Texto Integral1

Mtodos de Anlise das Incertezas na Verificao
da Segurana Estrutural em Engenharia Civil

Jos Miguel Gomes Costa Veiga

Dissertao apresentada Faculdade de Engenharia da Universidade do Porto
para obteno do grau de Doutor em Cincias de Engenharia

Projecto co-financiado pelo fundo Social Europeu no mbito do concurso Pblico
2/5.3/PRODEP/2003, pedido de financiamento n 1012.012, da medida 5/aco 5.3
Formao Avanada de Docentes do Ensino Superior submetido pela Escola Superior de
Tecnologia e Gesto do Instituto Politcnico de Viana do Castelo.

Julho de 2008

iii
Resumo

A avaliao do comportamento de sistemas estruturais implica uma anlise dos riscos e
incertezas a eles associados. Para avaliar com maior preciso os riscos associados
segurana estrutural tm vindo a ser aplicados nos ltimos anos, cada vez com maior
frequncia, mtodos probabilsticos de fiabilidade. As dificuldades encontradas na
aplicao mais generalizada destes mtodos esto sobretudo associadas pouca eficincia
em resolver problemas estruturais de elevada dimenso.
As tcnicas que utilizam processos de simulao, como o mtodo de Monte Carlo, tm
grandes custos computacionais para sistemas estruturais mais complexos mesmo quando a
implementao computacional inclui tcnicas de reduo da varincia. As tcnicas de
fiabilidade correntes, como os mtodos FORM e SORM, so hoje geralmente aceites sendo
as suas aplicaes bastante simples quando existe uma formulao explcita do problema
estrutural. No entanto, quando no h relaes explcitas entre as variveis, como por
exemplo no mtodo dos elementos finitos, a aplicao destas tcnicas de fiabilidade para
avaliar a incerteza da resposta estrutural torna-se mais exigente e pouco eficiente.
Neste trabalho apresenta-se um mtodo eficiente para avaliar a incerteza da resposta
estrutural que conjuga tcnicas de perturbao com os mtodos de elementos finitos. Esta
metodologia permite, com uma nica anlise estrutural, avaliar o valor mdio e o desvio
padro da resposta estrutural, em termos de deslocamentos ou foras, definindo a priori as
distribuies de probabilidade das variveis aleatrias bsicas do problema.
Consequentemente realizada uma anlise muito mais rpida quando comparada com os
mtodos mais frequentemente utilizados baseados nas tcnicas correntes de fiabilidade. As
variveis aleatrias bsicas so definidas atravs dos seus valores mdios, desvios padro e
coeficientes de correlao. Os resultados obtidos so exactos quando a funo da resposta
estrutural linear e as distribuies das variveis aleatrias bsicas so normais ou
aproximadamente normais. Os resultados permanecem apropriados se forem utilizadas
aproximaes adequadas.
Descrevem-se os procedimentos necessrios para implementar estas tcnicas num
programa de elementos finitos para vrios tipos de distribuies de probabilidade. Este
programa pode ser utilizado com mtodos de fiabilidade de primeira ordem e com o
mtodo de simulao de Monte Carlo. Alm disso, est preparado para variveis aleatrias
correlacionadas e/ou com distribuio no normal. Tambm se apresentam aplicaes da
metodologia desenvolvida assim como comparaes com outros mtodos.

v
Abstract

The assessment of behaviour of structural systems involves risk and uncertainty evaluation.
To evaluate more accurately the risk associated to structural safety, probabilistic and
reliability techniques have been applied increasingly in the last years. The generalized
application of these techniques has been delayed by the inefficiency to solve complex or
large problems.
Techniques employing simulation procedures, such as crude Monte Carlo method, have
high computational cost in large structural systems even if the computational efficiency is
implemented with variance reduction techniques. Current reliability techniques, such as
FORM and SORM, are widely acceptable and their application is rather simple when an
explicit formulation of the structural problem exists. However, when there are not explicit
relations between variables, such as the finite element method, the application of these
reliability techniques to evaluate the uncertainty of structural response is more difficult and
less efficient.
In this work is presented an efficient method to evaluate structural uncertainty that couples
perturbation techniques with the finite element method. This methodology allows, in only
one structural analysis, to evaluate the mean value and the standard deviation of the
structural response, in terms of displacements or forces, by defining previously the
probability distribution of problem basic random variables. Consequently a much faster
analysis is performed, when compared with the current methods based on reliability
techniques. The structural random variables are described by their mean values, standard
deviation and correlation coefficients. The results obtained are exact when structural
response function is linear and normal or quasi-normal distributions of random variables
are guaranteed. The results remain accurate if appropriate approximations are employed.
The necessary procedures to implement these techniques in a finite element program for
some probability distributions are described. This program can be used with first order
reliability methods and Monte Carlo simulation method. Furthermore, it allows correlated
random variables and/or non normal distributions. Applications of the developed
methodology and their comparison with other methods are also presented.

