Integration von Zuverlässigkeits- und Sensitivitätsanalyse mit Datenassimilation für verbesserte Entscheidungsunterstützung
Ein effektives Management von Tragwerken und Ingenieurssystemen ist auf adäquate Vorhersagen des Systemverhaltens angewiesen. Für die meisten Anwendungen stehen Modelle zur Verfügung, welche das physikalische Verhalten beschreiben. Allerdings sind die Parameter dieser Modelle in der Regel Unsicherheiten und Streuungen unterworfen. Dies ist von besonderer Bedeutung wenn es um die Zuverlässigkeit der Systeme geht, da (seltene) Versagensereignisse von diesen Unsicherheiten besonders betroffen sind. Da die Unsicherheiten unterschiedliche Hintergründe haben, ist es oft nicht ausreichend, die Zuverlässigkeit durch eine einzige Zahl auszudrücken. Dies gilt im Besonderen, wenn die zugrundeliegenden Berechnungen auf vagen Informationen beruhen. Es ist daher wünschenswert, den Einfluss von unterschiedlichen Unsicherheiten auf die Modellvorhersagen getrennt darzustellen. Eine solche polymorphe Unsicherheitsmodellierung bedingt eine recheneffiziente Zuverlässigkeitsanalyse, welche in diesem Projekt adressiert wird.
Zuverlässigkeitsanalyse und UQ für die Entscheidungsunterstützung unter Berücksichtigung polymorpher Unsicherheiten
Das Ziel dieses Projektes ist es, eine integrale Methodik zur adaptiven Bestimmung von Zuverlässigkeiten und ihrer Sensitivitäten unter sich verändernden Informationsgrundlagen. Diese Arbeit basiert auf einer kürzlich entwickelten Methodik für Zuverlässigkeitsanalyse mittels Sequential Importance Sampling, in Kombination mit einem neuen Ansatz für Bayes’sches Updating von Zuverlässigkeit. Letzteres ist von Bedeutung für viele Ingenieursanwendungen, bei denen Datenassimilation (etwa durch Monitoring oder Bauwerksinspektion) Unsicherheiten reduzieren und die Zuverlässigkeit erhöhen kann. Die Methodik soll kombiniert werden mit niedrig-dimensionalen Repräsentationen von Unsicherheiten und adaptiven Ersatzmodellen, um die Effizienz der Verfahren zu erhöhen.
Die Methodik ermöglicht die Untersuchung der effektiven Darstellung von Zuverlässigkeiten und Sensitivitäten für die Entscheidungsunterstützung von Ingenieuren, im Hinblick auf polymorphe Unsicherheitsmodellierung.
M. Sc. Max Ehre
M. Sc. Max Ehre
Technische Universität München (TUM)
Engineering Risk Analysis Group
- Sebastian Geyer, Iason Papaioannou, Daniel Straub (2019). Cross entropy-based importance sampling using Gaussian densities revisited. Structural Safety, 76, 15-27
- Max Ehre, Iason Papaioannou, Daniel Straub (2018). Efficient estimation of variance-based reliability sensitivities in the presence of multi-uncertainty. Proc. 19th working conference of the IFIP Working Group 7.5 on Reliability and Optimization of Structural Systems (IFIP 2018). Zürich, Switzerland.
- Iason Papaioannou, Max Ehre, Daniel Straub (2018). Efficient PCE representation for reliability analysis in high dimensions. Proc. 19th working conference of the IFIP Working Group 7.5 on Reliability and Optimization of Structural Systems (IFIP 2018). Zürich, Switzerland.
- Max Ehre, Iason Papaioannou, Daniel Straub (2018). Efficient Conditional Reliability Updating with Sequential Importance Sampling. Proceedings in Applied Mathematics and Mechanics - 89th GAMM Annual Meeting - 2018.