Escolar Documentos
Profissional Documentos
Cultura Documentos
Estimativas Dos Momentos Estatísticos Do Problema Estocástico de Difusão-Reação PDF
Estimativas Dos Momentos Estatísticos Do Problema Estocástico de Difusão-Reação PDF
Resumo: Este artigo apresenta cotas inferior e superior para as estimativas dos momentos estatsticos de
primeira e segunda ordem, do processo estocstico de deslocamento axial de uma haste sujeita a um
carregamento. A incerteza est presente nos coeficientes de rigidez da haste. A modelagem da incerteza
feita atravs de processos estocsticos parametrizados. A simulao de Monte Carlo utilizada para
gerar o conjunto de realizaes e determinao das estimativas dos momentos estatsticos. A partir disso,
as propriedades da srie de Neumann so utilizadas para obter as cotas inferiores e superiores para as
funes amostrais do processo estocsticos de deslocamento axial da haste. A metodologia proposta
mostrou-se eficiente, em relao a simulao de Monte Carlo, e teve seu desempenho avaliado ao ser
aplicada em dois problemas, cujos resultados so apresentados nesse trabalho.
Palavras-Chaves: Srie de Neumann, simulao de Monte Carlo, cotas inferior e superior para
realizaes, modelo de difuso-reao, estimativas dos momentos estatsticos.
1.
Introduo
Nas ultimas dcadas, a quantificao da incerteza, tem sido amplamente
2.
( , F , P ) ,
sendo " " o espao amostral de eventos, " F " a -lgebra de eventos e " P " a medida
de probabilidade. Desta forma, o problema estocstico de deslocamento em uma haste
considerando rigidez linear definido por,
Find u L2 ( ( , F , P ) ; H 2 ( 0, l ) H 01 ( 0, l ) ) , such as,
d
du
dx EA dx + u = q, ( x, ) ( 0, l ) ( , F , P ) , a. e.;
u ( 0, ) = u ( l , ) = 0, , a. e.;
(1)
a,a + , P
H1 :
+
b, b , P
(( x, ) ( 0, l ) : EA ( x, ) a,a ) = 1;
(( x, ) (0, l ) : ( x, ) b, b ) = 1;
(2)
H2 : q L2 ( , F , P; L2 ( 0, l ) ) .
The hypothesis H1 ensures that the beam and foundation stiffness coefficients are
positive-defined and uniformly limited in probability, Babuska et al. (2005). The
hypothesis H2 ensures that the stochastic load process has a finite variance. These
hypotheses are necessary for the application of the Lax-Milgram lemma, which is used
in the sequence to demonstrate the existence and uniqueness of the solution.
define-se = 1 N = i . Seja
i=1
{EA ( x, ) , ( x, )} ,
i
a i-sima amostra
estrutural dos coeficientes de rigidez, ento do lema de Doob-Dynkin, Rao (2010), temse que a i-sima realizao do processo estocstico de deslocamento depender de
{i , i } , ( u = u ( x, i , i ) ) .
a ( u, v ) ( i ,i ) = f ( v ) , v V ;
u V tal que,
(3)
dv + x, uv dx ,
a ( u, v ) ( i , i ) = EA ( x, i ) du
( i)
dx dx
0
(4)
e f : V um funcional linear,
f ( v ) = ( qv )( x )dx .
(5)
A partir das definies apresentadas nas Eqs. (4) e (5), para i-sima amostra estrutural
dos coeficientes de rigidez da viga e fundao, assegura-se, atravs do resultado que
segue, a existncia e unicidade de solues dos problemas definidos nas Eqs. (1) e (3).
Proof: Observa-se que e da hiptese (H1), tem-se que { EA ( x, i ) , ( x, i )} a isima amostra estrutural, fixada, limitada em probabilidade. The proof of existence
and uniqueness uses the Lax-Milgram lemma, (Brenner & Scott (1994) e Babuska et al.
