UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ

PROGRAMA DE PÓS-GRADUAÇÃO EM ENSINO DE ENGENHARIA

MECÂNICA

MODELAGEM E QUANTIFICAÇÃO DE INCERTEZAS DE

SISTEMAS FÍSICOS UTILIZANDO PROBABILIDADES

JOÃO PEDRO COSTA ELIZIÁRIO

CORNELIO PROCOPIO
2021
Sumário

1. Introdução
2. Alguns Conceitos Fundamentais na UQ
3. Um resumo da teoria das Probabilidades
4. Modelagem Probabilística de Incertezas
5. Conclusão
1 - Introdução

Normalmente, projetos de engenharia altamente complexos usam simulações

numéricas e testes experimentais em protótipos para especificar um
determinado sistema ou componente com as características desejadas. Essas
duas ferramentas são usadas de maneira semelhante por cientistas para
investigar fenômenos físicos de interesse
Contudo, nenhuma dessas abordagens fornece uma resposta que seja uma reprodução exata
do comportamento do sistema físico, pois o modelo computacional e equipamento de teste
estão sujeitos a incertezas, que são intrínsecas ao processo de modelagem (falta de
conhecimento da física) e parâmetros do modelo (imprecisões de medição, variabilidades de
fabricação, etc).
Para melhorar o nível de confiabilidade dos resultados numéricos e dos
dados experimentais, é necessário quantificar as incertezas e isto pode ser
quantificado através de experimentos. Vale lembrar que um experimento que
não especifica o nível de incerteza não é bem visto pela comunidade
técnica / científica. Por outro lado, recentemente a comunidade numérica
começou a prestar atenção à necessidade de especificar o nível de confiança
para simulações de computador.
A Quantificação de incertezas (UQ) é uma área multidisciplinar que lida com
caracterização quantitativa e redução de incertezas nas aplicações.
Há três cenários importantes onde UQ é uma ferramenta essencial:

• Tomada de decisão: Algumas decisões de risco, cujo resultado negativo pode

causar falha catastrófica ou enormes custos financeiros, precisam ser bem
analisadas antes de uma decisão final da parte responsável .
 • Validação do modelo: os dados experimentais são amplamente usados ​para
verificar a precisão de um modelo computacional que é usado para emular
um sistema real. Embora este procedimento já está sendo usado por
.

cientistas e engenheiros por muitos décadas, ainda não há critérios

universalmente aceitos para garantir o modelo qualidade. No entanto, sabe-
se que qualquer critério robusto de validação de modelo deve levar em
consideração as incertezas da simulação e do experimento.
• Design robusto: um requisito cada vez mais frequente em vários projetos é o
design robusto de um componente que consiste em tornar um dispositivo
específico com baixa variação em suas propriedades.
.
O primeiro objetivo do trabalho é ilustrado na Figura 1 (a), que mostra a
comparação entre um resultado de simulação com dados experimentais, e na Figura
1 (b), que apresenta o gráfico com a inclusão de um envelope de confiabilidade em
torno da simulação.

.
2 – Alguns Conceitos Fundamentais na
Quantificação de Incertezas
 
Esta seção apresenta algumas noções fundamentais na UQ.
2.1 – Erros e Incertezas
Há três ideias conceituais que serão relevantes para a modelagem estocástica
 de sistemas físicos: sistema projetado, sistema real e modelo computacional.
Uma ilustração esquemática desses conceitos é mostrada na Figura 2.
2.1 – Erros e Incertezas

 
Naturalmente, as incertezas afetam a resposta de um modelo computacional,
mas eles não devem ser considerados erros porque são de natureza física. Os
erros são puramente matemáticos por natureza e podem ser controlados e
reduzidos a um nível insignificante se os métodos e algoritmos numéricos
usados ​forem bem conhecidos pelo analista
 2.2 Verificação e Validação
Esses conceitos são bem caracterizadas em termos de dois questionamentos:

• Verificação - Estamos solucionando a equação correta?

• Validãção – Estamos solucionando a equação corretamente?

Apesar de simplista, os dois questionamentos explicam objetivamente ambos

os conceitos.
•

 
3 Um resumo sobre a Teoria das Probabilidades

Esta seção apresenta uma breve revisão dos conceitos básicos de probabilidade.
Tal revisão é elementar, sendo insuficiente para uma compreensão sólida da teori
mas necessária para entender a Quantificação de Incertezas.

 
 3.1 Probabilidade Espacial
A estrutura matemática em que um experimento aleatório é descrito consiste
em um tripleto (Ω, Σ, P), onde Ω é chamado de espaço amostral, Σ é uma σ-
álgebra sobre Ω, e P é uma medida de probabilidade. O trio (Ω, Σ, P) é
chamado de probabilidade espacial.

