Beruflich Dokumente
Kultur Dokumente
Julho de 2008
Resumo
The assessment of behaviour of structural systems involves risk and uncertainty evaluation.
To evaluate more accurately the risk associated to structural safety, probabilistic and
reliability techniques have been applied increasingly in the last years. The generalized
application of these techniques has been delayed by the inefficiency to solve complex or
large problems.
Techniques employing simulation procedures, such as crude Monte Carlo method, have
high computational cost in large structural systems even if the computational efficiency is
implemented with variance reduction techniques. Current reliability techniques, such as
FORM and SORM, are widely acceptable and their application is rather simple when an
explicit formulation of the structural problem exists. However, when there are not explicit
relations between variables, such as the finite element method, the application of these
reliability techniques to evaluate the uncertainty of structural response is more difficult and
less efficient.
In this work is presented an efficient method to evaluate structural uncertainty that couples
perturbation techniques with the finite element method. This methodology allows, in only
one structural analysis, to evaluate the mean value and the standard deviation of the
structural response, in terms of displacements or forces, by defining previously the
probability distribution of problem basic random variables. Consequently a much faster
analysis is performed, when compared with the current methods based on reliability
techniques. The structural random variables are described by their mean values, standard
deviation and correlation coefficients. The results obtained are exact when structural
response function is linear and normal or quasi-normal distributions of random variables
are guaranteed. The results remain accurate if appropriate approximations are employed.
The necessary procedures to implement these techniques in a finite element program for
some probability distributions are described. This program can be used with first order
reliability methods and Monte Carlo simulation method. Furthermore, it allows correlated
random variables and/or non normal distributions. Applications of the developed
methodology and their comparison with other methods are also presented.
v
Rsum
L'valuation du comportement de systmes structurels implique une analyse des risques et
des incertitudes elles associes. Pour valuer avec plus prcision les risques associs la
scurit structurelle ils sont venus tre appliqus ces dernires annes, plus frquemment,
mthodes probabilistes de fiabilit. Les difficults trouves dans l'application gnralise
de ces mthodes sont surtout associs au peu efficace de rsolution de problmes de grand
dimension.
Les techniques qui utilise simulation, comme la mthode de Monte Carlo, ont de grands
cots informatiques pour des systmes structurels plus complexes, mme quand la mise en
oeuvre informatique inclut des techniques de rduction de la variance. Les techniques de
fiabilit, comme les mthodes FORM et SORM, sont en rgle accepts en tant leurs
applications suffisamment simples quand existe une formulation explicite du problme
structurel. Quand il n'y a pas relations explicites entre les variables, comme par exemple la
mthode des lments finis, l'application des techniques courantes de fiabilit pour valuer
l'incertitude de la rponse structurelle se rend plus exigeant et peu efficace.
Dans ce travail se prsente une mthode de fiabilit structurelle efficace pour valuer
l'incertitude de la rponse structurelle qui conjugue des techniques de perturbation avec les
mthodes d'lments finis. Cette mthodologie permet, avec une seule analyse structurelle,
valuer la valeur moyenne et lcart-type de la rponse structurelle, dfinie par
disloquements ou forces, en dfinissant a priori les distributions de probabilit des
variables alatoires basiques du problme. En consquence est ralise une analyse plus
rapide quand compare avec les mthodes courantes bases dans les techniques de fiabilit.
Les variables alatoires basiques sont dfinies travers de leurs valeurs moyennes, cart-
types et coefficients de corrlation. Les rsultats sont exacts quand la fonction de rponse
structurelle est linaire et les distributions des variables alatoires basiques sont normaux
ou approximativement normaux. Les rsultats restent appropris se soient utiliss des
approches appropries.
Ils se dcrivent les procdures ncessaires pour mettre en oeuvre ces techniques dans un
programme d'lments finis pour plusieurs types de distributions de probabilit. Ce
programme peut tre utilis avec des mthodes de fiabilit de premire classe et avec la
mthode de simulation de Monte Carlo. Il est prpar pour des variables alatoires
corrles et/ou avec de la distribution non normale. Aussi ils si prsente des applications de
la mthodologie dveloppe ainsi que des comparaisons avec autres mthodes.
vii
PALAVRAS-CHAVE
Estruturas de beto
Fiabilidade estrutural
Formatos de segurana
Elementos finitos
Mtodo de Monte Carlo
Mtodo de perturbao
Anlise de incertezas
KEYWORDS MOTS CL
ix
Agradecimentos
Agradeo primeiro a minha esposa pelo constante apoio e encorajamento que sempre me
deu, pelo acompanhamento e incentivos durante todo este trabalho. As suas sugestes,
comentrios e as muitas horas de trocas de opinio foram muito teis e enriquecedoras para
o desempenho de todo este trabalho. Agradeo tambm pelo filho que tivemos e que uma
fonte de motivao, inspirao e alegria.
A meus pais e minha tia, sempre presentes, pelo suporte e incentivo que me tm dado em
todos os momentos da vida, e da felicidade de t-los como pais e tia madrinha.
A minha irm pela amizade, apoio e compreenso. Saber que tambm ter sempre o meu
apoio.
A toda a minha restante famlia, primos, primas, sogra, sobrinho, sobrinhas, cunhadas e
cunhados, que sempre me apoiaram.
xi
Aos meus amigos que directa ou indirectamente contriburam para a finalizao deste
trabalho. Ao Rafael e Paula, Oliveira, Carlos, Rui e Paula. A todos os meus amigos de
vora, Lisboa e que fiz na Escola de Valena que apesar da distncia como se
estivssemos sempre juntos.
xii
ndice
Captulo 1
Introduo 1
1.1 Objectivos, 1
Captulo 2
2.1 Introduo, 9
xiii
2.8 ndice de fiabilidade, 17
Captulo 3
Captulo 4
xv
4.3 Mtodos de simulao pura, 149
Captulo 5
xvi
Captulo 6
Aplicaes 201
6.5 Prtico de trs vos e doze andares sujeito a foras nodais horizontais, 212
6.7 Estrutura metlica com dez barras sujeita a duas foras, 222
6.8 Prtico de dois vos e vinte andares sujeito a foras horizontais e verticais, 225
6.9 Prtico de trs vos e cinco andares sujeito a foras horizontais, 229
Captulo 7
Anexos
Anexo 1
xviii
Captulo 1
Introduo
1.1 Objectivos
1
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
A anlise de fiabilidade est relacionada com o tratamento das vrias incertezas que
envolvem os problemas de engenharia. Essas incertezas surgem da aleatoridade dos vrios
parmetros que envolvem os problemas estruturais, problemas na escolha dos modelos,
parmetros fsicos, variaes devidas aco do homem, etc. As primeiras abordagens
simplificavam os problemas considerando os parmetros relacionados com as incertezas
como constantes, atravs dos chamados coeficientes de segurana que se baseavam em
experincias passadas. Para avaliar de forma racional a disperso associada a um sistema
estrutural sujeito a vrias incertezas traduzidas por diferentes variveis aleatrias bsicas
h que utilizar uma anlise probabilstica. Os primeiros estudos realizados sobre este tema
foram efectuados por Freudenthal (1945, 1956) que aplicou mtodos probabilsticos para
avaliar a segurana de estruturas constitudas por diferentes materiais, apresentando os
princpios bsicos da teoria da fiabilidade estrutural. Na dcada de sessenta este assunto
comeou a ser tratado de uma forma mais aprofundada e consistente, como por exemplo
nos trabalhos realizados por Freudenthal et al. (1966) e Bolotin (1965). Desde a que a
teoria sobre a anlise da fiabilidade estrutural e suas aplicaes tem vindo a ser discutida e
desenvolvida por diversos autores. A quantidade de textos e literatura existente sobre este
tema tem vindo a aumentar consideravelmente nos ltimos anos. Alguns dos livros mais
relevantes sobre o assunto foram apresentados por Ang e Tang (1975), Ditlevsen (1981a),
Elishakoff (1999), Augusti, Baratta e Casciati (1984), Yao (1985), Thoft-Christensen e
2
Captulo 1 - Introduo
A anlise estrutural que combina o mtodo dos elementos finitos com a teoria das
probabilidades comeou a desenvolver-se nos anos setenta. Estes mtodos so os
chamados mtodos probabilsticos de elementos finitos que, basicamente, se podem dividir
nos mtodos de simulao, nos mtodos de perturbao e nos mtodos de fiabilidade (Liu e
Kiureghian, 1989). O termo mtodo estocstico, ou probabilstico, de elementos finitos (do
ingls SFEM ou PFEM) utilizado para referir um mtodo de elementos finitos que tem
em conta as incertezas na geometria e/ou propriedades dos materiais de uma estrutura,
assim como das cargas aplicadas. Normalmente, essas incertezas so distribudas
espacialmente ao longo da estrutura e devem ser modeladas como campos aleatrios. Estes
mtodos tomam em considerao o efeito aleatrio existente na matriz de rigidez e no
vector das cargas. Alm disso, h que ter em ateno forma como se organizam no
computador estruturas complexas com muitos graus de liberdade e muitas variveis
aleatrias pois da podem advir problemas em termos de memria de computador. O
interesse nesta rea aumentou a partir do momento em que se percebeu que em algumas
estruturas a resposta bastante sensvel s propriedades dos materiais e que mesmo
pequenas incertezas podem afectar fortemente a fiabilidade estrutural. Nos ltimos trinta
anos o mtodo probabilstico de elementos finitos tem sido muito utilizado em todos os
campos estruturais. Os desenvolvimentos nesta rea tm vindo a ser discutidos, de entre
outros, por Vanmarcke et al. (1986), Nakagiri et al. (1987), Der Kiureghian e Ke (1988),
Brenner (1991), Ghanem e Spanos (1991, 2003), Matthies et al. (1997), Kleiber e Hien
(1992), Sudret e Kiureghian (2000, 2002).
O mtodo de simulao de Monte Carlo foi utilizado neste trabalho como mtodo de
referncia. Esta uma poderosa ferramenta que pode ser adaptada para a anlise
probabilstica de incertezas em todo o tipo de problemas e os resultados podem ser obtidos
com a preciso desejada. Neste mtodo so realizadas anlises repetidas com os valores
obtidos atravs das variveis aleatrias bsicas, os quais so gerados a partir das
distribuies de probabilidade das respectivas variveis. Desta forma, as estatsticas de
resposta so obtidas a partir das amostras que vo sendo geradas. Este mtodo pode ser
aplicado a qualquer tipo de problema estrutural, sendo os resultados obtidos com uma
preciso que ir depender do nmero de simulaes efectuadas. medida que o nmero de
3
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
simulaes aumenta a probabilidade de rotura obtida pelo mtodo de Monte Carlo fica
cada vez mais prxima do valor exacto. No entanto, para sistemas estruturais mais
complexos o nmero de simulaes necessita de ser bastante elevado, o que torna este
mtodo um pouco moroso e logo pouco eficiente. Esta uma das principais razes porque
hoje em dia muitos autores consideram este mtodo inadequado para aplicaes prticas.
No entanto, na actualidade, ele ainda muito utilizado tendo inclusivamente outros autores
desenvolvido algumas tcnicas de reduo da varincia como forma de ultrapassar esse
problema [Rubinstein (1981), Bucher (1988), Melchers (1999), Ditlevsen e Madsen
(2005), Mahadevan e Raghothamachar (2000), Olsson et al. (2003), Schueller (2001)].
Apesar dos problemas que podem surgir na sua aplicao, este mtodo ainda se deve
considerar bastante vlido como uma ferramenta de verificao no desenvolvimento de
mtodos mais refinados como os mtodos de fiabilidade e perturbao.
4
Captulo 1 - Introduo
Os mtodos de fiabilidade de primeira ordem (do ingls FORM) e de segunda ordem (do
ingls SORM) tm sido muito utilizados para estimar a probabilidade de rotura de sistemas
estruturais. Nos ltimos anos, o desenvolvimento da tecnologia permitiu o aparecimento de
computadores cada vez mais rpidos e eficazes o que veio impulsionar e influenciar de
forma significativa os desenvolvimentos nesta rea. Os trabalhos mais recentes incluem,
entre muitos, os de Wen (1990), Nowak e Collins (2000) e Ranganathan (1999). Shinozuka
(1983) apresentou um trabalho sobre vrias definies e clculos de ndices de fiabilidade.
Ao longo dos tempos vrios tm sido os autores a fazer algumas abordagens crticas sobre
mtodos para calcular a probabilidade de rotura, como por exemplo, Dolinski (1983),
Ditlevsen e Bjerager (1986), Schueller e Stix (1987), Rackwitz (2001).
Kiureghian (1996) faz uma reviso sobre os mtodos de avaliao da fiabilidade estrutural
sob o ponto de vista da avaliao da segurana na presena de sismos. J Cheng e Yang
(1993) e Schueller (1997) apresentam um conjunto de trabalhos relacionados com aspectos
tericos e computacionais de mecnica estrutural. Tambm os mtodos de simulao de
campos aleatrios tm sido estudados e desenvolvidos por muitos autores, como por
exemplo, Shinozuka e Deodatis (1991, 1996) e Spanos e Zeldin (1998). Num determinado
nmero de artigos, Elishakoff (1995a, 1995b, 1998, 2000) analisou aspectos bsicos
relacionados com a modelao probabilstica de incertezas estruturais e explorou
alternativas para modelar essas incertezas. Tambm Yao (1985) e Melchers (2001)
apresentaram os desenvolvimentos obtidos na anlise de fiabilidade de estruturas
existentes e apontaram a necessidade de continuar a aprofundar a investigao nesta rea.
Casciati et al. (1997) apresentam uma reviso sobre problemas dinmicos e algoritmos
dentro dos sistemas de fiabilidade estrutural. Problemas de fiabilidade relacionados com a
variao no tempo e a aplicao de tcnicas com combinao de cargas foram revistos por
Rackwitz (1998). Outros factores que contriburam para o crescimento de outras reas so
a disponibilidade cada vez maior de dados sobre fenmenos naturais, como por exemplo
5
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Ao elaborar esta tese de Doutoramento teve-se em mente que ela constitusse igualmente
um texto de apoio para todos aqueles que trabalham com o tratamento das vrias incertezas
que envolvem os problemas de engenharia, mais concretamente na rea da segurana
estrutural. O objectivo foi o de apresentar e discutir alguns mtodos e tcnicas que se
aplicam na rea da segurana e fiabilidade estrutural. Este trabalho desenvolve-se ao longo
de sete captulos. Em seguida faz-se uma descrio sumria de cada um dos captulos:
Captulo 1
Captulo 2
Captulo 3
6
Captulo 1 - Introduo
neste captulo se apresentem alguns mtodos de transformao que podem ser teis para
casos em que as variveis aleatrias bsicas no tm distribuies normais e/ou nos casos
de existirem correlaes entre essas variveis. Assim, apresentam-se mtodos para
transformar variveis aleatrias normais correlacionadas em variveis aleatrias
equivalentes com distribuio normal e independentes. Da mesma forma, tambm se
descrevem algumas das principais transformaes para variveis aleatrias no normais
independentes, assim como transformaes para variveis aleatrias no normais
correlacionadas.
Captulo 4
Descrevem-se alguns dos mtodos de simulao mais utilizados para o tratamento das
vrias incertezas que envolvem os problemas de engenharia, mais concretamente na rea
da segurana estrutural. Descreve-se o mtodo de simulao de Monte Carlo, assim como
duas tcnicas de reduo da varincia. Alm disso, apresenta-se a forma de gerar nmeros
aleatrios para variveis aleatrias contnuas e discretas, assim como a simulao de
variveis aleatrias normais, e no normais, correlacionadas.
Captulo 5
7
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Captulo 6
Captulo 7
Por fim, neste captulo, apresentam-se as concluses do trabalho desenvolvido assim como
perspectivas de desenvolvimentos futuros.
8
Equation Chapter 2 Section 2
Captulo 2
2.1 Introduo
Ao longo dos tempos a avaliao da segurana de estruturas era efectuada de uma forma
emprica, muitas das decises dependiam da experincia pessoal, da intuio e julgamento.
Nos ltimos anos, para avaliar com maior preciso os riscos associados segurana
estrutural tm vindo a ser aplicados, cada vez com maior frequncia, mtodos
probabilsticos de fiabilidade. Estes mtodos procuram avaliar as probabilidades de rotura
de sistemas estruturais. Muitos trabalhos de investigao tm sido realizados dentro deste
tema assim como tm surgido muitas publicaes interessantes. Algumas noes, estudos e
aplicaes sobre a teoria da fiabilidade estrutural podem ser encontrados, por exemplo, em
Madsen et al. (2006), Melchers (1999), Ditlevsen e Madsen (2005) e Haldar e Mahadevan
(2000, 2000a). No entanto, a sua aplicao generalizada tem vindo a ser atrasada devido
pouca eficincia em resolver problemas de maior complexidade (Imai e Frangopol, 2000;
Kharmanda et al., 2002; Yu et al., 1997).
Os critrios de rotura estrutural esto relacionados com as funes de estado limite, que
definem as superfcies que separam a regio de segurana da regio de rotura. A
determinao do ndice de fiabilidade de sistemas estruturais um problema de
optimizao no espao normal padronizado (Hasofer e Lind, 1974; Shinozuka, 1983).
9
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Neste captulo comeam por apresentar-se alguns conceitos bsicos da teoria da fiabilidade
estrutural necessrios para a compreenso do funcionamento dos vrios mtodos
desenvolvidos e tambm como introduo ao tema em questo.
10
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Devido aco do homem (ex. a resistncia do beto usada nos modelos diferente
daquela que se obtm na obra pois os processos de fabricao, aplicao e cura esto
sujeitos a muitas incertezas, tais como, a dosagem utilizada, a forma como
transportado, as condies climatricas quando aplicado na obra, etc.). So
consequncia das suas falhas durante as vrias fases da realizao de uma
determinada estrutura (documentao, dimensionamento, construo, etc.)
resultantes, por exemplo da falta de conhecimento, omisses, erros, imprecises, etc.
11
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Fsicas, onde o homem no tem influncia (ex. sobrecargas, vento, sismos, etc.).
Resultam da impossibilidade de prever a variabilidade e simultaneidade das aces
que actuam numa estrutura assim como da natureza incerta das propriedades dos
materiais, da geometria dos elementos, etc. Para tentar controlar e estimar este tipo
de incertezas h que obter o maior nmero possvel de informao sobre as variveis
ou ento recorrer a experincias anteriores.
Uma estrutura est sujeita a vrios tipos de cargas ao longo do seu tempo de vida. A
resposta estrutural a essas cargas pode ser encontrada sob a forma de deslocamentos,
deformaes, tenses ou esforos. O desempenho de uma estrutura medido para
12
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
diferentes situaes que podem ocorrer durante o seu perodo de funcionamento. Os danos
ou a runa podem surgir sempre que as aces aplicadas estrutura excederem os valores
da sua capacidade de resistir aos esforos desenvolvidos.
Estados limite ltimos, de onde resultam prejuzos muito severos e que normalmente esto
associados a uma capacidade de carga mxima da estrutura, ou parte dela, colocando em
causa a segurana de pessoas e/ou equipamentos.
Estados limite de utilizao, de onde resultam prejuzos pouco severos e aos quais esto
associados os critrios que regulam as funes relacionadas com a normal utilizao de
uma estrutura, ou parte dela. Estes estados limite so ainda divididos em classes,
normalmente associadas s duraes de referncia:
A escolha dos estados limite a que uma estrutura deve obedecer depende dos materiais
utilizados e do tempo de vida pretendido para a estrutura em causa. Esta sistematizao do
conceito de estado limite permitiu o estabelecimento de critrios de dimensionamento e
verificao de segurana.
13
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Para cada estado limite devem identificar-se as variveis aleatrias bsicas que o
influenciam. Os modelos que descrevem o comportamento de uma estrutura devem ser
definidos para cada estado limite. Os parmetros desses modelos devem ser tratados como
variveis aleatrias bsicas.
O estado limite pode ser descrito atravs de uma funo das variveis aleatrias bsicas,
X = ( X 1 , X 2 , ) :
Z = G ( X 1 , X 2 , ) (2.1)
que a estrutura est em segurana se G ( X ) > 0 , sendo a regio de rotura dada por
G ( X ) < 0 . Uma funo de estado limite pode ser uma funo explcita ou implcita das
Nvel 0
As anlises so puramente determinsticas, como por exemplo o mtodo das tenses
admissveis. As variveis tm valores estritamente determinsticos sendo as incertezas
englobadas nos coeficientes globais de segurana que normalmente so estimados atravs
de experincias passadas, da intuio do engenheiro ou do seu julgamento face ao
problema em estudo.
14
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Nvel 1
As anlises baseiam-se no formato semi-probabilstico de verificao de segurana que
actualmente o mais utilizado na regulamentao internacional para definir regras no
dimensionamento estrutural. Para quantificar a variabilidade das aces e das resistncias
recorrem a valores representativos (nominais ou caractersticos) afectados de coeficientes
parciais de segurana. Os valores representativos so utilizados na regulamentao de
estruturas sendo definidos a partir do estudo estatstico da distribuio das variveis
bsicas (normalmente, valores mdios e desvios padro). Os coeficientes parciais de
segurana so aferidos por mtodos probabilsticos de nvel superior.
Nvel 2
Inclui os mtodos probabilsticos onde as variveis bsicas so definidas atravs de
medidas estatsticas que descrevem a tendncia central e a disperso (normalmente, o valor
mdio e a varincia). Procura-se determinar a probabilidade de ser atingido um
determinado estado limite sendo a avaliao da segurana efectuada por tcnicas
numricas aproximadas. A medida de segurana utilizada o chamado ndice de
fiabilidade que est directamente relacionado com a probabilidade de rotura p f .
Nvel 3
Inclui mtodos puramente probabilsticos onde se utiliza a distribuio conjunta das
variveis bsicas. A probabilidade de ser atingido um determinado estado limite
calculada analiticamente (de difcil aplicao, vivel apenas para casos muito simples) ou
recorrendo a mtodos de simulao. Actualmente, embora estes mtodos tenham grande
aplicao em diversas reas, em problemas com muitas variveis, onde a complexidade dos
algoritmos de anlise no linear exige muito tempo de computao, a sua aplicao fica um
pouco limitada.
Z = G ( R, S ) = R S (2.2)
15
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Z = G ( R, S ) = R S = 0 (2.3)
De uma forma geral, a rotura de uma estrutura d-se se a resistncia do sistema estrutural,
R, menor do que as cargas actuantes, S. Nesta perspectiva, a probabilidade de rotura pode
ser determinada integrando a funo densidade de probabilidade conjunta das variveis
aleatrias R e S, R,S , dentro do domnio de falha D = { R, S : G ( R, S ) 0} :
R
p = P 1 = P ( R - S 0 ) =
S
D
R,S ( r,s ) dr ds (2.4)
+ S>R
p =
D
R ( r ) .S ( s ) dr ds =
- -
R ( r ) .S ( s ) dr ds (2.5)
+
p = F
-
R ( x ) .S ( x ) dx (2.6)
Este integral conhecido como o integral de convoluo e representa todos os casos para
os quais a resistncia no excede as solicitaes. Para a maior parte dos problemas a
resoluo analtica do integral da equao (2.6) difcil. Normalmente calculam-se
aproximaes ao seu valor atravs de tcnicas de integrao numrica ou de procedimentos
e medidas indirectas (Dai, 1992).
16
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Para alguns casos especiais a equao (2.6) pode ser calculada com facilidade sem ter de se
resolver o integral. Considere-se novamente uma formulao do problema bsico da
fiabilidade estrutural que envolve apenas a resistncia, R, e a solicitao, S.
(
tambm uma varivel aleatria normal com Z N R S , R2 + S2 . Assim, a )
probabilidade de rotura dada por (Cornell, 1969):
17
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
0 ( R S )
p f = P ( Z < 0) = = 1 R2 S 2
2 + 2
(2.7)
R S R +S
R = S + R2 + S2 (2.8)
seguinte forma:
( )
p f = R2 S 2 = Z
= ( ) (2.9)
R + S Z
seja, o risco associado nesse caso ser menor. Na figura 2.1 representa-se o significado de
(Ferry-Borges e Castanheta, 1985).
f(Z)
.Z
Z<0 Z>0
Rotura Segurana
Probabilidade de rotura, pf
0 Z Z=R-S
18
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
1 + VS2
ln R
S 1 + VR2
pf = 1 (2.10)
ln (1 + VR2 ) (1 + VS2 )
ln R ln S
pf 1 (2.11)
VR + VS
2 2
Em geral a resistncia R funo das propriedades dos materiais e/ou das dimenses dos
elementos que constituem um sistema estrutural enquanto a solicitao S funo das
aces, existindo assim vrias variveis aleatrias a influenciar uma estrutura. Desta
forma, normalmente, a funo de estado limite G ( ) depende de vrias variveis aleatrias
que definem e caracterizam o comportamento e a segurana de uma estrutura
X = ( X 1 , X 2 , , X n ) , sendo expressa por:
Z = G ( X 1 , X 2 , , X n ) = 0 (2.12)
Esta equao estabelece a fronteira que divide o domnio numa regio de segurana,
G ( X ) > 0 , e noutra de rotura, G ( X ) < 0 .
G ( X ) = a0 + a1 X 1 + + an X n = a0 + a X
i =1
i i
(2.13)
ento o ndice de fiabilidade pode ser obtido por (Hasofer e Lind, 1974):
19
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
a0 + a i i
= n n
i =1
(2.14)
( a a C )
i =1 j =1
i j ij
p =
G ( X )0
f X ( x1 , x2 , , xn ) dx1dx2 dxn (2.15)
Utilizao de processos que permitam obter solues aproximadas que sejam mais
simples de calcular. Estes mtodos podem ser agrupados em dois tipos: os mtodos
de fiabilidade de primeira ordem (do ingls FORM) e os de segunda ordem (do
ingls SORM). Estes baseiam-se, respectivamente, em aproximaes lineares
(FORM) e quadrticas (SORM) superfcie de estado limite no ponto mais
provvel de rotura do espao normal padronizado.
20
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
O desenvolvimento dos mtodos FORM est relacionado com os mtodos dos segundos
momentos (FOSM), que utilizam apenas a informao fornecida pelos dois primeiros
momentos o valor mdio () e o desvio padro () para representar as variveis
aleatrias. Enquanto que nos mtodos FOSM a informao sobre a distribuio das
variveis aleatrias ignorada nos mtodos FORM (tambm chamados de AFOSM) essa
informao j utilizada.
A formulao original deste mtodo dada por Cornell (1969) utiliza apenas duas variveis
aleatrias, R e S, e uma equao de estado limite Z = R S .
21
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
S
p f = 1 R (2.16)
2 + 2
R S
Z S
C = = R . (2.17)
Z R2 + S2
p f = ( C ) = 1 ( C ) . (2.18)
a0 + a T X
C = (2.19)
aT C X a
Z = G ( X ) = G ( X 1 , , X n ) . (2.20)
n
G
Z = G ( X * ) + ( X i X i* ) +
i =1 X i X i = X i*
(2.21)
1 n n 2G
+ ( X i X i* ) ( X j X *j ) +
2 i =1 j =1 X i X j
X i = X i* ,X *
j =X j
22
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
n
G
Z G ( X * ) + ( X i X i* ) (2.22)
i =1 X i X i = X i*
A partir da equao (2.22) pode calcular-se o valor mdio e varincia de Z, que so dados
por:
n
G
Z G ( X 1* , , X n* ) +
i =1 X i
(
X i X i* ) (2.23)
n n
G G
Z2 .Cov ( X i , X j ) (2.24)
i =1 j =1 X i X j
G
2
n
2
Z Var ( X i ) . (2.25)
i =1 X i
O ndice de fiabilidade dos segundos momentos e primeira ordem, FOSM, pode calcular-se
a partir de (2.23) e (2.24) ou (2.25) utilizando a equao (2.17) e a partir desse valor
determinar a probabilidade de rotura:
G n
G ( X 1* , , X n* ) + X ( Xi
X i* )
FOSM = i =1 i
(2.26)
n n
G G
i =1 j =1 X i X j
.Cov ( X i , X j )
23
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
G ( X1 , , X n )
MVFOSM = (2.27)
n n
G G
i =1 j =1 X i X j
.Cov ( X i , X j )
probabilidade de rotura d-nos um valor pouco preciso, apenas se fica com uma ideia do
nvel do risco utilizado no problema em estudo.
24
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
3. O valor do ndice de fiabilidade dado por (2.26) no constante para diferentes pontos
de dimensionamento assim como para diferentes formulaes, embora equivalentes, da
mesma funo de estado limite. O ndice depende da formulao da equao de estado
limite assim como dos pressupostos subjacentes acerca da sua distribuio. Por
exemplo, as funes de estado limite definidas por Z = R S < 0 e Z = ( R S ) < 1 so
Essa falta de invriancia foi ultrapassada atravs dos mtodos de fiabilidade dos segundos
momentos de primeira ordem avanados (AFOSM ou FORM) propostos por Hasofer e
Lind (1974) para variveis com distribuio normal.
zero e desvios padro unitrios (Hohenbichler e Rackwitz, 1981; Der Kiureghian e Liu,
1986). Para isso, dependendo das caractersticas apresentadas pelas variveis aleatrias
bsicas de cada problema podem utilizar-se vrios mtodos de transformao, como por
exemplo a transformao de Nataf (Liu e Der Kiureghian, 1986) ver captulo 3.
X i Xi
X i = ( i = 1, , n ) . (2.28)
X i
25
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
HL = ( X * ) .( X * ) .
T
(2.29)
Z = RS =0 . (2.30)
R R S S
R = e S = . (2.31)
R S
Z = G ( ) = R R S S + R S = 0 . (2.32)
R S
HL = . (2.33)
R2 + S2
26
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Minimizar D = X *T X * (2.34)
Sujeito a : G ( X * ) = G ( X * ) = 0 (2.35)
*
n
G
xi*
HL =
i =1 X i (2.36)
2*
n
G
i =1 X i
27
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
dimensionamento ( x1* , , xn* ) . O asterisco depois das derivadas parciais indica que estas
xi* = i HL ( i = 1, , n ) (2.37)
Onde:
*
G
X
i = i (2.38)
2*
n
G
X
i =1 i
factores de sensibilidade (Madsen et al., 2006). Utilizando a equao (2.28) pode obter-se
o ponto de dimensionamento no sistema de coordenadas original:
x*i = X i i X i HL . (2.39)
3. Calcular ( G X i ) e i no ponto X *
*
28
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Este algoritmo utiliza uma aproximao linear superfcie de estado limite em todos os
pontos de cada iterao e determina a distncia da origem at superfcie. Este processo
continua at que o valor de HL convirja ou estabilize. Nos casos em que a equao de
geometria da regio de segurana. Para contornar essas dificuldades Veneziano notou que
se for dada uma caracterizao completa, ou parcial, de F ( X ) e G ( X ) a probabilidade de
rotura limitada da seguinte forma:
p Lf p f pUf (2.40)
= ( pUf )
1 2
. (2.41)
mtodos baseados nos limites generalizados de Tchebysheff para avaliar dentro de uma
variedade de regies de segurana e para diversas caracterizaes parciais de F ( X ) .
Primeiro para problemas de fiabilidade univariados, depois para casos multivariados e
finalmente para casos envolvendo processos estocsticos.
29
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
verifica uma propriedade a que chamou de comparabilidade. Ele considera esta como uma
propriedade muito importante para qualquer medida de fiabilidade estrutural. A ideia
baseia-se no seguinte, por exemplo: se se considerarem duas superfcies de estado limite,
uma linear e outra no linear, as reas correspondentes regio de rotura so diferentes
para cada caso (Figura 2.2). Assim a fiabilidade estrutural em cada caso ser diferente. No
entanto, para ambas as superfcies os valores de HL so iguais, sugerindo igual fiabilidade
nos dois casos. Para ultrapassar esta inconsistncia Ditlevsen (1979a) introduziu um ndice
de fiabilidade generalizado dado por:
G = 1
( )
( x1 ) ( xn ) dx1 dxn ,
(2.42)
G X >0
X2
G(X)<0
X* (Ponto de dimensionamento)
HL
G(X)>0 G(X)=0
X1
Figura 2.2 ndice de fiabilidade para superfcies de estado limite linear e no linear.
30
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
31
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
X k*+1 =
1 G ( X * )T X * G ( X * ) G ( X * )T (2.43)
k k k k
G ( )
2
X k*
Este algoritmo lineariza a funo de estado limite em cada iterao, e em vez de se resolver
a equao de estado limite explicitamente em funo de utiliza as derivadas parciais para
procurar o ponto de iterao seguinte. Pode ser descrito da seguinte forma:
32
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
G ( X i* )
atravs da expresso:
G G N
= X . (2.44)
X i X i i
*
G N
X X i
i = i (2.45)
2*
n
G N
i =1 X i
Xi
33
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
n
= ( x )
i =1
i
* 2
(2.46)
34
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
No primeiro caso consegue-se obter um valor exacto enquanto que nos outros
normalmente necessrio utilizar aproximaes. Alm disso, os problemas de tipo 2 e 4
podem transformar-se, respectivamente, em problemas do tipo 1 e 3.
