ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Probabilistic finite element model updating using Bayesian statistics : applications to aeronautical and mechanical engineering

دانلود کتاب به روز رسانی مدل المان محدود احتمالی با استفاده از آمار بیزی: کاربردها در مهندسی هوانوردی و مکانیک

Probabilistic finite element model updating using Bayesian statistics : applications to aeronautical and mechanical engineering

مشخصات کتاب

Probabilistic finite element model updating using Bayesian statistics : applications to aeronautical and mechanical engineering

ویرایش:  
نویسندگان: , ,   
سری:  
ISBN (شابک) : 9781119153009, 1119153018 
ناشر: John Wiley & Sons 
سال نشر: 2016 
تعداد صفحات: 241 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 8 مگابایت 

قیمت کتاب (تومان) : 54,000



کلمات کلیدی مربوط به کتاب به روز رسانی مدل المان محدود احتمالی با استفاده از آمار بیزی: کاربردها در مهندسی هوانوردی و مکانیک: روش اجزای محدود، نظریه تصمیم گیری آماری بیزی، مهندسی، مدل های ریاضی، فناوری و مهندسی، مهندسی (عمومی)، فناوری و مهندسی، مرجع



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 20


در صورت تبدیل فایل کتاب Probabilistic finite element model updating using Bayesian statistics : applications to aeronautical and mechanical engineering 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 به روز رسانی مدل المان محدود احتمالی با استفاده از آمار بیزی: کاربردها در مهندسی هوانوردی و مکانیک 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.


توضیحاتی در مورد کتاب به روز رسانی مدل المان محدود احتمالی با استفاده از آمار بیزی: کاربردها در مهندسی هوانوردی و مکانیک

به روز رسانی مدل المان محدود احتمالی با استفاده از آمار بیزی: برنامه های کاربردی در مهندسی هوانوردی و مکانیک Tshilidzi Marwala و Ilyes Boulkaibet، دانشگاه ژوهانسبورگ، آفریقای جنوبی Sondipon Adhikari، دانشگاه سوانسی، انگلستان مدل آماری احتمالی المان محدود را با استفاده از کاربردهای مکانیکی من و خلیج ها پوشش می دهد. مهندسی مدل‌های اجزای محدود به طور گسترده برای مدل‌سازی رفتار دینامیکی بسیاری از سیستم‌ها از جمله در مهندسی برق، هوافضا و مکانیک استفاده می‌شوند. این کتاب به‌روزرسانی مدل المان محدود احتمالی را پوشش می‌دهد که با استفاده از آمار بیزی به دست آمده است. چارچوب بیزی برای تخمین مدل‌های المان محدود احتمالی که عدم قطعیت‌ها در اندازه‌گیری‌ها و روش مدل‌سازی را در نظر می‌گیرد، استفاده می‌شود. فرمول بیزی با فرمول بندی مدل المان محدود به عنوان توزیع خلفی مدل با توجه به داده های اندازه گیری شده در زمینه آمار محاسباتی به این امر دست می یابد و آنها را در مهندسی هوانوردی و مکانیک به کار می برد. به روز رسانی مدل المان محدود احتمالی با استفاده از آمار بیزی حاوی توضیحات ساده ای از تکنیک های آماری محاسباتی مانند الگوریتم متروپلیس-هیستینگ، نمونه برداری برش، روش مونت کارلو زنجیره مارکوف، مونت کارلو ترکیبی و همچنین مونت کارلو ترکیبی سایه و ارتباط آنها در مهندسی است. ویژگی های کلیدی: -شامل چندین مشارکت در زمینه به روز رسانی مدل با استفاده از تکنیک های بیزی است که برای دانشجویان تحصیلات تکمیلی مفید است. استفاده از تکنیک‌های بیزی برای تعیین کمیت عدم قطعیت در ساختارهای مکانیکی و همچنین استفاده از تکنیک‌های مونت کارلو زنجیره مارکوف برای ارزیابی فرمول‌های بیزی را به تفصیل توضیح می‌دهد. خواندن این کتاب برای محققان، پزشکان و دانشجویان مهندسی مکانیک و هوافضا ضروری است. بیشتر بخوانید...
چکیده: به روز رسانی مدل المان محدود احتمالی با استفاده از آمار بیزی: کاربردها در مهندسی هوانوردی و مکانیک Tshilidzi Marwala و Ilyes Boulkaibet، دانشگاه ژوهانسبورگ، آفریقای جنوبی Sondipon Adhikari، دانشگاه سوانسی، انگلستان مدل احتمالی بر اساس آمار Bayfin را پوشش می دهد. برنامه های کاربردی در مهندسی هوانوردی و مکانیک مدل های المان محدود به طور گسترده ای برای مدل سازی رفتار دینامیکی بسیاری از سیستم ها از جمله در مهندسی برق، هوافضا و مکانیک استفاده می شوند. این کتاب به‌روزرسانی مدل المان محدود احتمالی را پوشش می‌دهد که با استفاده از آمار بیزی به دست آمده است. چارچوب بیزی برای تخمین مدل‌های المان محدود احتمالی که عدم قطعیت‌ها در اندازه‌گیری‌ها و روش مدل‌سازی را در نظر می‌گیرد، استفاده می‌شود. فرمول بیزی با فرمول بندی مدل المان محدود به عنوان توزیع خلفی مدل با توجه به داده های اندازه گیری شده در زمینه آمار محاسباتی به این امر دست می یابد و آنها را در مهندسی هوانوردی و مکانیک به کار می برد. به روز رسانی مدل المان محدود احتمالی با استفاده از آمار بیزی حاوی توضیحات ساده ای از تکنیک های آماری محاسباتی مانند الگوریتم متروپلیس-هیستینگ، نمونه برداری برش، روش مونت کارلو زنجیره مارکوف، مونت کارلو ترکیبی و همچنین مونت کارلو ترکیبی سایه و ارتباط آنها در مهندسی است. ویژگی های کلیدی: -شامل چندین مشارکت در زمینه به روز رسانی مدل با استفاده از تکنیک های بیزی است که برای دانشجویان تحصیلات تکمیلی مفید است. استفاده از تکنیک‌های بیزی برای تعیین کمیت عدم قطعیت در ساختارهای مکانیکی و همچنین استفاده از تکنیک‌های مونت کارلو زنجیره مارکوف برای ارزیابی فرمول‌های بیزی را به تفصیل توضیح می‌دهد. خواندن این کتاب برای محققان، پزشکان و دانشجویان مهندسی مکانیک و هوافضا ضروری است.


