Niezawodno
ść
konstrukcji
Plan wykładów
• Niepewno
ść
w budownictwie
• Zmienne losowe
• Symulacje (metoda Monte Carlo)
• Procedury analizy niezawodno
ś
ciowej
1
• Procedury analizy niezawodno
ś
ciowej
• Opracowywanie norm
• Modele obci
ąż
e
ń
i no
ś
no
ś
ci
• Niezawodno
ść
układów konstrukcyjnych
Cel wykładów
Odpowied
ź
na nast
ę
puj
ą
ce pytania:
• Jak mo
ż
na mierzy
ć
bezpiecze
ń
stwo konstrukcji ?
• Jakie bezpiecze
ń
stwo jest dostateczne ?
• W jaki sposób projektant zapewnia konstrukcji
optymalny poziom bezpiecze
ń
stwa ?
2
Mo
ż
liwe zastosowania
:
• Racjonalne projektowanie nowych konstrukcji
• Ocena istniej
ą
cych konstrukcji
• Opracowywanie norm projektowych
Techniki symulacyjne
(metoda Monte Carlo)
wyniki
bada
ń
histogram
3
specjalne
techniki
wybór losowy dokonany
za pomoc
ą
specjalnych technik
Aby rozwi
ą
za
ć
bardziej zło
ż
one zadanie
wybierz losowe wyniki bada
ń
i wykorzystaj je z pozostałymi danymi.
Przykład
Rozwa
ż
my pomiary wytrzymało
ś
ci na
ś
ciskanie f’c
cylindrycznej próbki betonowej. Załó
ż
my,
ż
e na podstawie
wyników bada
ń
sporz
ą
dzono histogram cz
ę
sto
ś
ci.
Rozwa
ż
my słup betonowy. Jego no
ś
no
ść
(zdolno
ść
4
Rozwa
ż
my słup betonowy. Jego no
ś
no
ść
(zdolno
ść
przeniesienia sił
ś
ciskaj
ą
cych) wynosi 0,85 f’
c
A
c
.
Załó
ż
my,
ż
e przyło
ż
one obci
ąż
enie Q ma rozkład normalny
o warto
ś
ci
ś
redniej
i współczynniku zmienno
ś
ci v
Q
.
Jakie jest prawdopodobie
ń
stwo awarii słupa P
f
?
Q
Przykład (c.d.)
Zachowanie si
ę
konstrukcji mo
ż
na opisa
ć
za pomoc
ą
nast
ę
puj
ą
cej funkcji:
gdzie:
Prawdopodobie
ń
stwo awarii jest prawdopodobie
ń
stwem
tego,
ż
e:
Q
R
Y
−
=
c
'
c
A
f
85
,
0
R
=
Q
R
<
5
tego,
ż
e:
czyli:
Je
ż
eli rozkład Q jest normalny natomiast rozkład R jest
n.p. logarytmiczno-normalny, wtedy znalezienie dokładnego
rozwi
ą
zania jest bardzo trudne. Mo
ż
na je jednak rozwi
ą
za
ć
w przybli
ż
eniu stosuj
ą
c symulacje Monte Carlo.
Q
R
<
(
) (
)
0
Q
R
P
0
Y
P
P
f
<
−
=
<
=
Procedura metody Monte Carlo
1. Wygeneruj losowo warto
ść
f’
c
oraz oblicz
2. Wygeneruj losowo warto
ść
zmiennej Q zgodnie
z jej rozkładem prawdopodobie
ń
stwa.
c
'
c
A
f
85
,
0
R
=
6
3. Oblicz
4. Zachowaj obliczon
ą
warto
ść
zmiennej Y.
5. Powtarzaj kroki 1
÷
4 a
ż
liczba wygenerowanych warto
ś
ci
zmiennej Y b
ę
dzie dostateczna (n.p. tysi
ą
ce lub miliony).
Q
R
Y
−
=
Generowanie liczb losowych
o rozkładzie równomiernym
Znaj
ą
c warto
ść
liczby losowej U o rozkładzie równomiernym
w przedziale < 0, 1 > mo
ż
na wygenerowa
ć
liczb
ę
losow
ą
X
o rozkładzie równomiernym w przedziale < a, b >,
stosuj
ą
c wzór:
(
)
u
a
b
a
x
−
+
=
7
(
)
u
a
b
a
x
−
+
=
Generowanie liczb losowych
o rozkładzie normalnym
Aby wygenerowa
ć
liczby losowe
o rozkładzie normalnym
standaryzowanym z
1
, z
2
, ..., z
n
nale
ż
y najpierw wygenerowa
ć
odpowiadaj
ą
ce im liczby losowe
o rozkładzie równomiernym
( )
z
u
Φ
=
8
o rozkładzie równomiernym
u
1
, u
2
, ..., u
n
z przedziału <0, 1>
a nast
ę
pnie obliczy
ć
:
gdzie
Φ
-1
jest odwrotno
ś
ci
ą
dystrybuanty rozkładu
normalnego standaryzowanego.
( )
i
1
i
u
z
−
Φ
=
( )
u
z
1
−
Φ
=
i
u
i
z
Generowanie liczb losowych
o rozkładzie normalnym
Załó
ż
my,
ż
e dany jest rozkład zmiennej losowej X
o warto
ś
ci
ś
redniej i odchyleniu standardowym
µ
x
.
Podstawowy zwi
ą
zek mi
ę
dzy zmienn
ą
X a zmienn
ą
standaryzowan
ą
Z jest nast
ę
puj
ą
cy:
x
9
Zatem, danej warto
ś
ci z
i
, odpowiada warto
ść
x
i
,
któr
ą
mo
ż
na obliczy
ć
nast
ę
puj
ą
co:
X
Z
x
X
µ
+
=
X
i
i
z
x
x
µ
+
=
Przykład
Obci
ąż
enie stałe konstrukcji G jest zmienn
ą
losow
ą
o rozkładzie normalnym, o warto
ś
ci
ś
redniej = 20 kN/m
i współczynniku zmienno
ś
ci v
G
= 10%.
(Funkcj
ę
g
ę
sto
ś
ci prawdopodobie
ń
stwa przedstawiono ni
ż
ej.)
Wygenerowa
ć
10 warto
ś
ci zmiennej losowej G.
u
i
z
i
G
i
-------------------------------------------
f
G
10
-------------------------------------------
0,050203
-1,642888
16,71
0,619129
0,303194
20,61
0,872402
1,137819
22,28
0,376568
-0,314508
19,37
0,139927
-1,080648
17,84
0,318491
-0,471923
19,06
0,987671
2,246725
24,49
0,033265
-1,834833
16,33
0,234626
-0,723696
18,55
0,623157
0,313782
20,63
f
G
10
30
20
Generowanie liczb losowych
o rozkładzie logarytmiczno-normalnym
X jest zmienn
ą
losow
ą
o rozkładzie logarytmiczno-normalnym,
o warto
ś
ci
ś
redniej i odchyleniu standardowym
µ
X
.
Aby wygenerowa
ć
warto
ść
x
i
, nale
ż
y najpierw wygenerowa
ć
warto
ść
u
i
o rozkładzie równomiernym w przedziale <0, 1>,
nast
ę
pnie obliczy
ć
:
( )
i
1
i
u
z
−
Φ
=
x
11
[
]
X
i
X
i
z
x
x
ln
ln
exp
µ
+
=
(
)
0,20
v
v
1
v
ln
X
2
X
2
X
2
X
ln
dla
<
≈
+
=
µ
0,20
v
)
x
ln(
2
1
)
x
ln(
x
X
2
X
ln
X
ln
dla
<
≈
−
=
µ
i ostatecznie:
gdzie:
a w przybli
ż
eniu:
[
]
X
i
i
v
z
exp
x
x
=
Ogólna procedura generowania
liczb losowych o dowolnym rozkładzie
Rozwa
ż
my zmienna losow
ą
X o dystrybuancie F
X
(x).
Aby wygenerowa
ć
jej warto
ść
x
i
, nale
ż
y:
1. Wygenerowa
ć
losow
ą
warto
ść
u
i
na podstawie
rozkładu równomiernego w przedziale < 0, 1 >.
12
rozkładu równomiernego w przedziale < 0, 1 >.
2. Obliczy
ć
warto
ść
losow
ą
x
i
ze wzoru:
gdzie F
X
-1
jest odwrotno
ś
ci
ą
F
X
.
( )
i
1
X
i
u
F
x
−
=
Przykład
Dany jest wspornik drewniany. Stosuj
ą
c metod
ę
Monte Carlo,
wyznaczy
ć
warto
ść
ś
redni
ą
i odchylenie standardowe
momentu zginaj
ą
cego M wyst
ę
puj
ą
cego w odległo
ś
ci 1,5 m
od jego swobodnego ko
ń
ca.
Obci
ąż
enia P i w s
ą
niezale
ż
nymi zmiennymi losowymi
o rozkładach normalnych i nast
ę
puj
ą
cych parametrach:
= 20 kN,
= 1 kN/m
P
w
13
l = 1,5 m
= 20 kN,
= 1 kN/m
µ
P
= 2 kN,
µ
w
= 0,1 kN/m
P
w
Przykład (c.d.)
Ze statyki, moment zginaj
ą
cy M w rozpatrywanym przekroju
wynosi:
Poniewa
ż
P i w s
ą
zmiennymi losowymi o rozkładach normalnych
a moment M jest ich funkcj
ą
liniow
ą
, zatem moment M
tak
ż
e jest zmienn
ą
losow
ą
o rozkładzie normalnym
w
125
,
1
P
5
,
1
2
wl
Pl
M
2
−
=
−
=
14
tak
ż
e jest zmienn
ą
losow
ą
o rozkładzie normalnym
o warto
ś
ci
ś
redniej i odchyleniu standardowym:
kNm
875
,
28
w
125
,
1
P
5
,
1
M
=
−
=
(
) (
)
kNm
0
,
3
125
,
1
5
,
1
2
w
2
P
M
=
+
=
µ
µ
µ
Przykład (c.d.)