vii
Rsum
L'valuation du comportement de systmes structurels implique une analyse des risques et
des incertitudes elles associes. Pour valuer avec plus prcision les risques associs la
scurit structurelle ils sont venus tre appliqus ces dernires annes, plus frquemment,
mthodes probabilistes de fiabilit. Les difficults trouves dans l'application gnralise
de ces mthodes sont surtout associs au peu efficace de rsolution de problmes de grand
dimension.
Les techniques qui utilise simulation, comme la mthode de Monte Carlo, ont de grands
cots informatiques pour des systmes structurels plus complexes, mme quand la mise en
oeuvre informatique inclut des techniques de rduction de la variance. Les techniques de
fiabilit, comme les mthodes FORM et SORM, sont en rgle accepts en tant leurs
applications suffisamment simples quand existe une formulation explicite du problme
structurel. Quand il n'y a pas relations explicites entre les variables, comme par exemple la
mthode des lments finis, l'application des techniques courantes de fiabilit pour valuer
l'incertitude de la rponse structurelle se rend plus exigeant et peu efficace.
Dans ce travail se prsente une mthode de fiabilit structurelle efficace pour valuer
l'incertitude de la rponse structurelle qui conjugue des techniques de perturbation avec les
mthodes d'lments finis. Cette mthodologie permet, avec une seule analyse structurelle,
valuer la valeur moyenne et lcart-type de la rponse structurelle, dfinie par
disloquements ou forces, en dfinissant a priori les distributions de probabilit des
variables alatoires basiques du problme. En consquence est ralise une analyse plus
rapide quand compare avec les mthodes courantes bases dans les techniques de fiabilit.
Les variables alatoires basiques sont dfinies travers de leurs valeurs moyennes, cart-
types et coefficients de corrlation. Les rsultats sont exacts quand la fonction de rponse
structurelle est linaire et les distributions des variables alatoires basiques sont normaux
ou approximativement normaux. Les rsultats restent appropris se soient utiliss des
approches appropries.
Ils se dcrivent les procdures ncessaires pour mettre en oeuvre ces techniques dans un
programme d'lments finis pour plusieurs types de distributions de probabilit. Ce
programme peut tre utilis avec des mthodes de fiabilit de premire classe et avec la
mthode de simulation de Monte Carlo. Il est prpar pour des variables alatoires
corrles et/ou avec de la distribution non normale. Aussi ils si prsente des applications de
la mthodologie dveloppe ainsi que des comparaisons avec autres mthodes.

ix

PALAVRAS-CHAVE

Estruturas de beto
Fiabilidade estrutural
Formatos de segurana
Elementos finitos
Mtodo de Monte Carlo
Mtodo de perturbao
Anlise de incertezas

KEYWORDS MOTS CL

Concrete structures Structures en bton
Structural reliability Fiabilit structural
Safety formats Formats de scurit
Finite elements Elements finis
Monte Carlo method Mthode de Monte Carlo
Perturbation method Mthode de perturbation
Uncertainty analysis Analyse dincertain

xi

Agradecimentos

Relativamente a esta tese de Doutoramento no posso deixar de expressar os meus
agradecimentos a todos os que de uma forma directa ou indirecta colaboraram na sua
realizao.
Agradeo primeiro a minha esposa pelo constante apoio e encorajamento que sempre me
deu, pelo acompanhamento e incentivos durante todo este trabalho. As suas sugestes,
comentrios e as muitas horas de trocas de opinio foram muito teis e enriquecedoras para
o desempenho de todo este trabalho. Agradeo tambm pelo filho que tivemos e que uma
fonte de motivao, inspirao e alegria.
Um agradecimento muito especial ao meu orientador Eng. Abel Henriques e co-orientador
Eng. Jorge Delgado, no apenas por me terem dado a oportunidade de dedicar a esta rea
de pesquisa, como tambm pela disponibilidade demonstrada para assumirem a orientao
e co-orientao desta tese, pela dedicao, boa vontade e nvel de exigncia durante o
desenvolvimento deste trabalho. O conhecimento e empenho demonstrado por ambos
durante todo o percurso, assim como nas sesses de esclarecimento sobre as diversas
dvidas que me foram surgindo ao longo de todo o trabalho, serviram como constante
fonte de inspirao.
A meus pais e minha tia, sempre presentes, pelo suporte e incentivo que me tm dado em
todos os momentos da vida, e da felicidade de t-los como pais e tia madrinha.
A minha irm pela amizade, apoio e compreenso. Saber que tambm ter sempre o meu
apoio.
A toda a minha restante famlia, primos, primas, sogra, sobrinho, sobrinhas, cunhadas e
cunhados, que sempre me apoiaram.
xii
Aos meus amigos que directa ou indirectamente contriburam para a finalizao deste
trabalho. Ao Rafael e Paula, Oliveira, Carlos, Rui e Paula. A todos os meus amigos de
vora, Lisboa e que fiz na Escola de Valena que apesar da distncia como se
estivssemos sempre juntos.

