V CONGRESSO NACIONAL DE ENGENHARIA MECÂNICA

V NATIONAL CONGRESS OF MECHANICAL ENGINEERING

25 a 28 de agosto de 2008 – Salvador – Bahia - Brasil
August 25 – 28, 2008 - Salvador – Bahia – Brazil

APLICAÇÃO DO MÉTODO ESPECTRAL DE ELEMETOS FIITOS

ESTOCÁSTICO A ESTRUTURAS DO TIPO VIGA COM ICERTEZAS
PARAMÉTRICAS

Adriano Todorovic Fabro, adrianotf@fem.unicamp.br1

José Roberto de França Arruda, arruda@fem.unicamp.br1
1
Departamento de Mecânica Computacional, Universidade Estadual de Campinas, Campinas, SP, Rua Mendeleiev,
200, CEP 13083-970.

Resumo: Projetos robustos ótimos em engenharia estrutural necessitam cada vez mais de informações a respeito dos
efeitos de incertezas sobre a resposta da estrutura. Entretanto, a sistemática de projeto estrutural determinístico
convencional não leva em conta as variabilidades intrínsecas aos processos de fabricação das estruturas na previsão
de seu comportamento estático e dinâmico. A formulação espectral do Método dos Elementos Finitos Estocástico
(SSFEM) busca incluir na previsão da resposta do sistema a variabilidade dos parâmetros do modelo utilizado.
Qualquer elemento estrutural determinístico de Elementos Finitos pode ser utilizado através dessa metodologia. +este
trabalho é feita a inclusão dos efeitos das flutuações espaciais aleatórias, dito campo aleatório, do módulo de
elasticidade em estruturas tipo viga e são verificados seus efeitos na resposta dinâmica através de seus estatísticos
obtidos por sua projeção em Caos Polinomial. O trabalho objetiva apresentar de forma clara questões práticas
relativas à parametrização das incertezas no caso de estruturas mecânicas. São discutidas variações paramétricas
tanto gaussianas como não-gaussianas aplicadas a um problema simples de viga reta.

Palavras-chave: Variabilidades, Incertezas, Dinâmica Estrutural, Método Espectral de Elementos Finitos Estocástico

1. ITRODUÇÃO

Da perspectiva da Engenharia Mecânica, os sistemas físicos envolvendo incertezas são, geralmente, descritos
através de equações diferenciais parciais estocásticas (SPDE) lineares (Ghanem et al., 1991). Sua modelagem pode ser
vista como uma idealização matemática do processo. Seus coeficientes - parâmetros do sistema em análise - são
modelados como Processos Estocásticos, também chamados de Campos Aleatórios. Ghanem et al. (1991) propuseram
um Método Espectral de Elementos Finitos Estocástico, baseado em expansão funcional combinada com técnicas de
minimização de erros, que pode ser encarado como uma expansão racional dos conceitos desenvolvidos para o método
determinístico de Elementos Finitos (Ghanem, 1999a).

2. MÉTODO ESPECTRAL DE ELEMETOS FIITOS ESTOCÁSTICO

Um sistema mecânico com geometria, propriedade de material e carregamento determinísticos é definido através de
uma equação diferencial parcial determinística (PDE) com suas condições de contorno e valores iniciais. No método
usual de solução desse problema, através do método de Elementos Finitos (quando não há uma solução analítica) a
geometria é substituída por um conjunto de pontos, que definem os nós da malha de elementos finitos. A modelagem de
parâmetros do sistema como campos aleatórios implica a utilização de mais uma dimensão, a estocástica, dentro do
sistema, implicando um campo aleatório de deslocamentos como resposta. Esse tipo de discretização espacial aproxima
a resposta para um vetor de deslocamentos nodais, sendo cada nó uma variável aleatória a ser caracterizada (Sudret et
al., 2000). O tratamento computacional da dimensão estocástica também leva à discretização do campo aleatório,
abordada através de vários métodos descritos na literatura, definindo um número finito de eventos possíveis para cada
ponto do domínio geométrico discretizado. Os parâmetros modelados como campos aleatórios tornam-se coeficientes
na equação diferencial que descreve a evolução do sistema (Ghanem et al., 1991). Uma PDE linear a coeficientes
estocásticos é dada, de uma forma compacta, pelo seguinte operador:

Π [u ( x , t , θ )] = f (x , t , θ ) (1)