Dla ka
ż
dej zmiennej wygenerowano po pi
ęć
liczb losowych:
u
i
z
i
P
i
= 20 + 2z
i
-----------------------------------------------------
0,050203
-1,642888
16,71
0,619129
0,303194
20,61
0,872402
1,137819
22,28
0,376568
-0,314508
19,37
X
i
i
z
x
x
µ
+
=
15
0,376568
-0,314508
19,37
0,139927
-1,080648
17,84
u
i
z
i
w
i
= 1 + 0,1z
i
-----------------------------------------------------
0,318491
-0,471923 0,95
0,987671
2,246725 1,22
0,033265
-1,834833 0,82
0,234626
-0,723696 0,93
0,623157
0,313782 1,03
Przykład (c.d.)
Nast
ę
pnie, na podstawie 5 zbiorów danych {P
i
, w
i
}
obliczono 5 warto
ś
ci momentu M:
otrzymuj
ą
c nast
ę
puj
ą
ce wyniki:
i
i
i
w
125
,
1
P
5
,
1
M
−
=
16
kNm
9
,
27
M
5
1
M
5
1
i
i
=
=
∑
=
kNm
3
,
3
1
5
)
M
(
5
M
2
5
1
i
2
i
M
=
−
−
=
∑
=
µ
M
i
[kNm]
------------
24,00
29,53
32,49
28,01
25,60
Losowanie „Latin Hypercube”
(
)
k
1
X
,
,
X
f
Y
K
=
Zredukowana liczba symulacji
• Podzieli
ć
przedział ka
ż
dej zmiennej X
i
na N podprzedziałów
( tak aby prawdopodobie
ń
stwo trafienia w ka
ż
dy z nich = 1/N ).
• Dla ka
ż
dej X oraz dla ka
ż
dego podprzedziału, wybra
ć
warto
ść
17
• Dla ka
ż
dej X
i
oraz dla ka
ż
dego podprzedziału, wybra
ć
warto
ść
reprezentatywn
ą
( warto
ść
ś
rodkow
ą
).
• Istnieje N
k
mo
ż
liwych kombinacji ich wyboru. Dokona
ć
pierwszego, losuj
ą
c po jednej warto
ś
ci dla ka
ż
dej X
i
.
• Dokona
ć
kolejnych wyborów, tak aby ka
ż
da warto
ść
pojawiała si
ę
tylko raz w N kombinacjach.
Losowanie „Latin Hypercube”
Powstanie N kombinacji ( x
1
, x
2
, ... x
k
).
• warto
ść
ś
rednia Y
N
y
Y
N
1
i
i
∑
=
=
( )
N
∑
18
• m-ty moment Y
• dystrybuanta
( )
N
y
Y
N
1
i
m
i
m
∑
=
=
( ) (
)
N
y
y
y
F
i
Y
razy
ile
<
=
Metoda estymacji „Rosenblueth 2K+1 point”
(
)
K
1
X
,
,
X
f
Y
K
=
• Dla ka
ż
dej zmiennej X
i
obliczy
ć
warto
ść
ś
redni
ą
i odchylenie standardowe
• Obliczy
ć
:
(
)
x
,
x
,
x
f
y
2
1
0
K
=
i
x
i
X
µ
19
• Dla ka
ż
dej zmiennej X
i
obliczy
ć
:
(
)
K
x
,
x
,
x
f
y
2
1
0
K
=
(
)
k
X
i
1
i
x
,
,
x
,
,
x
f
y
i
K
K
µ
+
=
+
(
)
k
X
i
1
i
x
,
,
x
,
,
x
f
y
i
K
K
µ
−
=
−
Metoda estymacji „Rosenblueth 2k+1 point”
• Dla ka
ż
dej zmiennej X
i
obliczy
ć
2
y
y
y
i
i
i
−
+
+
=
−
+
−
+
+
−
=
i
i
i
i
y
y
y
y
y
v
i
20
• Obliczy
ć
warto
ść
ś
redni
ą
i wska
ź
nik zmienno
ś
ci dla Y
∏
=
=
k
1
i
0
i
0
y
y
y
Y
(
)
1
v
1
y
v
k
1
i
2
Y
0
Y
i
−
+
=
∏
=
Analiza bezpiecze
ń
stwa konstrukcji
• Stan graniczny
• Przypadek podstawowy
• Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
21
• Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
• Procedura Rackwitza-Fiesslera
• Podsumowanie procedur analizy niezawodno
ś
ciowej
Stany graniczne
Definicja awarii
Konstrukcja ulega awarii, je
ż
eli nie jest w stanie
spełnia
ć
swojej funkcji. Jaka jest ta funkcja ?
Przykład:
22
Przykład:
• Konstrukcja ulega awarii, je
ż
eli napr
ęż
enia
przekraczaj
ą
wytrzymało
ść
( ale nie zawsze jest to prawd
ą
).
• Konstrukcja ulega awarii, je
ż
eli M > W
x
f
y
( chocia
ż
nadal istnieje pewien zapas bezpiecze
ń
stwa ).
Definicja awarii
Awaria powinna by
ć
jasno zdefiniowana.
Przykład:
Rozwa
ż
my belk
ę
stalow
ą
walcowan
ą
na zimno,
swobodnie podpart
ą
23
• Belka ulegnie awarii, gdy strzałka ugi
ę
cia przekroczy
warto
ść
krytyczn
ą
δ
krytyczne
przegub plastyczny
Definicja awarii
• Belka stalowa mo
ż
e ulec awarii na skutek powstania
przegubu plastycznego, globalnej utraty stateczno
ś
ci
lub lokalnego wyboczenia.
σ
max
24
M
krytyczny
σ
max
napr
ęż
enia
odkształcenia
Stany graniczne
Rozpatruje si
ę
trzy stany graniczne
• stan graniczny no
ś
no
ś
ci
25
• stan graniczny u
ż
ytkowalno
ś
ci
• stan graniczny zm
ę
czenia
Stany graniczne no
ś
no
ś
ci
Odnosz
ą
si
ę
do utraty przez konstrukcj
ę
zdolno
ś
ci
przenoszenia obci
ąż
e
ń
• przekroczenie maksymalnego momentu zginaj
ą
cego
• powstanie przegubu plastycznego
26
• powstanie przegubu plastycznego
• zgniecenie betonu
ś
ciskanego
• zniszczenie przy
ś
cinaniu
ś
rodnika belki stalowej
• globalna utrata stateczno
ś
ci
• wyboczenie
ś
rodnika lub półki
• zerwanie spoiny
Stany graniczne u
ż
ytkowalno
ś
ci
Odnosz
ą
si
ę
do spełnienia przez konstrukcj
ę
jej funkcji
• zarysowanie betonu
• ugi
ę
cie
• drgania
27
• drgania
• trwałe odkształcenie
Stany graniczne u
ż
ytkowalno
ś
ci
• Zarysowanie
pr
ę
t zbrojeniowy
28
Jakie zarysowanie jest dopuszczalne ?
Czy dopuszczalne jest zarysowanie o okre
ś
lonych rozmiarach ?
Długo
ś
ci ? Szeroko
ś
ci ?
Zarysowanie w belce
ż
elbetowej.
Stany graniczne u
ż
ytkowalno
ś
ci
• Ugi
ę
cia
• Przyjmowane ograniczenia s
ą
subiektywne,
zale
ż
ne od ludzkiej percepcji.
• W przypadku budynków, widoczne ugi
ę
cia
s
ą
niedopuszczalne - nawet wtedy, gdy konstrukcja
29
s
ą
niedopuszczalne - nawet wtedy, gdy konstrukcja
jest bezpieczna pod wzgl
ę
dem wytrzymało
ś
ciowym.
• W przypadku belek stropowych, za ugi
ę
cia dopuszczalne
przyjmuje si
ę
L/200, gdzie L - rozpi
ę
to
ść
prz
ę
sła.
Stany graniczne u
ż
ytkowalno
ś
ci
• Drgania
• Trudne do oceny ilo
ś
ciowej.
• W przypadku budynków, silne drgania
nie s
ą
tolerowane przez u
ż
ytkowników.
• W przypadku mostów nie u
ż
ytkowanych
30
• W przypadku mostów nie u
ż
ytkowanych
przez pieszych, wstrz
ą
sy s
ą
tolerowane.
Stany graniczne u
ż
ytkowalno
ś
ci
• Wa
ż
ne pytania
• Jakie drgania i ugi
ę
cia s
ą
dopuszczalne ?
• Jak cz
ę
sto stany graniczne u
ż
ytkowalno
ś
ci
mog
ą
by
ć
przekraczane ?
• Jak mierzy
ć
drgania ?
31
• Jak mierzy
ć
drgania ?
Stany graniczne u
ż
ytkowalno
ś
ci
• Odkształcenia trwałe
•
Kumulacja ugi
ęć
trwałych mo
ż
e doprowadzi
ć
do problemów u
ż
ytkowania
32
Powstanie zagi
ę
cia w ci
ą
głej belce stalowej
zagi
ę
cie
Stany graniczne zm
ę
czenia
• Odnosz
ą
si
ę
do kumulacji zniszczenia
oraz ewentualnej awarii na skutek
powtarzaj
ą
cych si
ę
obci
ąż
e
ń
• Elementy konstrukcyjne mog
ą
ulec awarii
pod wpływem obci
ąż
e
ń
ni
ż
szych ni
ż
dopuszczalne
33
•
Formułowanie stanu granicznego zniszczenia
dla konstrukcji stalowych i
ż
elbetowych
•
Kryteria dopuszczalno
ś
ci
•
Praktyczne kryteria projektowania i oceny.