Nos mtodos FORM a funo de estado limite, G ( X ) , substituda por uma funo
aproximada traduzida por uma expanso em srie de Taylor de primeira ordem em torno de
um determinado ponto, linearizando assim G ( X ) . Estes mtodos fornecem uma boa
aproximao da probabilidade de rotura se G ( X ) , no espao normal padronizado, linear
ou aproximadamente linear em torno do ponto de dimensionamento. No entanto, a
superfcie de estado limite nem sempre linear. De facto, a no linearidade da superfcie
de estado limite pode resultar de vrios factores, como por exemplo, a equao de estado
limite no ser linear, algumas variveis aleatrias terem distribuies no normais ou
terem de se transformar variveis aleatrias correlacionadas noutras no correlacionadas.
Xj
G2(X) = 0
SORM
G1(X) = 0
FORM
X*
G(X) = 0
Xi
Figura 2.3 Mtodos FORM e SORM.
35
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
n
G ( X ) = G ( X 1* , X 2* , , X *n ) + ( X i X i* ) G +
i =1 X i X i = X i*
(2.48)
n n
( X (
X i* ) X j X *j ) X GX
2
+1 i
2 i =1 j =1 i j X = X* , X = X*
i i j j
G ( X ) = G* + X T G* + 1 X T H * X (2.49)
2
T
G = G , , G (2.50)
X 1 X n
2G 2G
X 2 X 1X n
1
H = (2.51)
2
G 2G
X n X 1 X n2
G ( X ) = X T G* + 1 X T H * X (2.52)
2
36
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Existem dois tipos de aproximaes que se utilizam nos mtodos SORM: o primeiro
consiste em ajustar as curvaturas principais da superfcie de estado limite s da superfcie
proposta no ponto de dimensionamento, a segunda utiliza um ajuste de pontos.
n 1
p f ( FORM ) (1 + )
1 2
FORM ki (2.53)
i =1
infinito e FORM ki permanece constante. Breitung (1989) refere que quando existem vrios
k
n 1
p f ( FORM ) (1 FORM kij )
j =1
(2.54)
i =1
ligeiramente melhorada para pequenos valores de FORM , podendo ser obtida atravs da
37
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
1 2
n 1
( FORM ) ki
p f ( FORM )
i =1
1 +
( FORM )
(2.55)
Hong (1999) props um factor de correco para (2.55), baseado na curvatura principal da
funo de estado limite no ponto de dimensionamento, que melhora as estimativas de p f
quando se utilizam mtodos SORM. Tambm Hohenbichler et. al. (1987) desenvolveram e
apresentaram uma teoria onde utilizam o conceito de aproximaes assimptticas em
mtodos FORM e SORM. Breitung (1991) determinou p f para casos em que as variveis
Uma equao muito mais precisa do que a (2.55) a chamada frmula do integral duplo de
Tvedt (1985):
{ }
n 1
1 2
rp 1 + ( FORM + 2s ) k j + 2iuk j
p f 2 ( FORM ) Re
12
2
0 0 j =1
(2.56)
( FORM + 2s )
1 2
2
exp ( s u 2 ) dsdu
Re(.) a parte real de um nmero complexo. Posteriormente, Tvedt (1988) apresentou uma
frmula de um integral exacto para o clculo aproximado de p f :
38
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
1
k 2
( ) ( )
1 2 1
p f ( FORM ) j =1
w j Re det I + FORM
+ 2s j 2 + i A
2
FORM
+ 2s j 2 (2.57)
Tvedt (1990) para estimar p f , sendo uma aproximao baseada em expanses de sries de
potncias:
p f T1 + T2 + T3 (2.58)
n 1
T1 = ( FORM ) (1 + )
1 2
FORM ki (2.59)
i =1
(2.61)
n 1 1 2
n 1
(1 + FORM ki ) Re (1 + ( FORM + i ) ki )
1 2
i =1 i =1
39
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Der Kiureghian et. al. (1987) verificaram que o ajuste do parabolide superfcie de
estado limite se baseia nas curvaturas no ponto de dimensionamento e que para isso h que
determinar os valores prprios da matriz Hessiana de G ( X ) nesse ponto. Quando o
algoritmo para calcular G ( X ) complexo o clculo da matriz Hessiana envolve mtodos
aproximados que introduzem muitos erros e diminuem a preciso dos resultados. Para
evitarem o clculo completo da matriz Hessiana, Der Kiureghian et. al. (1987)
aproximaram a superfcie de estado limite atravs de duas semiparbolas ajustando as
curvas num conjunto de pontos numa vizinhana do ponto de dimensionamento e
utilizaram o conjunto de curvaturas na frmula (2.53) de Breitung. Num estudo posterior
Der Kiureghian e Stefano (1991) propuseram um algoritmo iterativo, que utiliza apenas o
gradiente de G ( X ) , para calcular as curvaturas principais da superfcie de estado limite
sem ser necessrio determinar a matriz Hessiana. Este mtodo mostrou-se vantajoso para
problemas com muitas variveis aleatrias.
2
1 p f ( FORM ) + 1 exp FORM ( D1 + D2 + D3 ) (2.62)
2 2
onde:
D1 = k
j
j (2.63)
D2 = 1 FORM 3
2 k + k k
2
j j i (2.64)
j j i
D3 = 1 ( FORM
6
2
{
1) 15 k
j
3
j +9 k k + k k k }
j i
2
j i
j i l
j i l (2.65)
40
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
sendo ki as curvaturas principais. A aplicao desta frmula foi utilizada num exemplo
com trs variveis aleatrias normais e onde a funo de estado limite no linear. Os
resultados obtidos foram comparados com os valores exactos tendo-se verificado que o
mtodo proposto fornece resultados aceitveis mesmo quando a superfcie de estado limite
est perto da origem e com grandes curvaturas. Zhao e Ono (1999a, 1999b) analisaram a
preciso de vrias frmulas utilizadas em mtodos SORM para um grande conjunto de
valores de curvaturas, nmero de variveis aleatrias e ndices de fiabilidade obtidos
atravs de mtodos FORM, FORM . Propuseram ento uma frmula emprica para estimar
Papadimitriou et. al. (1995, 1997) desenvolveram aproximaes assimptticas para avaliar
a fiabilidade de sistemas dinmicos sujeitos a oscilaes aleatrias. A ideia base do seu
estudo que a probabilidade de rotura, condicionada pelos parmetros do sistema em
estudo, obtida pelo menos de uma forma aproximada. A probabilidade de rotura foi
definida atravs da seguinte expresso:
p f = F ( ) p ( ) d
(2.66)
p f = exp [l ( )] d
(2.67)
41
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
F ( * ) p ( * )
p f ( 2 )
n2
(2.68)
det L ( * )
( )
Lij ( ) = l .
2
(2.69)
i j
r
pf p ( )
j =1
f
*
j (2.70)
p f = ( X )dX
F
(2.71)
n 1
yn = FORM + 1
2 k y
i =1
i i
2
(2.72)
42
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
seguinte forma:
( yn ) dyn ( y ) dy =
pf = FORM + i =1 ki yi
1 m 2
IR m 2
(2.73)
m
= FORM 1
2 k y
i =1
i i
2
( y ) dy
IR m
Quando a distncia entre a origem e o ponto mais provvel de rotura, , tende para infinito
os mtodos FORM e SORM fornecem apenas solues assimptticas. Se essa distncia for
finita, para problemas que envolvam funes de estado limite com no linearidade
acentuada, as aproximaes lineares ou quadrticas podem no ser adequadas e
consequentemente os resultados obtidos atravs de mtodos FORM ou SORM devem ser
interpretados com algum cuidado (Nie e Ellingwood, 2000; Wei e Rahman, 2007). Alm
disso, a existncia de mltiplos pontos mais provveis de rotura podem originar grandes
erros se se utilizarem aproximaes obtidas atravs de mtodos FORM ou SORM
(Ditlevsen e Madsen, 2005; Der Kiureghian e Dakessian, 1998; Wei e Rahman, 2007).
Nesses casos devem utilizar-se mtodos adaptados para mltiplos pontos de forma a
melhorar os resultados da anlise de fiabilidade (Nie e Ellingwood, 2000; Au et. al.,
1999a). Controvrsias acerca das limitaes dos mtodos FORM e SORM j vm a ser
discutidas h muito tempo (Dolinski, 1983; Shinozuka, 1983; Ditlevsen, 1985; Schueller e
Stix, 1987).
43
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
44
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Desde Box e Wilson (1951), que desenvolveram o mtodo de superfcie de resposta, este
tem vindo a ser bastante utilizado em diversas reas. Wong (1984, 1985) utilizou mtodos
de superfcie de resposta na anlise estatstica de problemas de engenharia geotcnica, quer
para avaliar o efeito das incertezas nos parmetros sobre a resposta em sistemas dinmicos
de estruturas de solos, quer para analisar a fiabilidade em terrenos inclinados. O autor
utiliza mtodos de simulao e depois de regresso para ajustar a superfcie de resposta.
superfcie assim aproximada so aplicados mtodos de simulao de Monte Carlo.
Faravelli (1989, 1992) utilizou o mtodo de superfcie de resposta para resolver problemas
de anlise no linear de elementos finitos. Para ajustar a funo de estado limite utilizou
superfcies quadrticas incluindo os seus termos cruzados. Breitung e Faravelli (1996)
definiram vrios passos na implementao de mtodos de superfcie de resposta: primeiro
escolher uma funo, dentro de uma determinada famlia de funes, que se aproxime de
G ( X ) ; depois utilizar planeamentos de experincias para estimar os parmetros dessa
funo; em seguida aplicar testes estatsticos ou outros mtodos para validar a
aproximao e por fim testar a significncia dos termos na funo aproximada (por
exemplo, num polinmio de segunda ordem se os termos de ordem dois no so
significativos pode utilizar-se um modelo mais simples sem esses termos).
45
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
n n
G1 ( X ) = a +
i =1
bi X i + c X
i =1
i i
2
(2.74)
G ( i )
i +1 = i + ( X i* i ) (2.75)
G ( i ) G ( X i* )
original e i o valor mdio das variveis no ponto central das amostras na i-sima
iterao. Assim, so geradas 2n+1 novas amostras em cada iterao, centradas no novo
ponto central. Em seguida utilizam a superfcie de resposta conjuntamente com tcnicas de
simulao de Monte Carlo (amostragens por importncia) para obter estimativas da
fiabilidade estrutural. Posteriormente, Rajashekhar e Ellingwood (1993, 1995) examinaram
o problema relacionado com a escolha dos pontos de amostragem e sugeriram
modificaes aproximao utilizada por Bucher e Bourgund (1990). Os autores
indicaram alguns problemas relacionados com os pontos de amostragem e propuseram a
incluso de informao relativa s distribuies de probabilidade para seleccionar esses
pontos e dessa forma melhorar o modelo relativo ao mtodo de superfcie de resposta.
Alm disso, estudaram a seleco de pontos de dimensionamento perto das caudas das
distribuies de probabilidade das variveis aleatrias bsicas e a incluso dos termos
46
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
n
G1 ( X ) = a + b X
i =1
i i (2.76)
47
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
1. Planeamentos factoriais (Wong, 1984, 1985; Faravelli, 1989, 1992; Huh e Haldar,
2002)
48
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
optimizao foi desenvolvido por Oakley et. al., 1998. O objectivo maximizar a
performance de sistemas mecnicos, como por exemplo a eficincia aerodinmica.
a escolha da forma para a superfcie de resposta. Pouca importncia tem sido dada para
esse aspecto pois normalmente utilizam-se polinmios lineares ou quadrticos (com ou
sem os termos cruzados). No entanto, essas escolhas podem no ser apropriadas uma vez
que a forma da funo de estado limite pode no ser linear nem quadrtica. Representaes
alternativas tm vindo a ser propostas por alguns autores. Nelder (1966) props um ajuste
atravs de uma funo que o inverso de funes polinomiais e mostrou que a sua
utilizao no envolve mais trabalho do que um ajuste atravs de funes polinomiais
lineares ou quadrticas. Os problemas relacionados com a falta de ajuste que em muitos
casos surgem quando se utilizam polinmios de primeira ou segunda ordem podem ser
reduzidos introduzindo algumas modificaes no mtodo de superfcie de resposta. Por
exemplo, os pontos de amostragem podem ser escolhidos em torno do ponto de
dimensionamento (Rajashekhar e Ellingwood, 1993), ou pode utilizar-se uma tcnica de
projeco vectorial para colocar os pontos de amostragem perto da superfcie de resposta
(Kim e Na, 1997), ou desenvolver um algoritmo de forma a construir a superfcie de
resposta atravs de um processo cumulativo (comea-se por ajustar uma superfcie de
resposta linear para em seguida melhor-la adicionando os termos de segunda ordem. Se
mesmo assim a funo de superfcie de resposta no for satisfatria, esta pode ser
melhorada adicionando os termos cruzados e retirando alguns dos termos de segunda
ordem - Zheng e Das, 2000; Das e Zheng, 2000). Impollonia e Sofi (2003) sugeriram um
mtodo de superfcie de resposta alternativo que utiliza funes que so a razo de
polinmios para representar a superfcie de resposta. Esta escolha comprovada por
alguns resultados obtidos em estruturas estocsticas lineares (Falsone e Impollonia, 2002
as duas ltimas pginas deste artigo foram corrigidas em Falsone e Impollonia, 2003).
Falsone e Impollonia (2004) mostraram que este tipo de ajuste superfcie de estado limite
permite obter respostas exactas em estruturas determinsticas e respostas aproximadas com
uma boa preciso em estruturas no determinsticas. Gayton et. al. (2003) propuseram um
mtodo, a que chamaram CQ2RS (superfcie de resposta quadrtica completa com
reamostragem), para construir superfcies de resposta que tem em conta qualquer
informao a priori que se possa ter acerca da forma da superfcie de estado limite e/ou da
49
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
3. Com a superfcie de resposta obtida no passo 3 pode assim calcular-se uma estimativa
para p f atravs de mtodos FORM, SORM ou de Monte Carlo.
precisas.
50
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
materiais de um sistema estrutural, assim como das cargas aplicadas. Normalmente, essas
incertezas esto distribudas espacialmente ao longo da estrutura sendo modeladas atravs
de campos aleatrios. Estes mtodos so uma ferramenta muito poderosa, sendo muito
utilizados em variadssimas reas, como por exemplo na anlise de sistemas estruturais. Os
primeiros trabalhos limitavam-se a estruturas com comportamento linear ou no linear mas
traduzido por relaes simplistas. O interesse nestes mtodos aumentou a partir do
momento em que se percebeu que em algumas estruturas a resposta bastante sensvel s
propriedades dos materiais, e que mesmo pequenas oscilaes podem afectar severamente
a fiabilidade estrutural principalmente em problemas onde h grande no linearidade (Der
Kiureghian, 1985; Vanmarcke et al., 1986; Nakagiri et. al., 1987; Benaroya e Rehak, 1987;
Shinozuka e Deodatis, 1988; Yamazaki et al., 1988; Der Kiureghian e Ke, 1988; Spanos e
Ghanem, 1989; Bjerager, 1990; Brenner, 1991; Shinozuka, 1991; Der Kiureghian et al.,
1991; Kleiber e Hien, 1992; Frangopol et al., 1996; Schueller, 1997; Matthies et. al., 1997;
Ghanem, 1999; Frangopol e Imai, 2000; Haldar e Mahadevan, 2000a; Sudret e Der
Kiureghian, 2002; Ghanem e Spanos, 1991, 2003). Estes mtodos foram desenvolvidos de
forma a incorporarem as incertezas dos parmetros estruturais, como por exemplo o efeito
aleatrio na matriz de rigidez e nos vectores das foras (Chaudhuri e Chakraborty, 2006).
A maior parte das investigaes e aplicaes dentro da rea dos mtodos probabilsticos de
elementos finitos tm sido limitadas a estruturas lineares elsticas. No entanto, alguns
autores estudaram os efeitos das incertezas nas propriedades de materiais com
comportamento no linear, como por exemplo, Zhang e Ellingwood (1996), Liu e Der
Kiureghian (1991a) e Teigen et al. (1991a, 1991b). Mtodos de simulao em campos
aleatrios foram revistos por Shinozuka e Deodatis (1991, 1996). J na rea da avaliao
da segurana contra sismos Der Kiureghian (1996) apresenta uma reviso de mtodos para
a avaliao da fiabilidade estrutural. Os artigos apresentados por Ibrahim (1987), Casciati
et al., (1997), Manoharand e Ibrahim (1999) e Di Paola et al. (2004) fornecem alguns
progressos que foram surgindo em problemas de dinmica estrutural com incertezas nos
parmetros assim como alguns algoritmos de aplicao. Rackwitz (1998) apresenta
algumas tcnicas computacionais de fiabilidade relacionadas com combinaes de cargas
51
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
52
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
A limitao realizada de forma a obter uma simetria nas variaes em torno dos valores
determinsticos. Aproximaes a campos aleatrios Gaussianos semelhantes a esta
utilizando distribuies com amplitudes limitadas foram apresentadas tambm por Iwan e
Jensen (1993). Uma forma mais sistemtica de obter campos aleatrios no Gaussianos
atravs transformaes no lineares. Isto pode ser conseguido considerando
w ( x ) = T [u ( x )] , onde T uma funo no linear e u ( x ) um campo Gaussiano (Grigoriu,
1984; Der Kiureghian e Liu, 1986; Der Kiureghian, 1987; Yamazaki e Shinozuka, 1988).
Este tipo de transformaes permite caracterizar w ( x ) em funo da mdia e covarincia
de u ( x ) . Uma destas transformaes a distribuio de Nataf que referida no captulo 3,
53
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
u ( x ) = 1 Fw ( w, x ) (2.78)
pela equao:
Fw1 [ ( t )] w ( x ) Fw1 [ ( s )] w ( x )
+ +
Cww ( x, x ) =
w
( x) w
( x )
t, s, C ( x, x ) dtds (2.79)
empricas que relacionam C ( x, x ) com Cww ( x, x ) para algumas das distribuies mais
54
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Hi = H ( X i ) (2.80)
Este mtodo, proposto e utilizado inicialmente por Dendrou e Houstis (1978), Hisada e
Nakagiri (1985), Shinozuka e Dasgupta (1986), Der Kiureghian e Ke (1988), Yamazaki et
al. (1988), Shinozuka e Yamazaki (1988), Deodatis (1989) e Hisada e Noguchi (1989),
utilizado para representar um campo aleatrio atravs de uma ou mais variveis aleatrias.
Neste caso, o mtodo consiste em aproximar o campo aleatrio em cada elemento atravs
de uma varivel aleatria definida como o valor do campo no centride desse elemento.
Assim, a variao do elemento i de um campo aleatrio representada atravs da varivel
aleatria:
H i = H ( X i* ) (2.81)
55
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
X
1 (i )
onde: X *i = j (2.82)
N j =1
As vantagens deste mtodo esto na facilidade com que se obtm a matriz de correlaes e
na possibilidade de representar tambm campos no Gaussianos. O tamanho da malha de
elementos finitos tem de ser relativamente pequeno de forma a poder assumir-se que o
campo aleatrio constante ao longo de cada elemento. No entanto, h que ter algum
cuidado em relao a este aspecto pois medida que o tamanho da malha diminui as
dimenses das matrizes para a anlise estrutural aumentam e consequentemente tambm o
tempo e o esforo computacional aumenta. Alm disso, este mtodo tende a sobrevalorizar
a variabilidade do campo aleatrio dentro de cada elemento.
H i = H ( X i* ) (2.83)
3. Mtodo de interpolao
Tambm chamado mtodo das funes de forma foi introduzido por Liu et al. (1986,
1986a, 1987, 1989) onde os autores sugeriram a discretizao de um campo aleatrio
H ( X ) em q valores nodais aleatrios Hi, i = 1, , q . Assim, este mtodo aproxima H ( )
a seguinte expresso:
56
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
q
H (X ) = N (X )H
i =1
i i (2.84)
q
E [ H ( X )] = N i ( X ) E [ H i ] (2.85)
i =1
q q
Var [ H ( X )] = N ( X ) N
i =1 j =1
i j
( X ) CHH ( X i , X j ) (2.86)
Tambm chamado o mtodo da mdia local, proposto por Vanmarcke (1977) e Vanmarcke
e Grigoriu (1983), foi utilizado em combinao com os SFEM e alguns outros mtodos
(Vanmarcke et al., 1986; Shinozuka e Deodatis, 1988; Fenton e Vanmarcke, 1990; Zhu et
al., 1992). Para um determinado campo aleatrio, o valor discretizado de um elemento i
dado por:
Hi =
i
H ( X ) d i
(2.87)
i
57
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Quando utilizado com SFEM o domnio representa a rea do i-simo elemento. J para o
caso de processos estocsticos o domnio representa um tempo mdio obtendo-se uma
famlia de mdias mveis (Vanmarcke et al., 1986). Para campos aleatrios homogneos
foram desenvolvidas expresses para as covarincias das variveis discretizadas Hi em
funo das covarincias CHH ( X i , X j ) , de H ( X ) para o caso em que os elementos so
rectangulares e paralelos aos eixos coordenados (Vanmarcke, 1983), assim como para o
caso em que os elementos so cilndricos e simtricos em relao aos eixos coordenados
(Phoon et al., 1990).
Para campos Gaussianos este mtodo d resultados precisos mesmo quando a malha de
elementos finitos um pouco grosseira (Kiureghian e Ke, 1988).
58
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Neste caso os campos aleatrios so representados por sries que envolvem variveis
aleatrias e funes espaciais determinsticas. A aproximao obtida truncando a srie
respectiva (Sudret e Der Kiureghian, 2000).
Este mtodo, proposto por Lawrence (1987, 1989), utilizado para representar um campo
aleatrio H ( X ) , do qual se conhecem os primeiro e segundo momentos, atravs de uma
expanso em srie da seguinte forma:
H (X ) = h e
i =0 j =1
ij i j
(X ) (2.88)
1 i=0
E [ ei ] = (2.89)
0 i = 1, 2 ,
E ei e j = ij (2.90)
N M
H (X ) h e
i =0 j =1
ij i j
(X ) . (2.91)
59
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Este mtodo, proposto por Spanos e Ghanem (1989) e Ghanem e Spanos (1991, 1991a),
utiliza a expanso ortogonal de Karhunen-Loeve (Loeve, 1977) para decompor um campo
aleatrio unidimensional. Da tambm ser conhecido como a expanso de Karhunen-
Loeve. Este mtodo aplicvel quer a campos aleatrios homogneos como no
homogneos (Schueller, 2001). O campo aleatrio expandido da seguinte forma (Bucher,
2003):
H (X ) =
i =0
i H i i ( X ) (2.92)
Depois de alguma derivao e truncando a srie de forma a ficar com N termos, o campo
aleatrio pode ser representado da seguinte forma:
N
H (X ) = H (X )+ H
i =1
i i i ( X ) (2.93)
Cov ( X , t ) i ( X ) dt = i i ( X ) (2.94)
60
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
E [ Hi ] = 0 (2.95)
E H i H j = ij (2.96)
resultante de se truncar a srie da equao (2.92) em N termos pode ser medido atravs da
seguinte expresso (Nieuwenhof e Coyette, 2002):
i
i =1
H2
e= (2.97)
H2
Este mais um mtodo que se pode utilizar para acelerar a convergncia, proposto e
apresentado por Ghanem e Spanos (1990, 1991, 1991a, 2003), utiliza a expanso ortogonal
de Karhunen-Loeve (Loeve, 1977) para decompor um campo aleatrio (ou processo
estocstico) atravs de um conjunto de polinmios ortogonais p que no excedam a
61
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
ordem p. Da este mtodo tambm ser conhecido como a expanso de caos polinomial.
Este um mtodo no linear que pode ser aplicado quer a campos aleatrios Gaussianos
como no Gaussianos (Matthies et al., 1997).
H (X ) = a
j =0
j j
(X ) (2.98)
{ X i }i =1 .
aleatrias multi-dimensionais Cada n ( X ) um polinmio hipergeomtrico
{ X i }i =1
multivariado. No caso em que so variveis aleatrias independentes e
H ( X ) = a0 0 + grau 0
+ a (X )+
i1 =1
i1 1 i1 grau 1
i1
+ a
i1 =1 i2 =1
i1 i2 2 ( Xi , Xi ) +
1 2
grau 2 (2.99)
i1 i2
+ a
i1 =1 i2 =1 i3 =1
i1 i2 i3 3 ( Xi , Xi , Xi ) +
1 2 3
grau 3
{ X i }i =1
onde um conjunto de variveis aleatrias Gaussianas, ai1 i p so constantes,
(
p X i1 , , X i p ) um elemento geral de um conjunto de polinmios de Hermite
62
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
1
XT X
n
1 T
X X e 2
n ( X i1 , , X in ) = ( 1)n e 2 (2.100)
X i1 X in
onde X = ( X i1 , , X in ) .
p
H (X ) = b ( X )
i =0
i i (2.101)
da equao (2.101) no se limitam apenas aos polinmios de Hermite. Por exemplo, para
distribuies Gama os polinmios de Laguerre so a escolha mais apropriada. Na tabela
2.1 apresentam-se os tipos de polinmios mais apropriados para algumas das principais
distribuies de variveis aleatrias (Pettit et al., 2002).
63
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
variveis obtendo-se:
H ( X ) = H ( h1 ( X ) , , hN ( X ) ) =
N
H ( h1 ( X ) , , hN ( X ) )
= H ( h1 ( X ) , , hN ( X ) ) + . hi ( X ) hi ( X ) +
i =1 hi ( X )
(2.102)
N N
2 H ( h1 ( X ) , , hN ( X ) )
+
i =1 j =1 hi ( X ) h j ( X )
. hi ( X ) hi ( X ) h j ( X ) h j ( X ) +
N N N
=H+ H + H
i =1
I
i i
i =1 j =1
j +
II
ij i
Hoje em dia o mtodo de simulao de Monte Carlo o mais utilizado de entre os mtodos
de anlise probabilstica de sistemas estruturais. No entanto, medida que o nmero de
graus de liberdade de uma estrutura, assim como o nmero de parmetros desconhecidos,
vai aumentando, a anlise estrutural vai ficando cada vez mais pesada em termos
computacionais. Por essa razo que foram surgindo cada vez mais alternativas, muitas
delas baseadas em tcnicas de perturbao, de forma que os mtodos SFEM so
normalmente identificados com o mtodo clssico de elementos finitos conjugado com
mtodos de perturbao (Nakagiri e Hisada, 1982; Elishakoff et al., 1995a; Bathe, 1996;
Muscolino et al., 2000).
Os mtodos de perturbao introduzidos nos finais dos anos 70 tm vindo a ser utilizados
numa grande diversidade de problemas. No entanto, h que ter um certo cuidado na sua
aplicao pois em casos onde o sistema tem um comportamento no linear acentuado e/ou
64
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Um aspecto vantajoso deste mtodo que a matriz de rigidez invertida uma nica vez ao
contrrio dos mtodos de simulao de Monte Carlo ou dos mtodos de superfcie de
resposta onde so necessrias muitas inverses da matriz de rigidez. Para obter uma
soluo do problema utilizando este mtodo h que determinar as matrizes das derivadas
parciais da rigidez, deslocamentos e cargas.
u1( k ) ( t )
n
uk ( X , t ) =
i =1
N i ( X ) ui k ( t ) = N1 ( X ) , , N n ( X )
( )
= N T ( X ) u ( t ) (2.103)
( k ) ( )
u n t
65
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
( )
onde n o nmero de ns da discretizao. A expresso ui k ( t ) representa os
fundo so funes de forma polinomiais. Isso faz com que se adaptem melhor a geometrias
mais complicadas e sejam mais fceis de tratar em termos computacionais. Alm disso,
como as funes de forma so diferentes de zero apenas nos elementos correspondentes
aos ns qual pertencem, o sistema de equaes, que se resolve em ordem aos coeficientes
desconhecidos uk, torna-se mais fcil de resolver pois contm apenas alguns elementos
diferentes de zero por linha. Neste trabalho apenas se vo analisar os casos de problemas
determinsticos.
De acordo com o mtodo dos elementos finitos a equao de equilbrio para problemas
determinsticos definida atravs da seguinte expresso:
K ( i ) .u ( i ) = F ( i ) (2.104)
onde K a matriz de rigidez tangente do sistema estrutural, F o vector das foras nodais
que representa as aces externas e u o vector dos deslocamentos nodais, os quais so
funes das variveis aleatrias i. Para utilizar o mtodo das perturbaes de forma a
quantificar a resposta estrutural mdia e a sua disperso necessrio aplicar uma expanso
em srie de Taylor em cada termo da equao (2.104) em torno do valor mdio de cada
varivel aleatria. Como forma de simplificar as expresses, daqui para a frente assume-se
que o valor mdio das variveis aleatrias ser igual a zero.
N N N
K
1
K=K+ K iI i + II
ij i j + (2.105)
i =1 2 i =1 j =1
onde K a matriz de rigidez avaliada no valor mdio do vector das variveis aleatrias
= 0 , K iI o gradiente de K em relao s variveis aleatrias em = 0 e KijII a matriz
Hessiana em = 0 :
66
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
K 2K
K iI = ; KijII = (2.106)
i =0
i j
=0
N N N
F
1
F=F+ Fi I i + II
ij i j + (2.107)
i =1 2 i =1 j =1
onde:
F 2F
Fi I = ; FijII = (2.108)
i =0
i j
=0
N N N
u
1
u =u + uiI i + II
ij i j + (2.109)
i =1 2 i =1 j =1
onde:
u 2u
uiI = ; uijII = (2.110)
i =0
i j
=0
K .u = F (2.111)
K u F
u +K = (2.112)
i =0
i =0
i =0
67
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
2K K u K u 2u 2F
u+ + +K = (2.113)
i j i =0
j j i =0
i j i j
=0 =0 =0 =0 =0
u = K 1 .F (2.114)
(
uijII = K 1 FijII K iI u Ij K Ij uiI KijII u ) (2.116)
Uma aproximao de primeira ordem para os deslocamentos pode ser obtida truncando a
equao (2.109) depois do segundo termo. Desta forma, o valor mdio e a matriz de
covarincias podem calcular-se explicitamente atravs das equaes:
E1 [u ] = u (2.117)
N N
Cov1 [u, u ] = u ( u )
i =1 j =1
i
I I T
j E i j (2.118)
68
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
N N
diag u ( u ) E i j
T
Var1 [u ] = i
I I
j (2.119)
i =1 j =1
Da mesma forma pode obter-se uma aproximao de segunda ordem para o vector u
truncando a equao (2.109) depois do terceiro termo. Neste caso, e uma vez que se esto a
assumir variveis aleatrias Gaussianas com mdia zero, o valor mdio e a matriz de
covarincias podem calcular-se atravs das equaes:
N N
u
1
E2 [u ] = E1 [u ] + II
ij E i j (2.120)
2 i =1 j =1
N N N N
u ( u ) II T
1
Cov2 [u, u ] = Cov1 [u, u ] + II
ij kl
4 i =1 j =1 k =1 l =1
(2.121)
(
E [ i l ] E j k + E [ i k ] E j l )
E i j k = 0 (2.122)
E i j k l = E i j E [ k l ] + E [ i l ] E j k + E [ i k ] E j l (2.123)
N N N N
diag u ( u ) II T
1
Var2 [u, u ] = Var1 [u, u ] + II
ij kl
4 i =1 j =1 k =1 l =1
(2.124)
(
E [ i l ] E j k + E [ i k ] E j l )
69
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Nas duas ltimas dcadas tem vindo a desenvolver-se cada vez mais a investigao em
redes neuronais artificiais. Grande parte do esforo foi direccionado para o
desenvolvimento de princpios fundamentais, novos algoritmos e aplicaes. Estas tcnicas
oferecem um conjunto de ferramentas que permitem resolver muitos tipos de problemas,
sendo utilizadas por exemplo como funes de aproximao na modelao da memria
associativa, no reconhecimento de padres, na representao de funes contnuas, em
optimizao de sistemas; nas mais diversas reas como por exemplo, na fsica, na
engenharia civil, robtica, medicina, biometria, economia, gesto, seguros, indstria
aeroespacial, indstria de telecomunicaes, indstria electrnica e indstria de prospeco
petrolfera (Hornick et al., 1989, 1990; Cardaliaguet e Euvrand, 1992; Rao e Rao, 1995;
Bishop, 1995; Bose and Liang, 1996; Anjum et al., 1997; Ayyub e Gupta, 1997; Haykin,
1999; Schueremans e Van Gemert, 2005; Deng, 2006). As redes neuronais artificiais so
tcnicas computacionais com propriedades particulares como a possibilidade de
aprendizagem, de generalizar, classificar e organizar dados (Garrett, 1994; Gomes e
Awruch, 2004).