(2005)). It is necessary to show that the bi-linear form, Eq. (4), of the problem defined
in Eq. (3), is continuous (a) and coercive (b). Da desigualdade de Cauchy-Schwarz,
Yoshida (1978), vale a seguinte estimativa:
a.
continuity
1
l 2 2 l 2 2
l du 2 2 l dv 2 2
a ( u, v ) c u dx v dx + b ( dx ) dx ( dx ) dx C u
0
0
0
0
vV,
{ })
where C = 2. max b, c ;
b.
coercivity
2
a ( u, u ) c u 2 dx + b ( du
dx ) dx c u V ,
where c = min{b, c} . Da definio do funcional linear, Eq. (5), conclui-se pelo lema de
Lax-Milgram, que o PVA, Eq. (3), possui nica soluo em V.
Em vista disso, e teoremas de regularidade, , tem-se que a funo amostral do processo
estocstico de deslocamento, soluo fraca do PVA, possui soluo forte em
3.
Mtodo de Galerkin
O mtodo de Galerkin utilizado para obter solues numricas aproximadas,
(Vm V ) .
( x, ) = ( x ) + i ( x ) i ( ) = ( x ) + ( x ) ( ) ,
(6)
i =1
function
with
terms
i C0 ( 0, l ) C
( 0, l ) , i {1,, M}
E [ i ] = 0, i {1,, M} ,
.
=
1,
1,
,
M
,
(
)
{
}
(
)
i
i
(7)
where E [] is the expected value operator. In Eq. (7), i is the image of random
variable i , that is, i = i ( ) , with i = [ ai , bi ] , i = bi ai < , i {1,, N} ,
limited. In this form, the image of random vector : , with N , and in terms
M
u ( x, ) = u ( x, ( ) ) = u ( x, 1 ( ) ,, M ( ) ) .
(8)
um ( x, k ) = ui ( k ) i ( x ) =( U ( k ) ) ( x ) ,
(9)
i =1
a um k , j = f ( j ) , j Vm .
(10)
( ( ) )
K ( k ) U = F
U = H ( k ) F ,
(11)
H ( k ) = hij ( k )
m m
dada por,
ui ( k ) = hij ( k ) f j .
(12)
j =1
Das Eqs. (9) e (12), a aproximao numrica da funo amostral do processo estocstico
de deslocamento transversal,
um = um ( x, k ) , dada por,
um ( x, k ) = ( hij ( k ) f j )i ( x ) = F ( H ( k ) ( x ) ) .
(13)
i =1 j =1
4.
Srie de Neumann
A verso da srie de Neumann que ser utilizada nesse trabalho, para operadores
K ( k , k ) = K 0 + K ( k , k )
K ( k ) = K 0 ( I + P ( k , k ) ) ,
(14)
U ( k , k ) = ( I + P ( k , k ) ) U0 ,
(15)
existe e pode ser representada atravs da seguinte srie, Golub & Van Loan (2012),
( I + P ( , ))
k
= ( P ( k , k ) ) ,
i
(16)
i =1
(I + P ( , ))
k
1
.
1 P ( k , k )
(17)
10
( K ( , ))
k
= K 0 ( I + P ( k , k ))
= ( P ( k , k ) ) ( K 0 ) .
i
(18)
i =1
um ( x, k , k ) = pij( q ) ( k , k ) u 0j i ( x ) = ( U 0 )
i =1 j =1 q =1
( P ( , ) ) ( x ) ,(19)
q
q =1
sendo que,
( P ( , ))
k
= pij( q ) ( k , k )
mm
(20)
importante observar, que para se obter a soluo numrica aproximada, via srie
de Neumann, para a k-sima realizao do processo estocstico de deslocamento,
necessrio o truncamento da srie expressa na Eq. (19). A partir disso, truncando-se a
srie expressa na Eq. (19) no n-simo termo, se obtm a soluo numrica aproximada
via srie de Neumann,
= (F (k ))
(21)
( P ( )) ( x ) .
q
q =1
A partir disso, e do resultado relacionado a uma cota superior para a soma da srie de
Neumann, Eqs. (16) e (17), sero obtidas as cotas inferior e superior, para as
aproximaes numricas,
deslocamento.
(u
mn
5.
11
{EA ( x, ) , ( x, )}
i
i =1
forem tais
que 0 < P ( i ) < 1, i {1, ..., N } , pode-se representar as aproximaes numricas das
realizaes do processo estocstico de deslocamento, em termos da srie de Neumann.