Funkcja stanu granicznego
• Wszystkie zrealizowane konstrukcje mo
ż
na zaliczy
ć
do jednej z dwóch kategorii:
• Bezpiecze
ń
stwo
( efekt obci
ąż
enia
≤
no
ś
no
ść
)
• Awaria
34
• Awaria
( efekt obci
ąż
enia > no
ś
no
ść
)
Funkcja stanu granicznego
• Stan konstrukcji mo
ż
na opisa
ć
za pomoc
ą
parametrów
X
1
, ..., X
n
, gdzie X
i
- parametry obci
ąż
enia i no
ś
no
ś
ci.
• Funkcja stanu granicznego g( X
1
, ..., X
n
) jest funkcj
ą
tych parametrów, tak
ą
ż
e
(
)
0
X
,
X
g
≥
35
• w przypadku bezpiecze
ń
stwa
• w przypadku awarii
• Ka
ż
da taka funkcja zwi
ą
zana jest z danym
stanem granicznym.
(
)
0
X
,
X
g
n
1
≥
K
(
)
0
X
,
X
g
n
1
<
K
Przykład funkcji stanu granicznego
• Niech Q = całkowity efekt obci
ąż
enia, R = no
ś
no
ść
.
Wtedy, funkcj
ę
stanu granicznego mo
ż
na zdefiniowa
ć
jako
Q
R
g
−
=
R-Q
margines
Q
obci
ąż
enie
R
no
ś
no
ść
f
Q
, f
R
, f
R-Q
36
Prawdopodobie
ń
stwo
awarii
margines
bezpiecze
ń
stwa
obci
ąż
enie
no
ś
no
ść
Funkcje g
ę
sto
ś
ci prawdopodobie
ń
stwa
obci
ąż
enia Q, no
ś
no
ś
ci R i marginesu bezpiecze
ń
stwa R-Q
X
Przypadek podstawowy
• Prawdopodobie
ń
stwo awarii
•
Wobec funkcji stanu granicznego postaci g = R - Q
prawdopodobie
ń
stwo awarii P
f
mo
ż
na okre
ś
li
ć
rozpatruj
ą
c funkcje g
ę
sto
ś
ci prawdopodobie
ń
stwa R i Q.
f
Q
, f
R
37
Funkcje g
ę
sto
ś
ci prawdopodobie
ń
stwa obci
ąż
enia Q i no
ś
no
ś
ci R
X
dx
f
Q
, f
R
f
Q
f
R
1-F
Q
(x)
Przypadek podstawowy
Konstrukcja ulega awarii, gdy obci
ąż
enie Q przekracza no
ś
no
ść
R,
wtedy prawdopodobie
ń
stwo awarii równe jest prawdopodobie
ń
stwu
tego,
ż
e Q > R i wynosi:
)
r
R
(
P
)
r
R
|
R
Q
(
P
)
r
Q
r
R
(
P
P
i
i
i
i
f
=
=
>
=
>
∩
=
=
∑
∑
(
)
dr
)
r
(
f
)
r
(
F
1
dr
)
r
(
f
)
r
(
F
1
P
∫
∫
+∞
+∞
−
=
−
=
38
Wzory te s
ą
zbyt trudne do stosowania.
(
)
i
i
R
i
Q
i
i
R
i
Q
f
dr
)
r
(
f
)
r
(
F
1
dr
)
r
(
f
)
r
(
F
1
P
∫
∫
∞
−
∞
−
−
=
−
=
)
q
Q
(
P
)
q
Q
|
Q
R
(
P
)
q
R
q
Q
(
P
P
i
i
i
i
f
=
=
<
=
<
∩
=
=
∑
∑
i
i
Q
i
R
f
dq
)
q
(
f
)
q
(
F
P
∫
+∞
∞
−
=
lub:
Przypadek podstawowy
• Przestrze
ń
zmiennych opisuj
ą
cych stan konstrukcji
R
R - Q = 0
granica awarii
R > Q
obszar
bezpiecze
ń
stwa
39
Obszar bezpiecze
ń
stwa i obszar awarii w 2-wymiarowej przestrzeni stanów
Q
granica awarii
( funkcja stanu granicznego )
R < Q
obszar
awarii
Q
R
Przypadek podstawowy
• Przestrze
ń
zmiennych opisuj
ą
cych stan konstrukcji
R
f
R,Q
40
3-wymiarowy szkic przykładowej ł
ą
cznej funkcji prawdopodobie
ń
stwa f
R,Q
Q
R - Q = 0
granica awarii
( funkcja stanu granicznego )
Q
R
Wska
ź
nik niezawodno
ś
ci
• Definicja
•
Wska
ź
nik niezawodno
ś
ci oznacza si
ę
przez
β
.
Mo
ż
na go obliczy
ć
nast
ę
puj
ą
co:
2
Q
2
R
Q
R
µ
µ
β
+
−
=
41
•
Zwi
ą
zek mi
ę
dzy wska
ź
nikiem niezawodno
ś
ci
o prawdopodobie
ń
stwem awarii jest nast
ę
puj
ą
cy:
Q
R
µ
µ
+
( )
f
1
P
−
Φ
−
=
β
( )
β
−
Φ
=
f
P
lub
Wska
ź
nik niezawodno
ś
ci
• Wska
ź
nik niezawodno
ś
ci mo
ż
na tak
ż
e zdefiniowa
ć
dla przypadku przestrzeni n-wymiarowej.
• Rozwa
ż
my funkcj
ę
stanu granicznego
42
gdzie X
i
s
ą
zmiennymi losowymi nieskorelowanymi.
(
)
n
2
1
X
,
X
,
X
g
K
Wska
ź
nik niezawodno
ś
ci
• Je
ż
eli funkcja ta jest liniowa
(
)
∑
∑
=
=
+
=
n
1
i
2
X
i
n
1
i
i
i
0
i
a
x
a
a
µ
β
n
n
1
1
0
n
1
X
a
...
X
a
a
)
X
,...,
X
(
g
+
+
+
=
43
• Je
ż
eli jest nieliniowa, rozwijamy j
ą
w szereg Taylora wokół
warto
ś
ci
ś
rednich zmiennych losowych i wtedy:
(
)
∑
=
∂
∂
=
n
1
i
2
X
srednie
wartosci
i
n
2
1
i
x
g
x
,...,
x
,
x
g
µ
β
Wska
ź
nik niezawodno
ś
ci
• Zwi
ą
zek mi
ę
dzy wska
ź
nikiem niezawodno
ś
ci
β
a prawdopodobie
ń
stwem awarii P
f
P
f
β
10
-1
1,28
10
-2
2,33
44
10
-3
3,09
10
-4
3,71
10
-5
4,26
10
-6
4,75
10
-7
5,19
10
-8
5,62
10
-9
5,99
Wska
ź
nik niezawodno
ś
ci
• Zdefiniowany wska
ź
nik niezawodno
ś
ci nazywa si
ę
wska
ź
nikiem
pierwszego rz
ę
du, drugiego momentu, warto
ś
ci
ś
redniej.
• pierwszego rz
ę
du
poniewa
ż
wyst
ę
puj
ą
w nim
wyrazy pierwszego rz
ę
du
rozwini
ę
cia w szereg Taylora
funkcji stanu granicznego
45
funkcji stanu granicznego
• drugiego momentu
poniewa
ż
wyst
ę
puj
ą
w nim
jedynie warto
ść
ś
rednia i wariancja
(nie zale
ż
y od rodzaju rozkładu
zmiennych losowych)
• warto
ś
ci
ś
redniej
poniewa
ż
rozwini
ę
cie
w szereg Taylora nast
ę
puje
wokół warto
ś
ci
ś
redniej
Przykład
• Belka swobodnie podparta o długo
ś
ci 4 m,
poddana jest obci
ąż
eniom losowym: stałemu, zmiennemu
oraz wiatrem - równomiernie rozło
ż
onym.
Warto
ść
ś
rednia maksymalnego momentu zginaj
ą
cego,
jaki przenosi belka = 180 kNm a współczynnik
zmienno
ś
ci v
M
= 15%.
M
46
zmienno
ś
ci v
M
= 15%.
Obliczy
ć
prawdopodobie
ń
stwo awarii belki, zakładaj
ą
c,
ż
e wszystkie zmienne losowe s
ą
nieskorelowane
i maj
ą
rozkłady normalne.
w
L
Przykład (c.d.)
• Obci
ąż
enia
obci
ąż
enie:
µ
x
--------------------------------------------------------
g - stałe
14 kN/m
1,4 kN/m
p - zmienne
22 kN/m
3,0 kN/m
w - wiatrem
8 kN/m
1,8 kN/m
x
47
• No
ś
no
ść
w tym przypadku równa jest zdolno
ś
ci
przeniesienia momentu zginaj
ą
cego
= 180 kNm
v
R
= v
M
= 0,15
µ
R
= v
R
= (180)(0,15) = 27 kNm
M
R
=
R
Przykład (c.d.)
• Funkcja stanu granicznego jest nast
ę
puj
ą
ca:
gdzie M
g
, M
p
i M
w
oznaczaj
ą
odpowiednio momenty
zginaj
ą
ce wyst
ę
puj
ą
ce w
ś
rodku rozpi
ę
to
ś
ci belki
wywołane obci
ąż
eniem stałym, zmiennym i wiatrem:
(
)
w
p
g
M
M
M
R
g
+
+
−
=
48
wywołane obci
ąż
eniem stałym, zmiennym i wiatrem:
(
)
w
p
g
2
R
g
+
+
−
=
8
gL
M
2
g
=
8
pL
M
2
p
=
8
L
w
M
2
w
=
m
4
L
=
czyli:
Przykład (c.d.)