M
y ( x ) = w0 + w1 x + + wM xM = w x
j =0
j j , (2.125)
70
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
este pode ser considerado como um mapeamento no linear onde x so os valores de input
e y o valor de output. A forma da funo polinomial depende dos valores dos parmetros
que so dados pelo vector w = (w0, , wM); que pode ser considerado como os pesos de
uma rede neuronal. Dentro da teoria das redes neuronais, como se ver mais frente, os
valores desses parmetros podem ser obtidos atravs de um algoritmo de aprendizagem
com superviso. Neste caso utiliza-se um conjunto de valores de treino (treino da rede)
onde j se conhecem as respostas correctas (output - valores que se desejam obter, tambm
referidos como valores alvo) para as diferentes entradas de dados (input). Com estes
valores conhecidos escolhem-se os pesos e os desvios, de forma a minimizar uma funo
erro dada por:
( y ( x , w) d )
1 2
E= n n (2.126)
2 n =1
(output) para o input xn e dn o valor conhecido que se deseja obter. Como E uma funo
de w ento o polinmio pode ser ajustado aos N pontos escolhendo um valor para w, que se
vai designar por w*, que minimiza E. Para generalizar a novos valores utiliza-se um novo
conjunto de elementos para testar a rede (validao da rede). De forma a avaliar a
capacidade do polinmio em generalizar novos dados deve considerar-se a raiz quadrada
do erro quadrtico mdio que dado por (Bishop, 1995):
( y(x , w ) d )
1 *
2
EREQM = n n . (2.127)
N n =1
71
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
N i N j
i j
Caminho (i, j)
As aplicaes das redes neuronais artificiais esto intimamente relacionadas com a sua
arquitectura, processo de aprendizagem e comportamento dinmico. Em seguida vo
abordar-se estes aspectos. Assim, para o desenvolvimento de um modelo necessrio
definir o problema em estudo, definir os dados para o treino e teste, escolher a arquitectura
de rede, realizar o treino e fazer o teste (validao da rede).
Modelos de um neurnio
O primeiro modelo lgico matemtico de um neurnio artificial foi proposto por Warren
McCulloch e Walter Pitts em 1943 tendo sido designado por TLU (do ingls Threshold
Logic Unit). Consiste numa unidade computacional que opera com sinais binrios simples
(0/1) que combina vrias entradas e gera um sinal de sada. Neste caso a rede constituda
por neurnios binrios e ligaes binrias. Na Figura 2.5 apresenta-se o modelo de
McCulloch-Pitts de um neurnio com n entradas (input) xi (Pandya e Macy, 1995).
72
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
x1 w1
x2 w2
u f(u) y=f(u)
wn
xn
n
y = f (u ) = f
w x
i =1
i i (2.128)
1 se u
f (u ) = (2.129)
0 se u <
yk = f ( vk ) = f ( uk + k ) (2.130)
m
uk = w
j =1
kj x j (2.131)
onde x1, , xm so os valores de entrada, wk1, , wkm so os pesos, uk uma soma pesada
dos valores de entrada, k o desvio que um parmetro externo do neurnio artificial,
73
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
m
yk = f ( vk ) = f
w kj x j . (2.132)
j =0
Neste caso o desvio k substitudo por uma nova ligao cuja entrada tem um valor fixo,
x0 = 1 , e um peso wk 0 = k . Este modelo embora tenha uma apresentao diferente
equivalente ao anterior.
Desvio
k
Pesos
x1 wk1 Funo de
Activao
wk2 Sada
Entradas
x2 vk
f(.) yk
wkm
xm Neurnio k
74
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Existem vrias funes de activao que so aplicadas conforme o tipo de rede neuronal
que se est a utilizar, o intervalo de resultados que se pretende e do problema em questo.
Vrios so os tipos de funes que se podem aplicar, como por exemplo (Haykin, 1999):
1 se x 0
2. Degrau: f ( x) = (2.134)
0 se x < 0
1 se x 0.5
f ( x ) = x se 0.5 < x < 0.5 (2.135)
0 se x 0.5
75
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
1
f ( x) = (2.137)
1 + e x
f ( x ) = tanh ( x ) (2.138)
nas unidades de sada de uma rede neuronal. Estas funes activam apenas a unidade de
sada mais excitada. Considerando y como o vector dos potenciais de activao das
unidades de sada de uma rede neuronal artificial ento:
1 se yi mximo
f ( y ) i = (2.139)
0 caso contrrio
Arquitecturas de rede
1. Unidireccionais
76
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
ciclos. Normalmente esto organizadas por camadas. A primeira designa-se por camada de
entrada (input), a ltima por camada de sada (output) e as camadas intermdias so
tambm conhecidas por camadas escondidas. Na contagem do nmero de camadas de uma
rede alguns autores no entram em considerao com a primeira camada pois consideram
que nessa fase ainda no foi realizado qualquer clculo (Haykin, 1999). Neste trabalho vai
incluir-se essa primeira camada na contagem. As redes de camadas com alimentao
directa onde a informao de sada constituda por padres binrios so designadas por
alguns autores por redes de perceptres. Um perceptro assim considerado uma unidade
computacional que calcula o sinal de uma combinao linear das variveis de entrada.
x1
y1
x2
yN
xL
2. Recorrentes
Estas so redes com ciclos (tambm referidas como redes com realimentao, retroaco
ou do ingls feedback) e por isso as sadas (outputs) no so exclusivamente funo das
ligaes entre os neurnios pois aplica-se um clculo recursivo que obedecer a uma certa
condio de paragem (Figura 2.8). Nestas redes a sada de uma unidade pode ligar-se a
77
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
uma outra anterior que foi sua entrada ou mesmo a uma unidade da mesma camada. Um
exemplo deste tipo de rede bastante utilizado o modelo de Hopfield (Hopfield, 1982).
x1
y1
x2
yN
xL
Uma das tarefas mais difceis determinar o nmero de neurnios em cada camada
intermdia assim como o nmero de camadas intermdias a utilizar num determinado
problema (Flood e Kartam, 1994). No existem regras para este problema. No entanto,
embora no indiquem o nmero de neurnios que deve ter, alguns estudos demonstram que
uma camada intermdia suficiente para representar qualquer funo ou para resolver a
maioria dos problemas de generalizao.
Funes erro
Existem muitas escolhas possveis de funes erro que podem ser utilizadas, dependendo a
sua aplicao do problema que se quer estudar (Bishop, 1995). Para problemas de
regresso e classificao pode utilizar-se a funo soma de quadrados dos erros. No geral,
para problemas de regresso podem utilizar-se, por exemplo, a funo soma de quadrados
dos erros, a funo erro de Minkowski-R ou a funo varincia dependente das entradas.
Para problemas de classificao podem utilizar-se, por exemplo, a funo soma de
quadrados dos erros, a funo entropia ou a funo entropia cruzada para mltiplas classes.
Em seguida vo apresentar-se duas das funes erro mais utilizadas.
78
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Neste caso consideram-se existir c variveis alvo dk, k = 1, , c. A funo erro dada
atravs de uma soma sobre todas as amostras do conjunto de treino (tambm chamadas
padres) e sobre todos os valores de sada (Bishop, 1994):
N c
{ y ( xn , w) d n, k }
1
E ( w) =
2
k (2.140)
2 n =1 k =1
Em muitos casos, para avaliar a performance de uma rede, conveniente utilizar uma
funo erro diferente da utilizada para o seu treino. Por exemplo, num problema de
interpolao a rede pode ser treinada utilizando a funo erro da equao (2.140) enquanto
que para a testar ser melhor utilizar a funo erro raiz mdia quadrtica dada por:
N c
{ y ( x , w ) d }
2
*
k n n, k
n =1 k =1
E= N c
(2.141)
{d }
2
n, k d
n =1 k =1
N c
d
1
d= n, k (2.142)
N n =1 k =1
2. Erro de Minkowski
Para minimizar a funo soma de quadrados dos erros, as suas derivadas so obtidas
atravs do mtodo de mxima verosimilhana sob o pressuposto de que os valores alvo
79
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
N c
y
R
E ( w) = k ( xn , w) d n, k (2.143)
n =1 k =1
80
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
O processo de aprendizagem (no fundo a escolha dos pesos associados a cada ligao) de
uma rede neuronal artificial pode ser realizado sob superviso. Neste tipo de aprendizagem
so conhecidas a priori as respostas correctas correspondentes a um certo conjunto de
dados de entrada. Assim, conhecendo as respostas correctas da rede a diferentes entradas
de dados pretende-se escolher os pesos e os desvios das diferentes ligaes e neurnios que
melhor contribuam para que a rede modele adequadamente o problema em estudo. Em
seguida apresentam-se alguns dos principais algoritmos de aprendizagem com superviso
(Tivive e Bouzerdoum, 2005):
81
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Neste tipo de aprendizagem no h uma resposta desejada que seja fornecida rede. Ela
aprende por si sem obter qualquer valor de erro. Neste caso a rede utiliza padres,
regularidades e correlaes para agrupar os dados em classes. Aquilo que a rede vai
aprender sobre os dados pode variar em funo do tipo de arquitectura utilizada e do
algoritmo de aprendizagem.
f
xk +1 = xk f ( xk ) x = (2.144)
xk
82
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
onde > 0 o tamanho do passo (uma constante de pequeno valor que especifica a
alterao em x). No caso ideal o tamanho do passo deve ser escolhido de forma que
f ( xk +1 ) seja um mnimo de f ( x ) ao longo da direco onde o gradiente negativo. O
pelas expresses:
f(x)
f(xk)
f(xk+1)
xk xk+1 x
f(x)
f(xk)
f(xk+1)
xk xk+1 x
83
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Uma dificuldade que surge na aplicao deste tipo de mtodo que ele pode parar em
qualquer mnimo local e poder gerar confuso com o mnimo absoluto. No entanto quando
f ( x ) quadrtica existe apenas um extremo. Assim, quando o mtodo converge sabe-se
por { xn , d n }n =1 , onde xn o vector das entradas na rede e dn o vector das sadas desejadas
N
para as entradas xn. O peso da ligao entre a unidade i, de uma camada, e a unidade j na
( )
seguinte dado por wij. Alm disso, o valor t em wijt usado para referir que a camada
que contm a unidade j est t camadas atrs da camada de sada. Para a camada de sada
t = 0 , podendo o valor ser omitido na notao. Sendo c o nmero de unidades de sada, a
funo erro quadrtico dada atravs da soma sobre todas as unidades de sada da n-sima
amostra do conjunto de treino (Gouva e Terra, 1999):
c c
d e
1 2 1
En = n, k yn, k = 2
n, k
(2.146)
2 k =1 2 k =1
84
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
onde yn,k o valor de sada da unidade k para o vector de entrada xn, c o nmero de
unidades de sada e dn,k representa o valor desejado de sada da k-sima unidade de sada
quando o vector de entrada xn. O erro total relativo s N amostras do conjunto de treino
dado por:
N
E= E
n =1
n . (2.147)
( )
yn,1 0 = 1
wn, 0k = n, k
( )
yn,11
wn, 1k
dn, k
Neurnio k
wn, m-1k
( )
yn,1 m 1
wn, mk
( )
yn,1 m
Na Figura 2.11 representa-se o k-simo neurnio da camada de sada, que alimentado por
um conjunto de valores (sinais) de m funes produzidas pela camada anterior. O sinal de
entrada associado a este neurnio, antes de se aplicar a sua funo de activao, dado
pela equao:
m m
vn, k =
i =1
( )
y n1, i wn, ik + n, k = y
i =0
(1)
n,i
wn, ik (2.148)
85
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
onde m o nmero total de entradas (sem contar com o desvio) aplicadas ao neurnio e
( )
y n1, i a sada da i-sima unidade da primeira camada antes da camada de sada. Assim, o
En
wn, ik = (2.150)
wn, ik
En
= ( d n, k yn, k ) = en, k (2.152)
yn, k
yn, k
= f k ( vn, k ) (2.153)
vn, k
vn, k ( )
= y n1, i (2.154)
wn, ik
Assim:
( )
wn, ik = n, k y n1, i (2.155)
86
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
A partir das equaes (2.155) e (2.156) verifica-se que o factor principal relacionado com
o clculo dos ajustes dos pesos, wn, ik , o sinal do erro en, k sada do neurnio k.
Surgem assim dois casos que dependem da localizao do neurnio k dentro da rede:
Neste caso utiliza-se a equao en, k = d n, k yn, k para determinar o sinal do erro associado
a este neurnio. Depois disso utiliza-se a equao (2.156) para calcular o gradiente local
n, k .
Neste caso o sinal do erro tem de ser determinado recursivamente em funo dos sinais dos
erros de todos os neurnios ao qual este neurnio k est directamente ligado. Vai-se ento
determinar como que o erro afectado pelos pesos das ligaes entre unidades
localizadas em camadas que esto duas ou mais camadas atrs da camada de sada.
( )
Considerando wn,t jk o peso da ligao feita unidade k da camada que est t nveis
(camadas) antes da camada de sada a partir da unidade j da camada que est t+1 nveis
antes da camada de sada, ento o sinal de entrada associado ao neurnio k da camada que
est t nveis antes da camada de sada, e antes de se aplicar a sua funo de activao,
( )
representado por vn,t k e a sada dessa unidade k dada por:
r
( )
( )
yn,t k =
( )
fk t ( )=
( )
vn,t k
( )
fk t ( ) ( )
yn,t +j1 wn,t jk + n,t k
(2.157)
j =1
onde r o nmero total de entradas (sem contar com o desvio) aplicadas ao neurnio k.
Utilizando a regra da cadeia e considerando t = 1:
87
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
( ) ( )
En yn, k vn, k
1 1
En En
( )
wn,1 jk
= ( )
yn,1 k
( )
vn,1 k
( )
wn,1 jk
= ( )
yn,1 k
( )
( )
( )
f k 1 vn,1 k yn,2 j (2.158)
En
n, k = ( )
yn,1 k
( )
( )( )
f k 1 vn,1 k (2.159)
A sada da unidade k pode estar ligada a mais de uma unidade da camada seguinte.
Somando todas as ligaes que saem da unidade k para a camada seguinte e utilizando a
regra da cadeia tem-se:
En En
( )
yn,1 k
= v
l n, l
.wn, kl (2.160)
Utilizando as equaes (2.146) e (2.157) tendo em conta que a soma sobre l obtm-se:
En
( )
yn,1 k
= el
n, l . f k ( vn, l ) wn, kl = n, l wn, kl
l
(2.161)
( )
O procedimento utilizado na equao (2.158) para t = 1 repete-se at que En wn,t jk seja
( )
n, k = f k 1 vn,1 k ( )
( )
n, l wn, kl (2.162)
l
88
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
calculados para os neurnios da camada seguinte que esto ligados ao neurnio k ver
por exemplo (2.162)
Neste algoritmo quanto mais pequeno for o valor da taxa de aprendizagem, ou passo de
treino, mais pequenos sero os ajustes dos pesos na rede de uma iterao para a outra.
No entanto, esta melhoria implica uma lenta convergncia e desta forma o algoritmo pode
facilmente parar num mnimo local dentro do espao dos pesos e no identificar o mnimo
absoluto do problema em causa. Se, ao contrrio, for muito grande de forma a acelerar a
aprendizagem a rede pode ficar instvel (com oscilaes). Um mtodo simples que permite
acelerar a convergncia e evitar os mnimos locais e a instabilidade na rede modificar a
equao (2.155) incluindo um termo chamado momento (Rumelhart et al., 1986b; Warnes
et al., 1998; Haykin, 1999; Hurtado e Alvarez, 2001):
( )
wn, ik = n, k y n1, i + wn 1, ik (2.164)
89
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
O treino de uma rede neuronal artificial ocorre atravs de um algoritmo que funciona como
um processo iterativo de ajuste dos pesos que representam as ligaes entre as unidades da
rede assim como das entradas independentes os desvios de cada unidade. O
processamento dos dados consiste na transmisso dos dados de entrada para as unidades da
primeira camada, onde estes so processados, gerando informaes que sero passadas
para a camada seguinte e assim sucessivamente at serem obtidos os resultados na camada
de sada da rede.
Espera-se que uma rede neuronal artificial tenha uma boa capacidade de generalizao
independentemente de ter sido controlada durante o treino. Embora a generalizao surja
naturalmente como consequncia da aprendizagem, o conceito actual que aprendizagem
e generalizao funcionem em simultneo.
Por exemplo, considerando que se pretende treinar uma rede com uma camada de entrada,
uma camada intermdia e uma de sada, contendo esta ltima c elementos. Em problemas
de aproximao, classificao e previso o objectivo do treino da rede a determinao de
um vector de pesos w* que minimize o erro quadrtico em relao a um conjunto de treino
composto por pares de valores (xn, dn) ; n = 1, , N onde N o nmero de amostras do
90
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
dE ( wk )
wk +1 = wk (2.165)
dwk
Durante o treino de uma rede neuronal artificial h que ter em ateno alguns factores que
tm alguma influncia nos resultados. Por exemplo, a utilizao de passos de treino
pequenos (normalmente muito menores que 1), apesar de tornar a convergncia do erro
mais lenta inibe a ocorrncia de oscilaes durante o treino o que beneficia o processo de
convergncia. Outro aspecto importante a escala utilizada para os dados de entrada e
sada do problema. Embora parea desnecessrio, os valores reais do problema devem ser
alterados para intervalos da mesma ordem de grandeza dos valores envolvidos no processo
de treino da rede pois isso melhora o desempenho desta e resulta numa convergncia mais
rpida do erro. Outro aspecto a ter em conta o nmero de casos conhecidos a utilizar no
treino da rede. Um nmero reduzido de casos facilita o treino no s porque reduz o
nmero de operaes necessrias em cada iterao mas tambm porque exige que a rede se
adapte a um nmero reduzido de situaes. De facto uma rede deve ser capaz de relacionar
de forma coerente um pequeno nmero de valores, embora isso possa comprometer o seu
desempenho futuro. Por este motivo que se necessita de testar a rede, para avaliar se
mesmo com um erro satisfatrio resultante do treino esta capaz de apresentar um erro
tambm satisfatrio quando aplicada a outros casos no utilizados no treino teste da rede.
Um bom desempenho no teste que qualifica a rede neuronal artificial para utilizao em
novos casos. O importante obter um equilbrio entre o tamanho da amostra no conjunto
91
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Depois do treino, obtendo os pesos ideais para a rede, esta deve ser testada. Normalmente,
o conjunto de treino utiliza 90% dos valores enquanto o conjunto de teste os restantes 10%.
O teste realizado utilizando os valores de problemas cujas solues so conhecidas e que
no foram usados no treino da rede. O objectivo verificar se para os valores de entrada
desses problemas a rede neuronal apresenta como resultado a soluo esperada. Se o teste
for bem sucedido ento pode usar-se a rede para a obteno da soluo de outros
problemas semelhantes.
92
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Este tipo de redes contm uma ou mais camadas intermdias, uma camada de entrada e
outra de sada. Os sinais de entrada propagam-se atravs da rede numa nica direco
camada-por-camada (alimentao directa).
zm-1 yc
xd zm
Figura 2.12 Arquitectura de uma rede perceptro multicamadas com uma camada intermdia.
Neste caso vai considerar-se uma rede com trs camadas, uma camada de entrada com d
neurnios mais o desvio, uma camada intermdia com m neurnios mais o desvio e uma
camada de sada com c neurnios (Figura 2.12). O valor de sada do j-simo neurnio da
camada intermdia dado por:
d
z j = f w ji xi
i =0
(2.166)
93
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
m
m
d
yk = f *
w*kj z j = f *
w*kj f w ji xi
i =0
(2.167)
j =0 j =0
camada de sada k e f*(.) a funo de activao. Neste caso o desvio k substitudo por
uma nova ligao cuja entrada tem um valor fixo, z0 = 1 , e um peso wk 0 = k . As funes
Funes de activao
O modelo de cada neurnio da rede inclui uma funo de activao no linear. As funes
mais utilizadas so as sigmoidais, sendo as mais comuns as funes logstica e tangente
hiperblica (Flood e Kartam, 1994; Karunanithi, et al., 1994; Santosh et al., 2007):
1
yk = (2.168)
1 + e vk
evk e vk
yk = tanh ( vk ) = (2.169)
evk + e vk
94
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
Aprendizagem da rede
95
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Tal como nas redes perceptro de mltiplas camadas, este tipo de rede tambm
constituda por camadas e contm uma ou mais camadas intermdias, uma camada de
entrada e outra de sada. Os valores de entrada propagam-se atravs da rede numa nica
direco camada-por-camada (alimentao directa). Sendo tambm, normalmente, redes
no lineares e aproximadores universais. Neste caso vai considerar-se uma rede com trs
camadas, uma camada de entrada com d neurnios, uma camada intermdia com m
neurnios mais o desvio e uma camada de sada com c neurnios (Figura 2.13).
A camada intermdia consiste num conjunto de funes de base radial. Associado a cada
neurnio da camada intermdia est um vector de parmetros que no mais do que o
centro da funo de base radial desse neurnio. O neurnio calcula ento a distncia
Euclideana entre o vector do centro e o vector de entrada e passa o resultado a uma funo
de base radial (Gomes e Awruch, 2004). Normalmente, todas as funes de base radial dos
neurnios de uma camada intermdia so iguais mas isso pode tambm no acontecer.
1
y1
x1
m-1 yc
xd m
Figura 2.13 Arquitectura de uma rede de funes de base radial com uma camada intermdia.
96
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
m
yk ( v ) = w
j =0
kj j
(v) (2.170)
vector dos centros das funes de base radial j, x o vector das entradas na rede, wkj o
peso da ligao entre o neurnio da camada intermdia j e o neurnio de sada k e j a
funo de activao de base radial do j-simo neurnio da camada intermdia. Neste caso o
desvio k substitudo por uma funo de base radial extra cuja entrada tem um valor fixo,
0 ( v ) = 1 , e um peso wk 0 = k .
Enquanto que a camada de sada de uma rede de base radial linear, nas redes de
perceptro de mltiplas camadas utilizadas para classificao de padres essa camada
no linear.
Nestas redes os centros das funes de base radial dos neurnios intermdios no so
coincidentes com os valores de entrada. A sua definio passa a ser parte do problema
(corresponde primeira fase do treino da rede).
A arquitectura das redes de base radial bastante flexvel dispondo de um nmero maior
de parmetros dos que as redes perceptro de mltiplas camadas, como sejam o nmero de
funes de base radial a utilizar na camada intermdia (est relacionado com a
complexidade da funo a ajustar pela rede), os centros das funes (so determinados
como parte do processo de aprendizagem), a largura das funes de base radial e os pesos.
Funes de activao
97
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
N
f ( x) = w ( x x )
i =1
i i (2.171)
base radial, representa a norma Euclideana, xi o vector dos centros das funes de base
w = d (2.172)
( )
ji = x j xi . Assumindo que no singular, e portanto admite inversa, ento:
w = 1d . (2.173)
Micchelli (1986) demonstrou que um grande nmero de classes de funes de base radial
garante essa propriedade. As que mais se utilizam nas redes de base radial so (Bishop,
1995; Billings e Zheng, 1995; Haykin, 1999; Mai-Duy e Tranh-Cong, 2003; Deng, 2006):
2
1. Gaussiana: ( ) = e 2 2
, >0 (2.174)
98
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
1
3. Multi-quadrtica Inversa (Hardy, 1971): ( ) = , >0 (2.176)
+2
2
vector dos centros das funes de base radial, x o vector das entradas na rede e a largura
das funes de base radial.
Relativamente s funes de base radial, por exemplo, Chen et al. (1990, 1992) utilizaram
a funo 4 enquanto que Moody e Darken (1989), Broomhead e Lowe (1988) e Poggio e
Girosi (1990) utilizaram a Gaussiana e a multi-quadrtica.
Aprendizagem da rede
99
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
A determinao de uma estrutura apropriada para uma determinada rede est intimamente
relacionada com o treino e com o erro. Os procedimentos utilizados para treinar este tipo
de redes so mais rpidos do que os mtodos utilizados para treinar redes perceptro de
mltiplas camadas (Bishop, 1995). A maior parte dos algoritmos de treino comeam com
uma estrutura de rede que escolhida com base em conhecimentos ou experincias
passadas. Recentemente tm vindo a ser desenvolvidas vrias abordagens para treinar este
tipo de redes. A maior parte delas pode ser dividida em duas fases (Moody e Darken, 1989;
Chen et al., 1992a; Kaviori e Venkata Subramanian, 1993; Vogt, 1993; Xu et al., 1993):
1. Na primeira fase os parmetros das funes de base radial (os centros dessas
funes), das unidades da camada intermdia, so determinados utilizando mtodos
de aprendizagem sem superviso que usam apenas os dados de entrada da rede.
Alm disso, tambm calculado o nmero de neurnios a usar na camada
intermdia.
100
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
O objectivo construir uma rede neuronal artificial para aproximao de uma funo de
estado limite implcita [Deng (2006) utiliza para o mesmo processo uma rede neuronal
artificial de funes de base radial (do ingls RBF)]. Depois facilmente se obtm valores
dessa funo devido capacidade de generalizao de uma rede neuronal artificial.
Tambm se podem obter valores das derivadas parciais de primeira ou segunda ordem de
uma funo de estado limite implcita a partir da rede neuronal treinada. Desta forma,
podem implementar-se mtodos de simulao de Monte Carlo, FORM ou SORM
conjugados com redes neuronais artificiais (Deng et al., 2005).
As redes neuronais artificiais tm vindo a ser aplicadas em imensas reas onde est
envolvida a obteno de informao a partir de um conjunto de dados. Os problemas de
anlise de fiabilidade onde se pretendem realizar aproximaes a funes de estado limite
implcitas envolvem vrios tipos de mtodos que se podem aplicar. Hornik et al. (1989,
1990) mostram que as redes de mltiplas camadas de alimentao directa com uma camada
de entrada, uma intermdia e outra de sada e com funo de activao sigmoidal na
camada intermdia so capazes de funcionar como bons aproximadores de qualquer funo
e suas derivadas.
101
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Nf
p f = P [G ( X ) < 0] = (2.179)
N
Neste caso utiliza-se uma rede neuronal artificial para aproximao funo de estado
limite e s suas derivadas parciais de primeira ordem [Deng (2006) utiliza para o mesmo
processo uma rede neuronal artificial de funes de base radial]. Considerando um
problema com n variveis aleatrias bsicas X = X 1 , , X n onde G ( X ) a funo de
normal reduzido, {
x* = x*1 , , x*n } o vector do ponto de dimensionamento e
{
x* = x1* , , xn* } o vector correspondente ao ponto de dimensionamento no espao
2. Escolher um valor inicial para x* (pode ser o vector das mdias) e calcular G ( x* )
x*i N
xi* = (2.180)
N
4. Definir um modelo para G ( X ) utilizando uma rede neuronal artificial [Deng (2006)
utiliza para o mesmo processo uma rede neuronal artificial de funes de base radial] e
G
calcular as derivadas parciais tambm atravs da rede.
X i x*i
G G N
5. Calcular =
X i x* X i
*
i xi
102
Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
xk*+1 =
1 G ( x* )T x* G ( x* ) T G ( x* ) (2.181)
k k k k
G ( )
2
xk*
n
7. Calcular a distncia da origem do espao normal reduzido a xk*+1 , = ( x )
i =1
i
* 2
,e
exemplo 0.001
Neste caso, utilizando um mtodo SORM, a probabilidade de rotura vai ser dada atravs da
equao (2.53) (Breitung, 1984). Esta equao mostra que os SORM melhoram os FORM
atravs da incluso de informao adicional acerca da curvatura de G ( X ) . Neste mtodo
utiliza-se uma rede neuronal artificial para determinar as derivadas parciais de primeira e
segunda ordem de G ( X ) [Deng (2006) utiliza para o mesmo processo uma rede neuronal
artificial de funes de base radial]. Para determinar as curvaturas principais:
103
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
cos sin
R=
cos
(2.182)
sin
Para mais do que duas variveis aleatrias a matriz R calculada em duas fases (Haldar
e Mahadevan, 2000)
( RDRT )ij
aij = ; i, j = 1, , n 1 (2.183)
G ( y* )
104
Captulo 3
Mtodos de Transformao
3.1 Introduo
Nos primrdios os mtodos de fiabilidade eram vlidos apenas para variveis aleatrias
independentes com distribuio normal padro. Cada conjunto de n variveis aleatrias
definidas no espao original, X, transformado num conjunto de m variveis aleatrias
( m n ) definido no espao normal padronizado independente, U (Hasofer e Lind, 1974).
Antes de se apresentarem os vrios casos que podem surgir, vai apresentar-se um mtodo
que se utiliza com frequncia na transformao de variveis aleatrias correlacionadas e
normalmente distribudas; o mtodo de Cholesky.
105
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Uma matriz triangular um caso especial de uma matriz quadrada em que os elementos
abaixo ou acima da diagonal principal so iguais a zero. Uma matriz da forma:
l11 0 0 0
l l22 0 0
21
L = l31 l32 l33 (3.1)
0
ln1 ln 2 ln 3 lnn
chama-se matriz triangular inferior ou matriz triangular esquerda. Uma matriz da forma:
106
Captulo 3 - Mtodos de Transformao
Teorema:
Uma matriz simtrica A definida positiva se e s se cada uma das suas submatrizes
principais tm determinante positivo.
Teorema:
( )
1. Eliminar ak1 ; k = 2 , , n obtendo A 1 .
( )
( ) ( ) ( ) aikk 1
Aos elementos a11 , a221 , a332 , , annn 1 so chamados pivots e aos mik = ( ) ,
akkk 1
i = k + 1, , n so chamados os multiplicadores.
Para minimizar os erros que podero surgir, como por exemplo pivot nulo ou prximo de
zero, deve adoptar-se uma estratgia na escolha do pivot que consiste em cada passo
escolher para pivot o maior elemento em mdulo da coluna a eliminar.
107
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Decomposio LU:
Qualquer matriz quadrada A pode ser escrita como o produto de uma matriz triangular
inferior L por outra triangular superior U: A = L.U .
Esta tcnica deve o seu nome ao engenheiro francs Andr-Louis Cholesky que formulou o
seguinte:
Se uma matriz Ann simtrica e definida positiva ento ela pode ser decomposta num
produto de duas outras: A = L.LT , onde L uma matriz triangular inferior com elementos
positivos na diagonal principal que pode ser considerada como a raiz quadrada de A;
1
L=A 2
(Hurst e Knop, 1972). L o chamado tringulo de Cholesky da matriz A.
Esta tcnica duas vezes mais eficiente do que a decomposio LU, sendo utilizada em
muitas situaes.
108
Captulo 3 - Mtodos de Transformao
Teorema (Cholesky)
Uma matriz simtrica A definida positiva se, e s se, pode ser definida atravs do produto
L.LT , onde L uma matriz triangular inferior com elementos positivos na diagonal.
Algoritmo de Cholesky
Algoritmo de Cholesky-Crout
A sua aplicao tambm comea a partir do canto superior esquerdo da primeira coluna
da matriz L e vai desenvolver-se coluna a coluna.
Considere-se uma matriz Ann em que A = L.LT , para obter os coeficientes lij da matriz
a j1
Passo 2: l j1 = , para j = 2 , , n
l11
109
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
i 1
Passo 4: lii = aii lik2
k =1
i 1
a ji l jk .lik
Passo 5: l ji = k =1
, para j = i + 1, , n
lii
n 1
Passo 6: lnn = ann lnk2
k =1
X = L.Y + X (3.4)
onde L uma matriz triangular inferior com elementos positivos na diagonal principal
obtida atravs da aplicao da decomposio de Cholesky matriz XX = L.LT . A partir da
Y = L1 .( X X ) (3.5)
Tal como comum em problemas de engenharia, nem todas as variveis aleatrias bsicas
so normalmente distribudas. Nesses casos necessrio transformar as variveis no
110
Captulo 3 - Mtodos de Transformao
marginal FX i ( xi ) so dadas.
Uma vez que qualquer varivel aleatria normalmente distribuda pode ser descrita apenas
por dois parmetros, o seu valor mdio e a varincia (ou desvio padro), ento desde que
se consigam definir duas condies apropriadas estas podem ser usadas para conseguir a
transformao pretendida.
