, J. L. Estimation of small failure probabilities in high dimensions by subset
simulation. Probabilistic engineering mechanics, v.16, p. 263-277, 2001.
AU, S-K.; CHING, J.; BECK, J. L. Application of subset simulation methods to reliability
benchmark problems. Structural safety, v.29, p. 183-193, 2007.
BECK, A. T. Curso de confiabilidade estrutural: notas de aula. So Carlos: EESC-USP, 2012.
BUCHER, C. Asymptotic sampling for high-dimensional reliability analysis. Probabilistic
engineering mechanics, v.24, p.504-510, mar. 2009.
CODA, H. B.; GRECO, M. A simple FEM formulation for large deflection 2D frame analysis
based on position description. Computer Methods in Applied Mechanics and Engineering,
v. 193, p. 3541-3557, 2004.
CODA, H. B.; PACCOLA, R. R. An alternative positional FEM formulation for
geometrically non-linear analysis of shells: curved triangular isoparametric elements,
Computational Mechanics, v. 40, p. 185200, 2007.
CODA, H. B.; PACCOLA, R. R. Improved finite element for 3D laminate frame analysis
including warping for any cross-section, Applied Mathematical Modelling, v.34, pp. 1107
1137, 2010.
CODA, H. B.; PACCOLA, R. R. A FEM procedure based on positions and unconstrained
vectors applied to non-linear dynamic of 3D frames, Finite Elements in Analysis and
Design, v.47, p. 319333, 2011.
DITLEVSEN, O. Principle of normal tail approximation, Journal of Engineering
Mechanics Division, v. 107, n. 6, p. 1191-1208, 1981.
GATTAS, M. Mtodo de Levenberg-Marquardt: notas de aula. Rio de Janeiro: PUC-Rio.
176
177
NAESS, A.; LEIRA, B. J.; BATSEVYCH, O. System reliability analysis by enhanced Monte
Carlo simulation. Structural safety, v.31, p. 349-355, 2009.
NOGUEIRA, F. M. A. Cadeias de Markov: notas de aula: Juiz de Fora, UFJF, 2009.
OLSSON, A.; SANDEBERG, G.; DAHLBLOM, O. On latin hypercube sampling for
structural reliability analysis. Structural safety, v.25, p. 47-68, 2003.
ROBERT, C.; CASELLA, G. A short history of Markov Chain Monte Carlo: Subjective
recollections from incomplete data. Statistical science, v.0, n.0, p. 1-14, fev. 2011.
SCHULLER, G. I.; PRANDLWARTER, H. J. Benchmark study on reliability estimation in
higher dimensions of structural systems An overview. Structural Safety v.29, p. 167-182,
2007.
SICHANI, M. T.; NIELSEN, S. R. K.; BUCHER, C. Applications of asymptotic sampling on
high dimensional structural dynamic problems. Structural safety, v.33, p. 305-316, 2011a.
SICHANI, M. T.; NIELSEN, S. R. K.; BUCHER, C. Efficient estimation of first passage
probability of high-dimensional nonlinear systems. Probabilistic engineering mechanics,
v.26, p.539-549, mar. 2011b.
SICHANI, M. T.; NIELSEN, S. R. K.; BUCHER, C. Closure to Applications of asymptotic
sampling on high dimensional structural dynamic problems. Structural safety, v.46, p. 1112, 2014.
TANG, Z.; LU, Z; PAN, W. Discussion on: Applications of asymptotic sampling on high
dimensional structural dynamic problems: M. T. SICHANI, S. R. K. NIELSEN, C. BUCHER,
33(2011) 305-316. Structural safety, v.46, p. 8-10, 2014.
VERZENHASSI, C, C. Otimizao de risco estrutural baseada em confiabilidade.
Dissertao (Mestrado), Escola de Engenharia de So Carlos, Universidade de So Paulo, So
Carlos, 2008.
