کلمات کلیدی مربوط به کتاب ارزیابی ریسک مهندسی و طراحی با شبیه سازی زیر مجموعه: ارزیابی ریسک -- ریاضیات. طراحی مهندسی -- ریاضیات. تئوری مجموعه ها فن آوری و مهندسی / مکانیک.
در صورت تبدیل فایل کتاب Engineering risk assessment and design with subset simulation به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب ارزیابی ریسک مهندسی و طراحی با شبیه سازی زیر مجموعه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
کتابی منحصر به فرد که پوشش جامعی از شبیه سازی زیرمجموعه ارائه
می دهد - ابزاری قوی برای کاربردهای عمومی این کتاب با نظریه پایه
در انتشار عدم قطعیت با استفاده از روش های مونت کارلو و تولید
متغیرهای تصادفی و فرآیندهای تصادفی برای برخی از توزیع های رایج
در کاربردهای مهندسی شروع می شود. سپس یک کلاس از روشهای
شبیهسازی قدرتمند به نام Markov Chain Monte را معرفی میکند.
سناریوها به صورت احتمالی سازگار. سپس تئوری شبیهسازی زیرمجموعه
ارائه میشود و به مسائل عملی مرتبطی میپردازد که در اجرای واقعی
با آن مواجه میشوند. تعدادی از انواع شبیهسازی زیرمجموعه که
میتواند منجر به بهبود عملکرد برای کلاسهای خاصی از مسائل شود
نیز پوشش داده خواهد شد. نیمه دوم کتاب خواننده را با شکست
احتمالی آشنا می کند تجزیه و تحلیل و طراحی مبتنی بر قابلیت
اطمینان، که در زمینه ای طراحی شده اند که می تواند به طور موثر
در زمینه شبیه سازی زیر مجموعه یا شبیه سازی مونت کارلو به طور
کلی مورد بررسی قرار گیرد. نتیجه یک چارچوب کلی است که به پزشک
امکان میدهد حساسیت قابلیت اطمینان به پارامترهای نامشخص را
بررسی کند و سناریوهای طراحی احتمالی را به طور سیستماتیک برای
انتخاب طرح نهایی به روشی راحت اما از نظر محاسباتی کارآمد از
طریق شبیهسازی بررسی کند. ویژگی منحصر به فرد این کتاب این است
که با یک VBA (ویژوال بیسیک برای برنامه ها) که شبیه سازی زیر
مجموعه را در محیط صفحه گسترده اکسل پیاده سازی می کند، تکمیل شده
است. این به خواننده اجازه میدهد تا با مثالهای موجود در کتاب
آزمایش کند و تجربه عملی با شبیهسازی را به دست آورد. فصلی به
چارچوب نرمافزاری اختصاص داده شده است که با حل مشکل ارزیابی
ریسک در سه رویه غیر مرتبط، یعنی مدلسازی قطعی، مدلسازی عدم
قطعیت و انتشار عدم قطعیت، یک راهحل عملی را امکانپذیر میسازد.
ارائه یک روش شبیه سازی قدرتمند به نام Subset Simulation برای
ارزیابی ریسک مهندسی کارآمد و طراحی مبتنی بر قابلیت اطمینان.
وبسایت همراه برای گنجاندن پیشرفتهای ایدههای نرمافزار در
دسترس است \"--
�بیشتر
بخوانید...
چکیده:
این کتاب با
ایده های اساسی در انتشار عدم قطعیت با استفاده از روش های
مونت کارلو و تولید متغیرهای تصادفی و فرآیندهای تصادفی برای
برخی از توزیعهای رایج که در برنامههای مهندسی با آن مواجه
میشوند. �بیشتر بخوانید...