Paloheimo [1973, em Haldar e Mahadevan (2000)] sugeriu uma forma de aproximar uma
distribuio no normal por outra que seja normalmente distribuda. Para isso basta que
ambas tenham o mesmo valor mdio e um percentil igual, P. Criou assim duas condies
em que considera P = p f se a varivel aleatria representa uma aco e P = 1 p f se a
FX ( x0 ) = p f x0 = FX1 ( p f ) (3.6)
( z0 ) = p f z 0 = 1 ( p f ) (3.7)
mdios das variveis original e transformada so iguais, o valor de u pode ser obtido
atravs da expresso:
111
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
x0 u x0 u
z0 = u = . (3.8)
u z0
1 Fx ( x0 ) = p f = 1 Fu ( x0 )
x = u x0 x, u
FX , FU
FX
FU
x0 x, u
FX ( x0 ) = 1 p f x0 = FX1 (1 p f ) (3.9)
( z0 ) = 1 p f z0 = 1 (1 p f ) (3.10)
mdios das variveis original e transformada so iguais, o valor de u pode ser obtido
atravs da expresso:
x0 u x0 u
z0 = u = . (3.11)
u z0
112
Captulo 3 - Mtodos de Transformao
z = 1 FX ( x ) (3.12)
Para estimar os parmetros da distribuio normal equivalente, XNi e XNi , utilizaram duas
xi* XNi
FX i ( x ) =
*
i
XN
N * *
(
X i = xi FX i ( xi ) X i .
1 N
) (3.13)
i
1
xi* XNi
= f X i ( xi ) X i =
* N
{
1 FX i ( x*i ) } . (3.14)
XNi XNi f X i ( xi* )
113
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
mdia e o desvio padro da varivel normal equivalente podem ser estimados atravs das
expresses:
xi* XN
N
=
( ( ))
Xi
i
. (3.16)
1
FX xi*i
pequenos. Isto pode trazer alguns problemas pois em certos casos a validade da
distribuio de uma varivel aleatria pode ficar restringida apenas a uma parte do seu
domnio. Para contornar este problema sugerido um limite inferior para o valor de XN i
igual a zero. Desta forma, obtm-se estimativas relativamente precisas para e p f . Assim,
XN = 0i
(3.17)
xi*
XN = , (3.18)
i
(
1 FX ( xi* ) i
)
caso contrrio devem usar-se as equaes (3.13) e (3.14).
114
Captulo 3 - Mtodos de Transformao
Cov ( X i , X j )
ij = (3.19)
i . j
Na sua forma mais geral, pode dizer-se que um conjunto de n variveis aleatrias
dependentes X = ( X 1 , , X n ) , com funo distribuio conjunta FX ( x1 , , xn ) , pode
(Rosenblatt, 1952):
115
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
r1 = FX1 ( x1 )
r2 = FX 2 ( x2 | x1 )
(3.20)
rn = FX n ( xn | x1 , , xn 1 )
f ( x1 , , xn ) = f1 ( x1 ) . f 2 ( x2 | x1 ) f n ( xn | x1 , , xn 1 ) =
n (3.21)
= f1 ( x1 ) fi ( xi | x1 , , xi 1 )
i =2
onde:
f X i ( x1 , , xi )
fi ( xi | x1 , , xi 1 ) = , (3.22)
f X i1 ( x1 , , xi 1 )
sendo
+ +
f X j ( x1 , , x j ) = f ( x , , x )dx1 n j +1 dxn (3.23)
xi
FX i ( xi | x1 , , xi 1 ) = f ( x | x , , x )dx
i i 1 i 1 i . (3.24)
invertidas at obter:
x1 = FX11 ( r1 )
x2 = FX21 ( r2 | x1 )
. (3.25)
xn = FXn1 ( rn | x1 , , xn 1 )
116
Captulo 3 - Mtodos de Transformao
tiverem uma forma simples a inversa ter de ser obtida numericamente (Hohenbichler e
Rackwitz, 1981). Alm disso, h n! formas de escrever as expresses (3.20) (Rosenblatt,
1952). Esta liberdade pode levar a que surjam algumas diferenas na resoluo de (3.25).
transformao de Rosenblatt:
( z1 ) = r1 = FX1 ( x1 )
( z2 ) = r2 = FX 2 ( x2 | x1 )
(3.26)
( zn ) = rn = FX n ( xn | x1 , , xn 1 )
z1 = 1 FX1 ( x1 )
z2 = 1 FX 2 ( x2 | x1 )
(3.27)
zn = 1 FX n ( xn | x1 , , xn 1 )
117
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Em algumas aplicaes pode ser necessrio calcular a transformao inversa das equaes
(3.27), X = T 1 ( Z ) . A partir dessas equaes podem realizar-se com facilidade as n
transformaes unidimensionais, obtendo-se:
x1 = FX11 ( z1 )
x2 = FX21 ( z2 ) | x1
(3.28)
xn = FXn1 ( zn ) | x1 , , xn 1
Melchers (1999) refere que esta transformao sendo normalmente atribuda a Rosenblatt
(1952) parece ter sido dada anteriormente por Segal (1938) e sugerida pela primeira vez
para aplicao na fiabilidade estrutural por Hohenbichler e Rackwitz (1981).
Este mtodo foi desenvolvido por Morgenstern para duas varveis aleatrias X 1 e X 2 com
118
Captulo 3 - Mtodos de Transformao
n
n
FX ( X ) = FX i ( xi ) 1 + ij 1 FX i ( xi ) . 1 FX j ( x j ) +
i =1 i< j
(3.29)
n
+ ijk 1 FX i ( xi ) 1 FX j ( x j ) 1 FX k ( xk ) + ,
i< j <k
n
n
f X ( X ) = f X i ( xi ) 1 + ij 1 2 FX i ( xi ) 1 2 FX j ( x j ) +
i =1 i< j
(3.30)
n
+ ijk 1 2 FX i ( xi ) 1 2 FX j ( x j ) 1 2 FX k ( xk ) + .
i< j <k
ij 1 , ijk 1 , etc. (De notar que ij 1 so apenas condies suficientes para garantir
12k
12k = (3.31)
( 2 ) .Q1 .Q2 .
k
.Qk
onde:
+
xi i
Qi = . f ( x ) .F ( x ) dx . (3.32)
i X i i X i i i
Alguns exemplos com valores de Qi para distribuies que se podem reduzir sua forma
119
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Esta tcnica s deve ser utilizada apenas para variveis aleatrias com baixos coeficientes
de correlao: ij 0.3 (Liu e Der Kiureghian, 1986). Da que em muitas aplicaes este
Tal como j foi referido, para aplicar a transformao de Rosenblatt necessrio conhecer
a funo densidade de probabilidade conjunta f X ( x1 , , xn ) para obter as variveis
( yi ) = FX i ( xi ) yi = 1 FX i ( xi ) xi = FXi1 ( yi ) (3.33)
120
Captulo 3 - Mtodos de Transformao
onde XEi e XEi so a mdia e o desvio padro das variveis aleatrias normais
equivalentes s variveis originais. A equao (3.34) pode ser definida na forma matricial
atravs da seguinte expresso:
X T = [ E ] .Y T + ( E )
T
(3.35)
onde
XE1 0 0 0
XE
[ ] =
E
0 0 0
. (3.36)
2
0 0 0
0 0 0 XEn
dxi
( yi ) = f X ( xi ) = XEi f X i ( xi ) . (3.37)
i
dyi
E
=
( yi )
=
{
1 FX ( xi )
i } (3.38)
f X i ( xi ) f X i ( xi )
Xi
XE = xi 1 FX ( xi ) . XE
i i i
(3.39)
de caudas normais ir transform-las em variveis normais (Y1 , ,Yn ) que tambm esto
121
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
( y1 , , yn )
f X ( x1 , , xn ) = n ( y1 , , yn ; ) =
( x1 , , xn )
(3.40)
f X1 ( x1 ) f X n ( xn )
= n ( y1 , , yn ; )
( y1 ) ( yn )
onde:
( y1 , , yn ) f X1 ( x1 ) f X n ( xn )
= (3.41)
( x1 , , xn ) ( y1 ) ( yn )
1 1
n (Y ; ) = exp Y T 1Y . (3.42)
( 2 )
n 2
relativo a X i e X j , atravs do integral (Der Kiureghian e Liu, 1986; Liu e Der Kiureghian,
1986):
+ +
xi i x j j f X i ( xi ) f X j ( x j )
ij =
i
j
( yi ) ( y j )
2 ( yi , y j , ij ) dxi dx j =
(3.43)
+ +
xi i xj j
=
i
j
2 ( yi , y j , ij ) dyi dy j
bastante morosos para resolver essa equao, Liu e Der Kiureghian (1986) desenvolveram
122
Captulo 3 - Mtodos de Transformao
Fij podem ser obtidos na literatura e variam em funo das distribuies que as variveis
Assim, obtemos um conjunto de variveis aleatrias, (Y1 , ,Yn ) , com distribuio normal
Y T = [ L] Z T Z T = [ L] Y T
1
(3.45)
[ ] = [ L ] [ L ]
T
(3.46)
i 1
ij L L ik jk
Lij = k =1
12
(3.47)
j 1
jj
k =1
L2ik
onde
L L
0
ik jk
= 0 , 1 j i n . (3.48)
k =1
123
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Z T = [ L] Y T =
1
= [ L]
1
[ E ]1 X T ( E )T = (3.49)
= [T ] X T ( E )
1 T
onde [T ] = [ E ] [ L] .
podem ser obtidas atravs das variveis aleatrias no correlacionadas com distribuio
normal padro ( Z1 , , Z n ) utilizando a expresso:
X T = [ E ] [ L] Z T + ( E ) =
T
. (3.50)
= [T ] Z T + ( E )
T
aleatrias so:
124
Captulo 3 - Mtodos de Transformao
Para obter o valor mdio e o desvio padro das variveis aleatrias normais equivalentes s
variveis originais vo utilizar-se as equaes (3.38) e (3.39) considerando o ponto de
dimensionamento igual ao valor mdio de cada uma das variveis aleatrias (Rackwitz e
Fiessler, 1978). Para melhorar o ajuste das caudas das distribuies original e normal
equivalente utilizaram-se os valores dos parmetros da varivel original aplicando-se uma
nova transformao escolhendo o ponto de dimensionamento de forma a manter constante
o desvio padro da distribuio normal equivalente (obtida a partir da transformao de
caudas normais) ver capitulo 5, seco 5.4. As novas variveis passaro a ter os seguintes
parmetros:
125
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Se:
equao:
ln (1 + ij i j )
Fij = (3.52)
ij ln (1 + i2 ) ln (1 + j2 )
Se:
Se:
126
Captulo 3 - Mtodos de Transformao
Consequentemente:
127
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Assim, obtm-se um conjunto de cinco variveis aleatrias, (Y1 , ,Y5 ) , com distribuio
128
Equation Chapter 4 Section 4
Captulo 4
Mtodos de Simulao
4.1 Introduo
Como j foi visto anteriormente a probabilidade de rotura, na sua forma mais geral,
definida atravs do integral mltiplo da funo densidade de probabilidade conjunta do
vector X, de dimenso n, das variveis aleatrias bsicas no domnio da rotura definida
pela funo de estado limite G ( X ) , ou seja:
p f = P (G ( X ) 0) =
f X ( X ) dX (4.1)
G ( X ) 0
O clculo exacto deste integral possvel apenas para alguns casos especiais de pouco
interesse prtico.
Muitos dos mtodos numricos utilizados na teoria de fiabilidade clssica para estimar o
ndice de segurana, ou a probabilidade de rotura, so aplicveis quando as equaes que
traduzem o estado limite so funes explcitas das variveis aleatrias do problema.
Tambm h casos em que a avaliao da segurana de uma estrutura est relacionada com
equaes de estado limite que so funes implcitas das variveis aleatrias do problema.
De qualquer forma a utilizao destas tcnicas para estimar a probabilidade de rotura
129
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
De facto, geralmente, esse clculo de difcil resoluo mesmo nos casos em que a funo
de estado limite linear, ou as cargas e resistncias tm distribuies normais, ou as
variveis aleatrias bsicas so todas normalmente distribudas ou quando se utilizam
tcnicas numricas usuais. No entanto, normalmente, as funes de estado limite no so
lineares assim como pouco provvel que as variveis aleatrias bsicas de um problema
estrutural sejam todas normalmente distribudas. Para lidar com estes problemas costumam
utilizar-se tcnicas de simulao que permitem obter estimativas no enviesadas do
integral (4.1) em problemas para os quais a funo de estado limite G ( X ) = 0 pode ter
As tcnicas de simulao que mais se utilizam baseiam-se no mtodo de Monte Carlo. Este
considerado muito til como uma ferramenta de verificao no desenvolvimento de
mtodos mais refinados como os mtodos de fiabilidade e perturbao.
Na anlise da fiabilidade estrutural simula-se cada uma das variveis aleatrias bsicas do
problema X i com base nas suas distribuies para obter de cada uma um valor amostral
( )
xi . Em seguida testa-se a funo de estado limite G X = 0 e se este violado G X 0 ( )
considera-se que a estrutura teve uma falha. Se a experincia repetida N vezes, onde em
130
Captulo 4 - Mtodos de Simulao
pf
( ( ) )
n G X 0
, (4.2)
N
( ( ) )
onde n G X 0 representa o nmero de experincias para o qual G X 0 . ( )
A simulao das variveis aleatrias bsicas feita atravs de um gerador de nmeros
aleatrios cujos valores tm distribuies idnticas s respectivas varveis. Para isso
utiliza-se um algoritmo disponvel em todos os sistemas de computadores actuais que
permite gerar uma sequncia de nmeros pseudo-aleatrios com distribuio uniforme no
intervalo ]0, 1[ . Designam-se pseudo-aleatrios porque os valores no so puramente
probabilidades muito pequenas faz com que esse nmero tenda a aumentar. Estes so os
principais inconvenientes do mtodo de Monte Carlo.
( ( ) )
n G X 0
( ( ) )
p f = P G X 0 = lim
N + N
. (4.3)
131
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
3. Simulao de valores para essas variveis aleatrias com base nas suas
distribuies:
( )
X ( i ) = X1( i ) , , X n( i ) ; i = 1, , nmero total de elementos da amostra;
Numa experincia pode ser necessrio obter um valor amostral para cada varivel aleatria
bsica atravs de um processo aleatrio. Uma varivel aleatria que vai ser gerada pode ser
discreta ou contnua. Embora qualquer quantidade de nmeros aleatrios relacionados com
uma dada funo distribuio, FX ( X ) , discretos ou contnuos, possa ser gerada a partir de
132
Captulo 4 - Mtodos de Simulao
Como j foi referido, na prtica qualquer computador tem capacidade para gerar nmeros
pseudo-aleatrios uniformemente distribudos no intervalo ]0, 1[ . Esse nome deve-se ao
facto da maior parte dos geradores de nmeros aleatrios utilizarem um algoritmo que
necessita da especificao de um valor inicial que utilizado como ponto de partida, ao
qual se chama semente. Sempre que se altera aleatoriamente a semente, que num
computador pode ser por exemplo um valor temporal (segundos, minutos, etc.), a
sequncia de nmeros aleatrios tambm se altera mas para cada semente essa sequncia
sempre igual.
Considere-se uma varivel aleatria bsica X i com funo distribuio FX ( xi ) . Tal como
se pode observar na figura 4.1, nesta tcnica gera-se um nmero aleatrio uniformemente
distribudo, ui ( 0 ui 1 ), e iguala-se esse valor a FX ( xi ) para obter xi , ou seja:
FX ( xi ) = ui xi = FX1 ( ui ) . (4.4)
133
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
FX ( x )
ui
0 xi = FX1 ( ui ) X
Este mtodo pode ser aplicado desde que exista uma expresso analtica para a funo
inversa FX1 ( ui ) (como por exemplo para as distribuies Weibull, Gumbel, exponencial,
etc.), sendo nestes casos a tcnica mais eficiente. Noutros casos, onde no existe inversa,
utilizam-se outras expresses que nos do valores aproximados das distribuies como por
exemplo na distribuio normal. Em seguida apresentam-se alguns exemplos.
Considere-se uma varivel aleatria X que segue uma distribuio uniforme de parmetros
a e b, X U ( a, b ) . A funo densidade de probabilidade e a funo distribuio so
1
, a xb
fX ( x) = b a (4.5)
0 , ] , a[ ]b, + [
0 , x<a
x a
FX ( x ) = , a xb (4.6)
b a
1 , x > b
134
Captulo 4 - Mtodos de Simulao
Neste caso:
a+b ( b a )2
= , =
2
e 1 ( x) = 0 (4.7)
2 12
xa
1. Se X U ( a,b ) = Y U ( 0,1)
ba
2. Se Y U ( 0,1) X = a + ( b a ) Y U ( a,b )
A gerao de nmeros aleatrios para uma distribuio uniforme pode ser realizada atravs
da expresso (4.4). No fundo utiliza-se a propriedade 2. Considerando ui um nmero
xa
ui = FX ( xi ) =
ba
xi = a + ( b a ) ui (4.8)
135
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
z = ln ( x ) e z = ln ( x ) . (4.9)
Os trs tipos de distribuio (I, II e III) podem ser representadas como membros de uma
famlia de distribuio generalizada com funo distribuio dada por:
1
x x
P ( X x ) = 1 + , 1+ > 0 , < < + , > 0 . (4.10)
Para:
136
Captulo 4 - Mtodos de Simulao
Tipo I - Gumbel
Esta distribuio tem duas formas. Uma baseada na distribuio limite do mnimo de um
grande nmero de variveis aleatrias independentes e identicamente distribudas (i.i.d.)
com caudas no limitadas (isto , < x < + ) e momentos finitos. A outra baseia-se no
extremo maior (mximo). Neste caso, se X representa a distribuio dos mximos de uma
distribuio de N elementos independentes Yi ento X segue uma distribuio Gumbel
Frmulas gerais:
1. Distribuio do mximo
137
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
( x )
( x ) e
1
fX ( x) = .e
, < x < + (4.11)
( x )
e
FX ( x ) = e , < x < + (4.12)
E ( X ) = X = + . = X . (4.13)
2 2 6 X
Var ( X ) = X2 = = (4.14)
6
n
1
= lim ln ( n ) . (4.15)
n
k =1 k
Foi definida pela primeira vez por Leonhard Euler em 1734 que usou a letra C e referiu
que este valor era digno de considerao (Havil, 2003). O smbolo foi usado pela
primeira vez pelo gemetra Lorenzo Mascheroni em 1790. Em 1736 foi calculado com 16
dgitos por Euler e em 1790 com 32 casas decimais por Mascheroni. Em 1809, Johann Von
Soldner verificou que apenas as 19 primeiras casas decimais estavam correctas e calculou
esse valor com 40 casas decimais correctas, confirmadas por Gauss e Nicolai em 1812
(Havil, 2003). Em 1988, Bailey refere que no h nenhum algoritmo quadrtico que
convirja para obter o valor de . Em Outubro de 1999 X. Gourdon e P. Demichel
conseguiram um recorde de 108 milhes de dgitos para (Gourdon e Sebah, 2004).
138
Captulo 4 - Mtodos de Simulao
mtodo mais simples para medir o grau de assimetria de uma distribuio consiste em
comparar as caudas da distribuio ou as medidas de tendncia central: a mdia, a moda e
a mediana. Se a cauda esquerda mais pronunciada do que a direita diz-se que a
distribuio tem uma assimetria negativa. Caso contrrio diz-se que a assimetria positiva.
Se as caudas so mais ou menos iguais a assimetria nula. Existem tambm varias
medidas quantitativas do grau de assimetria de uma distribuio, a mais geral dada por:
3
1 = (4.16)
23 2
Moda =
Mediana = ln ( ln 2 )
12 6 . ( 3)
3 ( x ) = 1 ( x ) = 1 ( x ) = 1.13955 = (4.17)
3
A gerao de nmeros aleatrios para uma distribuio Gumbel de mximos pode ser
facilmente realizada atravs da expresso (4.4). Considerando ui um nmero aleatrio
(
i
x )
ui = FX ( xi ) = e e
139
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
ln ln ( ui )
xi = . X + X (4.18)
6
2. Distribuio do mnimo
( x )
( x ) e
1
fX ( x) = .e
, < x < + (4.19)
( x )
e
FX ( x ) = 1 e , < x < + (4.20)
E ( X ) = X = . = X + . (4.21)
2 2 6 X
Var ( X ) = X2 = = (4.22)
6
A gerao de nmeros aleatrios para uma distribuio Gumbel de mnimos pode ser
facilmente realizada atravs da expresso (4.4). Considerando ui um nmero aleatrio
(xi )
e
ui = FX ( xi ) = 1 e
140
Captulo 4 - Mtodos de Simulao
ln ln (1 ui ) +
xi = . X + X (4.23)
6
1. Distribuio do mximo
( )
f X ( x ) = e x e
x
, < x < + (4.24)
FX ( x ) = e e
x
, < x < + (4.25)
Sendo:
2 12 6 . ( 3)
E ( X ) = X = , Var ( X ) = X2 = e 1 ( x) = (4.26)
6 3
A gerao de nmeros aleatrios para uma distribuio Gumbel padro de mximos pode
ser realizada atravs da expresso (4.4). Considerando ui um nmero aleatrio
ui = FX ( xi ) = e e
x
xi = ln ln ( ui ) (4.27)
141
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
2. Distribuio do mnimo
[ ]
f X ( x ) = e x e
x
, < x < + (4.28)
FX ( x ) = 1 e e
x
, < x < + (4.29)
Sendo:
2 12 6 . ( 3)
E ( X ) = X = , Var ( X ) = X2 = e 1 ( x) = (4.30)
6 3
A gerao de nmeros aleatrios para uma distribuio Gumbel padro de mnimos pode
ser facilmente realizada atravs da expresso (4.4). Considerando ui um nmero aleatrio
ui = FX ( xi ) = 1 e e
x
xi = ln ln (1 ui ) (4.31)
x
f X ( x ) = ( x ) exp
1
, x , > 0 e IR (4.32)
142
Captulo 4 - Mtodos de Simulao
x
FX ( x ) = 1 e
, x , > 0 e IR (4.33)
x
f X ( x ) = x exp ,
1
x0 , > 0 (4.34)
x
FX ( x ) = 1 e
, x0 , > 0 (4.35)
Neste caso:
1
= E ( X ) = . 1 + (4.36)
2
2 = Var ( X ) = 2 1 + E (X )
2
(4.37)
3
1 + 3 3 2 3
1 ( x) = 3 (4.38)
Mendenhall e Sincich (1995) propuseram uma forma ligeiramente diferente para esta
distribuio:
1 x
( )
f X x = x exp , x0 , > 0 (4.39)
x
FX ( x ) = 1 e
, x0 , > 0 (4.40)
Onde:
143
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
1
= E ( X ) = . 1 +
1
(4.41)
. 1 + 2 2 1
2
2 = Var ( X ) = 1 + (4.42)
f X ( x ) = x 1 e x ,
x0 >0 (4.43)
FX ( x ) = 1 e x ,
x0 >0 (4.44)
A gerao de variveis aleatrias com distribuio Weibull pode ser facilmente realizada
atravs da expresso (4.4). Considerando U uma varivel aleatria obtida a partir de uma
distribuio uniforme no intervalo ( 0 , 1] , ento a varivel X:
X
U = FX ( X ) = 1 e
1
X = + ln (1 U ) (4.45)
Esta distribuio muito utilizada em problemas que envolvem tempos de vida de objectos
(modelar o tempo at falha de componentes), assim como na teoria de valores extremos,
na teoria da fiabilidade estrutural e anlise de rotura ou em sistemas de radar para modelar
a disperso do nvel dos sinais recebidos.
144
Captulo 4 - Mtodos de Simulao
x2
xe 2
2
fX ( x) = , x0 (4.46)
2
x2
FX ( x ) = 1 e 2 2
, x0 (4.47)
= E(X ) = (4.48)
2
4 2
2 = Var ( X ) = (4.49)
2
Nesta distribuio h uma relao entre a mdia e a varincia (ou desvio padro):
4 2 ( ) 2
Var ( X ) = .E X E(X ) = (X ) (4.50)
2 4
A gerao de variveis aleatrias com distribuio Rayleigh pode ser realizada atravs da
expresso (4.4). Considerando U uma varivel aleatria gerada por uma distribuio
uniforme no intervalo [ 0, 1] ento, como U e 1 U tm distribuies idnticas, a varivel
X:
X = 2 ln (1 U ) = 2 lnU (4.51)
segue uma distribuio Rayleigh com parmetro (Gentle, 2002 e Elishakoff, 1999).
Considere-se uma varivel aleatria X que segue uma distribuio normal de parmetros
X e X , X N ( X , X ) . Como a funo distribuio de uma normal no admite
inversa no se pode aplicar o mtodo descrito anteriormente. Para este caso especfico
aplica-se uma transformao proposta por Box e Muller (apresentada pela primeira vez em
145
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
1958 nos Ann. Math. Stat. n. 29, pg. 610-611 com o ttulo A note on the generation of
normal deviates) que permite gerar nmeros aleatrios de variveis aleatrias normais
padro de uma forma bastante eficiente em termos computacionais. Este mtodo produz
um par de valores para duas variveis aleatrias independentes de uma distribuio normal
padro, v1 e v2 , dados por:
v1 = 2 ln u1 .sen ( 2 u2 ) (4.52)
v2 = 2 ln u1 .cos ( 2 u2 ) (4.53)
xi = X + vi . X (4.54)
= E ( ln x ) = ln x
e
2 = Var ( ln x ) = ln2 x .
146
Captulo 4 - Mtodos de Simulao
Uma distribuio deste tipo um caso geral da distribuio de Gibrat, que se obtm a
partir da distribuio lognormal considerando = 1 e = 0 . As funes densidade de
probabilidade e distribuio so dadas por:
2
1 ln x
1
fX ( x) = .e 2
, 0 x < + , > 0 (4.55)
2 .x.
x
1 ln x ln x
FX ( x ) =
f X ( u ) du =
2
1 + erf
2
=
, x0, >0
(4.56)
x
2
erf ( x ) e dt .
t 2
(4.57)
0
Tal como no caso de uma normal, a funo distribuio de uma lognormal tambm no
admite inversa pelo que no se pode aplicar o mtodo da transformao inversa. Nesta
distribuio aplica-se a seguinte propriedade:
U U
(
Se X LN X , X2 ) U = ln X N U , U2 ( ) Y=
U
N ( 0, 1)
dados por:
1
U + U2 1
E ( X ) = X = e 2 = U = ln X U2 (4.58)
2
Var ( X ) = X2 = X2 eU 1 ( 2
) (
2 = U2 = ln 1 + CVX2 ) (4.59)
A gerao de nmeros aleatrios para uma distribuio lognormal pode ser realizada
atravs das expresses (4.58) e (4.59). Considerando yi um nmero aleatrio gerado de
147
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
ui U
1
ln xi ln X + ln 1 + CVX2
2
( )
yi = =
U (
ln 1 + CVX2 )
X .e
(
yi . ln 1+ CVX2 )
xi = (4.60)
1 + CVX2
Se CVX < 0.3 ento U ln X e U2 CVX2 pelo que a equao (4.60) pode ser
simplificada:
ui U ln xi ln X
yi =
U CVX
xi X .e yi .CVX (4.61)
FX ( x ) = P ( X x ) = p
xi x
X ( xi ) (4.62)
O mtodo da transformao inversa tambm pode ser usado para gerar nmeros aleatrios
discretos. Depois de gerar um nmero aleatrio uniformemente distribudo, ui , o valor de
ui FX ( xi ) . (4.63)
148
Captulo 4 - Mtodos de Simulao
p f = I G ( X ) . f X ( X ) dX (4.64)
1 , G ( X ) 0 (regio de rotura)
I G ( X ) = (4.65)
0 , G ( X ) > 0 (regio de segurana)
O mtodo de Monte Carlo utiliza sucessivas simulaes pelo que se aplicam tcnicas
discretas de integrao. Desta forma o integral da expresso (4.64) pode ser aproximado
atravs do somatrio (Melchers, 1999):
I G ( X ) 0 = N
1 nf
pf pf = j (4.66)
N j =1
As estimativas obtidas atravs de (4.66) podem ser melhoradas ajustando uma funo
distribuio apropriada na zona de interesse - G ( X ) 0 . No entanto, a escolha dessa
149
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Mahadevan, 2000a). A sua varincia ou COV pode ser estimada considerando que cada
simulao constitui uma prova de Bernoulli. Desta forma, o nmero de falhas em N provas
de Bernoulli segue uma distribuio Binomial. Assim, a varincia de p f pode ser dada
aproximadamente por:
2p f
(1 Pf ) Pf . (4.67)
N
COV p f
(1 Pf ) Pf Pf . (4.68)
N
Quanto menor for o coeficiente de variao maior ser a preciso na obteno de uma
estimativa para a probabilidade de rotura.
distribuio normal medida que N tende para infinito. O valor mdio e varincia dessa
distribuio so dados por:
150
Captulo 4 - Mtodos de Simulao
( ) ( ( )
E p f = E I G X j 0 ) (4.69)
2I G
( X j )0
2p f = (4.70)
N
Atravs de (4.70) verifica-se que o desvio padro de p f varia directamente com o desvio
Com base no teorema do limite central o nmero de simulaes a realizar pode ser obtido
atravs do intervalo de confiana:
2
1 N 2 1 N
S I2G X 0
( )
= I
N 1 j =1
G X( )
j 0
N I G ( X ) j 0
(4.72)
j
N j =1
Assim, para um nvel de confiana = 95% obtm-se um valor de k = 1.96 , tal como se
pode verificar atravs de qualquer tabela da distribuio normal padro.
1 Pf
Erro % = .200% . (4.73)
N .Pf
Broding et al. [1964 (em Melchers, 1999)] sugeriu que para um dado nvel de confiana
e uma probabilidade de rotura p f uma primeira estimativa para o nmero de simulaes
151
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
ln (1 )
N> . (4.74)
pf
Como se viu anteriormente o Mtodo de Monte Carlo puro de fcil aplicao mas em
contrapartida exige um nmero relativamente elevado de simulaes para se obterem
resultados com um certo rigor. Para aumentar a eficincia deste mtodo necessrio
reduzir o nmero de simulaes, o que no muito aconselhvel pois perde-se preciso.
Uma boa alternativa tentar reduzir a varincia de p f , p2 f , sem que para isso seja
varincia da funo indicatriz, pelo que o procedimento essencial encontrar uma forma
de reduzir 2I G . Esta necessidade levou ao desenvolvimento de diversas tcnicas de
( X j )0
reduo da varincia. No entanto, para se conseguir uma reduo da varincia h que
utilizar informao adicional (a priori) acerca do problema que se pretende resolver. Da
que, das vrias tcnicas que se podem aplicar, em cada caso utilizada informao acerca
do problema em estudo de forma a limitar a simulao s regies de interesse. Em seguida
vo apresentar-se alguns exemplos.
O objectivo desta tcnica, cujos conceitos foram inicialmente apresentados por Shinozuka
(1983) e Harbitz (1983), concentrar a distribuio dos pontos amostrais na rea que mais
contribui para a probabilidade de rotura em vez de considerar todos os possveis valores
152
Captulo 4 - Mtodos de Simulao
que as variveis bsicas podem assumir. Nesse caso o centro da amostra deslocado da
origem do espao normal padronizado para o ponto mais provvel de rotura, ou ponto de
dimensionamento, que se situa sobre a superfcie de estado limite (Schueller e Stix, 1987).
Assim, a probabilidade de rotura pode ser dada atravs do integral mltiplo, equivalente ao
da expresso (4.64):
f ( X )
p f = I G ( X ) . X . h ( X ) dX (4.75)
h ( X )
f X X j ( )
( )
N
1
pf =
I G
X 0 . (4.76)
N j =1
j
h X
j ( )
onde N o nmero de simulaes e X j o vector correspondente simulao j constitudo
por valores amostrais das variveis aleatrias bsicas, obtidos atravs da funo densidade
de probabilidade correspondente amostragem por importncia h ( x ) . Daqui se conclui
padronizada multivariada com desvios padro unitrios mas tambm se podem escolher
outras distribuies de amostragem assim como outros centros de amostragem podendo
mesmo estes vir a ser mais eficientes (Melchers, 1989, 1990a; Engelund e Rackwitz, 1993;
Olsson et. al., 2003). Simplificando em termos de notao, neste caso a varincia de p f
dada por:
2I . f
2p f = h
(4.77)
N
f ( X )
2
2 I.f
2I . f
h
= I G ( X ) 0 . X
. h ( X ) dX E
h ( X ) h
(4.78)
153
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Para minimizar a varincia de p f h que minimizar (4.78). Esta expresso mostra que
quanto melhor for a escolha de h ( x ) mais precisos sero os resultados obtidos atravs do
mtodo de Monte Carlo. Uma distribuio apropriada para h ( x ) pode ser considerada a
h ( X ) = ( X ,C X )
h,2 1 0
com E ( X ) = h,1 h,n e onde C X uma matriz diagonal dada por CX = ,
0 2
h,n
Em problemas onde esto envolvidas uma ou mais variveis aleatrias bsicas discretas, se
no for possvel transformar essas variveis aleatrias para o espao normal padronizado
pode aplicar-se a amostragem por importncia deslocando o centro de amostragem de
acordo com informaes de amostragens realizadas anteriormente (Bucher, 1988; Dey e
Mahadevan, 1988; Melchers, 1990a).