توضیحاتی درمورد کتاب به خارجی

Probabilistic Finite Element Model Updating Using Bayesian Statistics: Applications to aeronautical and Mechanical Engineering Tshilidzi Marwala and Ilyes Boulkaibet, University of Johannesburg, South Africa Sondipon Adhikari, Swansea University, UK Covers the probabilistic finite element model based on Bayesian statistics with applications to aeronautical and mechanical engineering Finite element models are used widely to model the dynamic behaviour of many systems including in electrical, aerospace and mechanical engineering. The book covers probabilistic finite element model updating, achieved using Bayesian statistics. The Bayesian framework is employed to estimate the probabilistic finite element models which take into account of the uncertainties in the measurements and the modelling procedure. The Bayesian formulation achieves this by formulating the finite element model as the posterior distribution of the model given the measured data within the context of computational statistics and applies these in aeronautical and mechanical engineering. Probabilistic Finite Element Model Updating Using Bayesian Statistics contains simple explanations of computational statistical techniques such as Metropolis-Hastings Algorithm, Slice sampling, Markov Chain Monte Carlo method, hybrid Monte Carlo as well as Shadow Hybrid Monte Carlo and their relevance in engineering. Key features: -Contains several contributions in the area of model updating using Bayesian techniques which are useful for graduate students. -Explains in detail the use of Bayesian techniques to quantify uncertainties in mechanical structures as well as the use of Markov Chain Monte Carlo techniques to evaluate the Bayesian formulations. The book is essential reading for researchers, practitioners and students in mechanical and aerospace engineering. Read more...
Abstract: Probabilistic Finite Element Model Updating Using Bayesian Statistics: Applications to aeronautical and Mechanical Engineering Tshilidzi Marwala and Ilyes Boulkaibet, University of Johannesburg, South Africa Sondipon Adhikari, Swansea University, UK Covers the probabilistic finite element model based on Bayesian statistics with applications to aeronautical and mechanical engineering Finite element models are used widely to model the dynamic behaviour of many systems including in electrical, aerospace and mechanical engineering. The book covers probabilistic finite element model updating, achieved using Bayesian statistics. The Bayesian framework is employed to estimate the probabilistic finite element models which take into account of the uncertainties in the measurements and the modelling procedure. The Bayesian formulation achieves this by formulating the finite element model as the posterior distribution of the model given the measured data within the context of computational statistics and applies these in aeronautical and mechanical engineering. Probabilistic Finite Element Model Updating Using Bayesian Statistics contains simple explanations of computational statistical techniques such as Metropolis-Hastings Algorithm, Slice sampling, Markov Chain Monte Carlo method, hybrid Monte Carlo as well as Shadow Hybrid Monte Carlo and their relevance in engineering. Key features: -Contains several contributions in the area of model updating using Bayesian techniques which are useful for graduate students. -Explains in detail the use of Bayesian techniques to quantify uncertainties in mechanical structures as well as the use of Markov Chain Monte Carlo techniques to evaluate the Bayesian formulations. The book is essential reading for researchers, practitioners and students in mechanical and aerospace engineering