Sendo Π o operador linear diferencial cujos coeficientes podem ser modelados como campos aleatórios com
flutuações aleatórias que podem ser tanto no espaço quanto no tempo. O elemento θ refere-se a um evento dentro do
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

espaço probabilístico, definido pela tripla (Ω, B, P ) , com Ω sendo o espaço amostral, B a σ-álgebra, ou campo de
Borel, e P a medida de probabilidade de θ (Eiermann et al., 2005). Expandindo o operador em um componente
aleatório R e um componente determinístico L (Ghanem et al., 1991, Ghanem, 1999a), temos:

(L + R )[u(x, t , θ )] = f (x, t , θ ) (2)

O operador R é expandido em um conjunto inumerável de variáveis aleatórias. Conceitualmente, dadas informações

de probabilidade conjunta tanto de R quanto de f ( x,t , θ ) , o problema é completamente determinado quando se obtêm
informações sobre a distribuição de probabilidade de u ( x,t ,θ ) (Ghanem, 1999a).

2.1. Discretização de Campos Aleatórios

- Decomposição Karhunen-Loève

Em geral, um processo estocástico, como coeficiente de um SPDE, é contínuo no domínio espacial, embora a forma
da dependência funcional correspondente não seja conhecida, o que representa uma maior dificuldade em relação ao
tratamento numérico do problema (Ghanem, 1999a). Essa dificuldade pode ser contornada através do uso da expansão
Karhunen-Loève (KL), que envolve uma representação do processo através de um conjunto inumerável de variáveis
aleatórias gaussianas. Essa expansão é baseada na decomposição espectral da função de autocovariância de um campo
aleatório (Ghanem et al., 1991, Ghanem, 1999a). Qualquer realização do campo α , assumindo-se que seja um processo
de média zero, pode ser representada como:

∞
α ( x, t , θ ) = ∑ λi f i (x, t )ξ i (θ ) (3)
m=1

onde {ξi } é uma base ortonormal definida no espaço de Hilbert de variáveis aleatórias definido pela tripla (Ω, B, P ) ,
com o produto interno da Eq. (4) definido, onde p({ξ r }) é a função densidade de probabilidade (FDP) conjunta das
variáveis aleatórias.

∞
g {ξ r } h{ξ r } = ∫ g {ξ r } h{ξ r }p({ξ r })d {ξ r } (4)
−∞

, λi e fi são os autovalores e autofunções, respectivamente, associados à função covariância do processo. A função

covariância é definida como:

∞ ∞
C ( x1, x2 ) = α ( x1 ) α (x2 ) = ∑∑ λ j f j ( x1 ) λki f k (x2 ) ξ j (θ ) ξk (θ ) (5)
j =1 k =1

Aproveitando-se da propriedade de ortonormalidade da base de Hilbert, temos a seguinte decomposição espectral:

∞ ∞
C ( x1 , x 2 ) = ∑ λ j f j ( x1 ) λ j f j (x 2 ) = ∑ λ j f j ( x1 ) f j ( x 2 ) (6)
j =1 j =1

A utilidade dessa expansão depende da habilidade de resolver o problema de autovalor/autofunção, definido através
do operador de Fredholm, com mapeamento do tipo, T : L2 → L2 (R ) , com a covariância como núcleo (Ghanem, 1991,
Keese, 2003, Chung et al., 2004, Ghosh et al., 2006, Eiermann et al., 2005):

∫ cov k ( x, x ) f ( x )dΩ x = λi f ( x ) (7)

Ω

O problema pode ser reduzido a um problema de autovalor/autovetor, através de um método numérico de solução.
As autofunções podem ser representadas através de sua projeção em um conjunto adequado de base:

+
f k ( x ) = ∑ d i(k ) hi ( x ) (8)
i =1
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

Substituída na equação integral, esta equação torna o problema um conjunto de equações algébricas do tipo
CD = ΛBD , onde as matrizes são definidas por (Ghanem et al., 1991, Ghanem, 1999a, Schevenels et al., 2004):

Bij ≡ ∫ hi (x )h j ( x )dΩ (8.1)

R

C ij ≡ ∫ ∫ cov K ( x, x')hi (x )h j ( x )dΩ x dΩ x ' (8.2)

Ω Ω

Dij = d i
j
(8.3)
Λ ij = δ ij λ j (8.4)

Essa solução discreta pode ser implementada utilizando-se as funções de forma da malha de elementos finitos como
base (Ghanem, 1991).