• Poniewa
ż
funkcja stanu granicznego jest liniowa
a zmienne maj
ą
rozkłady normalne i s
ą
nieskorelowane,
β
obliczamy nast
ę
puj
ą
co:
(
)
a
x
a
a
n
2
X
i
n
1
i
i
i
0
i
+
=
∑
∑
=
=
µ
β
49
( )
(
)
(
) (
)
(
)
( ) (
)
( ) ( )( )
(
) ( )( )
(
) ( )( )
(
)
28
,
3
8
,
1
2
0
,
3
2
4
,
1
2
27
8
22
14
2
180
1
0
2
2
2
w
p
g
2
R
1
0
2
2
2
2
2
w
2
p
2
g
2
R
1
i
i
=
−
+
−
+
−
+
+
+
−
+
=
−
+
−
+
−
+
+
+
−
+
=
∑
=
µ
µ
µ
µ
( ) (
)
4
f
10
16
,
5
28
,
3
P
−
×
=
−
Φ
=
β
−
Φ
=
st
ą
d:
Przykład
• Rozwa
ż
my belk
ę
ż
elbetow
ą
d = 50 cm
50
Przekrój poprzeczny belki
ż
elbetowej
b = 30 cm
A
s
Przykład (c.d.)
• No
ś
no
ść
przekroju ze wzgl
ę
du na moment zginaj
ą
cy:
( )
b
f
f
A
59
,
0
d
f
A
b
f
f
A
59
,
0
d
f
A
M
'
c
2
y
s
y
s
'
c
y
s
y
s
R
−
=
−
=
• Funkcja stanu granicznego: g = M
R
-M
51
• Funkcja stanu granicznego: g = M
R
-M
(
)
( )
M
b
f
f
A
59
,
0
d
f
A
Q
,
f
,
f
,
A
g
'
c
2
y
s
y
s
'
c
y
s
−
−
=
gdzie M oznacza moment zginaj
ą
cy (efekt obci
ąż
enia).
Zmiennymi losowymi s
ą
M, f
y
, f
c
’ i A
s
.
Parametry rozkładów prawdopodobie
ń
stwa
i parametry projektowe s
ą
nast
ę
puj
ą
ce
Przykład (c.d.)
nominalna
µ
v
-----------------------------------------------------------------------------------
A
s
26 cm
3
25,5 cm
3
0,5
cm
3
0,019
f
y
300,0 MPa
273,0 MPa
31,5
MPa
0,105
f’
21 MPa
20,2 MPa
2,9
MPa
0,138
x
52
• Warto
ś
ci d i b s
ą
stałymi deterministycznymi.
• Obliczy
ć
wska
ź
nik niezawodno
ś
ci
β
.
f’
c
21 MPa
20,2 MPa
2,9
MPa
0,138
M
235 kNm
247,0 kNm
28,2
kNm
0,120
-----------------------------------------------------------------------------------
Przykład (c.d.)
• Funkcja stanu granicznego jest nieliniowa.
Jej rozwini
ę
cie w szereg Taylora wokół warto
ś
ci
ś
redniej prowadzi do nast
ę
puj
ą
cej funkcji liniowej:
(
)
(
)
`
c
2
y
s
y
s
'
c
y
s
g
g
M
b
f
)
f
A
(
59
,
0
d
f
A
)
M
,
f
,
f
,
A
(
g
∂
∂
−
+
−
+
−
−
≈
53
(
)
(
)
(
)
(
)
srednie
wartosci
srednie
wartosci
'
c
`
c
'
c
srednie
wartosci
y
y
y
srednie
wartosci
s
s
s
M
g
M
M
f
g
f
f
f
g
f
f
A
g
A
A
∂
∂
∂
∂
∂
∂
∂
∂
−
+
−
+
−
+
−
+
Przykład (c.d.)
• Aby obliczy
ć
β
, nale
ż
y obliczy
ć
warto
ść
funkcji stanu granicznego
i jej pierwszych pochodnych cz
ą
stkowych dla warto
ś
ci
ś
rednich
zmiennych losowych.
(
)
m
/
kN
106171
b
f
f
A
2
59
,
0
d
f
A
g
a
wartosci
'
c
2
y
s
y
wartosci
s
1
=
−
=
∂
∂
=
kNm
98
M
b
f
)
f
A
(
59
,
0
d
f
A
)
M
,
f
,
f
,
A
(
g
`
c
2
y
s
y
s
`
c
y
s
=
−
−
=
54
(
)
( )
1
1
Q
g
a
m
10
2713
b
)
f
(
f
A
59
,
0
f
g
a
m
10
920
b
f
A
f
2
59
,
0
d
A
f
g
a
b
f
A
srednie
wartosci
srednie
wartosci
4
3
6
srednie
wartosci
2
'
c
2
y
s
srednie
wartosci
'
c
3
3
6
srednie
wartosci
'
c
2
s
y
s
srednie
wartosci
y
2
srednie
wartosci
c
srednie
wartosci
s
−
=
−
=
∂
∂
=
×
=
=
∂
∂
=
×
=
−
=
∂
∂
=
∂
−
−
Przykład (c.d.)
• Podstawiaj
ą
c do wzoru na
β
, otrzymujemy:
(
)
(
)
(
)
(
)
0
,
98
)
)(
1
(
)
)(
10
2713
(
)
)(
10
920
(
)
)(
106171
(
)
M
,
f
,
f
,
A
(
g
2
M
2
f
6
2
f
6
2
A
`
c
y
s
'
c
y
s
−
+
×
+
×
+
=
−
−
µ
µ
µ
µ
β
55
(
) (
) (
)
(
)
36
,
2
6
,
41
0
,
98
)
2
,
28
)(
1
(
)
2940
)(
10
2713
(
)
31500
)(
10
920
(
)
10
52
,
0
)(
106171
(
0
,
98
2
2
6
2
6
2
4
=
=
−
+
×
+
×
+
×
=
−
−
−
Wska
ź
nik niezawodno
ś
ci
wyznaczony na podstawie warto
ś
ci
ś
redniej,
pierwszego rz
ę
du, drugiego momentu
• Metoda ta oparta jest na zało
ż
eniu,
ż
e wszystkie zmienne
losowe maj
ą
rozkład normalny
Zalety
• Metoda jest łatwa w u
ż
yciu
• Nie wymaga znajomo
ś
ci rozkładów zmiennych losowych
56
• Nie wymaga znajomo
ś
ci rozkładów zmiennych losowych
Wady
• daje niedokładne wyniki, szczególnie w przypadku, gdy
„ko
ń
ce” dystrybuant odbiegaj
ą
od rozkładu normalnego
• du
ż
y problem: warto
ść
β
zale
ż
y od przyj
ę
tej postaci
funkcji stanu granicznego.
Wska
ź
nik niezawodno
ś
ci
wyznaczony na podstawie warto
ś
ci
ś
redniej,
pierwszego rz
ę
du, drugiego momentu
aproksymuj
ą
cy
rozkład
normalny
aproksymuj
ą
cy
rozkład
normalny
F
Q
F
R
57
arkusz probabilistyczny rozkładu normalnego
Q
R
µ
Q
µ
R
R, Q
Wska
ź
nik niezawodno
ś
ci
wyznaczony na podstawie warto
ś
ci
ś
redniej,
pierwszego rz
ę
du, drugiego momentu
• Obliczenie takiego wska
ź
nika niezawodno
ś
ci,
β
,
zale
ż
y od sformułowania zadania
58
zale
ż
y od sformułowania zadania
(postaci funkcji stanu granicznego)
Przykład
• Rozwa
ż
my belk
ę
stalow
ą
o kr
ę
pym przekroju,
o wska
ź
niku zginania przekroju W i granicy plastyczno
ś
ci f
y
.
W zadaniu wyst
ę
puj
ą
4 zmienne losowe: P, L, W, f
y
.
Przyj
ę
to,
ż
e s
ą
nieskorelowane.
59
L
Przykład (c.d.)
{ }
×
×
=
=
−
kPa
10
600
m
10
100
m
8
kN
10
f
W
L
P
x
3
3
4
y
Wektor warto
ś
ci
ś
rednich i macierz kowariancji s
ą
nast
ę
puj
ą
ce:
60
y
[ ]
(
)
×
×
×
=
−
−
2
2
9
6
12
2
3
2
2
x
m
/
kN
10
10
0
0
0
0
m
10
400
0
0
0
0
m
10
10
0
0
0
0
kN
4
µ
Przykład (c.d.)
•
Najpierw, rozwa
ż
my funkcj
ę
stanu granicznego,
wyra
ż
on
ą
za pomoc
ą
momentów zginaj
ą
cych.
(
)
4
PL
Wf
L
,
P
,
f
,
W
g
y
y
1
−
=
•
Jak pami
ę
tamy, funkcja stanu granicznego słu
ż
y do definiowania
granicy pomi
ę
dzy obszarami bezpiecznym i niebezpiecznym,
i granica ta odpowiada g = 0. Je
ż
eli funkcj
ę
g podzielimy
61
i granica ta odpowiada g = 0. Je
ż
eli funkcj
ę
g
1
podzielimy
przez wielko
ść
dodatni
ą
(n.p. przez W), nie zmienimy granicy
pomi
ę
dzy obszarami, w których jest ona dodatnia lub ujemna.
Zatem alternatywna posta
ć
funkcji stanu granicznego
(wyra
ż
ona w jednostkach napr
ęż
e
ń
) mo
ż
e by
ć
nast
ę
puj
ą
ca:
(
)
(
)
W
L
,
P
,
f
,
W
g
W
4
PL
f
L
,
P
,
f
,
W
g
y
1
y
y
2
=
−
=
Przykład (c.d.)