Minha gratido a todos os que contriburam para a formao da minha pessoa.

xiii

ndice

Captulo 1
Introduo 1
1.1 Objectivos, 1
1.2 Enquadramento do trabalho, 2
1.3 Organizao da dissertao, 6
Captulo 2
Avaliao das Incertezas e Verificao da Segurana
Estrutural 9
2.1 Introduo, 9
2.2 Incertezas na avaliao da segurana estrutural, 11
2.3 Variveis bsicas, 12
2.4 Estados limite, 12
2.5 Funo de estado limite, 14
2.6 Verificao da segurana aos estados limite, 14
2.7 Probabilidade de rotura. Caso fundamental, 15
xiv
2.8 ndice de fiabilidade, 17
2.8.1 Formulao base do ndice de fiabilidade, 17
2.8.2 Generalizao do clculo do ndice de fiabilidade, 19
2.9 Mtodos de fiabilidade de primeira e segunda ordem, 21
2.9.1 Mtodos FOSM ou MVFOSM, 21
2.9.2 Mtodos AFOSM ou FORM para variveis aleatrias normais
(Mtodo de Hasofer-Lind), 25
2.9.3 Mtodos AFOSM para variveis aleatrias no normais, 31
2.9.4 Mtodos de fiabilidade de segunda ordem - SORM, 34
2.10 Funes de estado limite implcitas, 44
2.10.1 Mtodos de superfcie de resposta, 44
2.10.2 Mtodos probabilsticos de elementos finitos, 50
2.10.2.1 Mtodos para discretizao de campos aleatrios, 52
2.10.2.1.1 Mtodos de discretizao pontual, 55
2.10.2.1.2 Mtodos de discretizao mdia, 57
2.10.2.1.3 Mtodos de expanso em sries, 59
2.10.2.2 Mtodos de perturbao, 64
2.10.3 Redes neuronais artificiais, 70
2.10.3.1 Redes neuronais perceptro de mltiplas camadas, 92
2.10.3.2 Redes neuronais de base radial, 95
2.10.3.3 Redes neuronais artificiais conjugadas com mtodos de anlise de
fiabilidade, 101
Captulo 3
Mtodos de Transformao 105
3.1 Introduo, 105
xv
3.2 Mtodo de Cholesky, 106
3.2.1 Mtodo de eliminao de Gauss, 107
3.2.2 Decomposio de Cholesky, 108
3.3 Transformaes de variveis aleatrias normais e correlacionadas, 110
3.4 Transformaes de variveis aleatrias no normais e independentes, 110
3.4.1 Transformao: mesmo valor mdio e percentil P, 111
3.4.2 Transformao de caudas normais, 113
3.5 Transformaes de variveis aleatrias no normais e correlacionadas, 115
3.5.1 Transformao de Rosenblatt, 115
3.5.2 Transformao de Morgenstern, 118
3.5.3 Transformao de Nataf, 120
3.5.4 Exemplo de aplicao, 124
Captulo 4
Mtodos de Simulao 129
4.1 Introduo, 129
4.2 Mtodo de simulao de Monte Carlo, 130
4.2.1 Gerao de nmeros aleatrios, 132
4.2.1.1 Gerao de nmeros aleatrios para variveis aleatrias contnuas, 133
4.2.1.1.1 Distribuio Uniforme, 134
4.2.1.1.2 Distribuies de valores extremos, 135
4.2.1.1.3 Distribuio Rayleigh, 144
4.2.1.1.4 Distribuio Normal, 145
4.2.1.1.5 Distribuio Lognormal, 146
4.2.1.2 Gerao de nmeros aleatrios para variveis aleatrias discretas, 148
xvi
4.3 Mtodos de simulao pura, 149
4.4 Tcnicas de reduo da varincia, 152
4.4.1 Amostragem por importncia, 152
4.4.2 Amostragem estratificada, 155
4.5 Simulao de variveis aleatrias correlacionadas, 157
4.5.1 Simulao de variveis aleatrias normais correlacionadas, 158
4.5.2 Simulao de variveis aleatrias no normais correlacionadas, 158
Captulo 5
Mtodo de Perturbao para a Avaliao das Incertezas
em Sistemas Estruturais 165
5.1 Introduo, 165
5.2 Metodologia proposta, 166
5.2.1 Incertezas em funo de foras, 168
5.2.2 Incertezas em funo de deslocamentos, 172
5.2.2.1 Um caso de carga, 172
5.2.2.2 Vrios casos de carga, 174
5.3 Exemplos de aplicao, 175
5.3.1 Viga sujeita a uma carga, 175
5.3.2 Viga sujeita a duas cargas, 182
5.4 Mtodos de transformao, 189
5.4.1 Exemplo: Distribuies Tipo I, 189
5.4.2 Exemplo: Distribuies Lognormais, 194
5.5 Implementao computacional, 197
xvii
Captulo 6
Aplicaes 201
6.1 Introduo, 201
6.2 Prtico sujeito a diferentes cargas, 202
6.3 Sistema com quatro molas submetido a duas foras, 205
6.4 Prtico de ao sujeito a aces permanentes e sobrecargas, 207
6.5 Prtico de trs vos e doze andares sujeito a foras nodais horizontais, 212
6.6 Trelia metlica, 218
6.7 Estrutura metlica com dez barras sujeita a duas foras, 222
6.8 Prtico de dois vos e vinte andares sujeito a foras horizontais e verticais, 225
6.9 Prtico de trs vos e cinco andares sujeito a foras horizontais, 229
6.10 Concluses, 233
Captulo 7
Concluses e Sugestes para Investigaes Futuras 235
Anexos
Anexo 1
Software Desenvolvido 241
A1.1 Algoritmo, 241
A1.2 Ficheiro de dados, 246
A1.2.1 Definio das variveis associadas ao dimensionamento, 246
A1.2.2 Estrutura do ficheiro de dados, 248
xviii
Anexo 2
Factores de Converso entre Vrias Unidades de Medida 253
A2.1 Tabela de Converso, 253
Referncias Bibliogrficas 255

