Estratégias populacionais, adaptativas e de aceitação atrasada em métodos de Monte Carlo com cadeias de Markov para a identificação de danos estruturais em vigas

• Ano de defesa: 2018
• Autor(a) principal: Teixeira, Josiele da Silva
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Instituto Politécnico; BR; UERJ; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Damage identification; Bayesian inference; Population and adaptive Markov chain Monte Carlo method; Delayed acceptance; Identificação de danos; Inferência bayesiana; Método de Monte Carlo com cadeia de Markov adaptativo e populacional; Aceitação atrasada; Ruína de estruturas Modelos matemáticos; Análise estrutural (Engenharia); Falhas estruturais Modelos matematicos; Mecânica do dano contínuo; Deformações e tensões; Monte Carlo, Método de; Markov, Processos de; CNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA::MATEMATICA APLICADA
• Link de acesso: http://www.bdtd.uerj.br/handle/1/13720

O presente trabalho apresenta um estudo referente à aplicação da abordagem Bayesiana como técnica de solução do problema inverso de identificação de danos estruturais, onde a integridade da estrutura é continuamente descrita por um parâmetro estrutural denominado parâmetro de coesão. A estrutura escolhida para análise é uma viga simplesmente apoiada do tipo Euler-Bernoulli. A identificação de danos é baseada em alterações na resposta impulsiva da estrutura, provocadas pela presença dos mesmos. O problema direto é resolvido através do Método de Elementos Finitos (MEF), que, por sua vez, é parametrizado pelo parâmetro de coesão da estrutura. O problema de identificação de danos é formulado como um problema inverso, cujo objetivo é estimar o parâmetro de coesão da estrutura. As incertezas inerentes aos dados experimentais serão contempladas na função de verossimilhança. São implementados como estratégias de solução os Métodos de Monte Carlo com Cadeias de Markov convencional (MCMC) e populacional (PopMCMC). Além disso, são implementadas duas adaptações do algoritmo de Metropolis-Hastings, a primeira é autoral e a segunda foi desenvolvida por Haario, Sakaman e Tamminen (2001). O PopMCMC também é implementado considerando a primeira técnica adaptativa. Com o objetivo de reduzir o custo computacional, são implementados os métodos MCMC e PopMCMC combinados com um método de aceitação atrasada (Delayed Acceptance) e com a primeira técnica adaptativa. Um conjunto de resultados numéricos é apresentado levando-se em consideração, diferentes arranjos experimentais, diferentes cenários de dano e dois níveis de ruído, para as estratégias de solução apresentadas.