Analýza spolehlivosti tlakové nádoby metodou Monte Carlo Jakub Nedbálek Katedra Aplikované Matematiky, Fakulta Elektrotechniky a Informatiky VŠB - Technická.

Slides:



Advertisements
Podobné prezentace
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STAVEBNÍ ÚSTAV GEODÉZIE
Advertisements

Prof. Ing. Ivo Vondrák, CSc.
GENEROVÁNÍ PSEUDONÁHODNÝCH ČÍSEL
Projekt Podpora stáží a odborných aktivit při inovaci oblasti terciárního vzdělávání na DFJP a FEI Univerzity Pardubice CZ.1.07/2.4.00/ TENTO PROJEKT.
Algoritmus k-means Ivan Pirner 2007/2008. Cíle mého snažení: • naprogramovat v MATLABu algoritmus k-means • vymyslet funkce popisující vzdálenost ve 40dimenzionálním.
kvantitativních znaků
TEORIE ROZHODOVÁNÍ A TEORIE HER
Dynamické systémy.
Visual Basic POLE. 2 POLE Pole - je řada prvků označených indexem Například: řada čísel, které spolu nějak souvisejí řada známek jednoho studenta řada.
DATOVÝ TYP POLE.
Matematické modelování aneb co se nepovedlo Petr Beremlijski Katedra aplikovaná matematiky Fakulta elektrotechniky a informatiky VŠB - Technická univerzita.
Úvod Klasifikace disciplín operačního výzkumu
A5M33IZS – Informační a znalostní systémy Datová analýza I.
Téma 3 Metody řešení stěn, metoda sítí.
Koncepce rozvoje a řízení vědy a výzkumu
Fakulta stavební Vysoké školy báňské – Technické univerzity Ostrava 17. listopadu 15, Ostrava – Poruba.
Měřící metody pro optickou distribuční síť
Fakulta stavební Vysoké školy báňské – Technické univerzity Ostrava 17. listopadu 15, Ostrava – Poruba.
Fakulta stavební Vysoké školy báňské – Technické univerzity Ostrava 17. listopadu 15, Ostrava – Poruba.
Téma 3 ODM, analýza prutové soustavy, řešení nosníků
Lekce 12 Metoda Monte Carlo III Technologie (kanonický soubor)
Lekce 1 Modelování a simulace
Proč?. pokud jsme schopni vytvořit stroj, který bude úlohu řešit problém je algoritmizovatelný příklad.
Optimalizace v simulačním modelování. Obecně o optimalizaci  Optimalizovat znamená maximalizovat nebo minimalizovat parametrech (např. počet obslužných.
Získávání informací Získání informací o reálném systému
Základní škola Jakuba Jana Ryby Rožmitál pod Třemšínem Inovace a zkvalitnění výuky projekt v rámci Operačního programu VZDĚLÁVÁNÍ PRO KONKURENCESCHOPNOST.
Plošné konstrukce, nosné stěny
Základy informatiky přednášky Efektivní kódy.
Obsah prezentace Náhodná proměnná Rozdělení náhodné proměnné.
kvantitativních znaků
4 Optimalizace úrovně dodavatelských služeb zákazníkům
STANOVENÍ NEJISTOT PŘI VÝPOŠTU KONTAMINACE ZASAŽENÉHO ÚZEMÍ
Rozvoj Národní soustavy kvalifikací podporující propojení počátečního a dalšího vzdělávání Systémový projekt (NSK – Národní Soustava Kvalifikací)
Dopravní charakteristiky
Praktické výsledky v řešení kvazirezonančního meziobvodu napěťového střídače Tomáš Pavelek Katedra výkonové elektroniky a elektrických pohonů, Fakulta.
Petr Beremlijski a Marta Jarošová Projekt SPOMECH Vysoká škola báňská – Technická univerzita Ostrava září Základy matematického.
Richard Lipka Katedra informatiky a výpočetní techniky Fakulta aplikovaných věd Západočeská univerzita, Plzeň 1.
VY_32_INOVACE_21-10 TEST č. 1.
Konvergenční testy Bc. Jakub Malohlava. Simulace  Monte Carlo  výpočet souborových středních hodnot za pomocí Markovových řetězců  parallel tempering.
Jazyk vývojových diagramů
Systém rizikové analýzy při statickém návrhu podzemního díla Jan Pruška.
Petr Beremlijski Katedra aplikovaná matematiky
GEOTECHNIKA GEOTECHNICS, VYSOKÉ TATRY –ŠTRBSKÉ PLESO, ZDOKONALENÍ PROGNÓZY HODNOT PARAMETRŮ POKLESOVÉ KOTLINY PŘI RAŽENÍ KOLEKTORŮ.
Statistická analýza únavových zkoušek
1 6 Predikce potřeby Servisní logistika prof. Ing. Václav Legát, DrSc. Technická fakulta ČZU v Praze Katedra jakosti a spolehlivosti strojů
Metody predikce životnosti
Normální (Gaussovo) rozdělení
Výukový materiál vytvořený v rámci projektu „EU peníze školám“ Škola: Střední škola právní – Právní akademie, s.r.o. Typ šablony: III/2 Inovace a zkvalitnění.
Aplikační počítačové prostředky X15APP MATLAB Katedra elektroenergetiky, Fakulta elektrotechniky ČVUT, Technická 2, Praha 6 Ing. Zbyněk Brettschneider.
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA
C8 – hodnocení kvality výsledků VaV Osnova kurzu C8 – hodnocení kvality výsledků VaV Jana Hančlová Ekonomická fakulta VŠB-Technická univerzita Ostrava.
Časová analýza stochastických sítí - PERT
Opakování lekce 4,5,
POŽÁRNÍ ODOLNOST PŘEKLADU VYLEHČENÉHO DUTINOU
Generování náhodných čísel
Cíl přednášky Seznámit se
Monte Carlo simulace Experimentální fyzika I/3. Princip metody Problémy které nelze řešit analyticky je možné modelovat na základě statistického chování.
Závislost na energiích a na vodě Ing.Kristýna Friedrischková, doc.Ing.Bohumil Horák, Ph.D. VŠB – Technická univerzita Ostrava Fakulta elektrotechniky.
Martin Štulc Jan Šváb Jan Kolena Simulace operačního systému Katedra informatiky a výpočetní techniky Západočeská univerzita v Plzni.
Hledání minima kvadratického funkcionálu s nehladkým členem přímo a pomocí duality Petr Beremlijski Katedra aplikovaná matematiky Fakulta elektrotechniky.
Konference Modelování v mechanice Ostrava,
Chyby při matematickém modelování aneb co se nepovedlo Petr Beremlijski Katedra aplikovaná matematiky Fakulta elektrotechniky a informatiky VŠB - Technická.
BioTech 2011, Strážná. O čem to bude? Stochastické simulace Diferenciální rovnice (ODR) Automaty.
příklady použití základních reálných opcí
FEL ČVUT, katedra ekonomiky, manažerství a humanitních věd © Oldřich Starý, 2012 Finanční management Analýza projektu.
Praha & EU: Investujeme do vaší budoucnosti Evropský sociální fond Gymnázium, Praha 10, Voděradská 2 Projekt OBZORY Robotika 3.
Monte Carlo Typy MC simulací
Simulace řízení při správě majetku
Katedra výrobních strojů a konstruování - 340
ANALÝZA A KLASIFIKACE DAT
Transkript prezentace:

Analýza spolehlivosti tlakové nádoby metodou Monte Carlo Jakub Nedbálek Katedra Aplikované Matematiky, Fakulta Elektrotechniky a Informatiky VŠB - Technická Univerzita Ostrava, 17.listopadu 15, CZ Ostrava-Poruba

Popis systému: •Změna procesní proměnné p – tlak •Mezní stavy – počáteční x 0, – při poruše x= L, – hodnota x= l spuštění bezpečnostního prvku (C1) •Akcelerace vývoje tlaku prvkem C2

•Vývoj procesní proměnné podle dif. rovnice: x0x0 1p0p0 0.02a1a1 0.2a4a l3p1p1 0.04a2a2 0.25a5a5 0.1 L4  a3a3 0.1a6a6 0.05

Řešení Monte Carlo metodou •úkolem nalézt funkci pravděpodobnosti poruchy systému Při sestavení algoritmu MC simulace bereme v úvahu: -vzrůst x nad L -> porucha -pokles x na x 0 -vzrůst x nad l – změna koeficientu a, změna hraničních časů a úrovní -hraniční úrovně x = x f, resp. časy t = t f zjistíme z x (t) = x e.exp(a e.(t-t e )) – řešení dif.rovnice

•x e a t e jsou počáteční (inicializační) hodnoty v simulačním cyklu •při jedné simulaci mohou nastat obě poruchy, u C 1 i C 2 – vybíráme čas dřívější •čas T (čas poruchy C 2 ) je generován náhodně z exponenciálního rozložení s parametrem  •změny a i (pro x= l, aktivace C 1 ) závisí na pravděpodobnosti p (viz.tabulka) – generováno náhodně •podle hodnoty a i - porucha | korektní chování •počáteční hodnoty simulace t e = 0, x e = x 0 = 1 a a i = a 1 = 0.2

Pravděpodobnostní funkce MC

Pravděpodobnostní funkce - analyticky

Hodnocení •relativně snadné sestavení výp. algoritmu oproti analyt. řešení •nevýhodou obecně výpočetní doba – v naší úloze ovšem pro 2mil. simulací na pc PII 0,5GHz 256MHz RAM potřeba t<1000 s – zanedbatelné •pro MC vhodné provést test na periodicitu pseudonáh. posloupnosti – nedostatek článku

Děkuji za pozornost