•
Skoro obie funkcje spełniaj
ą
warunki funkcji stanu granicznego,
obie s
ą
wła
ś
ciwe. Obliczmy teraz
β
odpowiadaj
ą
cy obydwu funkcjom
•
Poniewa
ż
funkcja g
1
jest nieliniowa, nale
ż
y j
ą
zlinearyzowa
ć
rozwijaj
ą
c j
ą
w szereg wokół warto
ś
ci
ś
rednich.
(
)
(
)
(
) (
)
L
L
4
P
P
P
4
L
f
f
W
W
W
f
4
L
P
f
W
g
y
y
y
y
1
−
−
−
−
−
+
−
+
−
≈
48
,
2
=
β
62
48
,
2
=
β
•
Poniewa
ż
funkcja g
2
tak
ż
e jest nieliniowa, nale
ż
y j
ą
zlinearyzowa
ć
rozwijaj
ą
c j
ą
w szereg wokół warto
ś
ci
ś
rednich.
( )
(
)
( )
(
)
(
)
(
)
L
L
W
4
P
P
P
W
4
L
f
f
1
W
W
W
4
L
P
W
4
L
P
f
g
y
y
2
y
2
−
−
−
−
−
+
−
+
−
≈
48
,
3
=
β
Przykład (c.d.)
• Przykład ten wyra
ź
nie obrazuje problem zale
ż
no
ś
ci
wska
ź
nika niezawodno
ś
ci od postaci funkcji stanu
granicznego.
• W przykładzie, obie funkcje stanu granicznego opisuj
ą
ten
sam stan graniczny.
63
• Prawdopodobie
ń
stwo awarii obliczone na podstawie tych
funkcji (wyra
ż
one za pomoc
ą
wska
ź
ników niezawodno
ś
ci)
powinno by
ć
zatem jednakowe.
• Dlatego Hasofer i Lind wprowadzili now
ą
definicj
ę
wska
ź
nika niezawodno
ś
ci, która nie zale
ż
y od postaci
funkcji stanu granicznego
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
• Rozwa
ż
my funkcj
ę
stanu granicznego
g(X
1
,..., X
n
)
w której zmienne losowe X
i
s
ą
nieskorelowane.
• Funkcj
ę
stanu granicznego mo
ż
na przedstawi
ć
u
ż
ywaj
ą
c standaryzowanej postaci zmiennych
losowych (zmiennych zredukowanych)
64
losowych (zmiennych zredukowanych)
i
X
i
i
i
x
X
Z
µ
−
=
• Zast
ę
puj
ą
c X
1
, …, X
n
standaryzowanymi zmiennymi
Z
1
, …, Z
n
, otrzymujemy now
ą
funkcj
ę
stanu granicznego
g’(Z
1
,..., Z
n
)
i
X
i
i
i
Z
x
X
µ
+
=
oraz
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
• Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
definiuje si
ę
jako najkrótsza odległo
ść
od pocz
ą
tku
układu przestrzeni zmiennych losowych zredukowanych
do granicy opisanej równaniem stanu granicznego g’ = 0
• Praktycznie znaczy to,
ż
e
β
jest nakrótsz
ą
odległo
ś
ci
ą
od (0,…, 0) do n-wymiarowej powierzchni
65
g’(Z
1
,..., Z
n
) = 0
• Najbli
ż
szy punkt poło
ż
ony na g’(Z
1
,..., Z
n
) = 0 nazywany
jest punktem projektowym, oznaczamy go (Z
1
*,..., Z
n
*)
( )
∑
=
=
β
n
1
i
2
*
i
Z
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
• Je
ś
li funkcja stanu granicznego jest liniowa,
wska
ź
nik niezawodno
ś
ci oblicza si
ę
nast
ę
puj
ą
co:
∑
=
+
=
n
1
i
i
i
0
X
a
a
g
66
(
)
∑
∑
=
=
+
=
n
1
i
2
X
i
n
1
i
i
i
0
i
a
x
a
a
µ
β
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
R
R
f
R,Q
r*
67
Punkt projektowy dla liniowej funkcji stanu granicznego g = R - Q
Q
R
Q
(
R
,
Q
)
R - Q = 0
q*
r*
( r*, q* )
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
• Je
ś
li funkcja stanu granicznego jest nieliniowa, wtedy
nale
ż
y znale
źć
punkt (Z
1
*,..., Z
n
*) w przestrzeni
zmiennych losowych zredukowanych, który spełnia
równanie stanu granicznego, najbli
ż
szego (0, …, 0),
g’(Z
1
*,..., Z
n
*) = 0
68
g’(Z
1
*,..., Z
n
*) = 0
• Obliczenia mo
ż
na przeprowadzi
ć
metod
ą
iteracyjn
ą
.
( )
∑
=
=
β
n
1
i
2
*
i
Z
min
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
Z
2
punkt projektowy
69
Z
1
z
2
*
z
1
*
β
g’( Z
1
,... Z
n
) = 0
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
Z
2
z
*
g’( Z
1
,... Z
n
) =0
70
Z
1
z
1
*
z
2
*
β
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
Procedura iteracyjna polega na
rozwi
ą
zaniu układu (2n+1) równa
ń
z (2n+1) niewiadomymi:
β
,
α
1
,
α
2
, ...,
α
n
, z
1
*, z
2
*, ..., z
n
*
( )
1
n
1
i
2
i
=
α
∑
=
i
*
i
z
βα
=
(
)
0
z
,
,
z
'
g
*
n
*
1
=
K
71
∑
=
∂
∂
∂
∂
−
=
α
n
1
i
2
projektowy
punkt
i
projektowy
punkt
i
i
Z
'
g
Z
'
g
i
X
i
i
i
i
i
X
g
Z
X
X
g
Z
'
g
µ
∂
∂
=
∂
∂
∂
∂
=
∂
∂
1
i
=
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
Dwie alternatywne procedury iteracyjne:
• Rozwi
ą
zywanie układu równa
ń
• Procedura macierzowa.
72
• Procedura macierzowa.
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
Układ równa
ń
:
1. Sformułuj funkcj
ę
stanu granicznego
i okre
ś
l odpowiednie parametry rozkładów
wyst
ę
puj
ą
cych w niej zmiennych losowych X
i
.
2. Wyra
ź
funkcj
ę
stanu granicznego za pomoc
ą
73
2. Wyra
ź
funkcj
ę
stanu granicznego za pomoc
ą
zmiennych losowych zredukowanych Z
i
.
3. Wyra
ź
funkcj
ę
stanu granicznego za pomoc
ą
β
i
α
i
:
4. Oblicz n warto
ś
ci
α
i
wyra
ż
aj
ą
c ka
ż
de z nich
jako funkcj
ę
wszystkich
α
i
oraz
β
.
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
5. Rozpocznij cykl oblicze
ń
:
przyjmij warto
ś
ci liczbowe
β
i wszystkich
α
i
.
6. Podstaw je do prawych stron równa
ń
sformułowanych w kroku 3 i 4.
74
sformułowanych w kroku 3 i 4.
7. Rozwi
ąż
układ n+1 równa
ń
otrzymanych
w kroku 6 ze wzgl
ę
du na
β
i
α
i
.
8. Wró
ć
do kroku 6. Powtarzaj iteracje,
a
ż
do uzyskania zbie
ż
no
ś
ci
β
i
α
i
.
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
Procedura macierzowa
:
1. Sformułuj funkcj
ę
stanu granicznego
i okre
ś
l odpowiednie parametry rozkładów
wyst
ę
puj
ą
cych w niej zmiennych losowych X
i
2. Znajd
ź
pocz
ą
tkowy punkt projektowy {x
i
*} przyjmuj
ą
c
warto
ś
ci pocz
ą
tkowe dla n-1 zmiennych X
i
.
(Cz
ę
sto, dobrze jest przyj
ąć
warto
ś
ci
ś
rednie.)
Rozwi
ąż
równanie stanu granicznego g = 0
75
Rozwi
ąż
równanie stanu granicznego g = 0
wzgl
ę
dem pozostałej zmiennej losowej.
Dzi
ę
ki temu punkt pocz
ą
tkowy b
ę
dzie nale
ż
ał
do granicy obszaru awarii.
3. Oblicz warto
ś
ci zmiennych zredukowanych {z
i
*}
odpowiadaj
ą
cych punktowi projektowemu
i
X
i
*
i
*
i
x
x
z
µ
−
=
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
4. Wyznacz pochodne cz
ą
stkowe funkcji stanu granicznego
wzgl
ę
dem zmiennych losowych zredukowanych.
Dla wygody zdefiniuj wektor kolumnowy {G}
- wektor tych pochodnych ze znakiem „-”
{ }
=
2
1
G
G
G
M
punkt
i
Z
'
g
G
∂
∂
−
=
gdzie
76
5. Oblicz przybli
ż
enie
β
stosuj
ą
c poni
ż
szy wzór:
n
G
M
projektowy
punkt
i
Z
∂
{ }
{ }
{ } { }
G
G
z
G
T
*
T
=
β
{ }
=
*
n
*
2
*
1
*
z
z
z
z
M
gdzie
Wska
ź
nik niezawodno
ś
ci Hasofera-Linda
6. Oblicz wektor kolumnowy współczynników wra
ż
liwo
ś
ci:
7. Wyznacz nowy punkt projektowy w przestrzeni zmiennych
losowych zredukowanych dla n-1 zmiennych
{ }
{ }
{ } { }
G
G
G
T
=
α
i
*
i
z
βα
=
77
8. Okre
ś
l odpowiadaj
ą
cy mu punkt projektowy we współrz
ę
dnych
pocz
ą
tkowych dla n-1 zmiennych z kroku 7
9. Oblicz warto
ść
pozostałej zmiennej losowej ( t.j. nie okre
ś
lonej
w krokach 7 i 8 ) rozwi
ą
zuj
ą
c równanie stanu granicznego g = 0
10. Powtarzaj kroki 3
÷
9 a
ż
do uzyskania zbie
ż
no
ś
ci
β
oraz współrz
ę
dnych punktu projektowego {x
i
*}.
i
i
z
βα
=
i
X
*
i
i
*
i
z
x
x
µ
+
=
Przykład
• Oblicz wska
ź
nik niezawodno
ś
ci Hasofera-Linda,
β
dla belki ci
ą
głej 3-prz
ę
słowej.