 
 3.2 Variáveis Aleatórias

Um mapeamento X: Ω → R é chamado de variável aleatória se a pré-imagem de

cada número real sob X é um evento relevante

Variáveis ​aleatórias fornecem características numéricas de eventos

interessantes, de tal forma que podemos esquecer o espaço amostral. Na
prática, ao trabalhar com um modelo probabilístico, estamos preocupados
apenas com os valores possíveis de X.
 3.3 Distribuição de probabilidades
A distribuição de probabilidade de X, denotada por PX, é definida como a
probabilidade do evento elementar {X ≤ x}, ou seja,
3.4 Função de Densidade Probabilística

Se a função PX é diferenciável, então chamamos sua derivada de

probabilidade função de densidade (PDF) de X, usando a notação pX.
Dado que pX = dPX / dx, temos dPX (x) = pX (x) dx, e então
3.4 Função de Densidade Probabilística

O PDF é uma função pX: R → [0, + ∞) de modo que

3.4 Função de Densidade Probabilística

O PDF é uma função pX: R → [0, + ∞) de modo que

4 Modelagem probabílistica de incertezas

Esta seção discute o uso da abordagem probabilística paramétrica para

descrever incertezas em sistemas físicos. Nosso objetivo é fornecer ao leitor
algumas idéias-chave por trás dessa abordagem e chamam a atenção para os
fundamentos questões que devem ser levadas em consideração.
 4.1 Um Sistema mecânico estocástico
simplista
Considere o sistema mecânico que consiste em uma mola fixada à esquerda lado
de uma parede e sendo puxado por uma força constante no lado direito . A rigidez
da mola é k, a força é representada por f, e a mola o deslocamento é denotado por
u. Um modelo mecânico-matemático para descrever este comportamento do
sistema é dado por:
 4.1 Um Sistema mecânico estocástico
simplista
Considere o sistema mecânico que consiste em uma mola fixada à esquerda lado
de uma parede e sendo puxado por uma força constante no lado direito . A rigidez
da mola é k, a força é representada por f, e a mola o deslocamento é denotado por
u. Um modelo mecânico-matemático para descrever este comportamento do
sistema é dado por:
 4.1 Um Sistema mecânico estocástico
simplista
Considere o sistema mecânico que consiste em uma mola fixada à esquerda lado
de uma parede e sendo puxado por uma força constante no lado direito . A rigidez
da mola é k, a força é representada por f, e a mola o deslocamento é denotado por
u. Um modelo mecânico-matemático para descrever este comportamento do
sistema é dado por:
 4.1 Um Sistema mecânico estocástico
simplista
Considere o sistema mecânico que consiste em uma mola fixada à esquerda lado
de uma parede e sendo puxado por uma força constante no lado direito . A rigidez
da mola é k, a força é representada por f, e a mola o deslocamento é denotado por
u. Um modelo mecânico-matemático para descrever este comportamento do
sistema é dado por:
4.1 Um Sistema mecânico estocástico
simplista
4.1 Um Sistema mecânico estocástico
simplista

E a resposta do sistema é dada por:

4.2 Modelo Estocástico para descrição de
incertezas
Estamos interessados ​em estudar o caso em que o sistema mecânico
apresentado anteriormente é sujeito a incertezas no parâmetro de rigidez
k. Para descrever o aleatório comportamento do sistema mecânico,
empregamos a probabilística paramétrica abordagem. Vamos usar o
espaço de probabilidade (Ω, Σ, P), onde a rigidez k é modelada como a
variável aleatória K: Ω → R.
4.2 Modelo Estocástico para descrição de
incertezas

Portanto, devido ao resultado da relação imposto pela Eq. (32), o

deslocamento u também é incerto, sendo modelado como um variável
aleatória U: Ω → R, que respeita a condição de equilíbrio dada pela
seguinte equação estocástica
4.2 Modelo Estocástico para descrição de
incertezas

Portanto, devido ao resultado da relação imposto pela Eq. (32), o

deslocamento u também é incerto, sendo modelado como um variável
aleatória U: Ω → R, que respeita a condição de equilíbrio dada pela
seguinte equação estocástica
4.3 Uma distribuição de incertezas
aceitável.
Em suma, uma distribuição adequada deve satisfazer as condições abaixo
 4.3 Uma distribuição de incertezas
aceitável.
A distribuição gama satisfaz todas as condições acima, de modo que é um
escolha aceitável. Seu PDF é escrito como

onde 0 ≤ δK = σK / mK <1 / √ 2 é um parâmetro de dispersão e Γ denota a

função gama
4.3 Uma distribuição de incertezas
aceitável.
5 Conclusão

Neste manuscrito, discutimos sobre a importância da modelagem e quantificação

de incertezas em projetos de engenharia, defendendo a favor de a abordagem
probabilística como ferramenta para levar em conta as incertezas. Isto é nosso
pensamento que especificar um envelope de confiabilidade para as curvas
obtidas de simulações numéricas é uma tendência irreversível.
5 Conclusão

Também foi introduzido o vocabulário probabilístico básico para preparar o leitor para uma
literatura mais profunda sobre este assunto, e discutiu os pontos-chave da modelagem
estocástica de sistemas físicos, usando um sistema mecânico simplista como uma exemplo.
DÚVIDAS?