Fazendo-se o truncamento, no n-simo termo da srie expressa na Eq. (19), a k-sima
realizao do processo estocstico de deslocamento transversal dada por,
umn ( x, k , k ) = pij( q ) ( k , k ) u 0j i ( x )
i =1 j =1 q =1
= (U0 )
(22)
( P ( , )) ( x ) .
q
q =1
um ( x, k , k ) umn ( x, k , k )
P ( , )
k
U0 ( x ) .
(23)
q =n +1
Baseando-se nas propriedades da srie de Neumann Eqs. (16) e (17), pode-se calcular o
termo
P ( , )
k
q = n +1
P ( , )
k
q = n +1
P ( k , k )
n +1
1 P ( k , k )
(24)
um ( x, k , k ) umn ( x, k , k ) C ( n, k , k ) U 0 ( x ) ,
12
(25)
sendo
C ( n, k , k ) =
P (k , k )
n +1
1 P (k , k )
(26)
) (
x, k , k u m x, k , k x, k , k ,
(27)
(
(
)
)
(
(
)
)
x, , = umn x, , + ( n, k , k ) U 0 ( x ) ,
k
k
k
k
(28)
x, k , k = umn x, k , k + ( n, k , k ) U 0 ( x ) , ( x, k ) ( 0, l ) ;
n +1
m . P (k , k ) 1
1 ( m , n , k , k ) =
,
1 m . P (k , k ) 1
n +1
P (k , k )
,
2 ( n, k , k ) =
1 P (k , k )
n +1
m . P (k , k )
,
3 ( m, n, k , k ) =
1 m . P (k , k )
n +1
P (k , k ) F
,
4 ( n, k , k ) =
1 P (k , k ) F
n +1
m. max pij ( k , k )
i,j
( m, n, , ) =
,
k
k
5
1 m. max pij ( k , k )
i,j
13
(29)
sendo que
m
P ( k , k ) = max pij ( k , k ) ;
1
1 j m
i =1
,
=
P
max
pij ( k , k ) ;
(
)
k
k
1i m
j =1
m m
2
P ( k , k ) = pij ( k , k ) .
F
i =1 j =1
(30)
Desta forma, as cotas inferior e superior sero obtidas com a utilizao das Eqs. (28) (30),
i x, , = umn x, ,
k
k
k
k
+ i ( n, k , k ) U 0 ( x ) , i = 1, ...,5 ;
i x, k , k = umn x, k , k
+ i ( n, k , k ) U0 ( x ) , ( x, k ) [ 0, l ] , i = 1, ...,5 .
(31)
As definies apresentadas nas Eqs. (29) e (30), para a determinao das cotas inferior e
superior, propiciam uma reduo no custo computacional. Sero resolvidos problemas
numricos para avaliar a proposta apresentada.
6.
14
{u ( x, , )}
m
N
j =1
[ ]
, x 0, l , do processo
1 N
x
=
(
)
um x, j , j , x [0, l ];
um
N i =1
1 N
2
( 2)
x
,
y
=
um x, j , j um y, j , j , ( x, y ) [ 0, l ] .
(
)
um
N 1 j =1
) (
(32)
i ( x ) um ( x ) i ( x ) , x [ 0, l ] , i = 1, ...,5 ;
( 2)
2
( 2)
( 2)
i ( x, y ) um ( x, y ) i ( x, y ) , ( x, y ) [ 0, l ] , i = 1, ...,5 .
(33)
15
(ki)
(100% ) . 1 u( k ) ( x ) , x 0, l ;
( k ) ( x ) =
i
0,
x 0, l , i = 1, ...,4 ;
( )
{ }
(34)
k
( i)
(100% ) . 1 u( k ) ( x ) , x 0, l ;
m
( k ) ( x ) =
i
0,
x 0, l , i = 1, ...,4.
( )
{ }
{ }
j
N
j =1
amostras
de
vetores
de
variveis
randmicas,
j =1
x=
l
2
( 2l , ) , gerada ao se fixar
16
nos
valores,
( 23 , )
apresentam a tendncia, de
um ( 23 ) = 0.0030975991227595 m
u2m ( 23 ) = 4.31921312679748 108 m 2 , respectivamente.
