Ocena niezawodności żelbetowej kratownicy na podstawie ograniczonej liczby danych doświadczalnych

Abstract

It is proposed the method of establishing the reliability by Monte Carlo method on condition when at any of numbering testing the critical state was not achieved, what indicates the high reliability of structure. It could be possible in two cases: when using Monte Carlo method the real figures of structures are used if there is no opportunity to define their great number for correct determination of distributions and their parameters or at high reliability of structures. In this case it is proposed: to put non-dimensional parameters, which characterize the relative value of »unattainabless« of critical value by each of the structure's element on each iteration; to unite all non-dimensional parameters doesn't matter to which class the input data belonged and where were they taken from into one block; to make histograms of this block, to approximate them by suitable distribution and to define the square under the extra polar separate part of abscissa graph, which could become the probability of destroy.

W artykule podano metodę oceny niezawodności żelbetowych konstrukcji prętowych na podstawie ograniczonej liczby danych doświadczalnych. Zaproponowano sposób obliczenia niezawodności metodą Monte Carlo pod warunkiem, że w żadnym z badań liczbowych nie osiągnięto stanu granicznego, co świadczy o wysokim poziomie niezawodności konstrukcji. Jest to możliwe w dwóch przypadkach: jeżeli w metodzie Monte Carlo przyjęto rzeczywiste parametry konstrukcji i nie ma możliwości otrzymania dużej liczby w odniesieniu do konkretnego rozkładu prawdopodobieństwa, a także ich parametrów; przy wysokim poziomie niezawodności konstrukcji. W tym przypadku zaproponowano, by wprowadzić parametry bezwymiarowe, które charakteryzują względną wielkość »nieosiągnięcia« stanu krytycznego każdego z elementów konstrukcji podczas każdej iteracji; połączyć wszystkie parametry bezwymiarowe do jednego całokształtu bez względu na pochodzenie; oszacować histogramy i aproksymować odpowiednim rozkładem. Dzięki temu można obliczyć powierzchnię pod ujemną częścią wykresu, która będzie prawdopodobieństwem zniszczenia.