78
Przykład (c.d.)
• Zmiennymi losowymi s
ą
:
obci
ąż
enie ci
ą
głe (w),
rozpi
ę
to
ść
poszczególnych prz
ę
seł (L),
moduł spr
ęż
ysto
ś
ci podłu
ż
nej (E),
moment bezwładno
ś
ci przekroju (I).
Rozwa
ż
amy stan graniczny ugi
ę
cia,
przyjmuj
ą
c warto
ść
ugi
ę
cia dopuszczalnego L/360.
Ugi
ę
cie maksymalne wynosi 0,0069 wL
4
/EI
79
Ugi
ę
cie maksymalne wynosi 0,0069 wL /EI
i wyst
ę
puje w odległo
ś
ci 0,446 L od ko
ń
ca belki (AISC, 1986).
Funkcja stanu granicznego jest nast
ę
puj
ą
ca:
(
)
EI
wL
0069
,
0
360
L
I
,
E
,
L
,
w
g
4
−
=
Przykład (c.d.)
• Warto
ś
ci
ś
rednie i odchylenia standardowe zmiennych losowych:
zmienna
warto
ść
ś
rednia
odchylenie standardowe
X
i
µ
xi
w
10
kN/m
0,4
kN/m
i
x
80
w
10
kN/m
0,4
kN/m
L
5
m
≈
0
E
2
×
10
7
kN/m
2
0,5
×
10
7
kN/m
2
I
6
×
10
-4
m
4
1,5
×
10
-4
m
4
Przykład (c.d.)
• Podstawiaj
ą
c dane liczbowe otrzymujemy:
• Wprowadzamy zmienne losowe zredukowane
( )
0
w
5
,
310
EI
0
w
5
0069
,
0
EI
360
5
0
g
4
=
−
⇒
=
−
⇒
=
−
−
−
81
E
2
E
E
Z
µ
−
=
w
3
w
w
Z
µ
−
=
I
1
I
I
Z
µ
−
=
I
1
Z
I
I
µ
+
=
w
3
Z
w
w
µ
+
=
E
2
Z
E
E
µ
+
=
Przykład (c.d.)
• Podstawiamy je do funkcji stanu granicznego, g:
(
)(
)
(
)
0
Z
w
5
,
310
Z
I
Z
E
w
3
I
1
E
2
=
+
−
+
+
µ
µ
µ
(
)
(
)
(
)
(
)
( )
(
)
4
,
0
Z
10
5
,
310
10
5
,
1
Z
10
8
10
5
,
0
Z
10
2
3
4
1
4
7
2
7
=
+
−
×
+
×
×
+
×
−
−
0
12895
Z
2
,
124
Z
Z
750
Z
4000
Z
3000
3
2
1
2
1
=
+
−
+
+
82
• Wyra
ż
amy g’ jako funkcj
ę
β
i
α
i
:
3
2
1
2
1
i
*
i
z
βα
=
0
12895
2
,
124
750
4000
3000
3
2
1
2
2
1
=
+
βα
−
α
α
β
+
βα
+
βα
⇓
Przykład (c.d.)
• Obliczamy warto
ś
ci
β
i
α
i
:
3
2
1
2
1
2
,
124
750
4000
3000
12895
βα
−
α
α
+
α
+
α
−
=
β
(
)
(
) (
) (
)
2
2
2
2
1
2
,
124
750
4000
750
3000
750
3000
−
+
βα
+
+
βα
+
βα
+
−
=
α
83
(
) (
) (
)
1
2
2
,
124
750
4000
750
3000
−
+
βα
+
+
βα
+
(
)
(
) (
) (
)
2
2
1
2
2
1
2
2
,
124
750
4000
750
3000
750
4000
−
+
βα
+
+
βα
+
βα
+
−
=
α
(
)
(
) (
) (
)
2
2
1
2
2
2
2
,
124
750
4000
750
3000
2
,
124
−
+
βα
+
+
βα
+
−
−
=
α
Przykład (c.d.)
• Rozpoczynamy iteracje zgaduj
ą
c warto
ś
ci
β
,
α
1
,
α
2
,
α
3
,
na przykład:
58
,
0
333
,
0
2
1
−
=
−
=
α
=
α
84
58
,
0
333
,
0
3
=
=
α
3
=
β
Przykład (c.d.)
• Wyniki iteracji zestawiono poni
ż
ej. Zauwa
ż
my,
ż
e mi
ę
dzy iteracjami
5 i 6 zmiany warto
ś
ci s
ą
niewielkie, co oznacza zbie
ż
no
ść
wyniku.
Zbie
ż
no
ść
ta jest szybsza, je
ż
eli przyjmie si
ę
wła
ś
ciwe znaki
α
i
( + dla obci
ąż
e
ń
, - dla no
ś
no
ś
ci ).
3.173
3.173
3.175
3.213
3.429
3.664
3
β
6
5
4
3
2
1
iteracje
warto
ś
ci
pocz
ą
tkowe
85
0.034
0.034
0.034
0.037
0.047
0.039
+0.58
α
3
-0.983
-0.983
-0.985
-0.988
-0.965
-0.846
-0.58
α
2
-0.182
-0.179
-0.168
-0.153
-0.257
-0.532
-0.58
α
1
3.173
3.173
3.175
3.213
3.429
3.664
3
β
Zatem, obliczany wska
ź
nik niezawodno
ś
ci wynosi w przybli
ż
eniu 3,17
Procedura obliczania
β
według Rackwitza-Fiesslera
• Współczynnik niezawodno
ś
ci Hasofera-Linda jest
zdefiniowany dla przypadku, kiedy nie znamy
rozkładów zmiennych losowych
• Je
ś
li rozkłady s
ą
znane, wtedy obliczamy
β
metod
ą
Rackwitza-Fiesslera
86
metod
ą
Rackwitza-Fiesslera
• Analiza niezawodno
ś
ci prowadzi do wyznaczenia
wska
ź
nika niezawodno
ś
ci,
β
, oraz znalezienia
współrz
ę
dnych punktu projektowego {z
1
*, z
2
*, ... , z
n
*}
Procedura obliczania
β
według Rackwitz-Fiessler
• Rozkłady inne ni
ż
normalne s
ą
zast
ą
pione normalnymi
tak,
ż
e dystrybuanta i funkcja g
ę
sto
ś
ci maj
ą
t
ę
sam
ą
warto
ść
dla prawdziwych i zast
ę
pczych rozkładów
w punkcie projektowym.
• Wymagana jest znajomo
ść
rozkładów zmiennych
87
• Wymagana jest znajomo
ść
rozkładów zmiennych
losowych wyst
ę
puj
ą
cych w funkcji stanu granicznego.
Iteracyjna Procedura Rackwitza-Fiesslera
1. Przygotuj dane:
•
funkcja stanu granicznego g = g(X
1
, …, X
n
)
•
dystrybuanty dla wszystkich zmiennych F
1
, …, F
n
•
funkcje g
ę
sto
ś
ci dla wszystkich zmiennych f
1
, …, f
n
2. Wprowad
ź
(zgadnij) współrz
ę
dne punktu projektowego,
X
1
*, … X
n
* (jako pierwsze przybli
ż
enie, mo
ż
na przyj
ąć
warto
ś
ci
ś
rednie)
3. Oblicz parametry zast
ę
pczych rozkładów normalnych
88
3. Oblicz parametry zast
ę
pczych rozkładów normalnych
F
1
’
, …, F
n
’
, oraz f
1
’
, …, f
n
’
, tak
ż
e
F
1
’(X
1
*) = F
1
(X
1
*), …, F
n
’(X
n
*) = F
n
(X
n
*), oraz
f
1
’(X
1
*) = f
1
(X
1
*), …, f
n
’(X
n
*) = f
n
(X
n
*),
4. Oblicz
β
5. Oblicz współrz
ę
dne nast
ę
pnego punktu projektowego
6. Wprowad
ź
obliczone współrz
ę
dne do (3).