فهرست مطالب

Content: Title Page 
Copyright
Contents
Acknowledgements
Nomenclature
Chapter 1 Introduction to Finite Element Model Updating
1.1 Introduction
1.2 Finite Element Modelling
1.3 Vibration Analysis
1.3.1 Modal Domain Data
1.3.2 Frequency Domain Data
1.4 Finite Element Model Updating
1.5 Finite Element Model Updating and Bounded Rationality
1.6 Finite Element Model Updating Methods
1.6.1 Direct Methods
1.6.2 Iterative Methods
1.6.3 Artificial Intelligence Methods
1.6.4 Uncertainty Quantification Methods
1.7 Bayesian Approach versus Maximum Likelihood Method
1.8 Outline of the Book. Chapter 3 Bayesian Statistics in Structural Dynamics 3.1 Introduction
3.2 Bayes ́Rule
3.3 Maximum Likelihood Method
3.4 Maximum a Posteriori Parameter Estimates
3.5 Laplaceś Method
3.6 Prior, Likelihood and Posterior Function of a Simple Dynamic Example
3.6.1 Likelihood Function
3.6.2 Prior Function
3.6.3 Posterior Function
3.6.4 Gaussian Approximation
3.7 The Posterior Approximation
3.7.1 Objective Function
3.7.2 Optimisation Approach
3.7.3 Case Example
3.8 Sampling Approaches for Estimating Posterior Distribution
3.8.1 Monte Carlo Method. 3.8.2 Markov Chain Monte Carlo Method3.8.3 Simulated Annealing
3.8.4 Gibbs Sampling
3.9 Comparison between Approaches
3.9.1 Numerical Example
3.10 Conclusions
References
Chapter 4 Metropolis-Hastings and Slice Sampling for Finite Element Updating
4.1 Introduction
4.2 Likelihood, Prior and the Posterior Functions
4.3 The Metropolis-Hastings Algorithm
4.4 The Slice Sampling Algorithm
4.5 Statistical Measures
4.6 Application 1: Cantilevered Beam
4.7 Application 2: Asymmetrical H-Shaped Structure
4.8 Conclusions
References. Chapter 5 Dynamically Weighted Importance Sampling for Finite Element Updating 5.1 Introduction
5.2 Bayesian Modelling Approach
5.3 Metropolis-Hastings (M-H) Algorithm
5.4 Importance Sampling
5.5 Dynamically Weighted Importance Sampling
5.5.1 Markov Chain
5.5.2 Adaptive Pruned-Enriched Population Control Scheme
5.5.3 Monte Carlo Dynamically Weighted Importance Sampling
5.6 Application 1: Cantilevered Beam
5.7 Application 2: H-Shaped Structure
5.8 Conclusions
References
Chapter 6 Adaptive Metropolis-Hastings for Finite Element Updating
6.1 Introduction.




نظرات کاربران