- Caos Polinomial

A utilização da expansão KL requer o conhecimento da função covariância do processo. Entretanto, sua

implementação não é possível para a solução do sistema, uma vez que a função covariância e suas correspondentes
autofunções não são conhecidas (Ghanem et al., 1991). O conceito de Caos Polinomial foi primeiramente introduzido
por Wiener em 1938 (Ghanem et al., 1991) como uma expansão funcional em polinômios de Hermite para processos
gaussianos. Nesse sentido, trata-se de uma base particular no espaço de variáveis aleatórias de segunda ordem, baseada
em polinômios de Hermite de variáveis normais padrão (Sudret et al., 2000). Qualquer elemento dentro do espaço de
eventos aleatórios pode ser escrito como (Ghanem, 1999a):

∞
µ (θ ) = ∑ a jψ [ξ (θ )] (9)
j =0

Para efeito computacional, utiliza-se o Caos Polinomial em uma dimensão finita, com um numero finito M de
variáveis aleatórias Gaussianas ortonormais. Sua M-ésima dimensão e p-ésima ordem consiste, basicamente, de um
conjunto de polinômios de Hermite multidimensionais em {ξ1 ,..., ξ M } , cujos graus não excedem p, ou seja, é uma
função somente de M variáveis aleatórias não-correlatas. A Eq. (10) mostra um exemplo de expansão de 2ª ordem com
duas dimensões estocásticas. A Tab. (1) relaciona os polinômios utilizados na expansão com sua ordem.

µ (θ ) = 1 + ξ1 + ξ 2 + (ξ12 − 1) + ξ1ξ 2 + (ξ 22 − 1) (10)

Tabela 1. Exemplo de Caos Polinomial com duas dimensões.

j Ordem do Caos Polinomial, p j-ésimo Caos Polinomial

0 0 1
1 1 ξ1
2 ξ2
3 2 ξ 12 − 1
4 ξ 1ξ 2
5 ξ 22 − 1

A completa caracterização probabilística do processo µ (θ ) é obtida uma vez calculados os coeficientes do Caos
Polinomial, que são utilizados no cálculo dos estatísticos da resposta (Ghanem et al., 1991, Ghanem, 1999a)

2.2. SSFEM em Problemas Mecânicos Lineares Elásticos

- Campo Aleatório Gaussiano

De acordo com a formulação variacional padrão do Método de Elementos Finitos baseado em deslocamentos, a
matriz global de rigidez com incertezas é do tipo (Bathe, 1982, Cook et al., 1989):

K ( x, θ ) = ∫ B T C (x, θ )BdV (11)

V
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

Com B sendo a matriz que relaciona as deformações nodais, C a matriz constitutiva com variabilidade e V o
domínio geométrico. Introduzindo-se a expansão KL para C temos que (Ghanem et al., 1996, Sudret et al., 2000):

∞
K (x, θ ) = L( x ) + ∑ ξ i (θ )∫ B T C i (x )BdΩ (12)
Ω
i =1

Conhecendo-se os autovalores e autofunções da matriz de covariância - obtidas numericamente como anteriormente

mencionado - cujo produto é representado por a m ( x ) , e expandindo a resposta através de Caos Polinomial como em
(Ghanem et al., 1991), temos que:

 M
P
 L ( x ) + ∑ ξ i (θ )a m ( x )R m ( x ) ∑ψ j [{ξ r }]d j (x ) = f ( x, θ ) (13)
 m =1  j =0

Multiplicando de ambos os lados por ψ m e fazendo a média sobre as realizações do processo aleatório, devido à
ortogonalidade da base polinomial temos (Ghanem et al., 1991):

+ P + M
∑ Lkl d km + ∑ ∑ d kj ∑ Rikl cijm = fl ψ m {ξr } ; l = 1,...+ e m = 1,..., M (14)
k =1 j = 0 k =1 i =1

Com:

Lkl = ∫ L( x )g k ( x )g l ( x )dx (15.1)

D

Rikl = ∫ L( x )g k (x )g l (x )ai ( x )dx (15.2)

D

Sendo g (x) a base de funções para a discretização do domínio do sistema, e a(x ) o conjunto de autofunções
ponderadas por seus respectivos autovalores relativos à representação do campo aleatório.
Esta representação pode ser feita de forma algébrica, de modo que:

[G + R]d = h (16)

Com:

Gmj = δ mj L (17.1)
m
Rmj = ∑ cijm Ri (17.2)
i =1

hm = f l ψ m [{ξ r }] (17.3)

∞   − 1 {ξ r }T {ξ r }
cijm ≡ ξi ψ j [{ξr }]ψ m [{ξr }] = ∫ ξi ψ j [{ξr }]ψ m [{ξr }] 1 e 2 d{ξr } (18)
 (2π )n 
−∞ 

Os coeficientes cijk são calculados através do produto interno - definido na Eq. (4) - com
1
− {ξ r } {ξ r }
T

p{{ξ r }} = 1 (2π ) e 2

n
(medida de probabilidade gaussiana) através da integração na Eq. (18), realizada sem
 
dificuldades por um integrador simples. Para a implementação computacional é importante notar que
cijk = cikj = c jik = c jki = ckij = ckji .
O vetor d, no sistema linear da Eq. (16), é composto por P blocos d j que são os coeficientes da expansão em caos
polinomial da resposta. Com essa informação a resposta fica completamente descrita, com um erro relativo ao
truncamento da expansão, podendo-se calcular qualquer estatístico da resposta, tal como a média e o desvio padrão,
definidos por (Dessemboz et al., 2001, Ghanem et al., 1991, Ghanem, 1999a, Ghosh et al., 2006):
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

u = u = d0 (19.1)
P

∑ d (x ) ψ (ξ )
2
σu = u −u = 2
j
2
j (19.2)
j =1

Dessa maneira, qualquer elemento estrutural típico de FE pode ter suas propriedades aleatórias representadas com
certa facilidade. Desenvolvendo a Eq. (15.1), para um elemento de viga Euler-Bernoulli, com o módulo de Young
modelado como um campo aleatório gaussiano, temos:

L
 ∂2  ∂ 2 
K ikl = ∫ I λi f i ( x ) 2 + k (x )  2 + k (x ) dx (20)
0  ∂x   ∂x 

onde + ( x ) é função de forma, no caso, de elemento de viga (Bathe, 1982, Cook et al., 1989):

∂2
B= [+ ] =  − 6 + 123x − 4 6x
+ 2
6 12 x
− 3
− 2 6x 
+ 2 (21)
∂x 2
 L L L L L2 L L L 

e λi e f i ( x ) , são os autovalores e autofunções associados à decomposição KL relativa ao módulo de elasticidade da

viga. Resolvendo as integrais, temos as matrizes elementares dadas por:

  − 6 12x 
2
 − 6 12x  − 4 6x   − 6 12x  6 12x   − 6 12x  − 2 6x 
  + 3  + 3  + 2   + 3  2 − 3   + 3  + 2 
 L L   L L  L L   L L  L L   L L  L L 
 − 6 12x  − 4 6x   − 4 6x 
2
 − 4 6x  6 12x   − 4 6x  − 2 6x  
L  + 3  + 2   + 2  + 2  2 − 3   + 2  + 2  
Ki = I ∫ λi fi (x) L L  L L  L L  L L  L L   L L  L L  dx
(22)
 − 6 12x  6 12x   6 12x  − 2 6x  
2
 − 4 6x  6 12x   6 12x 
 + 3  2 − 3   + 2  2 − 3   2− 3  2 − 3  + 2  
0

 L L  L L   L L  L L  L L   L L  L L  
2
 − 6 12x  − 2 6x   − 4 6x  − 2 6x   6 12x  − 2 6x   − 2 6x  
 + 3  + 2   + 2  + 2   2 − 3  + 2   + 2 
 L L  L L   L L  L L   L L  L L  L L 

A Equação (23) mostra como o carregamento na estrutura é incluído no modelo estocástico. A representação
espectral de um impulso é uma constante e, nesse caso, sabendo-se que, por definição, o único polinômio cuja
esperança é não nula é o relativo ao polinômio de ordem zero. Assim, o carregamento estrutural estocástico, dentro do
sistema linear da Eq. (16) é um vetor nulo, de tamanho 1xP, exceto pelo termo que representa a excitação no nó
referente à extremidade não engastada da viga, de tamanho 1xN, onde N é a ordem da matriz global determinística de
elementos finitos.