7.
17
Resultados Numricos
Nesta seo a metodologia proposta aplicada a dois problemas, a uma haste com
50
m e h=
50
(l = 1 m) ,
a seo transversal
1
50
q ( x)
1
50
[m]
EA ( x ) = 20 MPa.m 2
( x ) = 20 MPa
EA ( x ) = 101 , x [ 0, l] ;
( x ) = 101 , x [ 0, l] .
(35)
18
Monte Carlo Direto utilizado para obter o conjunto das realizaes, das solues
numricas aproximadas para o processo estocstico de deslocamento axial. A partir do
conjunto das realizaes, so obtidas as estimativas para valor esperado e correlao,
Eqs. () e (), respectivamente. Os valores numricos para valor esperado e correlao
obtidos via simulao de Monte Carlo Direta, so tomados como referncia para avaliar
a metodologia proposta. As cotas inferior e superior, para cada realizao, so obtidas
com uma solues numricas aproximadas via srie de Neumann com ordens " n = 0 " e
" n = 1 ", Eq. (21), e com as definies propostas nas Eqs. (29) e (31). A partir do
conjunto das realizaes para as cotas inferior e superior so estimados o valor esperado
e correlao, Eqs. (32) e (33). Com as estimativas para valor esperado e correlao para
o processo estocstico de deslocamento e das cotas inferior e superior, avalia-se o
desvio relativo, Eq. (34), e compara-se tempo de computao exigido. So utilizados
grficos para se observar o comportamento das cotas para valor esperado e correlao,
obtidas com a aproximao numrica, Eq. (21), com n=1. Complementarmente, para o
estabelecimento de comparaes, so tabulados das funes erro em valor esperado e
correlao das cotas obtidas com aproximaes numricas com n=0 e n=1.
a)
EA ( x, ( ) ) = EA + ( 23 . EA ) 2.k 1 ( ) cos
k =1
( k4x ) +
2.k
( ) sin ( k4x ) ,
(35)
19
obtida com o coeficiente " " que calculado, com a equivalncia da norma de
Frobenius,
Figura 3: a) Grficos das estimativas para valor esperado, um , i e , i = 3, 4 ;
i
e , i = 3, 4 .
i
20
( 23 ) = 0.060082254006076
para o exemplo 1,
( 23 ) = 0.00702145625090929
. Pode-se
21
2 2
2
Figura 4: a) Grficos das estimativas para correlao, u( m) , ( ) e ( )i = 3, 4 ;
i
(2) , (2) , i = 3, 4 .
i
22
valor esperado e correlao calculadas a partir do conjunto das realizaes das cotas
inferior e superior em relao as estimativas dos mesmos momentos estatsticos,
calculadas a partir do conjunto das realizaes das aproximaes numricas do processo
estocstico de deslocamento.
Tabela 1: Avaliaes numricas das funes desvio relativo em valor esperado e
correlao, em x = 23 m , para n=0 e n=1.
i
(n=0)
( 23 ) [% ]
20.0956061561214
(2) ( 23 ) [%]
( 2) ( 23 ) [% ]
19.3236175106023
35.1764346892333
43.0654287180933
8.61229013089511
7.84030148537598
16.6023598709104
16.0538242493126
17.8711289455031
17.0991402999832
31.8659492578897
37.5453372949846
12.170938351111
11.3989497055909
22.5960989232118
24.1869624949976
24.1738868772815
23.4018982317626
39.5717406704905
54.8598014489074
i
(n=1)
( 23 ) [% ]
(2) ( 23 ) [%]
( 2) ( 23 ) [% ]
4.42308802116401
3.63497429876076
8.47915276885897
7.50748781845525
1.18675203868329
0.398638316279554
2.35430501010019
0.7914992100172
3.63577285775532
2.8476591353521
7.02235209901952
5.83958409768135
2.04510558190445
1.25699185950121
4.0070032341121
2.54709801797477
6.49294150007064
5.70482777766681
11.8697845644908
12.3433141666401
( 23 ) [%]
( 23 ) [%]
b)
: [ 0,1] b, b ,
sendo
modelada
atravs
de
um
processo
estocstico
( x, ( ) ) = +
3
2
2.k 1
2.k
23
(36)
24
Figura 5: a) Grficos das estimativas para valor esperado, um , i e , i = 3, 4 ;
i
25
2 2 2
Figura 6: a) Grficos das estimativas para correlao, u( m) , ( ) , ( )i = 3, 4 ;
i
(2) , (2) , i = 3, 4 .