Captulo 1

Introduo

1.1 Objectivos

A aplicao de tcnicas probabilsticas na avaliao da segurana estrutural tem sofrido um
enorme desenvolvimento nos ltimos anos. As tcnicas de fiabilidade estrutural e os
mtodos de simulao so hoje instrumentos indispensveis na avaliao da integridade
das estruturas e no desenvolvimento de novos formatos de segurana. Neste contexto,
pretende desenvolver-se um estudo que permite contribuir para o desenvolvimento, ou
melhoramento, de modelos de verificao de segurana estrutural. Uma das principais
dificuldades na introduo destas tcnicas a morosidade na aplicao dos mtodos mais
utilizados, como os processos de simulao baseados no mtodo de Monte Carlo, onde
mesmo utilizando tcnicas de reduo do nmero de amostras, como sejam por exemplo a
amostragem por importncia, estratificada ou mesmo uma sua variante - o hipercubo
latino; a aplicao em casos de alguma complexidade pode ser extraordinariamente morosa
(Haldar e Mahadevan, 2000).
A aplicao de mtodos de fiabilidade mais eficientes o principal tema de investigao.
Nomeadamente tm sido, recentemente, desenvolvidos mtodos de fiabilidade que
conjugam processos de optimizao com o mtodo dos elementos finitos. A utilizao
destes mtodos baseia-se no clculo da situao de rotura mais provvel e da respectiva
probabilidade de ocorrncia. As suas anlises permitem entrar em considerao com a
1
Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil
variabilidade dos diversos parmetros que influenciam o comportamento da estrutura,
resultando no clculo do ndice de fiabilidade. assim possvel analisar a segurana de
uma estrutura de uma forma significativamente mais rpida do que o necessrio para uma
anlise usando o mtodo de Monte-Carlo.
Assim, o objectivo deste trabalho desenvolver um mtodo de anlise da fiabilidade de um
sistema estrutural que inclua modelos de anlise de estruturas e que combinada com o
mtodo probabilstico de elementos finitos permita obter a probabilidade de rotura. Para
desenvolver e aplicar este mtodo construiu-se um programa de anlise de fiabilidade que
inclusse as vrias incertezas, traduzidas por diferentes variveis aleatrias bsicas, e que
cumprisse os objectivos propostos.