 f 1x+ 
h =  M  (23)
 0  1xP

- Campo Aleatório não-gaussiano

O modelo gaussiano para variáveis modeladas como incertas é o preferido na maioria das aplicações em
engenharia, através da utilização, muitas vezes equivocada, do teorema do limite central. Em muitas aplicações, o
modelo gaussiano é claramente inapropriado em vista de sua simetria e domínio infinito. Nesse sentido, a modelagem
de propriedades de material, como o módulo de Young, tem uma melhora na sua representatividade quando modelada
como não-gaussiana, por exemplo como lognormal.
Um processo gaussiano tem a seguinte relação com um processo lognormal:

l ( x, θ ) = e α ( x ,θ ) (24)

Todo o desenvolvimento descrito no Método Espectral de Elementos Finitos Estocásticos (SSFEM) se mantém
válido para Campos Aleatórios não-gaussianos quando o termo da Eq. (18) é substituído pela Eq. (25) e a discretização
do domínio estocástico é substituída pela projeção em Caos Polinomial, ao invés da decomposição KL (Ghanem, 1999a,
Ghanem, 1999b):
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

  − 1 {ξ r }T {ξ r }
d ijm ≡ ψ i [{ξ r }]ψ j [{ξ r }]ψ m [{ξ r }] = ∫ψ i [{ξ r }]ψ j [{ξ r }]ψ m [{ξ r }] 1 e 2 d {ξ r } (25)
 (2π )n 
 

Em Ghanem (1999b), o autor mostra que a mesma base gaussiana de funções para polinômios de Hermite pode ser
utilizada para o caso lognormal. Da Eq. (25), percebe-se que o coeficiente calculado na Eq. (18) é um caso particular,
onde se utilizam somente os componentes de primeira ordem de ψ i (Ghanem, 1999a). Os coeficientes d ijk podem ser
calculados através de um integrador simples. Lembrando-se que d ijk = d ikj = d jik = d jki = d kij = d kji e que a medida
utilizada ainda é do tipo gaussiana, os termos da expansão em caos polinomial podem ser calculados pela Eq. (26), onde
σ α é a variância do processo gaussiano que se relaciona com o lognormal pela Eq. (24) e os ψ (η ) são dados através da
Tab. (2).

ψ i (η )  σ2 
li (x ) = expα ( x ) + α  (26)
ψ 2
 2
i

Tabela 2. Valores utilizados na validação dos coeficientes do caos polinomial como um processo lognormal
(Ghanem, 1999b).

ψi ψ i (η )
ξi αi
ξ i ξ j − δ ij α iα j
ξ i ξ j ξ k − ξ i δ ij − ξ j δ jk − ξ k δ ij α iα j α k

A expansão resultante apresenta o processo lognormal como uma série de polinômios ortogonais em variáveis
gaussianas não-correlatas (Ghanem, 1999b).

2.3. Simulação Monte Carlo

Os resultados obtidos através da projeção em caos polinomial serão comparados com uma abordagem clássica: a
Simulação Monte Carlo. A discretização do Campo Aleatório foi feita através da decomposição KL, que será utilizada
para representar a amostragem do campo dentro do método Monte Carlo. Neste contexto, a Eq. (20) foi utilizada para
montar cada matriz global associada a um termo da decomposição KL. A população de respostas será criada no
contexto da Eq. (27), para cada amostra θ .

 M

 L( x ) + ∑ ξ (θ )a m ( x )Rm ( x )u ( x, θ ) = f ( x, θ ) (27)
 m =1 

Utilizando os quatro primeiros termos da decomposição KL da distribuição espacial do módulo de elasticidade, e

gerando um conjunto de variáveis gaussianas independentes (Schevenels, 2004), temos:

 4

 L ( x ) + ∑ Rmξ m (θi )u (x,θ i ) = f ( x, ω ) (28)
 m =1 

Com i = 1,..., nMC , e n MC sendo o número de amostras para simulação Monte Carlo.

2.4. Resultados Obtidos

Definiu-se como parâmetro incerto o módulo de elasticidade ao longo da viga, que foi modelado como um campo
aleatório no domínio unidimensional definido por sua geometria. O campo aleatório será representado por uma matriz
de covariância, que dimensiona influência que cada ponto, dentro do domínio espacial, tem sobre a variabilidade dos
pontos adjacentes. O comprimento de correlação é uma medida de quão suave é essa influência. Chung et al. (2004)
utilizam uma expressão do tipo:

(
Cov (r ) = σ exp − a −1 r ) (29)
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

com σ = E V , sendo E o módulo de elasticidade, V o coeficiente de variação, a o comprimento de correlação e r a

distancia entre dois pontos do domínio espacial. Resolvendo numericamente o problema de autovalor/autofunção do
operador de Fredholm, através das Eq. (8.1) a (8.4), temos as autofunções e autovalores utilizados na expansão KL. A
Fig. (1) mostra os autovalores e as quatro primeiras autofunções encontradas.
Os autovalores obtidos pela decomposição KL dão uma boa idéia do número de termos da expansão que devem ser
utilizados para melhor compromisso entre o desempenho computacional e a acurácia do método. A Eq. (20) mostra
como cada termo do operador é calculado, sendo que cada um deles é montado em uma matriz global, exatamente como
o método determinístico de alocação das matrizes elementares, sujeito às condições de contorno, chamado de primeiro
nível de montagem (Sudret et al., 2000). As Eq. (17.2) e (30) mostram como cada matriz global estocástica e
determinística é alocada dentro do conjunto de equações algébricas definidas pelo sistema linear na Eq. (16), chamado
segundo nível de montagem (Sudret et al., 2000).
Para uma expansão de segunda ordem, com duas dimensões estocásticas, a ordem do caos polinomial utilizada é P
= 15 (Ghanem, 1999a). As matrizes G e R e o vetor d, de coeficientes do caos polinomial, ficam na forma:

 m m
  d0 
K L 0   ∑ ci 00 K i L ∑c Ki 
i 0 P −1  d 
   i =0 i =0
 d = 1 
G=M O M R= M O M   M  (30)
m m
 0 L K   c ciP −1P −1 K i   
∑ ∑
iP −10 K i L
P −1 xP −1
 d P −1  P −1
 i =0 i =0  P −1xP −1

Os resultados obtidos através da projeção em Caos Polinomial serão, a seguir, comparados com os obtidos através
da Simulação de Monte Carlo.
Foram definidos valores médios para os parâmetros físicos da viga em análise, de aço, engastada-livre, com módulo
de elasticidade médio de 210 GPa e com coeficiente de variação de 0,1, densidade de 7.800 Kg/m3, e secção transversal
retangular de dimensões 1,3 x 0,35 cm, coeficiente de amortecimento proporcional α = β = 10−5 e comprimento total de
1 m. Para a simulação Monte Carlo a população utilizada foi de 20.000 amostras. A Fig. (2) mostra os resultados
obtidos para amplitudes médias e desvio padrão da FRF do nó livre da extremidade da viga no caso de modelagem
gaussiana do campo aleatório. A Fig. (3) mostra os resultados obtidos na modelagem do módulo de Young como um
processo lognormal, também para o nó livre da extremidade da viga. A discretização do campo lognormal foi realizada
utilizando-se somente a projeção em caos polinomial de primeira ordem com duas dimensões estocásticas. Como os
termos da expansão são lineares para a variável gaussiana, eles coincidem com a expansão KL.

Figura 1. Autovalores e Autofunções da Decomposição KL.

A Figura (4) mostra a função FDP em uma freqüência específica, 18 Hz, tanto do caso gaussiano como do caso
lognormal, para projeção em Caos Polinomial e Monte Carlo.

2.5. Conclusão
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

O artigo apresenta de forma clara algumas questões práticas relativas à parametrização das incertezas no caso de
estruturas mecânicas. São discutidas variações paramétricas tanto gaussianas como não-gaussianas, especificamente
lognormal, aplicadas a um problema simples de viga reta. São apresentadas soluções para projeção em caos polinomial
de segunda ordem, com duas dimensões estocásticas, e através de simulação Monte Carlo, todas se utilizando da
discretização do campo aleatório obtida pela decomposição KL. Para os termos lineares, a decomposição KL coincide
com a expansão em caos polinomial (Ghanem et al., 1991), podendo, dessa maneira, ser utilizada para o caso não-
gaussiano.

Figura 2. Comparação entre as Médias e Desvio Padrão da FRF da viga: Caso Gaussiano.
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

Figura 3. Comparação entre as Médias e Desvio Padrão da FRF da viga: Caso Lognormal.
Função Densidade de Probabilidade

Amplitude da Resposta
Caso Gaussiano Caso Lognormal

Figura 4. Função densidade de probabilidade em 18 Hz no nó da extremidade livre da viga.

Casos gaussiano e lognormal.

3. REFERÊCIAS

Bathe, K . J., 1982, “Finite Element Procedures in Engineering Analysis”, Prentice-Hall.