154
Captulo 4 - Mtodos de Simulao
A ideia base desta tcnica semelhante da amostragem por importncia. Neste mtodo o
domnio de integrao dividido em vrias regies de forma a podermos aplicar mais
simulaes nas regies que mais contribuem para a probabilidade de rotura, ou seja, onde
h maior possibilidade de ocorrerem falhas. Assim, todo o domnio de integrao, ,
dividido em n regies mutuamente exclusivas i , ( i = 1 , , n ) :
i=1
i = ; i = 1 , , n (4.79)
i j = ; i j i, j = 1 , , n
p fi = I G ( X ) . f X ( X ) .h ( X ) dX
i
(4.80)
onde a probabilidade de ocorrer cada uma das regies obtida atravs da expresso:
P ( i ) = f X ( X ) .h ( X ) dX ; sendo P ( ) = 1
i =1
i . (4.81)
i
p f = I G ( X ) . f X ( X ) .h ( X ) dX =
(4.82)
n n
=
i =1
I
G ( X ) .
X f ( X ) .h ( X ) dX =
p fi
i i =1
Considerando:
I G ( X ) ; se X i
I i G ( X ) = (4.83)
0 ; se X i
155
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
f X ( X ) .h ( X )
p fi = Pi . I G ( X ) . dX =
i Pi
(4.84)
f X ( X ) .h ( X )
= Pi I i G ( X ) .
Pi
(
dX = Pi . E I i G ( X ) )
f X ( X ) .h ( X )
onde dX = 1 . Assim, pode estimar-se a probabilidade de rotura usando
i Pi
a expresso:
( )
n Ni
1
p f = P ( i ) I G X j (4.85)
i =1
i
Ni j =1
P 2 ( i ) 2
( )
n
p2 = I i G ( X ) (4.86)
f
i =1 Ni
onde:
p 2fi
( I G ( X ) ) = P ( ) I G ( X )
1
. f X ( X ) .h ( X ) dX
2
2
. (4.87)
P 2 ( i )
i
i i
nmero ideal de amostras a atribuir a cada uma. Seja N i o nmero de amostras aplicadas
n
o grau de preciso desejado, o valor ptimo para cada N i obtido atravs da expresso
N i = N .P ( i ) .
156
Captulo 4 - Mtodos de Simulao
N amostras com os valores pretendidos. Cada amostra constituda por j centrides Cij .
Em seguida h que associar a cada centride Cij o valor correspondente ao seu intervalo i
da varivel X j . Desta forma obtm-se os valores representativos das variveis para cada
amostra.
157
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
vrios mtodos que se podem utilizar para o efeito tal como os mtodos propostos por
Morgenstern e Nataf (Liu e Der Kiureghian, 1986) apresentados no captulo 3.
X = X .L.Z + X , (4.88)
onde X uma matriz diagonal dos desvios padro i e L uma matriz triangular inferior
158
Captulo 4 - Mtodos de Simulao
padro das variveis normais padro equivalentes, XEi e XEi , atravs das seguintes
E
=
{
1 FX ( xi* )
i
} (4.89)
f Xi ( x )
Xi *
i
XE = x*i 1 FX ( xi* ) . XE
i i i
(4.90)
dimensionamento este pode ser substitudo pelo ponto mdio de cada varivel original
(Melchers, 1999).
igual matriz . Para obter os valores de Liu e Der Kiureghian (1986) propuseram a
seguinte expresso:
159
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Na figura 4.3 apresenta-se o mtodo de simulao de Monte Carlo com a aplicao de uma
tcnica de reduo da varincia - amostragem por importncia, de forma a avaliar a
probabilidade de rotura num caso geral em que existem variveis aleatrias
correlacionadas com distribuio no normal. A expresso da probabilidade de rotura para
este caso pode ser obtida da seguinte forma:
ui = ( zi z*i ) , i = 1, 2 , , n (4.93)
Da equao (4.93):
zi = 1 ( ui ) + zi* , i = 1, 2, , n . (4.95)
160
Captulo 4 - Mtodos de Simulao
( z1 ) ( z2 ) ( zn )
pf = du1 dun
G ( Z ) 0
( z1 z ) ( z2 z
*
1
*
2 ) ( zn z*n )
( zi )
( z z )
N n
1
*
. (4.96)
N
i =1 i =1 i i G (U ) 0
161
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Dados: G ( X ) , FX
i
( x ) , [ ] , cov , N
i
*
max
N = 0 , Nf = 0
zi =
1
(u )
i
, i = 1, ,n
yi = Li1 z1 + + Lin z n i = 1, ,n
N = N +1
No Zona de rotura:
G(X) 0
Sim
N = N +1
f f
Probabilidade de rotura: Pf = N f N
Sim
Sim No
COV > cov* N<Nmax
Aumentar Nmax
No
Figura 4.2 Mtodo de simulao pura de Monte Carlo para variveis aleatrias correlacionadas.
162
Captulo 4 - Mtodos de Simulao
N =0 , S =0
zi =
1
(u ) + z i
*
i
, i = 1, ,n
Sim n
zi
2 2
>
i =1
No
yi = Li1 z1 + + Lin z n i = 1, ,n
N = N +1
No Zona de rotura:
G(X) 0
Sim
n
(
S = S + ( zi ) zi zi
*
( ))
i =1
Probabilidade de rotura: Pf = S N
Sim
Sim No
COV > cov* N<Nmax
Aumentar Nmax
No
Figura 4.3 Mtodo de simulao de Monte Carlo aplicando uma amostragem por importncia
para variveis aleatrias correlacionadas.
163
Captulo 5
5.1 Introduo
165
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
finitos, necessrio efectuar vrias anlises do mesmo problema para avaliar a incerteza
associada resposta estrutural (Teigen et al., 1991a; Teigen et al., 1991b; Ditlevsen e
Madsen, 2005; Reddy, 1993; Ghanem e Spanos, 2003; Schenk e Schueller, 2005).
Neste trabalho apresenta-se um mtodo eficiente que conjuga tcnicas de perturbao com
o mtodo dos elementos finitos de forma a avaliar a incerteza da resposta estrutural (Eibl e
Schmidt-Hurtienne, 1991; Henriques, 2006; Veiga et al., 2006). As variveis do problema
estrutural com caractersticas aleatrias so descritas atravs dos seus valores mdios,
desvios padro e coeficientes de correlao que quantificam a dependncia entre essas
variveis. Definindo a priori as distribuies de probabilidade das variveis aleatrias
bsicas do problema, a presente metodologia permite avaliar numa nica anlise estrutural
o valor mdio e o desvio padro da resposta estrutural. Os resultados obtidos so exactos
para problemas lineares e quando a distribuio de todas as variveis aleatrias normal.
O desenvolvimento de procedimentos apropriados para ter em conta variveis aleatrias
com distribuies no normais e problemas no lineares efectuado de forma a obter
resultados com um grau de aproximao adequado.
166
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
Carga aplicada
Fi = F . i
K .u = F . (5.1)
onde u o vector dos deslocamentos nodais, F. o vector das foras nodais que
representa as aces externas, sendo F a intensidade da carga aplicada ao sistema estrutural
e = [ 1 , 2 , , n ] o vector da distribuio da carga ao longo da estrutura com n graus
( K + K ) . ( u + u ) = ( F + F ) . (5.2)
K . u + K . u = F . (5.3)
167
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Em seguida apresenta-se para cada caso a avaliao da incerteza atravs de uma tcnica de
perturbao.
F F
F0 Flim
ulim u u0 u
(a) (b)
Figura 5.2 Definio da resposta atravs de: (a) Foras, (b) Deslocamentos.
deslocamento mximo. Nesse ponto pode dizer-se que ui,max = 0. Dessa forma, a
equao (5.3) pode ser definida por:
K . u + K . u u =0 = F . (5.4)
i max =u
Ento:
K . u = Fi ,max . K . u u
i ,max = 0
K . u = K M . q , (5.5)
168
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
Depois de se calcular a mdia dos deslocamentos nodais, u , atravs da equao (5.1) pode
determinar-se q , e em particular Fi ,max , a partir da equao (5.5) obtendo:
q = K M1 . K . u (5.6)
= . (1 + ( x ) ) , (5.7)
dado por:
n
( ) =
k
N ( ) . ( )
i =1
i i
k
, 0 1 (5.8)
169
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
elementos com o dos elementos finitos o nmero de graus de liberdade aleatrios passa a
ser igual ao nmero de elementos estruturais. Dessa forma, atravs do mtodo
probabilstico de elementos finitos possvel determinar as covarincias das variveis do
sistema a partir das covarincias das variveis aleatrias. A matriz de covarincias do
vector q dada por:
q q
T
Cq = . C . (5.9)
A covarincia de uma varivel aleatria i pode ser definida pelo seu desvio padro i e
C = . C . T (5.10)
c = c1 = = cn
(5.11)
s = s1 = = sn
q K
q = . k = K M1 . . u . k (5.12)
k k
170
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
K K T
Cq = K M1 . . u . . C . T . u T . . K MT =
( m m ) ... (1 n )( n n )( n 1) ... ( m m )
(5.13)
A
K K
= K M1 . . u . 1 , ,K M1 . . u . n .C .AT
1 n
( ( m m )( m m ) ( m 1) (1 1) , ... , ( m 1) ) ( n n )( n m )
Em concluso, uma vez conhecidas as mdias e os desvios padro das variveis aleatrias
bsicas assim como as correlaes entre elas e a mdia da fora aplicada na estrutura, este
mtodo permite obter uma variabilidade para a fora. Desta forma obtm-se o desvio
padro da fora que conduz a uma deformao (ou deslocamento) previamente fixada.
Quando faltam alguns dados experimentais os valores da correlao entre duas variveis
aleatrias so aproximados atravs de uma funo exponencial que descreve a dependncia
entre elas utilizando uma funo da distncia espacial entre o centro de dois elementos
xkl e o comprimento da correlao, :
xkl
kl = ( k , l ) = e . (5.14)
171
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Pode ser aplicado em situaes com um ou mais casos de carga, tendo em conta que no
mesmo caso de carga s podem estar foras da mesma natureza (como por exemplo vento,
neve, sismos, cargas permanentes, sobrecargas); com o mesmo coeficiente de variao e o
mesmo tipo de distribuio.
Considere-se apenas um caso de carga, ou seja, uma nica fora global F. Os pressupostos
deste mtodo so os mesmos do anterior. Parte-se da mesma equao determinstica (5.1)
at chegar equao:
K . u + K . u = F . (5.15)
u = K 1 . K . u + K 1 . F . (5.16)
u u
T
Cu = . . C . T . (5.17)
172
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
u K F
u = . k = K 1 . . u . k + K 1 . . . k (5.18)
k k k
K F K
T
F
T
=
1 1 T T
Cu = K . u . + K . . . C . . u . + . .
T T T T
. . .K .K
(5.19)
(m n) (n n) (n m)
A
K F K F
= K 1 . . u . 1 + K 1 . . 1 . 1 , ,K 1
. 1
. u . n + K . . n . n . C . AT
1 1 n n
( m 1) ( m 1) ( n n )( n m )
onde:
m = Nmero de graus de liberdade da estrutura
n = Nmero de variveis aleatrias bsicas
Em concluso, uma vez conhecidas as mdias e os desvios padro das variveis aleatrias
bsicas aplicadas na estrutura assim como as correlaes entre elas, este mtodo permite
obter os deslocamentos mdios e os respectivos desvios padro.
173
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Com dois ou mais casos de carga, cada um com foras que tm o mesmo coeficiente de
variao e o mesmo tipo de distribuio, o mtodo aqui desenvolvido aplica-se de forma
semelhante, apenas se tem de fazer um ajuste relativamente aos vrios casos de carga. Para
n casos de carga, a equao de equilbrio ser dada por:
n
K .u = F .
i =1
i i . (5.20)
Se a variao da rigidez e das foras que actuam na estrutura resultam de uma variao da
varivel aleatria k , ento a segunda parcela da equao (5.18) pode ser obtida atravs da
seguinte expresso:
F n
Fi
K 1 .
k
. . k = K
i =1
1
.
k
. i . k
(5.21)
Este vector condensa a influncia, ou a aco, que todos os casos de carga tm sobre a
estrutura. Assim, a incerteza da resposta estrutural em termos de deslocamentos pode ser
avaliada atravs da equao:
u K n
Fi
u =
k
. k = K 1 .
k
. u . k + K
i =1
1
.
k
. i . k
(5.22)
Neste caso a primeira parcela de u, definida na equao (5.22), influenciada por todas as
variveis aleatrias bsicas do problema que esto relacionadas com a matriz de rigidez e a
seguinte pelas foras que actuam na estrutura. Tendo em conta (5.17) e (5.21) obtm-se:
A
Cu = K
1 K
. u . + K
1 F
. . C . A
T
. . (5.23)
(m s) ( s s )( s m )
174
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
1 2
1
1 u1 2 u2
v1 v2
Considere-se uma viga onde aplicada uma fora nodal vertical a meio vo com uma
grandeza de forma que a resposta estrutural se desenvolve em regime linear elstico (figura
5.4). O sistema estrutural constitudo por duas variveis aleatrias bsicas, a inrcia I e o
mdulo de elasticidade E com distribuies normais (tabela 5.1). Os restantes parmetros
relacionados com a geometria da estrutura so considerados determinsticos. As
componentes dos deslocamentos nos ns 1, 2 e 3 (1, v1, u1, 2, v2, u2, 3, v3, u3) sero
caracterizadas atravs dos seus valores mdios e desvios padro, tendo em conta as
caractersticas de disperso do mdulo de elasticidade e da inrcia.
F
1 2 3
1 2
1 2 3
v2
l l
175
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Variveis Desvio
Distribuies Valor Mdio
Aleatrias Padro
1 5
I Normal m4 m4
384 38400
Conforme se pode observar na figura 5.4 a viga constituda por dois elementos e trs ns,
cada um com trs graus de liberdade (um momento, um deslocamento vertical e um
deslocamento horizontal). Comea-se por definir a matriz de rigidez da viga e o vector das
foras nodais, sendo a matriz de rigidez do elemento i, K ei , e o vector das foras nodais do
4 EI 6 EI 2 EI 6 EI
l 0 0
l2 l l2
6 EI 12 EI
0
6 EI 12 EI
3 0
l2 l3 l2 l
0 EA EA
0 0 0
l l
K e1 = K e2 = (5.24)
2 EI 6 EI 4 EI 6 EI
0 2 0
l l2 l l
6 EI 12 EI 6 EI 12 EI
2 3 0 2 0
l l l l3
EA EA
0 0 0 0
l l
Fe1 = { 0 0 0 0 50 0 } (5.25)
T
Fe2 = { 0 50 0 0 0 0 } (5.26)
T
Agrupando as matrizes de rigidez e os vectores das foras nodais dos dois elementos
obtm-se a matriz de rigidez K e o vector das foras nodais F da viga:
176
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
4 6 0 2 6 0 0 0 0
l l
6 122 0 6 12 0 0 0 0
l l l l2
A A
0 0 0 0 0 0 0
I I
2 6 0 8 0 0 2 6 0
l l
6 12 0 24 6 12 0
K = EI 2 0 0 (5.27)
l l l l2 l l2
0 0 A 0 0 2A 0 0 A
I I I
6 6
0 0 0 2 0 4 0
l l
0 0 6 12
0 2 0 6 12 0
l l l l2
A
0 0 0 0 0 A 0 0
I I
F ={ 0 } (5.28)
T
0 0 0 100 0 0 0 0
U = {1 v1 u1 2 v2 u2 3 v3 u3 } (5.29)
T
177
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
A matriz de rigidez K e o vector das foras nodais F a considerar nas fases seguintes sero
as definidas em (5.30).
4 0 0 2 6 0 0 0 0
l
6 0 0 6 12
2 0 0 0 0
l l l
0 0 0 0 0 A 0 0 0
I
2 0 0 8 0 0 2 0 0
K = I 6 0 0 0 24 0 6 0 0 (5.31)
E l l l2 l
2A A
0 0 0 0 0 0 0
I I
6
0 0 0 2
l
0 4 0 0
0 0 0 6 122 0 6 0 0
l l l
A
0 0 0 0 0 A 0 0
I I
6
4 0 0 2 0 0 0 0
l
6 0 0
6 12
2 0 0 0 0
l l l
0 0 0 0 0 0 0 0 0
2 0 0 8 0 0 2 0 0
K E 6 24 6
= 0 0 0 0 0 0 (5.32)
I l l l2 l
0 0 0 0 0 0 0 0 0
6
0 0 0 2 0 4 0 0
l
6 12 6
0 0 0 2 0 0 0
l l l
0 0 0 0 0 0 0 0 0
178
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
Uma vez definida a matriz K e o vector F possvel calcular o valor mdio das incgnitas,
U . Tendo em conta que o valor mdio do produto EI = 30106(1/384) = 78125KN.m2,
que l = 3m, A = 0.125m2 e F = 100KN, substituindo estes valores no sistema de equaes
(5.30) obtm-se:
1 0.00288 rad
R1 50 KN
0 0
2 0
U = v2 = 0.00576 m (5.33)
0 0
3 0.00288 rad
R3 50 KN
0 0
A matriz K M obtm-se a partir da matriz K definida na expresso (5.30) sendo dada por:
4 EI 0 0 2 EI 0 0 0 0 0
l l
6 EI
2
1 0 6 EI 0 0 0 0 0
l l2
0 0 1 0 0 AE 0 0 0
l
2 EI 0 0 8 EI 0 0 2 EI 0 0
l l l
6 EI 6 EI
K M = 2 0 0 0 1 0 0 0 (5.34)
l l2
0 0 0 0 0 2 AE 0 0 AE
l l
0 0 0 2 EI 0 0 4 EI 0 0
l l
6 6
0 0 0 EI 0 0 EI 1 0
l2 l2
0 0 0 0 0 AE 0 0 AE
l l
179
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
K
Convm notar que o produto dado pela expresso K M1 . . u . , definida na equao
(5.13), resulta numa matriz com dimenso (mn), onde m o nmero de graus de liberdade
da estrutura (neste exemplo m = 9) e n o nmero de graus de liberdade estocsticos, ou
seja, o nmero de variveis aleatrias bsicas (neste exemplo n = 2). Nesta matriz cada
coluna corresponde contribuio de cada varivel aleatria.
parmetros pelos seus valores mdios. Assim como as matrizes das derivadas parciais
K so obtidas a partir das expresses (5.31) e (5.32) substituindo os parmetros pelos
seus valores mdios. A expresso representa os desvios padro das variveis aleatrias
bsicas E e I, que so E = 300.08 = 2.4GPa e I = 1/3840.05 = 5/38400m4.
K
K M1 . . u . E =
E
11.2 106 0 0 3.2 106 0 0 1.6 106 0 0
0.41( 6 ) 1 0 0.1( 6 ) 0 0 0.08 ( 3) 0 0
0 0 1 0 0 1 0 0 1
6
3.2 10 0 0 6.4 106 0 0 3.2 106 0 0
= 0.5 0 0 0 1 0 0.5 0 0
0 0 0 0 0 0.8 106 0 0 0.8 106
6
1.6 10 0 0 3.2 106 0 0 11.2 106 0 0
0.08 ( 3) 0 0 0.1( 6 ) 0 0 0.41( 6 ) 1 0
0 0 0 0 0 0.8 106 0 0 1.6 106
4 0 0 2 2 0 0 0 0 0.00288 0
12
2 0 0 2 0 0 0 0
9 50 4
0 0 0 0 0 48 0 0 0
0 0
2 0 0 8 0 0 2 0 0 0 0
1 24
2 0 0 0 0 2 0 0 0.00576 2.4 106 = 8 (5.36)
1152 9
0 0 0 0 0 96 0 0 48 0 0
0 0 0 2 2 0 4 0
0 0.00 288 0
12 50 4
0 0 0 2 0 2 0 0
9 0
0
0 0 0 0 0 48 0 0 48
180
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
K
K M1 . . u . I =
I
11.2 106 0 0 3.2 106 0 0 1.6 106 0 0
0.41( 6 ) 1 0 0.1( 6 ) 0 0 0.08 ( 3) 0 0
0 0 1 0 0 1 0 0 1
6
3.2 10 0 0 6.4 106 0 0 3.2 106 0 0
= 0.5 0 0 0 1 0 0. 5 0 0
0 0 0 0 0 0.8 106 0 0 0.8 106
1. 6 106 0 0 3.2 106 0 0 11.2 106 0 0
0 . 08 ( 3) 0 0 0.1( 6 ) 0 0 0.41( 6 ) 1 0
0 0 0 0 0 0.8 106 0 0 1.6 106
4 0 0 2 2 0 0 0 0 0.00288 0
12
2 0 0 2 0 0 0 0
9 50 2. 5
0 0 0 0 0 0 0 0 0 0
0
2 0 0 8 0 0 2 0 0 0 0
30 106 24 5
2 0 0 0 0 2 0 0 0.00576 = 5 (5.37)
3 9 38400
0 0 0 0 0 0 0 0 0 0 0
0 0 0 2 2 0 4 0 0 0.00288 0
12 50 2.5
0 0 0 2 0 2 0 0
9 0
0
0 0 0 0 0 0 0 0 0
0 0
4 2.5
0 0
0 0 1 0 4 8 4
0 0 0 0 0 0
Cq = 8 5 .
0 1 0 0
.
2.5 0 0 5 0 0 2 . 5
0 0
0 0
4 2.5
0 0
181
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
0 0 0 0 0 0 0 0 0
0 22.25 0 0 44.5 0 0 22.25 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
Cq = 0 44.5 0 0 89 0 0 44.5 0 (5.38)
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 22.25 0 0 44.5 0 0 22.25 0
0 0 0 0 0 0 0 0 0
F = 89 = 9.43kN
Considere-se uma viga submetida a duas aces, uma carga uniformemente distribuda p e
uma fora nodal horizontal Q no extremo da viga (figura 5.5). O sistema estrutural
constitudo por trs variveis aleatrias bsicas, o mdulo de elasticidade E e as duas
aces aplicadas Q e p com distribuies normais (tabela 5.2). Os restantes parmetros
relacionados com a geometria da estrutura so considerados determinsticos. As
componentes dos deslocamentos nos ns 1, 2 e 3 (1, v1, u1, 2, v2, u2, 3, v3, u3) sero
caracterizadas atravs dos seus valores mdios e desvios padro, tendo em conta as
caractersticas de disperso do mdulo de elasticidade e das duas cargas. O estudo vai
incidir sobre a avaliao da incerteza do deslocamento vertical a meio vo da viga, v2.
1 2 3
1 2 Q
1 2 3
v2
l l
182
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
Conforme se pode observar na figura 5.5 a viga constituda por dois elementos e trs ns,
cada um com trs graus de liberdade (um momento, um deslocamento vertical e um
deslocamento horizontal). Comea-se por definir a matriz de rigidez da viga e o vector das
foras nodais. Tal como no exemplo anterior, cada elemento composto por dois ns e por
trs graus de liberdade por n (figura 5.3), sendo a matriz de rigidez do elemento i, K ei , e
4 EI 6 EI 2 EI 6 EI
l 0 0
l2 l l2
6 EI 12 EI
0
6 EI 12 EI
3 0
l2 l3 l2 l
0 EA EA
0 0 0
l l
K e1 = K e2 = (5.39)
2 EI 6 EI 4 EI 6 EI
0 0
l l2 l l2
6 EI 12 EI 6 EI 12 EI
2 3 0 2 0
l l l l3
EA EA
0 0 0 0
l l
T
pl 2 pl pl 2 pl
Fe1 = 0 0 (5.40)
12 2 12 2
T
pl 2 pl pl 2 pl
Fe2 = 0 Q (5.41)
12 2 12 2
Agrupando as matrizes de rigidez e os vectores das foras nodais dos dois elementos
obtm-se a matriz de rigidez K e o vector das foras nodais Q da viga:
T
pl 2 pl pl 2 pl
F = 0 0 pl 0 Q (5.42)
12 2 12 2
183
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
4 6 0 2 6 0 0 0 0
l l
6 122 0 6 12 0 0 0 0
l l l l2
A A
0 0 0 0 0 0 0
I I
2 6 0 8 0 0 2 6 0
l l
6 12 0 24 6 12 0
K = EI 2 0 0 (5.43)
l l l l2 l l2
0 0 A 0 0 2A 0 0 A
I I I
6 6
0 0 0 2 0 4 0
l l
0 0 6 12
0 2 0 6 12 0
l l l l2
A
0 0 0 0 0 A 0 0
I I
U = {1 v1 u1 2 v2 u2 3 v3 u3 } (5.44)
T
4 EI 0 0 2 EI 6 EI 0 0 0 0 1 2
l l l2 pl 12
6 EI 1 0 6 EI 12 EI 0 0 0 0 V1 pl 2
l2 l2 l3
0 0 1 0 0 AE 0 0 0 H1 0
l
2 EI
l 0 0 8EI 0 0 2 EI 0 0 2 0
l l
6 EI 24 EI 6 EI
0 0 0 0 0 0 . v2 = pl (5.45)
l2 l3 l2
2 AE AE 0
0 0 0 0 0 0 0 u2
l l
2 EI 6 EI 4 EI
0 3 pl 12
2
0 0 0
l l2
0
l
0
0 0 0 6 EI 12 EI 0 6 EI 1 0 V3 pl 2
l2 l3 l2
AE u Q
0 0 0 0 0 AE 0 0
l
3
l
K {U } {F }
184
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
A matriz de rigidez K e o vector das foras nodais F a considerar nas fases seguintes sero
as definidas em (5.45).
K = K = F = 0 (5.46)
Q p E
4 0 0 2 6 0 0 0 0
l
6 0 0 6 12
2 0 0 0 0
l l l
0 0 0 0 0 A 0 0 0
I
2 0 0 8 0 0 2 0 0
K = I 6 0 0 0 24 0 6 0 0 (5.47)
E l l l2 l
2A
0 0 0 0 0 0 0 A
I I
6
0 0 0 2
l
0 4 0 0
0 0 0 6 12
2 0 6 0 0
l l l
A
0 0 0 0 0 A 0 0
I I
F l l
{ }
T
l
= 1 0 0 2 0 1 0 (5.48)
p 2 6 6
F
= {0 0 0 0 0 0 0 0 1 } (5.49)
T
Uma vez definida a matriz K e o vector F possvel calcular o valor mdio das incgnitas,
U . Tendo em conta que o valor mdio do produto EI = 2001062.510-5 = 5000KN.m2,
que l = 2.5m, A = 0.0012m2, p = 15kN/m e Q = 50kN, substituindo estes valores no sistema
de equaes (5.45) obtm-se:
185
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
1 0.015625 rad
V1 37.5 KN
H1 50 KN
2 0
U = v2 = 0.0244140625 m (5.50)
u 0.0005208 ( 3) m
2
3 0.015625 rad
V3 37.5 KN
u3 0.001041( 6 ) m
K
K 1 . .U . E =
E
3.( 3) 104 0 0 4.1( 6 ) 105 3.125 104 0 1.( 6 ) 104 0 0
0.2 1 0 0.2 0.5 0 0.2 0 0
0 0 1 0 0 1 0 0 1
4.1( 6 ) 10 0.8 ( 3) 104 4.1( 6 ) 105
5
0 0 0 0 0 0
= 3.125 10 4
0 0 0 5.208 ( 3) 104 0 3.125 104 0 0
0 0 0 0 0 10.42 106 0 0 10.42 106
( )
1. 6 10
4
0 0 4.1( 6 ) 105 3.125 104 0 3.( 3) 104 0 0
0.2 0 0 0.2 0. 5 0 0.2 1 0
0 0 0 0 0 10.42 106 0 0 20.83 106
186
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
7.81 104
4 0 0 2 2.4 0 0 0 0 0.015625 0
2.4 0 0 2.4 1.92 0 0 0 0 37.5
0 0 0 0 0 48 0 0 0 50 0
2 0 0 8 0 0 2 0 0 0 0
105 2.4 0 0 0 3.84 0 2.4 0 0 0.0244140625 107 = 1.22 103
(5.51)
0 0 0 0 0 96 0 0 48 0.0005208 ( 3) 0
0 0 0 2 2.4 0 4 0 0 0.015625 7.81 104
0
0 0 2.4 1.92 0 2.4 0 0
0 0 0 0 0 48 0 0 48 37.5
0
0.001041( 6 )
0
F
K 1 . . . p =
p
F
K 1 . . . Q =
Q
187
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
0
0 0
0
0 7.5
0 0
0 7.5 = 0 (5.53)
0 7.815 105
0
0 0
1 0
4
1.56225 10
4.93 106 10.37 103 0 0 7.7 106 0 4.93 106 10.37 103 0
3 3 3
10.37 10 24.88 0 0 16.2 10 0 10.37 10 24.88 0
0 0 56.25 0 0 585.94 106 0 0 1.17 103
0 0 0 0 0 0 0 0 0
Cu = 7.7 106 16.2 103 0 0 12.03 106 0 7.7 106 16.2 103 0 (5.54)
0 0 585.94 106 0 0 6.1 109 0 0 12.21 109
6 3
4.93 10 10.37 10 0 0 7.7 106 0 4.93 106 10.37 103 0
3 3 3
10 .37 10 24 .88 0 0 16.2 10 0 10.37 10 24.88 0
0 0 1.17 103 0 0 12.21 10 9
0 0 24.41 109
188
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
A aplicao do mtodo proposto tem por base o pressuposto de que todas as variveis
aleatrias bsicas tm uma distribuio normal de parmetros e . Na realidade esse
pressuposto nem sempre se verifica. Nesses casos aplicada a transformao de caudas
normais s variveis aleatrias que no tm distribuio normal, igualando a sua funo
densidade de probabilidade funo densidade de probabilidade de uma normal padro e a
sua funo distribuio funo distribuio de uma normal padro no ponto de
dimensionamento, que neste caso vai ser considerado igual ao valor mdio de cada
varivel aleatria ( x*i = X i ), de forma a ajustar uma distribuio no normal de uma
No entanto, a aplicao desta transformao revelou-se pouco precisa (ver exemplos 5.4.1
e 5.4.2), uma vez que se notou que as caudas das distribuies das variveis originais e das
normais equivalentes no se ajustam de forma adequada. Assim, para melhorar a
aproximao utilizaram-se os valores dos parmetros da varivel original ( X i e X i )
Considere-se uma varivel aleatria X que segue uma distribuio de Tipo I (Gumbel de
mximos), ou seja, X G ( , ) onde IR o parmetro de localizao e > 0 o
189
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
x*
x* i
i = F ( x*
) = e e
i
x* xi
*
ln i = e
(5.55)
x* xi*
ln ln i =
x*
= xi* ln ln i
x*
i
1 xi*
x*i
1
= f ( xi ) = e
e
*
*
(5.56)
x
x* ln ln i
ln ln i e
= e
xi*
uma nova transformao, utilizando como ponto de partida os valores dos parmetros da
varivel original, X i e X i , e procurando X de forma que N = 0.382 , obtm-se uma
aproximao entre as duas distribuies nas caudas. Nas Figuras 5.7 e 5.8 o ponto X = 2.2
foi escolhido arbitrariamente na cauda a ttulo de exemplo. Assim, considerando:
190
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
G(0.82, 0.312)
N(0.932, 0.382)
N(1.0753, 0.382)
Figura 5.8 P ( X 2.2 ) onde X G ( 0.82, 0.312 ) , X N ( 0.932, 0.382 ) e X N (1.0753, 0.382 ) .
Atravs da figura 5.8 pode observar-se que se X G ( 0.82, 0.312 ) a P ( X 2.2 ) = 0.11926 , se
Portanto com a ltima transformao verifica-se uma melhoria da aproximao nas caudas.
191
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
uma nova transformao obtm-se uma nova distribuio normal equivalente onde
X N (1.141, 0.717 ) , melhorando a aproximao entre as duas distribuies nas caudas.