1.2 Enquadramento do trabalho

A anlise de fiabilidade est relacionada com o tratamento das vrias incertezas que
envolvem os problemas de engenharia. Essas incertezas surgem da aleatoridade dos vrios
parmetros que envolvem os problemas estruturais, problemas na escolha dos modelos,
parmetros fsicos, variaes devidas aco do homem, etc. As primeiras abordagens
simplificavam os problemas considerando os parmetros relacionados com as incertezas
como constantes, atravs dos chamados coeficientes de segurana que se baseavam em
experincias passadas. Para avaliar de forma racional a disperso associada a um sistema
estrutural sujeito a vrias incertezas traduzidas por diferentes variveis aleatrias bsicas
h que utilizar uma anlise probabilstica. Os primeiros estudos realizados sobre este tema
foram efectuados por Freudenthal (1945, 1956) que aplicou mtodos probabilsticos para
avaliar a segurana de estruturas constitudas por diferentes materiais, apresentando os
princpios bsicos da teoria da fiabilidade estrutural. Na dcada de sessenta este assunto
comeou a ser tratado de uma forma mais aprofundada e consistente, como por exemplo
nos trabalhos realizados por Freudenthal et al. (1966) e Bolotin (1965). Desde a que a
teoria sobre a anlise da fiabilidade estrutural e suas aplicaes tem vindo a ser discutida e
desenvolvida por diversos autores. A quantidade de textos e literatura existente sobre este
tema tem vindo a aumentar consideravelmente nos ltimos anos. Alguns dos livros mais
relevantes sobre o assunto foram apresentados por Ang e Tang (1975), Ditlevsen (1981a),
Elishakoff (1999), Augusti, Baratta e Casciati (1984), Yao (1985), Thoft-Christensen e
2
Captulo 1 - Introduo
Murotsu (1986), Melchers (1999), Haldar e Mahadevan (2000), Haldar e Mahadevan
(2000a), Ditlevsen e Madsen (2005) ou Madsen et al. (2006).
A anlise estrutural que combina o mtodo dos elementos finitos com a teoria das
probabilidades comeou a desenvolver-se nos anos setenta. Estes mtodos so os
chamados mtodos probabilsticos de elementos finitos que, basicamente, se podem dividir
nos mtodos de simulao, nos mtodos de perturbao e nos mtodos de fiabilidade (Liu e
Kiureghian, 1989). O termo mtodo estocstico, ou probabilstico, de elementos finitos (do
ingls SFEM ou PFEM) utilizado para referir um mtodo de elementos finitos que tem
em conta as incertezas na geometria e/ou propriedades dos materiais de uma estrutura,
assim como das cargas aplicadas. Normalmente, essas incertezas so distribudas
espacialmente ao longo da estrutura e devem ser modeladas como campos aleatrios. Estes
mtodos tomam em considerao o efeito aleatrio existente na matriz de rigidez e no
vector das cargas. Alm disso, h que ter em ateno forma como se organizam no
computador estruturas complexas com muitos graus de liberdade e muitas variveis
aleatrias pois da podem advir problemas em termos de memria de computador. O
interesse nesta rea aumentou a partir do momento em que se percebeu que em algumas
estruturas a resposta bastante sensvel s propriedades dos materiais e que mesmo
pequenas incertezas podem afectar fortemente a fiabilidade estrutural. Nos ltimos trinta
anos o mtodo probabilstico de elementos finitos tem sido muito utilizado em todos os
campos estruturais. Os desenvolvimentos nesta rea tm vindo a ser discutidos, de entre
outros, por Vanmarcke et al. (1986), Nakagiri et al. (1987), Der Kiureghian e Ke (1988),
Brenner (1991), Ghanem e Spanos (1991, 2003), Matthies et al. (1997), Kleiber e Hien
(1992), Sudret e Kiureghian (2000, 2002).
O mtodo de simulao de Monte Carlo foi utilizado neste trabalho como mtodo de
referncia. Esta uma poderosa ferramenta que pode ser adaptada para a anlise
probabilstica de incertezas em todo o tipo de problemas e os resultados podem ser obtidos
com a preciso desejada. Neste mtodo so realizadas anlises repetidas com os valores
obtidos atravs das variveis aleatrias bsicas, os quais so gerados a partir das
distribuies de probabilidade das respectivas variveis. Desta forma, as estatsticas de