VIEIRA, C. E. C.; RIBEIRO, C. C.; SOUZA, R. C. Geradores de nmeros aleatrios. 2004,
81p. Monografia (Cincia da Computao) Pontifcia Universidade Catlica do Rio de
Janeiro, Rio de Janeiro, 2004.
ZUEV, K. Random walks in high dimensions: Metropolis algorithm and its modifications.
notas de aula. Hong-Kong: University of Science and Technology, 2010.
ZUEV, K.; BECK, J.L.; AU, S. K.; KATAFYGIOTIS, L.S. Bayesian post-processor and
other enhancements of Subset Simulation for estimating failure probabilities in high
dimensions. Computers and Structures, v.92-93, 283-296, 2012.
178
179
180
181
*LIMIT_STATE_FUNCTIONS:
BY_SUBROUTINE
G1(X) = X(1)-X(2)
SYSTEM = SERIES
*LIMIT_STATE_GRADIENTS:
BY_SUBROUTINE
DG1/X1 = 1.D0
DG1/X2 = -1.D0
*FEM_ANALYSIS:
NONE
OPERES E FUNES EXISTENTES NO INTERPRETADOR:
OPERAES: - + * / **
FUNES: SIN ASIN SINH SIND
COS ACOS COSH COSD
TAN ATAN TANH TAND
NINT ANINT AINT
LOG LOG10 EXP SQRT ABS FLOOR
PARA O NMERO DE VARIVEL ALEATRIA N, USE X(N) OU XN, EXEMPLO: X(1) OU X1
************************************************************************************
VARIVEIS ALEATRIAS DO PROBLEMA
************************************************************************************
*NUMBER_RV:
2 - NRV
*RV_DATA:
2
2
Dist code,
M
M
P:
M:
C:
2.0
1.0
p1,
mdia,
media,
0.20 0.0
0.15 0.0
0.0
0.0
p2,
desvio padro,
c.v.,
min, max,
min, max,
min, max,
P:M:C: - CAPS LOCK Permite: Parmetros (P), Momentos (M) or C.V. (C) to be specified
Distribution codes:
0 - Determinstica
1 - Uniforme
2 - Normal
3 - Lognormal
4 - Exponencial
5 - Raleigh
6 - Logistica
7 - Gumbel para mnimos
8 - Gumbel para mximos
9 - Frechet para minimos
10 - Frechet para maximos
11 - Weibull para minimos
12 - Weibull para maximos
13 Normal Truncada
14 - Gamma
15 - Beta
182
*RV_CORRELATION:
1.00
0.00 1.00
*RV_RELIABILITY_OPTIONS:
0 FORM - First Order Reliability Analysis
0 SORM - Second Order Reliability Analysis
0 BIMODAL Avaliao dos limites de falha bi-modais
1 MCS Simulao de Monte Carlo
0 RS Superfcie de Resposta
*MC_SIMULATION_OPTIONS:
1 Monte Carlo Bruto
1 Amostragem por Importncia usando os pontos de projeto
1 Amostragem Assinttica
1 Amostragem Melhorada
1 Simulao de Subconjuntos
*BASIC_SAMPLES_GENERATION:
1 Amostragem Simples
1 Hipercubo Latino
1 Variveis Antitticas
#######################################################################
********************* NAESS TECHNIQUES ********************************
*ENHANCED_SIM_OPTIONS:
69000 Tamanho da Amostra
1111 Semente do gerador de nmeros aleatrios
100 Nmeros de pontos de suporte
0.4 Valor inicial de lambda
0.9 Valor final de lambda
0.95 Nvel de confiana
0 Grfico de regresso (S ou N)?
0 Grfico de convergncia (S ou N)?
10 Se quer grfico de convergncia, defina o nmero de pontos.
100 Se quer grfico de convergncia defina o valor inicial do tamanho da amostra
*********************ASYMPTOTIC SAMPLING ******************************
*AS_SIM_OPTIONS:
13800 Tamanho da Amostra em cada ponto de suporte
1111 Semente do gerador de nmeros aleatrios
5 Nmeros de pontos de suporte
2 Nmero de parmetros na funo de regresso (2 : A + B/(x^2); 3: A + B/(x^C))
0.4 Valor inicial de f
0.6 Valor final de f
0 Busca adaptativa pelo interval de f (S ou N)?
0 Achar limite superior e inferior de f (1), ou somente superior (0) (se usando busca adaptativa)
10 Nmero de falha mnimo por ponto de suporte
0.95 Nvel de confiana
0 Grfico de regresso (S ou N)?
0 Grfico de convergncia (S ou N)?
10 Se quer grfico de convergncia, defina o nmero de pontos.
100 Se quer grfico de convergncia defina o valor inicial do tamanho da amostra
*AS_FASTER:
1
183
*************************************************************************
*REGRESSION_OPTIONS:
3000
Nmero de iteraes mxima
0.00000001D0 Tolerncia
0
Bandas de confiana empirica (S ou N)?
********************* SIMPLE SAMPLING ********************************
*RV_CRUDE_SIM_OPTIONS:
69000 Tamanho da Amostra
1111 Semente do gerador de nmeros aleatrios
0.95 Nvel de confiana
0 Salvar pontos amostrais (S ou N)?
0 Grfico de convergncia (S ou N)?
10 Se quer grfico de convergncia, defina o nmero de pontos.
100 Se quer grfico de convergncia defina o valor inicial do tamanho da amostra
*LHS_SAMPLES_RANKING:
0 Samples Ranking Full data Output (Boolean: 1 - Yes, 0 - No) - Only for Crude Monte Carlo + LHS
********************* IMPORTANCE SAMPLING*****************************
*RV_IMPORTANCE_SIM_OPTIONS:
69000 Tamanho da Amostra
1111 Semente do gerador de nmeros aleatrios
1 Nmero de funes de amostragem
0.95 Nvel de confiana
0 Salvar pontos amostrais (S ou N)?
0 Grfico de convergncia (S ou N)?
10 Se quer grfico de convergncia, defina o nmero de pontos.
100 Se quer grfico de convergncia defina o valor inicial do tamanho da amostra
********************* SUBSET SIMULATION ********************************
*SUB_SIM_OPTIONS:
15000 Tamanho da Amostra em cada subconjunto
1111 Semente do gerador de nmeros aleatrios
7 Nmero mximo de subconjuntos
0.1 probabilidade de falha condicional
0.95 Nvel de confiana
0 Salvar pontos amostrais (S ou N)?
0 Grfico de convergncia (S ou N)?
10 Se quer grfico de convergncia, defina o nmero de pontos.
100 Se quer grfico de convergncia defina o incremento da amostra em cada subconjunto
*RW_OPTIONS:
1
parmetros definidos pelo usurio (1) ou multiplique os desvios padres originais por alfa (0)
3.0D0 alfa
*RW_DATA:
1
M
0.0
0.140 0.0
0.0
1
M
0.0
0.105 0.0
0.0
*************************************************************************
#######################################################################
Os passos para entrada dos dados das simulaes de Monte Carlo so apresentados a
seguir:
184
2.0
1.0
0.20
0.15
0.0
0.0
0.0
0.0
A flag *RW_OPTIONS: responsvel por definir se o usurio ir definir os desviospadro do caminhante aleatrio de maneira direta ou como uma parcela dos desvios-padro do
problema original.
*RW_OPTIONS:
1
Se definido pelo usurio escolha (1) ou multiplicando o original por alfa (0)
3.0D0 alfa
O mesmo procedimento adotado na definio das variveis aleatrias deve ser realizado
para a definio do caminhante aleatrio utilizado na simulao de subconjuntos, isso feito
utilizando a flag *RW_DATA:. Neste caso deve-se manter a mdia com valor zero e
aconselhvel utilizar uma distribuio de probabilidades uniforme ou normal.