Nas Figuras 5.9 e 5.10 o ponto X = 3.3 foi escolhido arbitrariamente na cauda a ttulo de
exemplo.
Figura 5.10 P ( X 3.3) onde X G ( 0.662, 0.585) , X N ( 0.873, 0.717 ) e X N (1.141, 0.717 ) .
Atravs da figura 5.10 pode ver-se que se X G ( 0.662, 0.585) a P ( X 3.3) = 0.010945 , se
192
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
uma nova transformao obtm-se uma nova distribuio normal equivalente onde
X N ( 5.235, 1.195) , melhorando a aproximao entre as duas distribuies nas caudas.
Nas Figuras 5.11 e 5.12 o ponto X = 8 foi escolhido arbitrariamente na cauda a ttulo de
exemplo.
193
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Por exemplo, considere-se uma varivel aleatria X que segue uma distribuio Lognormal
com como o parmetro de localizao e > 0 o parmetro de escala. Depois de aplicar a
transformao de caudas normais, obtendo uma distribuio normal equivalente com um
novo valor mdio e desvio padro, h que utilizar os valores dos parmetros da varivel
original e escolher o ponto de dimensionamento de forma a manter constante o desvio
padro da distribuio normal equivalente para obter os valores de e atravs das
seguintes expresses:
x* ln xi*
i = F ( x*
) =
i
xi* ln xi*
= (5.57)
x*
= ln xi* i
2
1 xi* 1 ln xi
*
1
( i) *
= f x*
= e 2
xi 2
2
1 x*
i
e 2
= (5.58)
x* *
i xi 2
xi*
= =
xi* * xi*
xi
194
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
obtm-se uma distribuio normal equivalente X N ( 3.92, 0.393) . Aplicando uma nova
Distribuio Lognormal
Normal Equivalente (Transformao de caudas)
Normal Equivalente (Nova transformao)
Figura 5.14 P ( X 5.2 ) onde X LN ( 3.94, 0.155236 ) , X N ( 3.92, 0.393) e X N ( 3.9596, 0.393) .
195
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Nas Figuras 5.13 e 5.14 o ponto X = 5.2 foi escolhido arbitrariamente na cauda a ttulo de
exemplo. Atravs da Figura 5.14 pode observar-se que se X LN ( 3.94, 0.155236 ) a
uma distribuio normal equivalente onde X N ( 4.8484, 1.2311) . Aplicando uma nova
(Figura 5.15).
196
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
Nas Figuras 5.15 e 5.16 o ponto X = 8.7 foi escolhido arbitrariamente na cauda a ttulo de
exemplo. Atravs da Figura 5.16 pode observar-se que se X LN ( 5, 1.5625 ) a
197
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
O algoritmo foi adaptado a um programa de elementos finitos que de uma forma resumida
pode ser dividido nos seguintes passos (Figura 5.17):
2. Leitura dos dados que caracterizam as variveis aleatrias bsicas: valores mdios,
desvios padro e matriz de correlaes.
198
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
CALCULA A MATRIZ DE
RIGIDEZ, K0
K/X e F/X
-1
KM K0
-1
Cu
Cq
199
Equation Chapter 6 Section 6
Captulo 6
Aplicaes
6.1 Introduo
201
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
das distribuies das variveis aleatrias do problema, a preciso dos resultados no pode
ser garantida para problemas com acentuada no linearidade e distribuies no normais.
Nesses casos, o desenvolvimento de procedimentos apropriados para ter em conta
distribuies no normais e problemas no lineares efectuado de forma a obter resultados
com um grau de aproximao adequado. Para tal, os exemplos apresentados foram
divididos em casos onde as variveis aleatrias bsicas tm distribuies normais e nos
casos que tm variveis com distribuies no normais. Nestes ltimos casos sero
discutidas as vrias hipteses de aproximao de leis no normais a normais.
Este um exemplo de aplicao com variveis que apresentam distribuies normais. Nele
apresenta-se um prtico simples constitudo por dois pilares e uma viga com dois vos
(Figura 6.1). No prtico em estudo aplicada uma carga uniformemente distribuda, F1, ao
longo da viga e uma fora nodal no seu extremo, F2. O sistema constitudo por trs
variveis aleatrias bsicas F1, F2 e o mdulo de elasticidade E com distribuies normais.
Os valores relacionados com a geometria da estrutura so definidos atravs de parmetros
determinsticos. O sistema estrutural constitudo por seis ns, cada um com trs graus de
liberdade (uma rotao e dois deslocamentos). Os resultados obtidos pelo mtodo proposto
so comparados com os valores resultantes da aplicao do mtodo de simulao de Monte
Carlo (MMC).
202
Captulo 6 - Aplicaes
F1 F2
2
3 5 6
1 2
5.0 m
Todas as seces:
0.30 m
0.30 m
1 4
1 29 2 20 2 50 7.5 0
2 29 2 20 2 50 20 0
3 29 2 20 2 -50 7.5 0
4 29 2 20 2 -50 20 0
5 29 2 20 2 50 7.5 0.50
6 29 2 20 2 50 7.5 0.75
Na Tabela 6.2 apresentam-se os resultados obtidos atravs dos dois mtodos. Nos casos 1,
2, 5 e 6 o deslocamento 1 atenuado devido fora F2. Nos casos 3 e 4 os deslocamentos
1 e 2 so maiores devido s direces opostas das foras F1 e F2. Como seria de esperar
o valor de 2 bastante influenciado pela fora F2, enquanto que 1 j no depende tanto
dessa fora. Para obter esses resultados no MMC foram utilizadas 15000 simulaes
enquanto que no mtodo proposto apenas foi necessria uma anlise.
203
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Na Figura 6.2 pode observar-se a evoluo dos deslocamentos em funo dos coeficientes
de variao quando a correlao entre as foras varia. medida que as correlaes
aumentam, os valores dos coeficientes de variao de 1 e 2 diminuem, sendo a
diminuio associada a 1 mais acentuada. Isto deve-se ao facto de 1 depender da
variao de F1 e F2 enquanto que a variao de 2 muito dependente da variao de F2,
sendo a contribuio de F1 pouco significativa.
Tabela 6.3 Diferenas entre os resultados obtidos pelos dois mtodos. Erros em %.
Deslocamento 1 Deslocamento 2
Casos Mdia Desvio padro Mdia Desvio padro
204
Captulo 6 - Aplicaes
Coeficiente de variao
0.40
0.35 1
0.30
0.25
0.20 2
0.15
0 0.2 0.4 0.6 0.8
Coeficiente de correlao entre F1 e F2
205
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
forma, existem seis variveis aleatrias bsicas independentes. A runa do sistema ocorrer
se o deslocamento d2 exceder um valor pr-fixado. Vo considerar-se dois casos:
1. Considera-se que a runa ocorre quando d2 > 2.30m, o que dever corresponder a uma
probabilidade de rotura de 0.01.
2. A runa ocorre se d2 > 2.98m, o que dever corresponder a uma probabilidade de rotura
de 0.0001.
d1 d2
F1 F2
Variveis Desvio
Distribuies Valor Mdio
Aleatrias Padro
Emolas Lognormal 10kPa 2kPa
206
Captulo 6 - Aplicaes
2 d 5 e 8
h j
1m 4 F1 F2
7
g i
1 3
6
c f
1m 1m
2000). Assim, obtiveram-se novas distribuies normais com mdias = 10.19 e desvios
padro = 1.98 .
Neste exemplo, j analisado e apresentado anteriormente em Neves et. al. (2002), estuda-
se um prtico de ao simples com um nico vo sujeito a aces permanentes e sobrecarga
(Figura 6.5). As ligaes entre as vigas e os pilares so consideradas rgidas.
207
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
G+Q
2 d 3 e 4
d
c f 3.60 m
1 5
9.00 m
A funo de estado limite definida para o estado limite de utilizao em estudo dada pela
expresso:
u
g( X ) = 1
ulim
208
Captulo 6 - Aplicaes
p f = P [g ( X ) 0 ] = ( )
onde = g/g. Como u tem uma distribuio normal com mdia u e desvio padro u,
ento:
u
g = E 1 =1 u
2.25 2.25
u 2
g2 = Var 1 = u 2 g = u
2.25 2.25 2.25
2.25 u
= .
u
Para aplicar o mtodo proposto utilizaram-se duas transformaes: uma de caudas normais
em que se considerou o ponto de dimensionamento igual ao valor mdio de cada varivel
( x*i = X i ) e outra proposta por Paloheimo (Haldar, 2000). Estas transformaes so
Alm do mtodo proposto tambm se utilizou o mtodo de Monte Carlo (MMC) que
servir como referncia para a comparao de resultados. O programa computacional
utilizado para o efeito foi ajustado de forma a poder ser aplicado em variveis aleatrias
cuja distribuio seja normal, lognormal ou Gumbel de mximos.
209
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
vantagem de ser mais rpido pois basta fazer uma nica anlise de elementos finitos
enquanto que no MMC foram necessrias 15000 anlises.
210
Captulo 6 - Aplicaes
caso de se utilizar uma transformao de caudas normais onde com uma nica anlise de
elementos finitos se obtm um ndice de fiabilidade.
Tabela 6.7 Resultados da aplicao dos dois mtodos aos vrios casos considerados.
2.61 MMC
(100 mil amostras)
Figura 6.6 Valores de obtidos atravs dos dois mtodos para os vrios casos.
211
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
6.5 Prtico de trs vos e doze andares sujeito a foras nodais horizontais
Neste exemplo, analisado e apresentado por Das e Zheng (2000), os autores aplicaram
mtodos de superfcie de resposta para obterem estimativas da fiabilidade estrutural
(Tabela 6.11). Vai estudar-se um prtico com trs vos e doze andares sujeito a foras
horizontais, P, (Figura 6.7). Nesta figura apresenta-se um prtico sujeito a foras
horizontais com o tipo de elementos que o constituem, respectivas dimenses em metros e
malha de elementos finitos, constituda por cinquenta e dois ns e oitenta e quatro
elementos.
Este problema tambm foi analisado anteriormente por Zhao (1996) e posteriormente por
Deng (2006), onde o primeiro autor utilizou mtodos de superfcie de resposta sem usar os
termos cruzados e o mtodo de simulao de Monte Carlo com amostragem por
importncia e o segundo autor redes neuronais artificiais, mais precisamente uma rede de
funes de base radial (tambm conhecida como redes de base radial) em conjugao com
o mtodo de simulao de Monte Carlo.
Para aplicar o mtodo proposto considerou-se que o sistema estrutural tem cinquenta e dois
ns e oitenta e quatro elementos (Figura 6.7), sendo as suas propriedades apresentadas na
Tabela 6.8.
212
Captulo 6 - Aplicaes
82 83 84
P 49 50 51 52
78 E2 E4 79 E1
E5 80 E4 81 E2
75 76
E1 77
P 45 46 47 48
71 E2 E4 72 E1
E5 73 E4 74 E2
68 69
E1 70
P 41 42 43 44
64 E2 E4 65 E1
E5 66 E4 67 E2
61 62
E1 63
P 37 38 39 40
57 E2 E4 58 E1
E5 59 E4 60 E2
54 55
E1 56
P 33 34 35 36
50 E2 E4 51 E1
E5 52 E4 53 E2
47 48
E1 49
P 29 30 31 32
E4 E5 45 E4
12 4 m
43 E2 44 E1
E1 46 E2
40 41 42
P 25 26 27 28
36 E1 E4 37 E3
E5 38 E4 39 E1
33 34
E3 35
P 21 22 23 24
29 E1 E4 30 E3
E5 31 E4 32 E1
26 27
E3 28
P 17 18 19 20
22 E1 E4 23 E3
E5 24 E4 25 E1
19 20
E3 21
P 13 14 15 16
15 E1 E4 16 E3
E5 17
E4 18 E1
9 11
E3 13
P 9 10 11 12
8 E1 E4 10 E3
E5 12
E4 14 E1
2 4
E3 6
P 5 6 7 8
1 E1 E4 3 E3E5E 5
E4 7 E1
3
1 2 3 4
G ( A1 , A2 , A3 , A4 , A5 , P ) = 0.096m umax ( A1 , A2 , A3 , A4 , A5 , P )
213
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
p f = P G ( A1 , A2 , A3 , A4 , A5 , P ) 0 = ( )
G
onde = . Como umax ( u , u ) ento:
G
G = E G ( A1 , A2 , A3 , A4 , A5 , P ) = 0.096 u
G2 = Var G ( A1 , A2 , A3 , A4 , A5 , P ) = u2 G = u
0.096 u
e assim neste caso = .
u
Para utilizar o mtodo proposto aplicou-se a cada uma das variveis aleatrias, cuja
distribuio no normal, a transformao de caudas normais, considerando o ponto de
dimensionamento igual ao valor mdio de cada uma das variveis ( x*i = X i ), de forma a
Alm do mtodo proposto tambm se utilizou o mtodo de Monte Carlo (MMC) que
servir como referncia para comparao de resultados.
Tabela 6.9 Dados estatsticos das variveis aleatrias do sistema estrutural com as respectivas unidades de
medida e resultados da aplicao da transformao de caudas normais s 6 variveis.
214
Captulo 6 - Aplicaes
6.11). Alm disso, tambm est relativamente prximo dos valores obtidos por Zhao
(1996) e Deng (2006). O primeiro autor, utilizando o mtodo de superfcie de resposta sem
usar os termos cruzados obteve um valor de = 1.453 e com o mtodo de simulao de
Monte Carlo com amostragens por importncia utilizando duas mil amostras obtm um
valor de = 1.439 . O segundo autor, utilizando redes neuronais artificiais de base radial
conjugadas com o mtodo de simulao de Monte carlo, obtm um valor de = 1.446 .
215
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Os resultados apresentados por Das e Zheng (2000) foram obtidos atravs de uma
construo progressiva da superfcie de resposta (Tabela 6.11). Em primeiro lugar
utilizaram uma superfcie de resposta linear da forma:
n
G ( x ) = a + b x
i =1
i i ,
n n
G ( x ) = a + b x + c x
i =1
i i
i =1
2
i i ,
n n n n
G ( x ) = a + b x +
i =1
i i
i =1
ci xi2 + c x x
i j
ij i j
216
Captulo 6 - Aplicaes
Os resultados apresentados por Deng (2006) foram obtidos atravs da aplicao de uma
rede neuronal artificial de base radial conjugada com o mtodo de simulao de Monte
Carlo. Para representar a funo de estado limite implcita Deng (2006) aplicou uma rede
de base radial com trs camadas. A camada de entrada constituda por seis nodos, ou
neurnios, e a camada de sada por um nodo. As seis variveis aleatrias bsicas do
problema so consideradas as variveis de input e a funo de estado limite a varivel de
output. O treino e teste da rede neuronal foram constitudos por, respectivamente, 257 e 20
amostras. O treino da rede de base radial foi aplicado para determinar os parmetros
desconhecidos os pesos de cada conexo.
Em relao a cada uma das seis variveis aleatrias bsicas foram gerados 100000 valores
amostrais de acordo com as suas distribuies de probabilidade. Estes valores foram ento
aplicados rede neuronal como vectores de input originando a rede de 100000 valores de
output correspondentes funo de estado limite. A partir destes 100000 valores
obtiveram-se as caractersticas probabilsticas (funo distribuio ou funo densidade de
probabilidade) da funo de estado limite e assim estimou-se a probabilidade de rotura ou
a fiabilidade. Neste problema Deng (2006) obteve um valor de = 1.446 .
217
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Neste problema vai analisar-se o deslocamento vertical a meio vo. A trelia vai ser
estudada quanto ao estado limite de utilizao relacionado com a deformao. A estrutura
est sujeita a foras nodais verticais descendentes com uma intensidade Pi. As foras Pi so
aleatrias com distribuies Tipo I de mximos. As outras variveis aleatrias so as duas
reas das seces, Ai, i = 1, 2 e os dois mdulos de elasticidade Ei, i = 1, 2 relativos aos
vrios elementos da estrutura. Neste exemplo vo chamar-se elementos principais a todos
os elementos da figura 6.9 que so horizontais. Desta forma a estrutura tem onze elementos
principais (todos os elementos pares de 2 a 22) e doze elementos diagonais (todos os
elementos mpares de 1 a 23) (Figura 6.9). Assim, E1 e A1 correspondero,
respectivamente, ao mdulo de elasticidade e rea de um elemento principal e E2 e A2 ao
de um elemento diagonal. O sistema estrutural apresentado na Figura 6.9 caracterizado
por dez variveis aleatrias bsicas: seis foras verticais, dois mdulos de elasticidade e
duas reas de seces; sendo as suas distribuies e respectivos parmetros apresentados
na Tabela 6.13. Alm disso, as diferentes reas, Ai; os dois mdulos de elasticidade Ei e as
seis foras verticais, Pi, so tratadas como variveis aleatrias independentes. Os
momentos de inrcia de todos os elementos da estrutura so tratados como determinsticos.
Para aplicar o mtodo proposto considerou-se que a malha de elementos finitos aplicada ao
sistema estrutural, constitudo por uma trelia metlica sujeita a seis foras verticais, tem
treze ns e vinte e trs elementos (Figura 6.9), sendo as suas propriedades apresentadas na
Tabela 6.12.
218
Captulo 6 - Aplicaes
P1 P2 P3 P4 P5 P6
2 4 4 8 6 12 8 16 10 20 12
1 3 7 11 15 19 23
5 9 13 17 21 200 cm
1 13
2 3 6 5 10 7 14 9 18 11 22
u(x)
6 400 cm
G ( X ) = 11.0 cm u ( X )
onde u ( ) o deslocamento vertical no centro da viga (n sete Figura 6.9). Neste caso a
probabilidade de rotura dada por:
p f = P [G ( X ) 0] = ( )
G
onde = . Como ux ( u , u ) ento:
G
G = E [G ( X )] = 11 u
G2 = Var [G ( X )] = u2 G = u
11 u
e assim neste caso = .
u
219
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Tabela 6.13 Dados estatsticos das variveis aleatrias do sistema estrutural e respectivas
unidades de medida (Kim e Na, 1997).
A1 ( cm )
2
Log-normal 20 2
E2 ( Kg cm
2
) Log-normal 2100000 210000
A2 ( cm )
2
Log-normal 10 1
P1 ( Kg ) Tipo I de mximos 5000 750
P2 ( Kg ) Tipo I de mximos 5000 750
P3 ( Kg ) Tipo I de mximos 5000 750
P4 ( Kg ) Tipo I de mximos 5000 750
P5 ( Kg ) Tipo I de mximos 5000 750
P6 ( Kg ) Tipo I de mximos 5000 750
Tabela 6.14 Dados estatsticos das variveis aleatrias do sistema estrutural com as respectivas unidades de
medida e resultados da aplicao da transformao de caudas normais s 10 variveis.
220
Captulo 6 - Aplicaes
Alm do mtodo proposto tambm se utilizou o mtodo de Monte Carlo (MMC) que
servir como referncia para comparao de resultados.
Tabela 6.15 Resultados da aplicao dos dois mtodos aos vrios casos
considerados.
221
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Mtodo
Mtodo Simulao de Monte Carlo 2.492
Neste exemplo, analisado e apresentado por Wei e Rahman (2007) onde os autores
aplicaram um mtodo de decomposio univariado baseado em aproximaes lineares e
quadrticas na direco do ponto mais provvel de rotura e integraes numricas
univariadas de forma a analisarem a fiabilidade estrutural, vai estudar-se uma estrutura de
suporte metlica que est sujeita a duas foras verticais, F1 e F2 (Figura 6.11).
222
Captulo 6 - Aplicaes
9.15 m 9.15 m
4 5 6
1 6
3 9
5 10
9.15 m
2 8
1 4 2 7 3
u(x)
F1 F2
223
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
p f = P G ( A1 , , A10 ) 0 = ( )
G
onde = . Como ux ( u , u ) ento:
G
G = E G ( A1 , , A10 ) = 45.72 cm u
G2 = Var G ( A1 , , A10 ) = u2 G = u
45.72 cm u
e assim neste caso = .
u
Alm do mtodo proposto tambm se utilizou o mtodo de Monte Carlo (MMC) que
servir como referncia para comparao de resultados.
Tabela 6.17 Resultados da aplicao dos dois mtodos aos vrios casos
considerados.
224
Captulo 6 - Aplicaes
Os resultados apresentados por Wei e Rahman (2007) foram obtidos atravs da utilizao
de vrios mtodos (Tabela 6.18). Comparando os resultados pode dizer-se que o mtodo
proposto neste trabalho se revela relativamente preciso e mais eficiente pois obtido
atravs de uma nica anlise.
Mtodo
Desenvolvido por Wei e Rahman:
Aproximao Linear 1.055
Aproximao Quadrtica 1.080
Com Simulao 1.052
FORM 1.3645
SORM variante de Breitung 1.133
SORM variante de Hohenbichler 1.026
SORM variante de Cai e Elishakoff 1.051
6.8 Prtico de dois vos e vinte andares sujeito a foras horizontais e verticais
Neste exemplo, adaptado de Foschi et al. (2002), vai estudar-se um prtico com dois vos
(cada um com oito metros de comprimento) e vinte andares sujeito a foras verticais e
horizontais (Figura 6.12). Neste caso vo ser controlados os deslocamentos horizontais ao
nvel dos pisos 15 e 20. A estrutura est sujeita a uma fora horizontal triangular
uniformemente distribuda aplicada da esquerda para a direita, com uma intensidade
mxima q e a foras nodais verticais P, ao nvel do telhado. As foras q e P so aleatrias
com distribuies normais e de Tipo I de mximos, respectivamente. As outras variveis
aleatrias so o mdulo de elasticidade dos pilares, Ec, e as suas seces com largura B e
altura H. Ao longo da altura do edifcio, com 80m e 20 andares, os pilares tm trs seces
diferentes, com dimenses Bi e Hi, i = 1, 2, 3. As seces dos pilares permanecem
B
constantes para os primeiros sete andares (B1 e H1), depois passam a ter outras medidas do
B
topo (B3 e H3). Desta forma, o sistema estrutural apresentado caracterizado por nove
B
variveis aleatrias bsicas: uma fora triangular horizontal, uma fora nodal vertical, um
mdulo de elasticidade, trs larguras de pilar e trs alturas de pilar; sendo as suas
distribuies e respectivos parmetros apresentados na Tabela 6.19. Todas as vigas do
225
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Tabela 6.19 Dados estatsticos das variveis aleatrias do sistema estrutural e respectivas
unidades de medida (adaptado de Foschi et al., 2002).
P P P
q 61 62 63 1
9 9 9 59 9 100 60
58
9 9 9 56 9 9 57
55
8 8 8 53 8 9 54
52
8 8 8 50 8 8 51
49
46
7 7 7 47 7 8 48 2
43 7 7 7 44 7 7 45
40 6 6 6 41 6 7 42
37 6 6 6 38 6 6 39
34 5 5 5 35 5 6 36
20 4 m
31 5 5 5 32 5 5 33
28 4 4 4 29 4 5 30
25 4 4 4 26 4 4 27
22 3 3 3 23 3 4 24
19 3 3 3 20 3 3 21
16 2 2 2 17 2 3 18
13 2 2 2 14 2 2 15
10 1 1 1 11 1 2 12
9 1 1 1 8 1 1 7
2 6 7 8 3 9 1 5
1 2 3 4 5
1 4 6
8m 8m
226
Captulo 6 - Aplicaes
G1 ( X 1 , , X 9 ) = L1 1 ( X 1 , , X 9 )
G2 ( X 1 , , X 9 ) = L2 2 ( X 1 , , X 9 )
p f = P G ( X 1 , , X 9 ) 0 = ( )
G
onde = . Como 1 ( 1 , 1 ) e 2 ( 2 , 2 ) ento:
G
G = E G1 ( X 1 , , X 9 ) = L1
1 1
G2 = Var G1 ( X 1 , , X 9 ) = 2
1 1
G1 = 1
G = E G2 ( X 1 , , X 9 ) = L2
2 2
G2 = Var G2 ( X 1 , , X 9 ) = 2
2 2
G2 = 2
L1 1 L2 2
e assim neste caso 1 = e 2 = .
1
2
(Tabela 6.20).
227
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Tabela 6.20 Dados estatsticos das variveis aleatrias no normais do sistema estrutural com as respectivas
unidades de medida e resultados da aplicao da transformao de caudas normais.
Alm do mtodo proposto tambm se utilizou o mtodo de Monte Carlo (MMC) que
servir como referncia para comparao de resultados.
Tabela 6.21 Resultados da aplicao dos dois mtodos aos vrios casos
considerados.
228
Captulo 6 - Aplicaes
Neste exemplo, adaptado de Liu e Der Kiureghian (1986a), vai analisar-se a fiabilidade de
um prtico com trs vos e cinco andares sujeito a foras nodais horizontais (Figura 6.13).
As ligaes entre as vigas e os pilares so consideradas rgidas. Este problema, j com
alguma complexidade, tambm foi analisado posteriormente por Bucher e Bourgund
(1990), novamente por Liu e Der Kiureghian (1989, 1991), Guan e Melchers (2001) e Wei
e Rahman (2007). Vai analisar-se o prtico quanto ao estado limite de utilizao. O
sistema estrutural apresentado na Figura 6.13 caracterizado por 21 variveis aleatrias
bsicas: trs cargas, dois mdulos de elasticidade, oito momentos de inrcia e oito reas;
sendo as suas distribuies e respectivos parmetros apresentados na Tabela 6.23. Alm
disso, existem correlaes entre as cargas, as propriedades dos materiais e as dimenses
dos elementos (Tabela 6.24).
P1 21 33 22 34 23 35 24
B1 B2 B1
29 C1 30 C2 31 C2 32 C1 12 ft
P2 28 27 26
17 B1 18 B2 19 B1 20
22 C1 23 C2 24 C2 25 C1 12 ft
P2 21 20 19
16 B2 15 B3 14 B2 13
15 C2 16 C3 17 C3 18 C2 12 ft
P2 14 13 12
9 B2 10 B3 11 B2 12
8 C2 9 C3 10 C3 11 C2 12 ft
P3 5 6 7
2 B3 3 B4 5 B3 7
1 C3 2 C4 3 C4 4 C3 16 ft
1 4 6 8
25 ft 30 ft 25 ft
229
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
230
Captulo 6 - Aplicaes
A rea das seces e o momento de inrcia de cada elemento do mesmo tipo esto
altamente correlacionados, tendo um coeficiente de correlao = 0.95
E4 I10 A18 I11 A19 I12 A20 I13 A21 E5 I6 A14 I7 A15 I8 A16 I9 A17 P1 P2 P3
E4 1 0 0 0 0 0 0 0 0 0.9 0 0 0 0 0 0 0 0 0 0 0
I10 1 0.95 0.13 0.13 0.13 0.13 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A18 1 0.13 0.13 0.13 0.13 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
I11 1 0.95 0.13 0.13 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A19 1 0.13 0.13 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
I12 1 0.95 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A20 1 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
I13 1 0.95 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A21 1 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
E5 1 0 0 0 0 0 0 0 0 0 0 0
I6 1 0.95 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A14 1 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
I7 1 0.95 0.13 0.13 0.13 0.13 0 0 0
A15 1 0.13 0.13 0.13 0.13 0 0 0
I8 1 0.95 0.13 0.13 0 0 0
A16 1 0.13 0.13 0 0 0
I9 1 0.95 0 0 0
A17 1 0 0 0
P1 1 0.52 0.52
P2 1 0.52
P3 1
A cada uma das foras P1, P2 e P3, cujas distribuies no so normais, aplicou-se a
transformao de caudas normais, considerando o ponto de dimensionamento igual ao
231
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
valor mdio de cada uma das variveis ( x*i = X i ). Alm disso, como tm distribuio de
Tabela 6.25 Dados estatsticos das variveis aleatrias no normais do sistema estrutural com as respectivas
unidades de medida e resultados da aplicao da transformao de caudas normais.
G ( u ) = 6.096cm u x .
p f = P [G (U ) 0] = ( )
G
onde = . Como ux ( u , u ) ento:
G
G = E [G (U )] = 6.096 u
G2 = Var [G (U )] = u2 G = u
6.096 u
e assim neste caso = .
u
232
Captulo 6 - Aplicaes
Alm do mtodo proposto tambm se utilizou o mtodo de Monte Carlo (MMC) que
servir como referncia para comparao de resultados.
6.10 Concluses
A crescente evoluo dos meios computacionais, a disponibilidade cada vez maior e mais
variada de dados experimentais, o emprego de modelos de anlise mais realistas e a
utilizao mais frequente de padres estruturais menos comuns, tem aumentado a
necessidade de aplicar tcnicas de fiabilidade para a avaliao da segurana estrutural.
233
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
234
Captulo 7
Na anlise de fiabilidade existem muitos mtodos distintos cuja aplicao est sempre
dependente de alguns factores. No entanto, existe um aspecto comum a todos eles que o
facto de precisarem sempre de uma avaliao repetitiva da resposta ou da funo de estado
limite para avaliar a incerteza associada resposta estrutural (Teigen et al., 1991a; Ghanem
e Spanos, 2003; Schenk e Schueller, 2005; Ditlevsen e Madsen, 2005). Por esse motivo
que, ao longo dos tempos, o desenvolvimento de mtodos de fiabilidade teve sempre em
mente a diminuio do nmero de simulaes. Nesta perspectiva pode dizer-se que se a
avaliao sobre a resposta podem utilizar-se, por exemplo:
Mtodos de Perturbao
FORM
SORM
235
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
237
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
por exemplo modelos que tenham em conta o comportamento no linear dos materiais
assim como modelos que tenham em conta o comportamento dinmico das estruturas.
238
ANEXOS
Anexo 1
Software Desenvolvido
A1.1 Algoritmo
O algoritmo foi desenvolvido utilizando vrias subrotinas, podendo de uma forma mais
pormenorizada ser dividido nos seguintes passos:
ligaes nodais das barras e do n. do material, leitura das coordenadas dos ns, leitura
das ligaes ao exterior, leitura das propriedades das seces tipo e clculo do
comprimento e inclinao das barras).
241
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Assentamento de apoio
6.5 PLOT: Escrita de um ficheiro de desenho: Prepara ficheiros para Plotting utilizando
U U
o Drawmesh.
combina as aces.
8.1 STIFdpE, STIFdpB, STIFdpH, STIFdpI e STIFdpA: Clculo das derivadas parciais
U U U U U U U U U U
242
Anexo 1
estrutura.
9. Se CV (1) 0 :
estrutura.
sistema:
K F
Determinao dos vectores coluna K 1 . .U . K 1 . .
Determinao de Cu B B
10. Se CV (1) = 0 :
10.2 Cq: Determinao da matriz de covarincias das foras Cq das variveis do sistema:
U U B B
K
Determinao dos vectores coluna K M1 . .U .
Determinao de Cq B B
243
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
INPUT 1
PARMETROS DE CONTROLO
CHECK
VERIFICA OS PARMETROS DE CONTROLO
NUMAT = 1, NMATS
INPUT 2
TOPOLOGIA DA MALHA
DP(1, NUMAT)=0 DP(1, NUMAT)0
IF
PLOT
FICHEIRO DE DESENHO STIFdpE
STIFPT
MATRIZ DE RIGIDEZ GLOBAL
NUMAT = 1, NMATS
INTRODUO DAS CARGAS
ICASE = 1, NCASE
GAUSS
RESOLUO DO SISTEMA DE EQUAES
FORCES
CALCULA ESFOROS NOS EXTREMOS DAS BARRAS
NUMAT = 1, NMATS
OUTPUT
ESCRITA DE RESULTADOS DO CASO DE CARGA
DP(3, NUMAT)=0 DP(3, NUMAT)0
IF
STIFdpH
PLOT
ESCRITA DE UM FICHEIRO DE DESENHO
NCOMB=0 NCOMB0
IF
COMBIN
CLCULO DAS COMBINAES DE ACES
244
Anexo 1
DPL=0 DPL0
IF
STIFdpL
NUMAT = 1, NMATS
STIFdpI
NUMAT = 1, NMATS
STIFdpA
CV(1)=0 CV(1)0
IF
INVKM STIFdpF
INVK
Cq
Cu
Figura A.1 Fluxograma do algoritmo de elementos finitos para a obteno da matriz de covarincias
relacionada com a resposta estrutural (deslocamentos ou foras).
245
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
E = Mdulo de elasticidade
b = Base
h = Altura
I = Inrcia
A = rea
Alfa/C = Temperatura
246
Anexo 1
IFFIX = Vector dos cdigos dos graus de liberdade nos ns (0-LIVRE, 1-FIXO, 2-
MOLA).
ANGLE = ngulo que cada elemento faz com os eixos do referencial global.
DDISP = U = Deslocamentos.
REACT = Reaces.