"A unique book giving a comprehensive coverage of Subset
Simulation - a robust tool for general applicationsThe book
starts with the basic theory in uncertainty propagation using
Monte Carlo methods and the generation of random variables and
stochastic processes for some common distributions encountered
in engineering applications. It then introduces a class of
powerful simulation method called Markov Chain Monte
Carlo method
(MCMC), an important machinery behind Subset Simulation that
allows one to generate samples for investigating rare scenarios
in a probabilistically consistent manner. The theory of Subset
Simulation is then presented, addressing related practical
issues encountered in the actual implementation. A number of
variants of Subset Simulation that can lead to improved
performance for specific classes of problems will also be
covered. The second half the book introduces the reader to
probabilistic failure analysis and reliability-based design,
which are laid out in a context that can be efficiently tackled
within the context of Subset Simulation or Monte Carlo
simulation in general. The result is a general framework that
allows the practitioner to investigate reliability sensitivity
to uncertain parameters and to explore possible design
scenarios systematically for selection of the final design in a
convenient but computationally efficient manner via
simulation.A unique feature of this book is that it is
complemented with a VBA (Visual Basic for Applications) that
implements Subset Simulation in the Excel spreadsheet
environment. This allows the reader to experiment with the
examples in the book and get hands-on experience with
simulation. A chapter is devoted to the software framework that
allows a practical solution by resolving the risk assessment
problem into three uncoupled procedures, namely, deterministic
modeling, uncertainty modeling and uncertainty propagation.
Presents a powerful simulation method called Subset Simulation
for efficient engineering risk assessment and reliability-based
design Illustrates application examples with MS Excel
spreadsheets allowing readers to gain hands-on experience with
simulation techniques Covers theoretical fundamentals as well
as advanced implementation issues in practical engineering
problems A companion website is available to include the
developments of the software ideas "-- �Read
more...
Abstract:
This book
starts with the basic ideas in uncertainty propagation
using Monte Carlo methods and the generation of random
variables and stochastic processes for some common
distributions encountered in engineering
applications. �Read more...
Content: ""Title Page""
""Copyright Page""
""Dedication""
""About the Authors""
""Preface""
""Acknowledgements""
""Nomenclature""
""1 Introduction""
""1.1 Formulation""
""1.2 Context""
""1.3 Extreme Value Theory""
""1.4 Exclusion""
""1.5 Organization of this Book""
""1.6 Remarks on the Use of Risk Analysis""
""1.7 Conventions""
""References""
""2 A Line of Thought""
""2.1 Numerical Integration""
""2.2 Perturbation""
""2.3 Gaussian Approximation""
""2.4 First/Second-Order Reliability Method""
""2.5 Direct Monte Carlo""
""2.6 Importance Sampling""
""2.7 Subset Simulation"" ""2.8 Remarks on Reliability Methods""""2A.1 Appendix: Laplace Type Integrals""
""References""
""3 Simulation of Standard Random Variable and Process""
""3.1 Pseudo-Random Number""
""3.2 Inversion Principle""
""3.3 Mixing Principle""
""3.4 Rejection Principle""
""3.5 Samples of Standard Distribution""
""3.6 Dependent Gaussian Variables""
""3.7 Dependent Non-Gaussian Variables""
""3.8 Correlation through Constraint""
""3.9 Stationary Gaussian Process""
""3A.1 Appendix: Variance of Linear System Driven by White Noise""
""3A.2 Appendix: Verification of Spectral Formula"" ""6.1 Probabilistic Failure Analysis""""6.2 Uncertain Parameter Sensitivity""
""6.3 Conditional Samples from Direct Monte Carlo""
""6.4 Conditional Samples from Subset Simulation""
""References""
""7 Spreadsheet Implementation""
""7.1 Microsoft Excel and VBA""
""7.2 Software Package UPSS""
""7.3 Tutorial Exampleâ€"Polynomial Function""
""7.4 Tutorial Exampleâ€"Slope Stability""
""7.5 Tutorial Exampleâ€"Portal Frame""
""Notes""
""References""
""A Appendix: Mathematical Tools""
""A.1 Calculus""
""A.2 Linear Algebra""
""A.3 Probability Theory""
""Index""