*RW_DATA:
1
M
1
M
0.0
0.0
0.06
0.045
0.0
0.0
0.0
0.0
185
Quando o usurio escolhe o valor 1 para a varivel MCS, as opes de *MCSIMULATION_OPTIONS:, so ativadas. Assim pode-se escolher entre realizar o Monte
Carlo Bruto, Amostragem por Importncia utilizando pontos de projeto, Amostragem
Assinttica, Amostragem Melhorada e Amostragem por Subconjunto. Atravs da opo
*BASIC_SAMPLES_GENERATION:, realizada a escolha da amostragem bsica, neste
caso as opes so: Amostragem Simples, Amostragem por Hipercubo Latino e Variveis
Antitticas.
O StRAnD atualmente apresenta 15 possibilidades para simulao de Monte Carlo. Tais
combinaes so:
o Monte Carlo Bruto com:
Amostragem Simples (SIMC)
Amostragem por Hipercubo Latino (SLHS)
Amostragem por Variveis Antitticas (ASIMC)
o Amostragem por Importncia com:
Amostragem Simples (ISMC)
Amostragem por Hipercubo Latino (ILHS)
Amostragem por Variveis Antitticas (AISMC)
o Amostragem Assinttica com:
Amostragem Simples (ASMC)
Amostragem por Hipercubo Latino (ALHS)
186
187
Com estes dados e utilizando um gerador grfico a escolha do usurio, pode-se gerar os
grficos do comportamento conjunto de quaisquer duplas ou triplas de variveis aleatrias, tal
como na Figura 122(a) e na Figura 122(b), respectivamente.
a)
b)
A Simulao de Subconjuntos possui uma sada de dados diferenciada, uma vez que
cada arquivo FULL_OUTPUT salva os dados de um subconjunto. Desta forma o arquivo sa
com o seguinte nome:
STRAND_X_SUBSET_FULL_OUTPUT.TXT (Simulao de Subconjunto)
onde no lugar de X deve sair o nmero do subconjunto simulado, por exemplo:
STRAND_1_SUBSET_FULL_OUTPUT.TXT, para o primeiro subconjunto.
interessante a aplicao deste tipo de arquivo quando se utiliza a Simulao de
Subconjuntos, uma vez que a gerao de cada subconjunto pode ser facilmente notada quando
se gera os grficos do comportamento conjuntos de pares de variveis aleatrias. Tambm se
pode observar a qualidade das amostras condicionais, uma vez que o desvio padro do
caminhante aleatrio interfere no nvel de aceitao e rejeio destas. Um exemplo do que se
pode obter, quando se utiliza Simulao por Subconjuntos, observada da Figura 123, onde
se observa a gerao dos diferentes subconjuntos para o problema apresentado no Exemplo 1.
188
189
190
Figura 125. Dado de sada do StRAnD: Graficos de regresso utilizando o modelo do Exemplo 1.
Os arquivos RANK_OUTPUT contm a posio que cada uma das realizaes das
variveis aleatrias possui, caso estas fossem colocadas em ordem decrescente. Este conjunto
de dados utilizado na verificao da qualidade do Hipercubo Latino, porm seu uso deve ser
feito com ateno, uma vez que o algoritmo de ordenamento, que foi adicionado, pode ser
computacionalmente custoso. A impresso do arquivo feita como uma matriz, onde o
nmero de linhas o nmero de realizaes e o nmero de colunas igual ao nmero de
variveis aleatrias. A tcnica que faz uso desta sada de dados a de Monte Carlo Padro
com Hipercubo Latino. Um trecho de um arquivo deste tipo pode ser verificado abaixo:
Exemplo: STRAND_SLHS_RANK_OUTPUT.TXT (Hipercubo Latino)
191
Figura 126. Dado de sada do StRAnD: Ranking dos pontos amostrais do Hipercubo Latino Gerado.
fcil observar que cada realizao das variveis aleatrias corresponde a uma ordem,
que neste caso varia de 1 a 10.