247
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Linha 1
2 Ttulo (S se podem escrever palavras)
3
rea A (m2), Alfatemperatura (C), DPE (KPa), DPB (m), DPH (m),
P P
248
Anexo 1
E B H I A Alfa TLENG
N Normal
DIST ( i ) = LN Lognormal , i = 1," ,17
G Gumbel de Mximos
1 2 3 4 5 6
IPNOD , IPBAR , IDIST , ITERM , ISETL , IWRIT (Parmetros de controlo)
Repete-se tantas vezes quanto o nmero de casos de carga (NCASE)
Se Sim:
(apenas no M.M.C.)
U U
3
Nmero do n, Mom. (KN.m), Fy (KN), Fx (KN)
B B B B
2
1
249
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
marca-se a distncia
da esq. para a dir. a
comear em 0 Ex. de 2 barras com 3m: 1 2
0 2.99 0.01
a c
(H tantas linhas quanto o nmero de barras carregadas)
= 0 (no escreve)
250
Anexo 1
Ttulo
1 0 .1 0 .2 0 .3 0 .4
0 .1 1 0 .5 0 .6 0 .7
0 .2 0 .5 1 0 .8 0 .9
0. 3 0.6 0.8 1 0.1
0.4 0.7 0.9 0.1 1
251
Anexo 2
O algoritmo foi desenvolvido utilizando vrias subrotinas, podendo de uma forma mais
Para aplicar a metodologia proposta transformaram-se as unidades de medida dos dados
originais dos problemas analisados para o sistema internacional (S. I.) utilizando para tal os
valores da Tabela A.2.
253
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
1 Kg fora = 0.00980665 KN *
1 cm 2 = 0.0001 m 2 *
1 psi = 6894.75729 Pa
1 lb = 4.448222 N
1 in = 0.0254 m *
1 in2 = 0.00064516 m 2 *
1 Polegada = 0.0254 m *
1 ft = 0.3048 m *
1 ft = 12 Polegadas *
1 ft 2 = 0.09290304 m 2 *
1 ft 4 = 0.0086309748412416 m 4 *
1 Kips = 4448.222 N
1 KN = 1000 N *
1 KN m 2 = 1 KPa *
254
Referncias Bibliogrficas
A
Altus E., E. Totry and S. Givli. 2005. Optimized functional perturbation method and morphology based
effective properties of randomly heterogeneous beams. ELSEVIER - International Journal of Solids
and Structures, n.42: 2345-2359
Ang, A. H. S. and W. H. Tang. 1975. Probability Concepts in Engineering Planning and Design. Volume 1 -
Basic principles, John Wiley & Sons, New York
Anjum, M. F.; T. Imran and A.-S. Khaled. 1997. Response surface methodology: a neural network approach.
European Journal of Operational Research, Vol. 101, pp. 6573
Au, S. K. and J. L. Beck. 1999. A new adaptive importance sampling scheme for reliability calculations.
Structural Safety, Vol. 21, pp. 135-158
Au, S. K., C. Papadimitrou and J. L. Beck. 1999a. Reliability of uncertain dynamical systems with multiple
design points. Structural Safety, Vol. 21, pp. 113-133
Augusti, G. ; A. Baratta e F. Casciati. 1984. Probabilistic Methods in Structural Engineering, Chapman and
Hall, New York
Ayyub, B. M. and M. M. Gupta. 1997. Uncertainty Analysis in Engineering and Sciences: Fuzzy Logic,
Statistics, and Neural Network Approach, Kluwer Academic Publishers, Boston, 370 pp.
Ayyub, B. M. 1998. Uncertainty Modelling and Analysis in Civil Engineering. CRC Press, Boca Raton,
Florida
B
Baecher, G. B. e T. S. Ingra. 1981. Stochastic FEM in settlement predictions. Journal of Geotechnical
Engineering, Vol. 107, n.4, pp. 449-463
Bailey, David H. and Richard E. Crandall. 2003. Random Generators and Normal Numbers, disponvel em
http://www.nersc.gov/~dhbailey/dhbpapers/bcnormal.pdf
255
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Bauer, J. and W. Pula. 2000. Reliability with respect to settlement limit states of shallow foundations on
linearly deformable subsoil. Computers and Geotechnics, Vol. 26, No. 3-4, pp. 281-308
Benaroya, H. and M. Rehak. 1987. Finite element methods in probabilistic structural analysis: a selective
review. Appl. Mech. Rev., Vol. 41, No. 5, pp. 201213
Benjamin, J. R. and C. A. Cornell. 1970. Probability, Statistics and Decision for Civil Engineers, McGraw-
Hill Book Company, New York
Billings, S. A. and G. L. Zheng. 1995. Radial basis function network configuration using genetic algorithms.
Neural Networks, Vol. 8, No. 6, pp. 877-890
Biondini, F.; F. Bontempi e P. G. Malerba. 2004. Fuzzy reliability analysis of concrete structures. Computers
& Structures, Vol. 82, pp. 1033-1052
Bishop, C. M. 1994. Neural Networks and their applications, Review of Scientific Instruments, Vol. 65, No.
6, pp. 1803-1832
Bishop, C. M. 1995. Neural Networks for Pattern Recognition, Oxford University Press
Bjerager, P. and S. Krenk. 1989. Parametric sensitivity in first order reliability theory. Journal of
Engineering Mechanics, ASCE, Vol. 115, No. 7, pp. 1577-1582
Bjerager, P. 1990. On computational methods for structural reliability analysis. Structural Safety, Vol. 9, No.
2, pp. 79-96
Bleistein, N. and R. A. Handelsman. 1975. Asymptotic expansions of integrals. New York: Holt, Rinehart
and Winston, New York
Bose, N. K. and P. Liang. 1996. Neural network fundamentals with graphs, algorithms, and applications.
McGraw-Hill Series in Electrical and Computer Engineering, New York
Box, G. E. P. and K. B. Wilson. 1951. On the Experimental Attainment of Optimum Conditions. Journal of
the Royal Statistical Society, Series B, Vol. 13, pp. 1-38
256
Referncias Bibliogrficas
Breitung, K. and M. Hohenbichler. 1989. Asymptotic approximations for multivariate integrals with an
application to multinormal probabilities. Journal of Multivariate Analysis. Vol. 30, No. 1, pp. 8097
Breitung, K. and L. Faravelli. 1996. Chapter 5: Response surface methods and asymptotic approximations. In
F. Casciati and J. B. Roberts editors, Mathematical models for structural reliability analysis. CRC
Press, New York
Breitung, K. 2001. Discussion on New approximations for reliability integrals. Journal of Engineering
Mechanics, ASCE, Vol. 127, No. 2, pp. 207
Brennan, D.; U. Akpan, I. Konuk and A. Zebrowski. 2001. Random Field Modelling of Rainfall Induced
Soil Movement. Martec Report No.: TR-01-02. Martec Limited, Advanced Engineering and
Research Consultants, Geological Survey of Canada, Terrain Sciences Division, Ottawa
Brenner, C. E. 1991. Stochastic finite elements (Literature review). Technical Report Internal working report
No. 35-91, Institute of engineering mechanics, University of Innsbruck, Austria
Brenner, C. E. and C. G. Bucher. 1995. A contribution to the SFE-based reliability assessment of nonlinear
structures under dynamic loading. Probabilistic Engineering Mechanics, Vol. 10, pp. 265-273
Broomhead, D. S. and D. Lowe. 1988. Multivariable function interpolation and adaptativo networks.
Complex Systems, Vol. 2, pp. 321-355
Bucher, C. 1988. Adaptive samplingan iterative fast Monte Carlo procedure. Structural Safety, Vol. 5, No.
2, pp. 119126
Bucher, C. 2003. Structural Reliability and Stochastic Finite Elements. NAFEMS Seminar: Use of
Stochastics in FEM Analyses, Institute of Structural Mechanics, Bauhaus-University, Weimar,
Germany
Bucher, C. 2005. Stochastic Analysis in Structural Optimization. Institute of Structural Mechanics, Bauhaus-
Universitat Weimar, Germany
Bucher, C. and U. Bourgund. 1990. A Fast and Efficient Response Surface Approach for Structural
Reliability Problems. Structural Safety, Vol. 7, No. 1, pp. 57-66
Bucher, C. and M. Macke. 2003. Stochastic Computational Mechanics. AMAS Lecture Notes, AMASart.cls,
Warsaw, pp. 1-58
C
Cai, G. Q. and I. Elishakoff. 1994. Refined second-order reliability analysis. Structural Safety, Vol. 14, pp.
267-276
257
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Casciati, F., M. Grigoriu, A. Der Kiureghian, Y. K. Wen and T. Vrouwenvelder. 1997. Report of the
working group on dynamics. Structural Safety, Vol. 19, n.3, pp. 271-282
Cardaliaguet, P. and G. Euvrand. 1992. Approximation of a function and its derivatives with a neural
network. Neural Networks, Vol. 5, pp. 207-220
CEB, Comit Euro-International du Bton. 1988. General principles on reliability for structures. Bulletin
dInformation n. 191
Chang, C. C. and H. T. Y. Yang. 1991. Random vibration of flexible uncertain beam element. Journal of
Engineering Mechanics, ASCE, Vol. 117, No. 10, pp. 2329-2349
Chang, T.-P. 1993. Dynamic finite element analysis of a beam on random foundation. Computers and
Structures, Vol. 48, No. 4, pp. 583-589
Chang, T.-P. and H. C. Chang. 1994. Stochastic dynamic finite element analysis of a nonuniform beam.
International Journal of Solids and Structures, Vol. 31, No. 5, pp. 587-597
Chang, T.-P. and H.-C. Chang. 1997. Perturbation method for probabilistic dynamic finite element analysis
of a rectangular plate. Mech. Struct. Mach., Vol. 25, No. 4, pp. 397415
Chaudhuri, A. and S. Chakraborty. 2006. Reliability of linear structures with parameter uncertainty under
non-stationary earthquake. Structural Safety, Vol. 28, pp. 231-246
Chen, X. and N. C. Lind. 1983. Fast probability integration by three parameter normal tail approximation.
Structural Safety, Vol. 1, pp. 269-276
Chen, S. H.; S. A. Billings, C. F. N. Cowan and P. W. Grant. 1990. Practical identification of narmax models
using radial basis functions. International Journal Control, Vol. 52, No. 6, pp. 1327-1350
Chen, S. H.; Z. S. Liu and Z. F. Zhang. 1992. Random vibration analysis of large structures with random
parameters. Computers and Structures, Vol. 51, No. 3, pp. 309-313
Chen, S. H.; S. A. Billings and P. W. Grant. 1992a. Recursive hybrid algorithm for nonlinear system
identification using radial basis function network. International Journal of Control, Vol. 55, No. 5,
pp. 1051-1070
Chen, T. and H. Chen. 1995. Approximation capability to functions of several variables, nonlinear functional
and operators by radial basis function neural networks. IEEE Transactions on Neural Networks,
Vol. 32, No. 6, pp. 904-910
Cheng, A. H. D. and C. Y. Yang editors. 1993. Computational Stochastic Mechanics. Elsevier Applied
science, Prentice Hall, Engelwood Cliffs, NJ
Choi, S.-K.; R. V. Grandhi and R. A. Canfield. 2004. Structural reliability under non-Gaussian stochastic
behaviour. Computers & Structures, Vol. 82, pp. 1113-1121
258
Referncias Bibliogrficas
Connor, J. M. and B. Ellingwood. 1988. Reliability of nonlinear structures with seismic loading. Journal of
Structural Engineering, ASCE, Vol. 113, No. 5, pp. 1011-1028
Contreras, H. 1980. The stochastic finite element. Computers and Structures, Vol. 12, pp. 341-348
Cornell, A. C. 1969. A ProbabilityBased Structural Code. Journal Amer. Concrete Inst., Vol. 66, n. 12, pp.
974985
Cun, Y. L. 1985. Une procedure dapprentissage pour rseau seuil asymtrique. in In Cognitiva 85 : la
Frontire de lIntelligence Artificielle des Sciences de la Connaissance des Neurosciences, CESTA,
Paris, pp. 599-604
D
Dai, S.-H. and Ming-O Wang. 1992. Reliability Analysis in Engineering Applications. Van Nostrand
Reinhold, New York
Das, P. K. and Y. Zheng. 2000. Cumulative formation of response surface and its use in reliability analysis.
Probabilistic Engineering Mechanics,Vol. 15, No. 4, pp. 309315
Davids, Gordon B. e Thomas R. Hoffmann. 1983. FORTRAN77: A Structured, Disciplined Style. 2 Edio.
McGRAW-HILL, Singapore
Dendrou, B. A. and E. N: Houstis. 1978. An Inference-Finite Element Model for Field Applications. Applied
Mathematical Modelling, Vol. 1, IPC Science and Technology Publications, Guildford, England
Deng, J.; Z. Q. Yue; L. G. Tham and H. H. Zhu. 2003. Pillar design by combining finite methods, neural
networks and reliability: a case study of the Feng Huangshan copper mine, China. International
Journal of Rock Mechanics & Mining Sciences, Vol. 40, pp. 585-599
Deng, J.; D. S. Gu; X. B. Li and Z. Q. Yue. 2005. Structural reliability analysis for implicit performance
function using artificial neural network. Structural Safety, ASCE, Vol. 25, No. 1, pp. 25-48
Deng, J. 2006. Structural reliability analysis for implicit performance function using radial basis function
network. International Journal of Solids and Structures, Vol. 43, pp. 3255-3291
Deodatis, G. 1989. Stochastic FEM sensitivity analysis of nonlinear dynamic problems. Probabilistic
Engineering Mechanics, Vol. 4, n. 3, pp. 135-141
Der Kiureghian, A. 1985. Finite element method in structural safety studies. in J. T.-P. Yao et al. Editors,
Structural Safety Studies, ASCE, New York, pp. 40-52
259
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Der Kiureghian, A. 1987. Multivariate distribution models for structural reliability. in Transactions, the 9th
International Conference on Structural Mechanics in Reactor Technology, Vol. M, Lausanne,
Switzerland, pp. 373-379
Der Kiureghian, A. 1989. Measures of structural safety under imperfect states of knowledge. Journal of
Engineering Mechanics, ASCE, Vol. 115, No. 5, pp. 1119-1140
Der Kiureghian, A. 1996. Structural reliability methods for seismic safety assessment: a review. Engineering
Structures, Vol. 18, n. 6, pp. 412-424
Der Kiureghian, A. and P.-L. Liu. 1986. Structural Reliability Under Incomplete Probability Information.
Journal of Engineering Mechanics, ASCE, Vol. 112, pp. 85104
Der Kiureghian, A., H.-Z. Lin e S.-J. Hwang. 1987. Second-order reliability approximations. Journal of
Engineering Mechanics; Vol. 113, n.8, pp. 1208-1225
Der Kiureghian, A. e J. B. Ke. 1988. The stochastic finite element method in structural reliability.
Probabilistic Engineering Mechanics, Vol. 3, n. 2, pp. 83-91
Der Kiureghian, A. and M. D. Stefano. 1991. Efficient algorithm for second order reliability analysis.
Journal of Engineering Mechanics, ASCE, Vol. 117, No. 12, pp. 2904-2923
Der Kiureghian, A.; C. C. Li and Y. Zhang. 1991. Recent developments in stochastic finite elements. in R.
Rackwitz and P. Thoft-Christensen editors, Proceedings of 4th IFIP WG 7.5 conference, Munich,
Germany, pp. 19-38
Der Kiureghian, A. and T. Dakessian. 1998. Multiple design points in first and second order reliability.
Structural Safety, Vol. 20, No. 1, pp. 37-49
Dey, A. and S. Mahadevan. 1988. Ductile structural system reliability analysis using adaptive importance
sampling. Structural Safety, Vol. 20, No. 2, pp. 137-154
Di Paola, M.; A. Pirotta and M. Zingales. 2004. Stochastic dynamics of linear elastic trusses in presence of
structural uncertainties (virtual distorsion approach). Probabilistic Engineering Mechanics, Vol. 19,
No. 1-2, pp. 41-51
Ditlevsen, O. 1973. Structural reliability and the invariance problem. Res. Rep. No. 22, Solid Mechanics
Division, University of Waterloo, Ontario, Canada
Ditlevsen, O. 1979a. Generalized Second Moment Reliability Index. Journal of Structural Mechanics, Vol.
7, n. 4, pp. 435-451
Ditlevsen, O. 1979b. Narrow Reliability Bounds for Structural Systems. Journal of Structural Mechanics,
Vol. 7, n. 4, pp. 453-472
260
Referncias Bibliogrficas
Ditlevsen, O. 1981a. Uncertainty modeling with applications to multidimensional civil engineering systems.
McGraw-Hill, New York
Ditlevsen, O. 1981b. Principle of Normal Tail Approximation. Journal of the Engineering Mechanics
Division, ASCE, Vol. 107, EM6, pp. 1191-1208
Ditlevsen, O. 1982. Principle of Normal Tail Approximation - Errata. Journal of the Engineering Mechanics
Division, ASCE, Vol. 108, EM3, pp. 579-581
Ditlevsen, O. and P. Bjerager. 1986. Methods of Structural Systems Reliability. ELSEVIER - Structural
Safety, Vol. 3, pp. 195-229
Ditlevsen, O.; R. E. Melchers and H. Gluver. 1990. General multi-dimensional probability integration by
directional simulation. Computers & Structures, Vol. 36, No. 2, pp. 355-368
Ditlevsen, O. 1995. Discretization of random fields in beam theory. in Proceedings of 7th International
Conference of Applications of Statistics and Probability in Civil Engineering
Ditlevsen, O. 1996. Dimension reduction and discretization in stochastic problems by regression method. in
F. Casciati and B. Roberts editors, Mathematical Models for Structural Reliability Analysis, CRC
Mathematical Modelling Series, Vol. 2, pp. 51-138
Ditlevsen, O. and H. O. Madsen. 2005. Structural Reliability Methods. Monograph, Coastal, Maritime and
Structural Engineering, Department of Mechanical Engineering, Technical University of Denmark,
disponvel em http://www.mek.dtu.dk/staff/od/books.htm
E
Eibl, J. e B. Schmidt-Hurtienne. 1991. General outline of a new safety format. New developments in non-
linear analysis methods. CEB Bulletin dInformation, Vol. 229, pp. 33-48
Elishakoff, I. 1995a. Essay on uncertainties in elastic and viscoelastic structures: from A. M. Freudenthal's
criticisms to modern convex modeling. Computers and Structures, Vol. 56, n.6, pp. 871-895
Elishakoff, I. 1995b. Random vibration of structures: a personal perspective. Applied Mechanics Reviews,
Vol. 48, n.12, pp. 809-825
Elishakoff, I. 1998. Three versions of the finite element method based on concepts of either stochasticity,
fuzziness, or anti-optimization. Applied Mechanics Reviews, Vol. 51, n. 3, pp. 809-825
261
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Elishakoff, I. 1999. Probabilistic Theory of Structures. 2 Edio, Dover Publications, Mineola, New York
Elishakoff, I. 2000. Possible limitations of probabilistic methods in engineering. Applied Mechanics Reviews,
Vol. 53, n.2, pp. 19-36
Elishakoff, I.; Y. J. Ren and M. Shinozuka. 1995. Some exact solutions for the bending of beams with
spatially stochastic properties. International Journal of Solids and Structures, Vol. 32, No. 16, pp.
2315-2327
Elishakoff, I.; Y. J. Ren and M. Shinozuka. 1995a. Improved finite element method for stochastic structures.
Chaos, Solitons & Fractals, Vol. 5, No. 5, pp. 833-846
Engelund, S. and R. Rackwitz. 1993. A benchmark study on importance sampling techniques in structural
reliability. Structural Safety, Vol. 12, n.4, pp. 255-276
F
Faber, M. H. 2001. Methods of Structural Reliability Theory an Introduction. Lecture Notes on Risk and
Reliability in Civil Engineering, Swiss Federal Institute of Technology
Faber, M. H. e M. G. Stewart. 2003. Risk assessment for civil engineering facilities: critical overview and
discussion. Reliability Engineering & System Safety, Vol. 80, pp. 173-184
Falsone, G. and N. Impollonia. 2002. A new approach for the stochastic analysis of finite element modelled
structures with uncertain parameters, Comput. Methods Appl. Mech. Engrg, Vol. 191, No. 44, pp.
50675085
Falsone, G. and N. Impollonia. 2003. Erratum to A new approach for the stochastic analysis of finite
element modelled structures with uncertain parameters [Comput. Methods Appl. Mech. Engrg. 191
(44) (2002) 50675085]. Comput. Methods Appl. Mech. Engrg., Vol. 192, No. 16-18, pp. 2187-
2188
Falsone, G. and N. Impollonia. 2004. About the accuracy of a novel response surface method for the analysis
of finite element modeled uncertain structures. Probabilistic Engineering Mechanics, Vol. 19, pp.
53-63
Faravelli, L. 1989. Response Surface Approach for Reliability Analysis. Journal of Engineering Mechanics,
ASCE, Vol. 115, No. 12, pp. 2763-2781
Faravelli, L. 1992. Structural reliability via response surface. In N. Bellomo and F. Casciati editors,
Proceedings of the IUTAM symposium on Nonlinear Stochastic Mechanics, Springer Verlag,
Heidelberg, pp. 213-223
Fenton, A. G. and E. H. Vanmarcke. 1990. Simulation of random fields via local average subdivision.
Journal of Engineering Mechanics, Vol. 116, No. 8
262
Referncias Bibliogrficas
Ferry-Borges, J. e M. Castanheta. 1985. Structural Safety. Curso 101, Laboratrio Nacional de Engenharia
Civil, Lisboa
Field, R. V. 2002. Numerical methods to estimate the coefficients of the polynomial chaos expansion. in
Proceedings of the 15th ASCE Engineering Mechanics Conference, Columbia University, New
York, pp. 1-7
Fiessler, B., H. J. Neumann and R. Rackwitz. 1979. Quadratic limit states in structural reliability. Journal of
Engineering Mechanics, ASCE, Vol. 115, No. 12, pp. 2763-2781
Flood, I. and N. Kartam. 1994. Neural networks in civil engineering. I: Principles and Understanding."
Journal of Computing in Civil Engineering, ASCE, Vol. 8, No. 2, pp. 131-148
Flood, I. and N. Kartam. 1994a. Neural networks in civil engineering. II: Systems and application. Journal of
Comp. in Civil Engineering, ASCE, Vol. 8, No. 2, pp. 149-162
Foschi, R. O.; H. Li and J. Zhang. 2002. Reliability and performance-based design: a computational
approach and applications. Structural Safety, Vol. 24, pp. 205-218
Frangopol, D. M.; Y.-H. Lee and K. William. 1996. Nonlinear finite element reliability analysis of concrete.
Journal of Engineering Mechanics, ASCE, Vol. 122, No. 12, pp. 1174-1182
Frangopol, D. M. and K. Imai. 2000. Geometrically nonlinear finite element reliability analysis of structural
systems. II: applications. Computers & Structures, Vol. 77, No. 6, pp. 693-709
Freudenthal, A. M. 1956. Safety and the probability of structural failure. Transactions of ASCE, Vol. 121,
pp. 1137-1197
Freudenthal, A. M., J. M. Garrelts e M. Shinozuka. 1966. The analysis of structural safety. ASCE, Journal of
Structural Division, Vol. 92, ST2
G
Gagarin, N.; I. Flood and P. Albrecht. 1994 Computing Truck Attributes with Artificial Neural Networks.
Journal of Computing in Civil Engineering, Vol. 8, No. 2, pp. 179-200
Garrett, J. H. J. 1994. Where and why artificial neural networks are applicable in civil engineering. Journal
of Computing in Civil Engineering, ASCE, Vol. 8, No. 2, pp. 129130
Gayton, N., J. M. Bourinet and M. Lemaire. 2003. CQ2RS: a new statistical approach to the response surface
method for reliability analysis. Structural Safety, Vol. 25, No. 1, pp. 99-121
263
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Gayton, N., A. Mohamed, J. D. Sorensen, M. Pendola e M. Lemaire. 2004. Calibration methods for
reliability-based design codes. Structural Safety, Vol. 26, pp. 91-121
Gentle, J. E. 1998. Numerical Linear Algebra for Applications in Statistics. Springer-Verlag, Berlin
Gentle, J. E. 2002. Random Number Generation and Monte Carlo Methods. 2 Edio. Springer-Verlag,
Berlin.
Ghanem, R. G. 1999. Ingredients for a general purpose stochastic finite elements implementation. Computer
Methods in Applied Mechanics and Engineering, Vol. 168, pp. 19-34
Ghanem, R. G. and P. D. Spanos. 1990. Polynomial chaos in stochastic finite elements. Journal of Applied
Mechanics, Vol. 57, No. 1, pp. 197-202
Ghanem, R. G. e P. D. Spanos. 1991. Spectral stochastic finite-element formulation for reliability analysis.
Journal of Engineering Mechanics, ASCE, Vol. 117, n. 10, pp. 2351-2372
Ghanem, R. G. e P. D. Spanos. 1991a. Stochastic Finite Elements: A Spectral Approach. Springer, Berlin
Ghanem, R. G. e P. D. Spanos. 2003. Stochastic Finite Elements: A Spectral Approach. Courier Dover
Publications, New York
Girosi, F. and T. Poggio. 1990. Networks and the best approximation property. Biological Cybernetics, Vol.
63, pp. 169-176
Goh, A. T. C. 1995. Back-propagation neural networks for modelling complex systems. Artificial
Intelligence in Engineering, UK: Elsevier Science Limited, vol. 9, pp. 143151
Goh, A. T. C. and F. H. Kulhawy. 2003. Neural network approach to model the limit state surface for
reliability analysis. Canadian Geotechnical journal, Vol. 40, No. 6, pp. 1235-1244
Golub, Gene H. and Charles F. VanLoan. 1996. Matrix Computations. 3 Edio. Johns Hopkins University
Press, Baltimore
Gomes, H. M. and A. M. Awruch. 2004. Comparison of response surface and neural network with other
methods for structural reliability methods. Structural Safety, Vol. 26, No. 1, pp. 49-67
Gourdon, X. and P. Sebah. 2003. A Collection of Formulae for the Euler Constant, disponvel em
http://numbers.computation.free.fr/Constants/Gamma/gammaFormulas.pdf
Gouva, M. M. e L. D. B. Terra. 1999. Avaliao e melhoria da margem de colapso de tenso utilizando rede
neural artificial. IV Congresso Brasileiro de Redes Neurais, SP, Brasil, pp. 130-135
264
Referncias Bibliogrficas
Grasa, J., J. A. Bea, J. F. Rodrguez e M. Doblar. 2006. The perturbation method and the extended finite
element method. An application to fracture mechanics problems. Fatigue Fract. Engineering Mater.
Struct., Vol. 29, pp. 581-587
Grigoriu, M. 1983. Methods for approximate reliability analysis. Structural Safety, Vol. 1, pp. 155-165
Grigoriu, M. 1995. Applied non-Gaussian processes. Examples, theory, simulation, linear random vibration
and MATLAB solutions. Englewood Cliffs: Prentice-Hall
Grossenberg, S. 1982. Studies of the Mind and Brain. Holland: Reidel Press, Drodrecht
Guan, X. L. and R. E. Melchers. 1997. Multitangent-plane surface method for reliability calculation. Journal
of Engineering Mechanics, Vol. 123, No. 10, pp. 996-1002
Guan, X. L. and R. E. Melchers. 2000. A parametric study on the response surface method. In 8th ASCE
Speciality Conference on Probabilistic Mechanics and Structural Reliability. ASCE, New York
Guan, X. L. and R. E. Melchers. 2001. Effect of response surface parameter variation on structural reliability
estimation. Structural Safety, Vol. 23, No. 4, pp. 429-444
H
Hagan, M. T.; H. B. Demuth and M. Beale. 1996. Neural network design. Boston: PWS
Haldar, A. e S. Mahadevan. 2000. Probability, Reliability and Statistical Methods in Engineering Design.
John Wiley & Sons, New York
Haldar, A. e S. Mahadevan. 2000a. Reliability Assessment Using Stochastic Finite Element Analysis. John
Wiley & Sons, New York
Handa, K. e K. Anderson. 1981. Application of finite element methods in the statistical analysis of structures.
Third International Conference on Structural Safety and Reliability, Norway, pp. 409-417
Harbitz, A. 1983. Efficient and accurate probability of failure calculation by use of the importance sampling
technique. in: Proceedings of the 4th International Conference on App. of Statistics and Prob. in
Soils and Structural Engineering, ICASP-4, Pitagora Editrice Bologna, pp. 825836
Hardy, R. L. 1971. Multiquadric equations of topography and other irregular surfaces. Journal of Geophysics
Research, Vol. 76, pp. 1905-1915
Hasofer, A. M. and N. C. Lind. 1974. Exact and invariant second-moment code format. Journal of the
Engineering Mechanics Division, ASCE, Vol. 100, EM1, pp. 111121
265
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Haugh, M. 2004. The Monte Carlo Framework, Examples from Finance and Generating Correlated Random
Variables. Monte Carlo Simulation: IEOR E4703
Haukaas, T. and A. Der Kiureghian. 2004. Finite Element Reliability and Sensitivity Methods for
Performance-Based Earthquake Engineering. PEER Report 2003/14, Pacific Earthquake
Engineering Research Center, College of Engineering, University of California, Berkeley
Havil, J. 2003. Gamma: Exploring Eulers Constant. Princeton, NJ: Princeton University Press
Haykin, S. 1999. Neural Networks: A Comprehensive Foundation, second edition, Prentice Hall, New Jersey
Hisada, T. e S. Nakagiri. 1981. Stochastic finite element method developed for structural safety and
reliability. in Proceedings, Third International Conference on Structural Safety and Reliability,
Trondheim, Norway, pp. 395-408
Hisada, T. e S. Nakagiri. 1985. Role of the stochastic finite element method in structural safety and
reliability. in Proceedings, 4th International Conference on Structural Safety and Reliability, Kobe,
Japan, pp. 385-394
Hisada, T. e H. Noguchi. 1989. Development of a nonlinear stochastic FEM and its application. In: AH-S
Ang, M. Shinozuka, G. I. Schueller, editors. Structural Safety and Reliability. Proceedings of the
5th International Conference on Structural Safety and Reliability, San Francisco: ASCE, pp. 1097-
1104
Hohenbichler, M., S. Gollwitzer, W. Kruse and R. Rackwitz. 1987. New light on first- and second-order
reliability methods. Structural Safety, Vol. 4, pp. 267-284
Holcomb, T. and M. Morari. 1991. Local training for radial basis function networks: towards solving the
hidden unit problem. Proceedings of American Control Conference, pp. 2331-2336
Hong, H. P. 1999. Simple Approximations for Improving Second-Order Reliability Estimates. Journal of
Engineering Mechanics, Vol. 125, No. 5, pp. 592-595
266
Referncias Bibliogrficas
Hopfield, J. J. 1982. Neural networks and physical systems with emergent collective computational abilities.
Proc. Natl. Acad. Sci., Vol. 79, pp. 2554-2558
Hornik, K.; M. Stinchcombe and H. White. 1989. Multi-layer feed-forward networks are universal
approximators. Neural Networks, Vol. 2, pp. 359-368
Hornik, K.; M. Stinchcombe and H. White. 1990. Universal approximation of an unknown mapping and its
derivatives using multi-layer feed-forward networks. Neural Networks, Vol. 3, pp. 551-560
Huh, J. and A. Haldar. 2002. Seismic reliability of nonlinear frames with PR connections using systematic
RSM. Probabilistic Engineering Mechanics, Vol. 17, pp. 177-190
Hurst, Rex L. and Robert E. Knop. 1972. Algorithm 425: Generation of Random Correlated Normal
Variables [G5]. ACM Vol. 15, n.5, pp. 355-357
Hurtado, J. E. and A. H. Barbat. 1998. Monte Carlo techniques in computational stochastic mechanics.
Archives of Computational Methods in Engineering, Vol. 5, No. 1, pp. 3-30
Hurtado, J. E. and D. A. Alvarez. 2001. Neural network-based reliability analysis: a comparative study.
Computer Methods in Applied Mechanics and Engineering, Vol. 191, No. 1-2, pp. 113-132
Hurtado, J. E. 2002. Analysis of one-dimensional stochastic finite elements using neural networks.