i
26
(I + P)
( 23 ) [% ]
0.99347730595809
(2) ( 23 ) [%]
( 2) ( 23 ) [% ]
0.986994190946033
1.97581932955457
1.98488300460022
0.561992616901985
0.555509501889384
1.12235546332121
1.11251297949093
1.1469316184861
1.14044850347372
2.27900989536222
2.29547239448988
0.582424287323269
0.575941172311012
1.16287900081569
1.15371115811809
1.63476681521783
1.62828370020502
3.23294408314287
3.29276043373661
i
(n=1)
( 23 ) [% ]
(2) ( 23 ) [%]
( 2) ( 23 ) [% ]
0.0176626552439774
0.0113692253334241
0.03532029252115
0.022743605435127
0.0077875115237713
0.0014940816137620
0.01557453448717
0.002988666325620
0.0215961385162
0.0153027086069013
0.04318461222319
0.030612394578089
0.0081408387380244
0.0018474088278264
0.01628110933248
0.003695412683857
0.0436595557790853
0.0373661258683988
0.08727704375430
0.074775452000452
( 23 ) [%]
( 23 ) [%]
Outro aspecto a ser salientado, que nesse exemplo as funes desvio em valor
esperado e correlao, quando calculadas com a definio do coeficiente " " dadas
27
pelas Eqs. (28b) e (28d) apresentam valores mais prximos. A propagao da incerteza
menor, pois a parte do operador associada ao coeficiente de rigidez, apresenta pouca
influncia sobre o processo estocstico de deslocamento axial. Conseqentemente, isso
se transmite para o problema aproximado, Eq. (15), fazendo com que a norma da matriz
"P",
(T1 e T2 ) .
(T3 e T4 ) .
Apesar disso, ao
(n=0)
(n=1)
(n=0)
(n=1)
288.3054
284.0778
291.6750
303.8587
0
63,17898
0
60,77174
1987.203
2647.960
2780.281
2910.432
2603.017
1263.717
1713.171
1745.042
100.7298
157.7014
185.5787
135.9765
175.50112
62.821602
57.455168
61.32246
778.7257
226.4354
376.0248
808.2099
Nos exemplos apresentados, a proposio de cotas inferior e superior apresentouse como uma estratgia eficiente para obter estimativas para o valor esperado e
correlao do processo estocstico de deslocamentos. Nas definies das cotas foram
examinadas as diferentes propostas para o coeficiente " " , Eq. (28). A definio que
28
8.
Concluses
Neste trabalho apresenta-se uma aplicao indita, da srie de Neumann, sobre o
baseiam-se
na
equivalncia
entre
normas
de
matrizes,
29
correlao,
apresentaram
os
menores
valores
numricos.
Esse
correlao,
com
( 23 )=3.29276043373661 %
n=0,
foram
( 23 )=1.63476681521783 %
5
( 23 )=0.582424287323269 %
4
( 2)
( 23 )=1.15371115811809 % .
Para
este
valor esperado e correlao. Por outro lado, a proposta obtida com a norma 2,
apresentou-se menos "eficiente", por exigir maior tempo de computao. A proposta
baseada na norma de Frobenius apresentou, para todos os exemplos, o menor tempo de
computao. Em vista disso, essa proposta foi a mais eficiente, pois apresentou baixos
valores numricos para as funes desvio relativo em valor esperado e correlao, e o
menor tempo de computao. Desta forma, a utilizao da estratgia proposta atravs do
uso da srie de Neumann, com ordem baixa (n=0 ou n=1) e das cotas, para os problemas
que foram apresentados neste trabalho, mostra-se uma alternativa eficiente, em relao a
simulao de Monte Carlo Direta. Em particular, para problemas em que a incerteza
est sobre um parmetro associado a um termo de baixa ordem, como no exemplo 2,
pode-se, utilizar as cotas para valor esperado e correlao da resposta, dependendo da
30
preciso exigida, pode ser uma alternativa de grande eficincia, ao uso da simulao de
Monte Carlo Direta.
