Uncertainty Quantification: An Accelerated Course with Advanced Applications in Computational Engineering

این کتاب مفاهیم اساسی و ابزارهای ریاضی پیشرفته را در مدل‌سازی تصادفی عدم قطعیت‌ها و کمی‌سازی آنها برای مدل‌های محاسباتی در مقیاس بزرگ در علوم و مهندسی ارائه می‌کند. به طور خاص، بر عدم قطعیت های پارامتری، و عدم قطعیت های ناپارامتریک با کاربردهایی از دینامیک ساختاری و ارتعاشات سیستم های مکانیکی پیچیده، از میکرومکانیک و مکانیک چند مقیاسی مواد ناهمگن تمرکز دارد.
برگرفته از دوره ای که نویسنده آن را توسعه داده است، کتاب با توصیف ابزارهای ریاضی اساسی احتمال و آمار که مستقیماً برای کمی سازی عدم قطعیت مفید هستند آغاز می شود. این مقاله با توصیف خوب برخی از روش‌های پایه و پیشرفته برای ساخت مدل‌های تصادفی عدم قطعیت‌ها، با توجه خاص به مسئله کالیبراسیون و شناسایی یک مدل تصادفی عدم قطعیت زمانی که داده‌های تجربی در دسترس است، ادامه می‌دهد.
این کتاب در نظر گرفته شده است که یک کتاب درسی در مقطع کارشناسی ارشد برای دانشجویان و همچنین متخصصان علاقه مند به تئوری، محاسبات، و کاربردهای ریسک و پیش بینی در زمینه های علوم و مهندسی باشد.

This book presents the fundamental notions and advanced mathematical tools in the stochastic modeling of uncertainties and their quantification for large-scale computational models in sciences and engineering. In particular, it focuses in parametric uncertainties, and non-parametric uncertainties with applications from the structural dynamics and vibroacoustics of complex mechanical systems, from micromechanics and multiscale mechanics of heterogeneous materials.
Resulting from a course developed by the author, the book begins with a description of the fundamental mathematical tools of probability and statistics that are directly useful for uncertainty quantification. It proceeds with a well carried out description of some basic and advanced methods for constructing stochastic models of uncertainties, paying particular attention to the problem of calibrating and identifying a stochastic model of uncertainty when experimental data is available.
This book is intended to be a graduate-level textbook for students as well as professionals interested in the theory, computation, and applications of risk and prediction in science and engineering fields.