Probabilistic Engineering Mechanics, Vol. 17, pp. 35-44
Hurtado, J. E. 2004. An examination of methods for approximating implicit limit state functions from the
viewpoint of statistical learning theory. Structural Safety, Vol. 26, No. 3, pp. 271-293
I
Ibrahim, R. A. 1987. Structural dynamics with parameter uncertainties. Applied Mechanics Reviews, Vol. 40,
No. 3, pp. 309-328
Igusa, T. and A. Der Kiureghian. 1988. Response of uncertain systems to stochastic excitation. Journal of
Engineering Mechanics, ASCE, Vol. 114, No. 5, pp. 812-832
Imai, K. e D. M. Frangopol. 2000. Geometrically nonlinear finite element reliability analysis of structural
systems. I: theory. Computers & Structures, Vol. 77, No. 6, pp. 677-691
Impollonia, N. and A. Sofi. 2003. A response surface approach for the static analysis of stochastic structures
with geometrical nonlinearities. Computer Methods in Applied Mechanics and Engineering, Vol.
192, No. 37-38, pp. 4109-4129
Iwan, W. D. and H. Jensen. 1993. On the dynamic response of continuous systems including model
uncertainty. Journal of Applied Mechanics, ASME, Vol. 60, pp. 484-490
267
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
J
Jacobs, R. A. 1988. Increased rates of convergence through learning rate adaptation. Neural Networks, Vol.
1, pp. 295-307
Johnson, E. A.; R. B. Corotis and G. I. Schueller. 2001. Computational challenges and breakthroughs: A
panel discussion. in R. B. Corotis, G. I. Schueller and M. Shinozuka editors, 8th International
Conference on Structural Stability and Reliability (ICOSSAR 01). Swets and Zeitinger
K
Karunanithi, Nachimuthu; William J. Grenney, Darrell Whitley and Ken Bovee. 1994. Neural Networks for
River Flow Prediction. Journal of Computing in Civil Engineering, Vol. 8, No. 2, pp. 201-220
Katafygiotis, L. S. and J. L. Beck. 1995. A very efficient moment calculation method for uncertain linear
dynamic systems. Probabilistic Engineering Mechanics, Vol. 10, No. 2, pp. 117-128
Kaviori, S. N. and V. Venkata Subramanian. 1993. Using fuzzy clustering with ellipsoidal units in neural
networks for robust fault classification. Computers & Chemical Engineering, Vol. 17, No. 8, pp.
765-784
Kharmanda, G., A. Mohamed e M. Lemaire. 2002. Efficient reliability-based design optimization using a
hybrid space with application to finite element analysis. Structural Multidisc. Optimization, Vol. 24,
pp. 233-245
Kim, S. H. and S. W. Na. 1997. Response Surface Method using Vector Projected Sampling Points.
Structural Safety, Vol. 19, No. 1, pp. 3-19
Kleiber, M. e T. D. Hien. 1992. The Stochastic Finite Element Method. John Willey & Sons Ltd, New York
Kovacs, Z. L. 1996. Redes Neurais Artificiais: Fundamentos e Aplicaes. SP Livraria da Fsica Editora,
So Paulo
Koyluoglu, H. U.; S. R. K. Nielsen and A. S. Cakmak. 1995. Stochastic dynamics of nonlinear structures
with random properties subject to stationary random excitation. Technical Report Paper No 133,
Department of Building technology and structural engineering, Aalborg University, Denmark
L
Laranja, R. e J. de Brito. Maio 2003. Fiabilidade estrutural e formatos de verificao da segurana.
Ingenium. 2 Srie. n. 75: 69-74.
268
Referncias Bibliogrficas
Lawrence, M. A. 1987. Basis random variables in finite element analysis. International Journal for
Numerical Methods in Engineering, Vol. 24, pp. 1849-1863
Lee, S. and M. K. Rhee. 1991. A gaussian potential function network with hierarchically serf-organizing
learning. Neural Networks, Vol. 4, pp. 207-224
Li, C.-C. and A. Der Kiureghian. 1993. Optimal discretization of random fields. Journal of Engineering
Mechanics. Vol. 119, No. 6, pp. 11361154
Li, X. 1996. Simultaneous approximations of multivariate functions and derivatives by neural networks with
one hidden layer. Neurocomputing, Vol. 12, pp. 327-343
Liu, P.-L. and A. Der Kiureghian. 1986. Multivariate distribution models with prescribed marginals and
covariances. Probabilistic Engineering Mechanics, Vol. 1, pp. 105112
Liu, P.-L. e A. Der Kiureghian. 1986a. Optimization Algorithms for Structural Reliability Analysis. Report
No. UCB/SESM-86/09. Department of Civil Engineering, Division of Structural Engineering and
Structural Mechanics, University of California, Berkeley, CA
Liu, P.-L. e A. Der Kiureghian. 1988. Optimization Algorithms for Structural Reliability, in Proceedings,
Joint ASME/SES Applied Mechanics and Engineering Sciences Conference, pp. 185-196, Berkeley,
CA
Liu, P.-L. e A. Der Kiureghian. 1989. Finite-element reliability methods for geometrically nonlinear
stochastic structures. Report No. UCB/SEMM-89/05. Department of Civil Engineering, University
of California, Berkeley, CA
Liu, P.-L. and A. Der Kiureghian. 1991. Optimization Algorithms for Structural Reliability. Structural
Safety, Vol. 9, n. 3, pp. 161-177
Liu, P.-L., and A. Der Kiureghian. 1991a. Finite element reliability of geometrically nonlinear uncertain
structures. Journal of Engineering Mechanics, ASCE, Vol. 117, No. 8, pp. 18061825
Liu, P.-L. and K. G. Liu. 1993. Selection of random field mesh in finite element reliability analysis. Journal
of Engineering Mechanics, ASCE, Vol. 119, No. 4, pp. 667-680
Liu, Y. W. and F. Moses. 1994. A sequential response surface method and its application in the reliability
analysis of aircraft structural systems. Structural Safety, Vol. 16, pp. 39-46
269
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Liu, W. K.; T. Belytschko and A. Mani. 1986. Random field finite elements. International Journal for
Numerical Methods in Engineering, Vol. 23, No. 10, pp. 1831-1845
Liu, W. K.; T. Belytschko and A. Mani. 1986a. Probabilistic finite elements for non linear structural
dynamics. Computational Methods in Applied Mechanics and Engineering, Vol. 56, No. 1, pp. 61-
81
Liu, W. K.; A. Mani and T. Belytschko. 1987. Finite element methods in probabilistic mechanics.
Probabilistic Engineering Mechanics, Vol. 2, No. 4
Liu, W. K.; G. H. Besterfield and T. Belytschko. 1988. Variational Approach to Probabilistic Finite
Elements, ASCE, Journal of Engineering Mechanics, Vol. 114, No. 12, pp. 2115-2133
Liu, W. K.; T. B. Belytschko and G. H. Besterfield. 1989. Probabilistic finite element method. in
Computational Mechanics of Probabilistic and Reliability Analysis, eds. W. K. Liu and T.
Belytschko. Elmepress International, Lausanne, pp. 115-140
Liu, W. K.; T. Belytschko and Y. J. Lua. 1992. Stochastic computational mechanics for aerospace structures.
in S. N. Atluri editor, Progress in Astronautics and Aeronautics, AIAA, volume 146, pp. 245-278
Liu, W. K., T. Belytschko e Y. J. Lua. 1995. Probabilistic Structural Mechanics Handbook: Theory and
Industrial Applications, 4 Edio, Springer-Verlag, New York
Long, M. W. and J. D. Narciso. 1999. Probabilistic Design Methodology for Composite Aircraft Structures.
Report No. DOT/FAA/AR-99/2. U. S. Department of Transportation, Federal Aviation
Administration, Office of Aviation Research, Washington
M
Madsen, H. O.; S. Krenk e N. C. Lind. 2006. Methods of Structural Safety. 2 edio. Dover Publications,
Mineola, New York
Maes, M. A.; Ph. Geyskens and K. Breitung. 1993a. MAIS: Monte Carlo Asymptotic Importance Sampling
for reliability analysis. University of Calgary
Maes, M. A.; K. Breitung and D. J. Dupois. 1993b. Asymptotic Importance Sampling. Structural Safety, Vol.
12, n.3, pp. 167-186
Mahadevan, S. e P. Raghothamachar 2000. Adaptive simulation for system reliability analysis of large
structures. Comput. Struct., Vol. 77, n.6, pp. 725-734
Mai-Duy, N. and T. Tran-Cong. 2003. Approximation of function and its derivatives using radial basis
function networks. Applied Mathematical Modelling, Vol. 27, No. 3, pp. 197-220
270
Referncias Bibliogrficas
Manohar, C. S. and R. A. Ibrahim. 1999. Progress in structural dynamics with stochastic parameter
variations 1987-1998. Applied Mechanics Reviews, Vol. 52, No. 5, pp. 177-197
Manohar, C. S.; S. Adhikari and S. Bhattacharyya. 1999. Statistical energy analysis of structural dynamical
systems. Technical Report DST Report, Project No. III 5(1)/95-ET, Department of Civil
Engineering, Indian Institute of Science
Marek, P.; J. Brozzetti, M. Gustar and P. Tikalsky. 2003. Probabilistic Assessment of Structures using Monte
Carlo Simulation: Background, Exercises and Software. 2 Edio. Institute of Theoretical and
Applied Mechanics, Academy of Sciences of the Czech Republic, Praha
Masters, T. 1993. Practical Neural Network Recipes in C++. Academic Press, San Diego
Matthies, H. G. and C. Bucher. 1999. Finite Elements for Stochastic Media Problems. ELSEVIER
Computer Methods in Appl. Mech. and Engineering. Vol. 168, pp. 3-17
McDonald, D. B.; W. J. Grantham and W. L. Tabor. 2000. Response surface model development for
global/local optimization using radial basis functions. in: 8th Symposium on Multidisciplinary
Analysis and Optimization (AIAA 2000-4776), 6-8, Long Beach, CA
Melchers, R. E. 1989. Improved importance sampling methods for structural reliability calculations. in A.
H.-S. Ang, M. Shinozuka and G. I. Schueller editors, Proceedings of the 5th International
Conference on Structural Safety and Reliability (ICOSSAR'89), ASCE, New York, pp. 1185-1192
Melchers, R. E. 1990. Radial importance sampling for structural reliability. Journal of Engineering
Mechanics, ASCE; Vol. 116, No. 1, pp. 189203
Melchers, R. E. 1990a. Search-based importance sampling. ELSEVIER - Structural Safety, Vol. 9, No. 2, pp.
117128
Melchers, R. E. 1999. Structural Reliability Analysis and Prediction. 2 edio. John Wiley & Sons,
Chichester
Melchers, R. E., M. Ahammed and C. Middleton. 2003. FORM for discontinuous and truncated probability
density functions. Structural Safety, Vol. 25, pp. 305-313
Mendenhall, W. and T. Sincich. 1995. Statistics for Engineering and the Sciences. 4 Edio. Englewood
Cliffs, NJ: Prentice-Hall
271
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Micchelli, C. A. 1986. Interpolation of scattered data: Distance matrices and conditionally positive definite
functions. Constructive Approximation, Vol. 2, pp. 11-22
Mnguez, R.; A. J. Conejo and A. S. Hadi. 2006. Non Gaussian State Estimation in Power Systems. in
Proceedings of International Conference on Mathematical and Statistical Modeling, pp. 1-23
Moarefzadeh, M. R. and R. E. Melchers. 1999. Directional importance sampling for ill-proportioned spaces.
Structural Safety, Vol. 21, No. 1, pp. 1-22
Moody, J. and C. J. Darken. 1989. Fast learning in networks of locally tuned processing units. Neural
Computation, Vol. 1, pp. 281-294
Muller, B. and J. Reinhardt. 1991. Neural networksAn introduction. New York: Springer-Verlag
Musavi, M. T.; W. Ahmed; K. H. Chan; K. B. Faris and D. M. Hummels. 1992. On the training of radial
basis function classifiers. Neural Networks, Vol. 5, pp. 595-603
Muscolino, G.; G. Ricciardi and N. Impollonia. 2000. Improved dynamic analysis of structures with
mechanical uncertainties under deterministic input. Probabilistic Engineering Mechanics. Vol. 15,
No. 2, pp. 199212
Myers, R. H. and D. C. Montgomery. 1995. Response Surface Methodology. John Wiley & Sons, Inc., New
York
N
Nakagiri, S. and T. Hisada. 1982. Stochastic finite element method applied to structural analysis with
uncertain parameters. in: Proceedings of the International Conference on Finite Element Methods,
Aechen, Germany, pp. 206211
Nakagiri, S., H. Takabatake e S. Tani. 1987. Uncertain eigenvalue analysis of composite laminated plates by
the stochastic finite element method. Journal of Engineering for Industry, ASME, Vol. 109, pp. 9-12
Nash, J. C. 1990. Compact Numerical Methods for Computers; Linear lgebra and Function Minimisation.
2 Edio. England: Adam Hilger, Bristol
Nelder, J. A. 1966. Inverse polynomials, a useful group of multifactor response function, Biometrics, Vol.
22, pp. 128141
272
Referncias Bibliogrficas
Neves, L. A. C., P. J. S. Cruz e A. A. R. Henriques. 2002. SFEM reliability of steel frames. Eurosteel -
Coimbra: 1531-1540
Nie, J. and B. R. Ellingwood. Directional methods for structural reliability analysis. Structural Safety, Vol.
22, pp. 233-249
Nieuwenhof, B. Van den and J.-P. Coyette. 2002. A perturbation stochastic finite element method for the
time-harmonic analysis of structures with random mechanical properties. in Proceedings of Fifth
World Congress on Computational Mechanics, Eds.: H. A. Mang, F. G. Rammerstorfer, J.
Eberhardsteiner, Vienna, Austria, pp. 1-10
O
Oakley, D. R., R. H. Sues and G. S. Rhodes. 1998. Performance optimization of multidisciplinary
mechanical systems subject to uncertainties. Probabilistic Engineering Mechanics, Vol. 13, No. 1,
pp. 15-26
Olsson, A., G. Sandberg and O. Dahlblom. 2003. On Latin hypercube sampling for structural reliability
analysis. ELSEVIER - Structural Safety, Vol. 25, pp. 47-68
P
Pandya, A. S. and R. B. Macy. 1995. Pattern Recognition with Neural Networks in C++. CRC Press and
IEEE Press, Florida Atlantic University, Florida
Papadimitriou, C., J. L. Beck and L. S. Katafygiotis. 1995. Asymptotic expansions for reliabilities and
moments of uncertain dynamic systems. Tech. Rep. EERL 95-05, California Institute of Technology,
Pasadena, California
Papadimitriou, C., J. L. Beck and L. S. Katafygiotis. 1997. Asymptotic expansions for reliability and
moments of uncertain systems. Journal of Engineering Mechanics, ASCE, Vol. 123, No. 12, pp.
1219-1229
Papadrakakais, M., V. Papadopoulos and N. D. Lagaros. 1996. Structural reliability analysis of elastic-plastic
structures using neural networks and Monte Carlo simulation. Computer Methods in Applied
Mechanics and Engineering, Vol. 136, No. 1-2, pp. 145-163
Papoulis, A. 1984. Probability, Random Variables and Stochastic Processes. 2 Edio. MacGraw-Hill, New
York
Park, J. and I. Sandberg. 1993. Approximation and radial-basis-function networks. Neural Computation,
Vol. 5, pp. 305-316
273
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Pettit, C. L.; R. A. Canfield and R. Ghanem. 2002. Stochastic analysis of an aeroelastic system. in
Proceedings of the 15th ASCE Engineering Mechanics Conference, Columbia University, New
York
Phoon, K. K.; S. T. Quek; Y. K. Chow and S. L. Lee. 1990. Reliability analysis of pile settlement. Journal of
Geotechnical Engineering, Vol. 116, No. 11
Plouffe, S. 2000. Table of Current Records for the Computation of Constants, disponvel em
http://pi.lacim.uqam.ca/eng/records_en.html
Poggio, T. and F. Girosi. 1990. Network for approximation and learning. Proceedings of the IEEE, Vol. 78,
No. 9, pp. 1481-1497
Polidori, D. C., J. L. Beck and C. Papadimitriou. 1999. New approximations for reliability integrals. Journal
of Engineering Mechanics, ASCE, Vol. 125, No. 4, pp. 466-475
Polidori, D. C., J. L. Beck and C. Papadimitriou. 2001. Closure to New approximations for reliability
integrals. Journal of Engineering Mechanics, ASCE, Vol. 127, No. 2, pp. 207-209
Powell, M. J. D. 1987. Radial basis functions for multivariable interpolation: a review. in J. C. Mason and
M. G. Cox, Editors, Algorithms for Approximation, Oxford: Clarendon Press, pp. 143-167
R
Rackwitz, R. and B. Fiessler. 1978. Structural Reliability Under Combined Random Load Sequences.
Computers & Structures, Vol. 9, pp. 489-494
Rackwitz, R. 1998. Computational techniques in stationary and non-stationary load combination. Journal of
Structural Engineering, ASCE, Vol. 25, n.1, pp. 1-20
Rackwitz, R. 2000. Reliability analysis past, present and future. in Proceedings of 8th ASCE Speciality
Conference on Probabilistic Mechanics and Structural Reliability.
Rackwitz, R. 2001. Reliability analysis-a review and some perspectives. Structural Safety, Vol. 23, pp. 365-
395
Rajashekhar, M. R. and B. R. Ellingwood. 1993. A New Look at the Response Surface Approach for
Reliability Analysis. Structural Safety, Vol. 12, No. 3, pp. 205-220
274
Referncias Bibliogrficas
Rajpal, P. S.; K. S. Shishodia and G. S. Sekhon. 2006. An artificial neural network for modelling reliability,
availability and maintainability of a repairable system. Reliability Engineering and System Safety,
Vol. 91, pp. 809819
Ranganathan, R. 1999. Structural reliability analysis and design. Jaico Publishing House, Mumbai
Rao, V. B. and H. V. Rao. 1995. C++ Neural networks and fuzzy logic. 2 edio, MIS:Press, New York
Reddy, J. N. 1993. An Introduction to the Finite Element Method. 2 edio, MacGraw-Hill, Singapore
Reh, S.; J.-D. Beley, S. Mukherjee and E. H. Khor. 2006. Probabilistic finite element analysis using ANSYS.
ELSEVIER - Structural Safety, Vol. 28: 17-43
Ricotti, M. E. and E. Zio. 1999. Neural network approach to sensitivity and uncertainty analysis. Reliability
Engineering and System Safety. Vol. 64, pp. 5971
Righetti, G. e K. Harrop-Williams. 1988. Finite element analysis of random soil media. Journal of
Geotechnical Engineering, Vol. 114, n.1, pp. 59-75
Rohatgi, V. K. and A. K. Md. E. Saleh. 2001. An Introduction to Probability and Statistics. 2 edio. John
Wiley & Sons, New York
Romero, V. J., L. P. Swiler and A. A. Giunta. 2004. Construction of response surfaces based on progressive
lattice sampling experimental designs with application to uncertainty propagation. Structural Safety,
Vol. 26, No. 2, pp. 201-219
Rosenblatt, M. 1952. Remarks on a Multivariate Transformation. The Annals of Mathematical Statistics, Vol.
23, n. 3, pp. 470-472
RSA, 1984. Regulamento de segurana e aces para estruturas de edifcios e pontes. Decreto-Lei n. 349-
C/83, Casa da Moeda
Rubinstein, R. Y. 1981. Simulation and the Monte Carlo Method. John Wiley & Sons, New York
Rumelhart, D. E.; G. E. Hinton and R. J. Williams. 1986a. Learning internal representations by error
propagation. in D. E. Rumelhart, J. L. McClelland and the PDP research group, Editors, Parallel
Distributed Processing, Vol 1: Foundations, MIT Press, Cambridge, Massachusetts, pp. 318362
275
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Rumelhart, D. E.; R. Durbin, R. Golden and Y. Chauvin. 1995. Backpropagation: the basic theory. in Y.
Chauvin and D. E. Rumelhart, Editors, Backpropagation: Theory, Architectures, and Applications,
Hillsdale, NJ: Lawrence Erlbaum, pp. 134
S
Santosh, T. V.; Gopika Vinod, R. K. Saraf, A. K. Ghosh and H. S. Kushwaha. 2007. Application of artificial
neural networks to nuclear power plant transient diagnosis. Reliability Engineering and System
Safety, Vol. 92, pp. 1468-1472
Sasaki, T. 2001. A neural network-based response surface approach for computing failure probabilities. in:
R. B. Corotis, G. I. Schueller and M. Shinozuka (editors), 8th International Conference on
Structural Safety and Reliability (ICOSSAR2001), USASchenk, C. A. e G. I. Schueller. 2005.
Uncertainty Assessment of Large Finite Element Systems. Springer, Berlin Heidelberg New York
Schevenels, M.; G. Lombaert and G. Degrande. 2004. Application of the stochastic finite element method for
Gaussian and non-Gaussian systems. in Proceedings of ISMA, pp. 3299-3313
Schueller, G. I. and R. Stix. 1987. A critical appraisal of methods to determine failure probabilities.
Structural Safety, n. 4: 239-309
Schueller, G. I. 1998. Structural reliabilityrecent advances. in: Proceedings of 7th ICOSSAR97, Kyoto,
Balkema, Rotterdam, pp. 333
Schueller, G. I. 2001. Computational stochastic mechanics - recent advances. Comput. Struct., Vol. 79, n.
22-25, pp. 2225-2234
Schueremans, L. and D. Van Gemert. 2003. System reliability methods using advanced sampling techniques.
in T. Bedford and P. Van Gelder editors. Safety and Reliability, Proceedings of the Esrel 2003
Conference, Maastricht, The Netherlands, pp. 1425-1432
Schueremans, L. and D. Van Gemert. 2005. Benefit of splines and neural networks in simulation based
structural reliability analysis. Structural Safety, Vol. 27, pp. 246261
Segal, I. E. 1938. Fiducial distribution of several parameters with applications to a normal system. Proc.
Cambridge Philosophical Society, Vol. 34, pp. 41-47
Shao, S. and Y. Murotso. 1997. Structural reliability analysis using neural networks. Japanese Society in
Mechanical Engineering (JSME) International Journal, Series A, Vol. 40, No. 3, pp. 242-246
Shinozuka, M. 1983. Basic analysis of structural safety. Journal of Structural Engineering, ASCE, Vol. 109,
n.3, pp. 721-740
276
Referncias Bibliogrficas
Shinozuka, M. and G. Dasgupta. 1986. Stochastic finite element methods in dynamics. in Proceedings, 3rd
ASCE EMD Specialty Conference on Dynamic Response of Structures, University of California at
Los Angeles, Los Angeles, CA, pp. 44-54
Shinozuka, M. and G. Deodatis. 1988. Response Variability of Stochastic Finite Element Systems. Journal
of Structural Engineering, ASCE, Vol. 114, No. 3, pp. 499-519
Shinozuka, M. and G. Deodatis. 1991. Simulation of stochastic processes by spectral representation. Applied
Mechanics Reviews, Vol. 44, pp. 191-203
Shinozuka, M. and G. Deodatis. 1996. Simulation of multidimensional Gaussian stochastic fields by spectral
representation. Applied Mechanics Reviews, Vol. 49, pp. 29-53
Sobczyk, K.; S. Wedrychowicz and B. F. Spencer. 1996. Dynamics of structural systems with spatial
randomness. International Journal of Solids and Structures, Vol. 33, No. 11, pp. 1651-1669
Spanos, P. D. and R. G. Ghanem. 1989. Stochastic finite element expansion for random media. ASCE,
Journal of Engineering Mechanics, Vol. 115, No. 5, pp. 10351053
Spanos, P. D. and B. A. Zeldin. 1998. Monte Carlo treatment of random fields: A broad perspective. Applied
Mechanics Reviews, Vol. 51, n. 3, pp. 219-237
Sudret, B. and A. Der Kiureghian. 2000. Stochastic Finite Element Methods and Reliability: A State-of-the-
Art Report. Report No. UCB/SEMM-2000/08. Department of Civil & Environmental Engineering,
Division of Structural Engineering, Mechanics and Materials, University of California, Berkeley
Sudret, B. and A. Der Kiureghian. 2002. Comparison of finite element reliability methods. Probabilistic
Engineering Mechanics, Vol. 17, pp. 337-348
T
Teigen, J. G.; D. M. Frangopol; S. Sture e C. A. Felippa. 1991a. Probabilistic FEM for nonlinear concrete
structures. I: Theory. J. Struct. Engrg., ASCE, Vol. 117, n. 9: 2674-2689
Teigen, J. G.; D. M. Frangopol; S. Sture e C. A. Felippa. 1991b. Probabilistic FEM for nonlinear concrete
structures. II: Applications. J. Struct. Engrg., ASCE, Vol. 117, n.9: 2690-2707
277
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Thoft-Christensen, P. and Murotsu, Y. 1986. Application of structural systems reliability theory. Springer-
Verlag, Berlin
Tivive, F. H. C. and A. Bouzerdoum. 2005. Efficient training algorithms for a class of shunting inhibitory
convolutional neural networks. IEEE Transactions on Neural Networks, Vol. 16, No. 3, pp. 541-556
Tsai, Chung-Huei and Deh-Shiu Hsu. 2002. Diagnosis of Reinforced Concrete Structural Damage Base on
Displacement Time History using the Back-Propagation Neural Network Technique. Journal of
Computing in Civil Engineering, Vol. 16, No. 1, pp. 49-58
Tvedt, L. 1984. Two Second-Order Approximations to the Failure Probability. A/S Veritas Research Report,
Hovik, Norway
Tvedt, L. 1985. On the Probability Content of a Parabolic Failure Set in a Space of Independent Standard
Normally Distributed Random Variables. A/S Veritas Research Report, Hovik, Norway
Tvedt, L. 1988. Second-Order Probability by an Exact Integral. A/S Veritas Research Report, Hovik,
Norway
Tvedt, L. 1990. Distribution of quadratic forms in normal space: application to structural reliability. Journal
of Engineering Mechanics, ASCE, Vol. 116, No. 6, pp. 1183-1197
V
Vanmarcke, E. H. 1977. Probabilistic modelling of soil profiles. Journal of Geotechnical Engineering, Vol.
103, n. 11, pp. 1227-1246
Vanmarcke, E. H. 1983. Random Fields: Analysis and Synthesis, The MIT Press Cambridge, Massachusetts
Vanmarcke, E. H. and M. Grigoriu. 1983. Stochastic finite element analysis of simple beams. Journal of
Engineering Mechanics, ASCE, Vol. 109, No. 5, pp. 1203-1214
Vanmarcke, E. H., M. Shinozuka, S. Nakagiri, G. I. Schueller e M. Grigoriu. 1986. Random fields and
stochastic finite elements. Structural Safety, Vol. 3, n. 3, pp. 143-166
Vanmarcke, E. H. 1988. Random Fields: Analysis and Synthesis, The MIT Press, London, England
Veiga, Jos M. G. C.; A. A. R. Henriques e J. M. Delgado. 2006. An efficient evaluation of structural safety
applying perturbation techniques. III European Conference on Computational Mechanics, Lisboa,
Springer, 126
Veneziano, D. 1974. Contributions to second moment reliability theory. Res. Rep. R74-33, Department of
Civil Engineering, MIT, Massachusetts
278
Referncias Bibliogrficas
Veneziano, D. 1979. New index of reliability. Journal of the Engineering Mechanics Division, ASCE, Vol.
105, EM2, pp. 277-296
Vogt, M. 1993. Combination of radial basis function neural networks with optimized vector quantization.
Proceedings of IEEE International Conference on Neural Networks, Vol. 3, pp. 1841-1846
W
Wall, F. J. and G. Deodatis. 1994. Variability response functions of stochastic plane stress/strain problems.
Journal of Engineering Mechanics, ASCE, Vol. 120, No. 9, pp. 1963-1982
Warnes, R. M.; J. Glassey; A. G. Montague and B. Kara. 1998. Application of radial basis function and
feedforward artificial neural networks to the Escherichia coli fermentation process.
Neurocomputing, Vol. 20, pp. 67-82
Watrous, R. L. 1987. Learning algorithms for connectionist networks: Applied gradient methods of nonlinear
optimization. in First IEEE International Conference on Neural Networks, San Diego, Vol. 2, pp.
619-627
Wei, D. and S. Rahman. 2007. Structural reliability analysis by univariate decomposition and numerical
integration. Probabilistic Engineering Mechanics, Vol. 22, pp. 27-38
Weisstein, Eric W. 2006. Cholesky Decomposition. From MathWorld-A Wolfram Web Resource, disponvel
em http://mathworld.wolfram.com/CholeskyDecomposition.html
Weisstein, Eric W. 2006. Extreme Value Distribution. From MathWorld-A Wolfram Web Resource,
disponvel em http://mathworld.wolfram.com/ExtremeValueDistribution.html
Wen, Y. K. 1990. Structural load modeling and combination for performance and safety evaluation.
Elsevier, Amsterdam
Werbos, P. J. 1994. The Roots of Backpropagation. John Wiley and Sons, Inc., New Yok
Widrow, B. 1987. The original adaptive neural net broom-balancer. in Proceedings of the IEEE
International Symposium on Circuits and Systems. Philadelphia, PA, pp. 351-357
Widrow, B. 1987a. Adaline and Madaline: plenary speech. in Proceedings of 1st IEEE International
Conference of Neural Networks, San Diego, The IEEE Inc., Piscataway, NJ, pp. 143-158
Widrow, B. and M. A. Lehr. 1990. Thirty years of adaptive neural networks: Perceptron, Madaline and
backpropagation. Proc. IEEE, Vol. 78, pp. 1415-1442
Wong, F. S. 1985. Slope reliability and response surface method. Journal of Geotechnical Engineering,
ASCE, Vol. 111, No. 1, pp. 32-53
279
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
Wu, Y.-T. and P. H. Wirsching. 1987. New algorithm for structural reliability estimation. Journal of
Engineering Mechanics, ASCE, Vol. 113, No. 9, pp. 1319-1336
X
Xiu, D. and G. Karniadakis. 2002. The WienerAskey polynomial chaos for stochastic differential equations.
SIAM. Journal of Sci. Comput., Vol. 24, No. 2, pp. 619644
Xu, L.; A. Krzyzak and E. Oja. 1993. Rival penalized competitive learning for clustering analysis, rbf net,
and curve detection. IEEE Transactions on Neural Networks, Vol. 4, No. 4, pp. 636-649
Y
Yamazaki, F. and M. Shinozuka. 1988. Digital generation of non-Gaussian stochastic fields. Journal of
Engineering Mechanics, ASCE, Vol. 114, No. 7, pp. 1183-1197
Yamazaki, F., M. Shinozuka and G. Dasgupta. 1988. Neumann Expansion for Stochastic Finite Element
Analysis. Journal of Engineering Mechanics, ASCE, Vol. 114, No. 8, pp. 1335-1354
Yao, James T. P. 1985. Safety and Reliability of Existing Structures. Pitman Publishing Limited, London
Yao, T. H.-J. and Y.-K. Wen. 1996. Response Surface Method for Time-Variant Reliability Analysis.
Journal of Structural Engineering, ASCE, Vol. 122, pp. 193-201
Yu, X., K. K. Choi e K.-H. Chang. 1997. A mixed design approach for probabilistic structural durability.
Structural Optimization, Vol. 14, pp. 81-90
Z
Zeldin, B. A. and P. D. Spanos. 1998. On random field discretization in stochastic finite elements. Journal of
Applied Mechanics, ASME, Vol. 65, No. 2, pp. 320327
Zhang, J. e B. Ellingwood. 1996. SFEM for reliability of structures with material nonlinearities. Journal of
Structural Engineering, ASCE, Vol. 122, n.6: 701-704
Zhao, Y. G., T. Ono and H. Idota. 1999. Response uncertainty and time-variant reliability analysis for
hysteretic mdof structures. Earthquake Engineering and Structural Dynamics, Vol. 28, pp. 1187-
1213
Zhao, Y.-G. and T. Ono. 1999a. A general procedure for first/second-order reliability method
(FORM/SORM). Structural Safety, Vol. 21, No. 2, pp. 95-112
Zhao, Y.-G. and T. Ono. 1999b. New approximations for SORM: Part I. Journal of Engineering Mechanics,
ASCE, Vol. 125, No. 1, pp. 79-85
Zhao, Y.-G. and T. Ono. 1999c. New approximations for SORM: Part II. Journal of Engineering Mechanics,
ASCE, Vol. 125, No. 1, pp. 86-93
280
Referncias Bibliogrficas
Zhao, G. 1996. Reliability theory and its applications for engineering structures. Dalian: Dalian University of
Technology Press
Zheng, Y. and P. K. Das. 2000. Improved response surface method and its application to stiffened plate
reliability analysis, Engrg. Struct., Vol. 22, No. 5, pp. 544551
Zhu, W. Q.; Y. J. Ren and W. Q. Wu. 1992. Stochastic FEM based on local averages of random vector
fields. Journal of Engineering Mechanics, Vol. 118, No. 3, pp. 496-511
281