9.
Agradecimentos
Este trabalho faz parte da produo cientfica do autor principal, que aproveita
para agradecer ao Conselho Nacional de Pesquisa (CNPq), pela concesso de uma bolsa
de produtividade em pesquisa para o projeto, e recursos financeiros para aquisio de
equipamentos atravs do projeto Universal . Estes apoio, na forma de incentivos
financeiros, viabiliza a continuidade dos estudos avanados, nas reas de pesquisa e
ensino de engenharia, na rede pblica federal de ensino, brasileira, em nvel de
graduao e ps-graduao.
10.
Referencias Bibliogrficas
Babuska I; Tempone R, Zouraris GE. (2005) Solving elliptic boundary value problems
with uncertain coefficients by the finite element method: the stochastic
formulation, Computer Methods in Applied Mechanics and Engineering, v. 194,
n. 12-16, p. 1251-1294.
vila S Jr. CR, Beck AT, Mantovani G, Azikri H. (2010), Galerkin Solution of
Stochastic Beam Bending on Winkler Foundations, Computer Modeling in
Engineering & Science; v. 1729, p. 1-31.
Brenner SC, Scott LR. (1994), The Mathematical Theory of Finite Element Methods.
Springer-Verlag.
Chakraborty S., Dey S.S. (1998) A stochastic finite element dynamic analysis of
structures with uncertain parameters International Journal of Mechanical Sciences,
v. 40, n. 11, p. 1071-1087.
Chakraborty S., Bhattacharyya B. (2002) An efficient 3D stochastic finite element
method, International Journal of Solids and Structures, v. 39, n. 9, p. 2465-2475.
Lei Z., Qiu C. (2000) Neumann dynamic stochastic finite element method of vibration
for structures with stochastic parameters to random excitation Computers &
Structures, v. 77, n. 6, p. 651-657.
Hyuk-Chun Noh, Taehyo Park (2006) Monte Carlo simulation-compatible stochastic
field for application to expansion-based stochastic finite element method
Computers & Structures, v. 84, n. 3132, p. 2363-2372.
31
Adhikari S. A reduced spectral function approach for the stochastic finite element
analysis Computer Methods in Applied Mechanics and Engineering, v. 200, n.
2122, 2011, p. 1804-1821.
Chakraborty S., Dey S.S. Stochastic finite element method for spatial distribution of
material properties and external loading, Computers & Structures, v. 55, n. 1,
1995, p. 41-45.
Arajo J.M., Awruch A.M., On stochastic finite elements for structural analysis
Computers & Structures, v. 52, n. 3, 1994, p. 461-469.
Bhattacharyya B., Chakraborty S., NE-MCS technique for stochastic structural response
sensitivity, Computer Methods in Applied Mechanics and Engineering, v. 191, n.
4950, 2002, p. 5631-5645.
Li C.F., Feng Y.T., Owen D.R.J. (2006) Explicit solution to the stochastic system of
linear algebraic equations, Computer Methods in Applied Mechanics and
Engineering, v. 195, n. 4447, p. 6560-6576.
Rahman S., Xu H. A univariate dimension-reduction method for multi-dimensional
integration in stochastic mechanics Probabilistic Engineering Mechanics, v. 19, n.
4, October 2004, p. 393-408
Schevenels M., Lombaert G., Degrande G., Clouteau D., The wave propagation in a
beam on a random elastic foundation, Probabilistic Engineering Mechanics, v. 22,
n. 2, 2007, p. 150-158.
Rao MM, Swift JR. (2010), Probability Theory with Applications. Springer; 2nd ed.
Olsson AMJ, Sandberg GE. (2002), Latin Hypercube Sampling for Stochastic Finite
Element Analysis, Journal of Engineering Mechanics; v. 128, n. 1, p. 121-125.
Golub GH, Van Loan CF, (2012) Matrix Computations, Johns Hopkins Studies in the
Mathematical Sciences.
Yoshida K. (1978) Functional analysis Springer Berlin.
Carta ao Editor
Caro Editor,
32