Obliczanie parametrów zast
ę
pczych rozkładów normalnych
( )
−
Φ
=
e
X
e
*
*
X
x
x
x
F
µ
( )
−
=
e
X
e
*
e
X
*
X
x
x
1
x
f
µ
φ
µ
St
ą
d, odchylenie standardowe zast
ę
pczego rozkładu normalnego
Dla ka
ż
dej zmiennej losowej X, mamy dwa równania
i dwie niewiadome (
µ
i
σ
):
89
(
)
[
]
)
x
(
F
x
x
*
X
1
e
X
*
e
−
Φ
−
=
µ
(
)
(
)
)
x
(
F
)
x
(
f
1
*
X
1
*
X
e
X
−
Φ
=
φ
µ
oraz warto
ść
ś
rednia zast
ę
pczego rozkładu normalnego
Obliczenie współrz
ę
dnych nast
ę
pnego punktu projektowego
dla zast
ę
pczych rozkładów normalnych
e
X
i
e
*
i
i
i
x
x
µ
βα
+
=
gdzie:
{ }
{ }
{ } { }
G
G
z
G
T
*
T
=
β
{ }
{ }
{ } { }
G
G
G
T
=
α
Je
ż
eli: g(X
1
,...,X
n
) = a
0
+ a
1
X
1
+...+a
n
X
n
90
(
)
∑
=
=
n
1
i
2
e
X
i
e
e
i
n
1
a
)
x
,...,
x
(
g
µ
β
( )
(
)
∑
=
−
=
2
1
i
2
e
X
i
2
e
X
i
e
*
i
i
i
i
a
a
x
x
µ
β
µ
Kolejne iteracje prowadzi si
ę
, a
ż
β
przestanie ulega
ć
zmianom (zwykle, gdy zmienia
ć
si
ę
b
ę
dzie o +/- 0,01)
Je
ż
eli: g(X
1
,...,X
n
) = a
0
+ a
1
X
1
+...+a
n
X
n
gdzie:
Rackwitz-Fiessler – dla dwóch zmiennych
1. Przygotuj dane:
1.
funkcja stanu granicznego g = R - Q
2.
dystrybuanty F
R
i F
Q
3.
funkcje g
ę
sto
ś
ci f
R
i f
Q
2. Wprowad
ź
(zgadnij) współrz
ę
dne punktu projektowego,
R* = Q* (pierwsze przybli
ż
enie)
3. Oblicz parametry zast
ę
pczych rozkładów normalnych
91
3. Oblicz parametry zast
ę
pczych rozkładów normalnych
F
R
’
i F
Q
’
, oraz f
R
’
i f
Q
’
, tak
ż
e
F
R
’(R*) = F
R
(R*)
F
Q
’(Q*) = F
Q
(Q*)
f
R
’(R*) = f
R
(R*)
f
Q
’(Q*) = f
Q
(Q*),
Obliczanie parametrów zast
ę
pczych rozkładów normalnych
(
)
[
]
)
R
(
F
R
R
*
R
1
e
R
*
e
−
Φ
−
=
σ
(
)
(
)
)
R
(
F
)
R
(
f
1
*
R
1
*
R
e
R
−
Φ
=
φ
µ
92
(
)
(
)
)
Q
(
F
)
Q
(
f
1
*
Q
1
*
Q
e
Q
−
Φ
=
φ
µ
(
)
[
]
)
Q
(
F
Q
Q
*
Q
1
e
Q
*
e
−
Φ
−
=
σ
Obliczenie wska
ź
nika niezawodno
ś
ci,
β
, dla zast
ę
pczych
rozkładów normalnych
Obliczenie współrz
ę
dnych nast
ę
pnego punktu projektowego
( ) ( )
2
e
Q
2
e
R
e
e
Q
R
µ
µ
β
+
−
=
93
( )
( ) ( )
2
e
Q
2
e
R
2
e
R
e
*
R
R
µ
µ
β
µ
+
−
=
( )
( ) ( )
2
e
Q
2
e
R
2
e
Q
e
*
Q
Q
µ
µ
β
µ
+
+
=
Metoda Rackwitza-Fiesslera
procedura graficzna
F
R
F
Q
F
R
e
styczna do F
Q
w q*
94
Ilustracja graficzna procedury Rackwitza-Fiesslera
R, Q
F
Q
e
styczna do F
R
w r*
q* = r*
R
e
Q
e
µ
R
e
µ
Q
e
Metoda Rackwitza-Fiesslera
procedura graficzna
• Mo
ż
e by
ć
stosowana, gdy dystrybuanty zmiennych losowych s
ą
dowolne
- wykre
ś
lone na arkuszu probabilistycznym.
• Ka
ż
da zmienna losowa, o innym rozkładzie ni
ż
normalny, aproksymowana
jest rozkładem normalnym, reprezentowanym na arkuszu probabilistycznym
przez lini
ę
prost
ą
.
• Warto
ść
dystrybuanty aproksymuj
ą
cej rozkład normalny równa jest
95
• Warto
ść
dystrybuanty aproksymuj
ą
cej rozkład normalny równa jest
warto
ś
ci dystrybuanty rozkładu rzeczywistego w punkcie projektowym.
• Zatem, na arkuszu probabilistycznym, linia prosta przecina oryginaln
ą
dystrybuant
ę
w punkcie projektowym.
• Skoro funkcja g
ę
sto
ś
ci prawdopodobie
ń
stwa jest styczna do dystrybuanty
(jako jej pierwsza pochodna), to linia prosta (aproksymuj
ą
ca) jest styczna
do oryginalnej dystrybuanty w punkcie projektowym.
• Parametry aproksymuj
ą
cego rozkładu normalnego (warto
ść
ś
rednia
i odchylenie standardowe) mog
ą
by
ć
odczytane bezpo
ś
rednio z wykresu.
Przykład
• Przykład zastosowania procedury graficznej
do wyznaczenia wska
ź
nika niezawodno
ś
ci
dla funkcji stanu granicznego:
g(R, Q) = R - Q
R - zmienna reprezentuj
ą
ca no
ś
no
ść
96
R - zmienna reprezentuj
ą
ca no
ś
no
ść
Q - zmienna reprezentuj
ą
ca efekt obci
ąż
enia
Dystrybuant
ę
zmiennych R i Q wykre
ś
lono
na arkuszu probabilistycznym rozkładu normalnego.
97
Ilustracja graficzna zadania
nowy punkt
projektowy
Przykład (c.d.)
1. Przyjmij warto
ść
pocz
ą
tkow
ą
współrz
ę
dnej punktu projektowego
na przykład r* = 50 MPa.
Zaznacz na wykresach F
Q
i F
R
punkty A i B.
Podstawowe kroki procedury graficznej
98
2. Poprowad
ź
w punktach A i B
styczne do F
Q
i F
R
.
3. Odczytaj bezpo
ś
rednio z rysunku:
MPa
56
R
e
=
MPa
14
Q
e
=
MPa
5
,
3
e
R
=
µ
MPa
5
,
14
e
Q
=
µ
Przykład (c.d.)
4. Oblicz
β
.
( ) ( )
( ) ( )
82
,
2
6
,
14
5
,
3
14
56
Q
R
2
2
2
e
Q
2
e
R
e
e
=
+
−
=
+
−
=
µ
µ
β
99
5. Wyznacz nowy punkt projektowy.
Z równania g = 0 wynika q* = r*
( )
( ) ( )
( ) ( )
( ) ( )
MPa
7
,
53
6
,
14
5
,
3
82
,
2
5
,
3
56
R
r
2
2
2
2
e
Q
2
e
R
2
e
R
e
*
=
+
−
=
+
−
=
µ
µ
β
µ
Przykład (c.d.)
6. Wykre
ś
l styczne do F
Q
i F
R
w punktach C i D odpowiadaj
ą
cych
nowemu punktowi projektowemu.
7. Odczytaj bezpo
ś
rednio z rysunku:
MPa
61
R
e
=
MPa
5
,
6
e
R
=
µ
100
8. Oblicz nowy
β
i współrz
ę
dne
nowego punktu projektowego.
9. Powtarzaj iteracje, a
ż
do uzyskania
zbie
ż
no
ś
ci wyników.
MPa
5
,
11
Q
e
=
MPa
5
,
15
e
Q
=
µ
94
,
2
=
β
MPa
6
,
53
q
r
*
*
=
=
Procedura Rackwitza-Fiesslera
Procedura macierzowa z modyfikacj
ą
Rackwitza-Fiesslera:
1. Sformułuj funkcj
ę
stanu granicznego. Dla poszczególnych
zmiennych losowych X
i
okre
ś
l rozkłady prawdopodobie
ń
stwa
i odpowiednie ich parametry.
2. Przyjmij n-1 warto
ś
ci pocz
ą
tkowych zmiennych losowych X
i
uzyskuj
ą
c pocz
ą
tkowy punkt projektowy {x
i
*} (n.p. wybieraj
ą
c
warto
ś
ci
ś
rednie). Rozwi
ąż
równanie stanu granicznego
101
warto
ś
ci
ś
rednie). Rozwi
ąż
równanie stanu granicznego
g = 0 wzgl
ę
dem brakuj
ą
cej zmiennej, dzi
ę
ki czemu
punkt ten b
ę
dzie le
ż
ał na granicy awarii.
3. Dla ka
ż
dej warto
ś
ci x
i
* odpowiadaj
ą
cej rozkładowi innemu
ni
ż
normalny wyznacz warto
ść
ś
redni
ą
i odchylenie standardowe
zast
ę
pczego rozkładu normalnego. Je
ż
eli jedna lub wi
ę
cej warto
ś
ci x
i
*
odpowiada rozkładowi normalnemu, jako parametry
zast
ę
pczego rozkładu normalnego przyjmij parametry rzeczywiste.
Przykład
•
Zmodyfikowana procedura macierzowa zostanie zademonstrowana
na przykładzie prostego przypadku dwóch zmiennych nieskorelowanych.
Niech R oznacza no
ś
no
ść
a Q - efekt obci
ąż
enia.
Funkcja stanu granicznego jest nast
ę
puj
ą
ca:
g(R, Q) = R - Q
R - rozkład logarytmiczno-normalny
= 200 i
µ
R
= 20
Q - rozkład ekstremalny typu I
= 100 i
µ
= 12
R
Q
102
Q - rozkład ekstremalny typu I
= 100 i
µ
Q
= 12
Obliczy
ć
β
.
Q
Przykład (c.d.)
1. Sformułuj funkcj
ę
stanu granicznego.
Okre
ś
l rozkłady prawdopodobie
ń
stwa zmiennych losowych. Zrobione.