Chung, D.B., Gutiérrez, M.A., Remmers, J.J.C., de Borst, R., 2004 “Stochastic Finite Element Modelling Of Fibre-
Metal Laminates”, 45th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics & Materials Conference,
Palm Springs, California.
Cook, R.D., Malkus, D. S., Plesha, M. E., 1989, “Concepts and Applications of Finite Element Analysis” John Wiley &
Sons, Third Edition.
 V Congresso Nacional de Engenharia Mecânica, 18 a 21 de Agosto 2008, Salvador-Bahia

Dessemboz, O., Thouverez, J., Lainé, J.-P, Jézéquel, L., 2001, “Expansion of Stochastic Frequency Response on
Polynomial Chaos”, Laboratoire de Tribologie et Dynamique des Systèmes, École Centrale de Lyon.
Eiermann, M., Ernst, O. G., Ullmann, E., 2005, “Computational Aspects of the Stochastic Finite Element Method”,
Proceedings of ALGORITMY 2005, pp 1-10.
Ghanem, R., Spanos,, P., 1991, “Stochastic Finite Elements: A Spectral Approach”, Springer-Verlag.
Ghanem, R., Kruger, R. M., 1996, “Numerical Solution of Spectral Stochastic Finite Element Systems”, Comp.
Method. Appl. Mech. And Eng. 129, pp 289-303
Ghanem, R., 1999a, “Ingredients for a General Purpose Stochastic Finite Elements Implementation”, Comput. Methods
Appl. Mech. an Engrg. 168, pp. 19-34.
Ghanem, R., 1999b, “The Nonlinear Gaussian Spectrum of Log-Normal Stochastic Processes and Variables”, J. of
Appli. Mech., 66, pp 964-973.
Ghosh, D., Farhat, C. and Avery, 2006, “P. Strain and stress analysis of uncertain engineering systems”, Center for
Turbulence Research, Annual Research Briefs.
Keese, A., 2003, “A Review of Recent Developments in the Numerical Solution of Stochastic Partial Differential
Equations (Stochastic Finite Elements)”, Informatikbericht2003-06, Technische Universität Braunschweig,
disponível em http://opus.tu-bs.de/opus/volltexte/2003/504/.
Schevenels, M., Lombaert, G., Degrande, G., 2004, “Application of the stochastic finite element method for Gaussian
and non-Gaussian systems”, In ISMA2004 International Conference on Noise and Vibration Engineering, Leuven,
Belgium.
Sudret, B., Der Kiureghian, A., 2000, “Stochastic Finite Element Methods and Reliability: A State-of-Art Report”,
Report No. UCB/SEMM-2000/08, Department Of Civil and Environmental Engineering. University of California,
Berkeley, disponível em http://www.ce.berkeley.edu/FERUM/User_s_Guide/user_s_guide.html

4. DIREITOS AUTORAIS

Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído no seu trabalho.

APPLICATIO OF THE SPECTRAL STOCHASTIC FIITE ELEMET

METHOD TO BEAM STRUCTURES WITH PARAMETRIC
UCERTAITIES

Adriano Todorovic Fabro, adrianotf@fem.unicamp.br1

José Roberto de França Arruda, arruda@fem.unicamp.br1
1
Computacional Mechanics Departament, State University of Campinas, Campinas, SP, Medeleiev, 200, 13083-970.

Abstract: Optimal robust structural design in modern engineering practice requires information about the effects of
uncertainty upon the dynamic response of structures. However, in the standard deterministic structural design
methodology, the static and dynamic modeling does not take into account the intrinsical varaibility due to
manufacturing processes and materials. A spectral formulation of the stochastic Finite Element method (SSFEM)
allows taking into account the parametric variability in the FE model prediction of the static and dynamic responses.
Any deterministic structural finite element can be treated with this methodology. In this paper the effects of the
stochastic spatial variation of the Young`s modulus, treated as a stochastic field, in beam structures are investigated.
The variation of the dynamic response is investigated through the computation of its statistical moments by polynomial
chaos projection. The paper aims at presenting in a coprehensive way some of the practical issues concerning the
parameterization of uncertainties in mechanical structures. Both gaussian and non-gaussian variations are
investigated in a simple example of a straigh beam.

Keywords: Variability, Uncertainty, Structural Dynamics, Spectral Stochastic Finite Element Method.

1. RESPOSIBILITY OTICE

The authors are the only responsible for the printed material included in this paper.