Structural Reliability: Statistical Learning Perspectives

این تک نگاری رویکردی بدیع به قابلیت اطمینان ساختاری از دیدگاه تئوری یادگیری آماری ارائه می دهد. روش‌های جدیدی را برای حل مشکل قابلیت اطمینان با استفاده از پیشرفت‌های اخیر در نظریه یادگیری محاسباتی، مانند شبکه‌های عصبی و ماشین‌های بردار پشتیبان، پیشنهاد می‌کند. همچنین مسائل مهمی را در مورد مدیریت نمونه‌ها در شبیه‌سازی مونت کارلو برای اهداف تحلیل قابلیت اطمینان ساختاری نشان می‌دهد و درمان مشکل قابلیت اطمینان ساختاری را به عنوان یک کار تشخیص الگو یا طبقه‌بندی بررسی می‌کند. هدف این تک نگاری که با دقت نوشته شده است، محققان و دانشجویان مهندسی عمران و مکانیک، به ویژه در مهندسی قابلیت اطمینان، تجزیه و تحلیل سازه، یا یادگیری آماری است.

This monograph presents an original approach to Structural Reliability from the perspective of Statistical Learning Theory. It proposes new methods for solving the reliability problem utilizing the recent developments in Computational Learning Theory, such as Neural Networks and Support Vector machines. It also demonstrates important issues on the management of samples in Monte Carlo simulation for structural reliability analysis purposes and examines the treatment of the structural reliability problem as a pattern recognition or classification task. This carefully written monograph is aiming at researchers and students in civil and mechanical engineering, especially in reliability engineering, structural analysis, or statistical learning.