2. Punkt pocz
ą
tkowy, przyj
ę
ty arbitralnie: r* = 150
Z równania stanu granicznego g = 0 wynika,
ż
e: q* = 150
3. Okre
ś
l parametry zast
ę
pczego rozkładu normalnego dla
R - rozkład logarytmiczno-normalny
2
µ
103
0998
,
0
10
95
,
9
R
1
ln
R
ln
3
2
2
R
2
R
ln
=
⇒
×
=
+
=
−
µ
µ
µ
( )
29
,
5
5
,
0
R
ln
R
2
R
ln
R
ln
=
−
=
µ
( )
(
)
( )
( )
(
)
192
29
,
5
150
ln
1
150
R
r
ln
1
r
R
R
ln
*
*
e
=
+
−
=
+
−
=
( )(
)
0
,
15
0998
,
0
150
*
r
R
ln
e
R
=
=
=
µ
µ
Przykład (c.d.)
3. Okre
ś
l parametry zast
ę
pczego rozkładu normalnego dla
Q - rozkład ekstremalny
a, u - parametry rozkładu zwi
ą
zane z warto
ś
ci
ą
ś
redni
ą
i odchyleniem standardowym zmiennej Q oblicz nast
ę
puj
ą
co:
( )
(
)
(
)
[
]
u
q
a
exp
exp
q
F
Q
−
−
−
=
( )
(
)
(
)
{
}
(
)
(
)
[
]
u
q
a
exp
exp
u
q
a
exp
a
q
f
Q
−
−
−
−
−
=
104
Podstawiaj
ą
c warto
ś
ci
µ
Q
i
σ
Q
, otrzymujemy:
a = 0,107 u = 94,6
a
5772
,
0
Q
u
−
=
2
Q
2
6
a
µ
π
=
( )
997
,
0
q
F
*
Q
=
( )
4
*
Q
10
86
,
2
q
f
−
×
=
Przykład (c.d.)
(
)
[
]
5
,
69
)
q
(
F
q
Q
*
Q
1
e
q
*
e
=
Φ
−
=
−
µ
(
)
(
)
(
)
(
)
9
,
28
997
,
0
10
86
,
2
1
)
q
(
F
)
Q
(
f
1
1
4
*
Q
1
*
Q
e
Q
=
Φ
×
=
Φ
=
−
−
−
φ
φ
µ
105
4. Okre
ś
l warto
ś
ci zmiennych zredukowanych
z
1
* - warto
ść
zredukowana dla r*
z
2
* - warto
ść
zredukowana dla q*
83
,
2
R
r
z
*
R
*
*
*
1
−
=
−
=
µ
78
,
2
Q
q
z
*
Q
*
*
*
2
=
−
=
µ
Przykład (c.d.)
5. Wyznacz wektor {G}:
e
R
e
R
*
q
*,
r
*}
z
{
1
1
1
R
g
Z
'
g
G
i
µ
µ
−
=
∂
∂
−
=
∂
∂
−
=
e
Q
e
Q
*
q
*,
r
*}
z
{
2
2
1
Q
g
Z
'
g
G
i
µ
µ
+
=
∂
∂
−
=
∂
∂
−
=
106
6. Oblicz przybli
ż
enie
β
:
*
q
*,
r
*}
z
{
2
i
{ }
{ }
{ } { }
78
,
3
G
G
z
G
T
*
T
=
=
β
Przykład (c.d.)
7. Wyznacz wektor {
α
}:
8. Okre
ś
l nowe warto
ś
ci z
i
* dla n-1 zmiennych losowych:
{ }
{ }
{ } { }
−
=
=
α
888
,
0
460
,
0
G
G
G
T
(
)(
)
74
,
1
460
,
0
78
,
3
z
1
*
1
−
=
−
=
βα
=
107
9. Okre
ś
l r* na podstawie nowego z
1
*:
10. Okre
ś
l q* rozwi
ą
zuj
ą
c równanie stanu granicznego g = 0.
(
)(
)
74
,
1
460
,
0
78
,
3
z
1
1
−
=
−
=
βα
=
166
z
R
r
e
R
*
1
e
*
=
+
=
µ
166
r
q
*
*
=
=
Przykład (c.d.)
11. Powtarzaj kroki iteracji a
ż
do uzyskania zbie
ż
no
ś
ci wska
ź
nika
β
oraz współrz
ę
dnych punktu projektowego r* i q*.
168
166
150
r
*
3
2
1
iteracje
108
168
168
166
q
*
168
168
166
r
*
↓
3.76
3.76
3.78
β
↓
168
166
150
q
*
168
166
150
r
Procedura Rackwitza-Fiesslera
zmienne losowe skorelowane
• Dotychczas rozwa
ż
ali
ś
my funkcje stanów granicznych,
w których zmienne losowe były nieskorelowane.
• Jednak, w wielu praktycznych zastosowaniach,
niektóre zmienne losowe mog
ą
by
ć
skorelowane
109
niektóre zmienne losowe mog
ą
by
ć
skorelowane
i korelacja ta mo
ż
e mie
ć
powa
ż
ny wpływ
na warto
ść
obliczonego wska
ź
nika niezawodno
ś
ci.
• Problem zmiennych losowych skorelowanych,
mo
ż
na rozwi
ą
za
ć
dwojako:
Procedura Rackwitza-Fiesslera
zmienne losowe skorelowane
1. Zastosowa
ć
transformacje współrz
ę
dnych.
Mo
ż
e by
ć
kłopotliwe w poł
ą
czeniu z iteracj
ą
Rackwitza-Fiesslera,
wykorzystuj
ą
c
ą
parametry zast
ę
pczych rozkładów normalnych.
2. Zmodyfikowa
ć
procedur
ę
macierzow
ą
wprowadzaj
ą
c
macierz korelacji [
ρ
] - macierz współczynników korelacji
zmiennych losowych równania stanu granicznego.
110
zmiennych losowych równania stanu granicznego.
Zmodyfikowane wzory przyjmuj
ą
posta
ć
:
{ }
{ }
{ } { }
G
G
z
G
T
*
T
=
β
{ }
{ }
{ } { }
G
G
G
T
=
α
{ }
{ }
{ }
[ ]
{ }
G
G
z
G
T
*
T
ρ
=
β
{ }
[ ]
{ }
{ }
[ ]
{ }
G
G
G
T
ρ
ρ
=
α
staje si
ę
:
staje si
ę
:
Przykład
•
Oblicz wska
ź
nik niezawodno
ś
ci
β
dla funkcji stanu granicznego:
(
)
2
1
2
1
X
2
X
3
X
,
X
g
−
=
6
,
16
x
1
=
45
,
2
1
X
=
µ
111
8
,
18
x
2
=
85
,
2
2
X
=
µ
(
)
0
,
2
X
,
X
Cov
2
1
=
Poniewa
ż
brak informacji o rozkładach zmiennych losowych X
1
i X
2
,
przyjmujemy,
ż
e s
ą
one normalne.
Przykład (c.d.)
1. Sformułuj funkcj
ę
stanu granicznego.
Okre
ś
l rozkłady prawdopodobie
ń
stwa zmiennych losowych. Zrobione.
2. Przyjmij pocz
ą
tkowy punkt projektowy. Przyjmujemy: X
1
* = 17.
Z równania g = 0 wynika,
ż
e: X
2
* = 25,5
3. Okre
ś
lanie parametrów zast
ę
pczych rozkładów normalnych nie jest
potrzebne, poniewa
ż
obie zmienne maj
ą
rozkłady normalne.
4. Oblicz warto
ś
ci współrz
ę
dnych zredukowanych punktu projektowego.
112
5. Okre
ś
l wektor {G}
163
,
0
z
*
1
=
37
,
2
z
*
2
=
1
1
i
i
X
X
*}
x
{
1
*}
z
{
1
1
3
X
g
Z
'
g
G
µ
µ
−
=
∂
∂
−
=
∂
∂
−
=
1
1
i
i
X
X
*}
x
{
2
*}
z
{
2
2
2
X
g
Z
'
g
G
µ
µ
=
∂
∂
−
=
∂
∂
−
=
Przykład (c.d.)
6. Oblicz przybli
ż
enie wska
ź
nika niezawodno
ś
ci
β
[ ]
(
)
(
)
( )( )
( )( )
=
=
=
ρ
1
288
,
0
288
,
0
1
1
83
,
2
48
,
2
83
,
2
48
,
2
1
1
1
2
X
,
1
X
Cov
2
X
,
1
X
Cov
1
{ }
{ }
z
G
*
T
113
7. Okre
ś
l wektor {
α
}
{ }
{ }
{ }
[ ]
{ }
55
,
1
G
G
z
G
T
*
T
=
ρ
=
β
{ }
[ ]
{ }
{ }
[ ]
{ }
−
=
ρ
ρ
=
α
449
,
0
726
,
0
G
G
G
T
Przykład (c.d.)
8. Okre
ś
l nowe warto
ś
ci z
i
* dla n-1 zmiennych losowych:
9. Okre
ś
l x
1
* na podstawie nowego z
1
*:
(
)( )
3
,
1
55
,
1
726
,
0
z
1
*
1
−
=
−
=
βα
=
8
,
13
z
x
x
*
*
=
+
=
µ
114
10. Oblicz x
2
* rozwi
ą
zuj
ą
c równanie stanu granicznego g = 0.
11. Powtarzaj iteracje, a
ż
do uzyskania zbie
ż
no
ś
ci wyników.
8
,
13
z
x
x
1
1
X
*
i
*
1
=
+
=
µ
7
,
20
x
*
2
=
Przykład (c.d.)
Wyniki iteracji (poprawne rozwi
ą
zanie uzyskano po jednej iteracji).
20.7
25.5
x
*
13.8
17
x
1
*
2
1
iteracje
115
20.7
20.7
x
2
*
13.8
13.8
x
1
*
↓
1.55
1.55
β
↓
20.7
25.5
x
2
*