resposta so obtidas a partir das amostras que vo sendo geradas. Este mtodo pode ser
aplicado a qualquer tipo de problema estrutural, sendo os resultados obtidos com uma
preciso que ir depender do nmero de simulaes efectuadas. medida que o nmero de
3
simulaes aumenta a probabilidade de rotura obtida pelo mtodo de Monte Carlo fica
cada vez mais prxima do valor exacto. No entanto, para sistemas estruturais mais
complexos o nmero de simulaes necessita de ser bastante elevado, o que torna este
mtodo um pouco moroso e logo pouco eficiente. Esta uma das principais razes porque
hoje em dia muitos autores consideram este mtodo inadequado para aplicaes prticas.
No entanto, na actualidade, ele ainda muito utilizado tendo inclusivamente outros autores
desenvolvido algumas tcnicas de reduo da varincia como forma de ultrapassar esse
problema [Rubinstein (1981), Bucher (1988), Melchers (1999), Ditlevsen e Madsen
(2005), Mahadevan e Raghothamachar (2000), Olsson et al. (2003), Schueller (2001)].
Apesar dos problemas que podem surgir na sua aplicao, este mtodo ainda se deve
considerar bastante vlido como uma ferramenta de verificao no desenvolvimento de
mtodos mais refinados como os mtodos de fiabilidade e perturbao.
Os mtodos de perturbao envolvem expanses em sries de Taylor, de primeira ou
segunda ordem, numa vizinhana dos valores mdios das variveis aleatrias bsicas,
relativamente s equaes que definem o comportamento da estrutura. A variao da
resposta estrutural ento obtida resolvendo um conjunto de equaes determinsticas.
Igualando os termos da mesma ordem, as mdias e covarincias da varivel resposta
podem ser determinadas em funo das mdias e covarincias das variveis aleatrias
bsicas. Se utilizarmos apenas expanses em sries de Taylor de primeira ordem, a
resposta mdia calculada como a soluo das equaes de ordem zero. Neste mtodo as
variveis aleatrias bsicas so caracterizadas apenas pelas suas mdias e covarincias no
sendo necessrio ter qualquer informao sobre as suas distribuies. O objectivo
calcular os dois primeiros momentos da varivel resposta. A incluso dos termos de
segunda ordem, alm de aumentarem consideravelmente os clculos, estes tm um efeito
apenas sobre os valores mdios da varivel resposta sendo normalmente considerados de
pouca importncia comparados com os termos de ordem zero (Teigen et al., 1991a). H
que ter algum cuidado na aplicao dos mtodos de perturbao pois a probabilidade de
rotura um pouco sensvel s caudas das distribuies de probabilidade pois como estes
mtodos desenvolvem a equao de equilbrio, entre as foras internas e externas, em torno
dos valores mdios das variveis aleatrias bsicas, o erro na estimao da probabilidade
de rotura pode ser significativo (Liu e Kiureghian, 1989). Os mtodos de perturbao
foram utilizados por muitos autores nos ltimos anos. Por exemplo, Baecher e Ingra (1981)
4
e Righetti e Harrop-Williams (1988) aplicaram este mtodo a problemas geotcnicos;
Handa e Anderson (1981) aplicaram-no a uma viga e a uma estrutura para estimar os dois
primeiros momentos dos deslocamentos estruturais e foras; Hisada e Nakagiri (1981)
aplicaram-nos a problemas lineares e no lineares; Grasa et al. (2006) utilizaram este
mtodo conjuntamente com uma extenso do mtodo dos elementos finitos para estudar as
incertezas relacionadas com falhas em problemas mecnicos.
Os mtodos de fiabilidade de primeira ordem (do ingls FORM) e de segunda ordem (do
ingls SORM) tm sido muito utilizados para estimar a probabilidade de rotura de sistemas
estruturais. Nos ltimos anos, o desenvolvimento da tecnologia permitiu o aparecimento de
computadores cada vez mais rpidos e eficazes o que veio impulsionar e influenciar de
forma significativa os desenvolvimentos nesta rea. Os trabalhos mais recentes incluem,
entre muitos, os de Wen (1990), Nowak e Collins (2000) e Ranganathan (1999). Shinozuka
(1983) apresentou um trabalho sobre vrias definies e clculos de ndices de fiabilidade.
Ao longo dos tempos vrios tm sido os autores a fazer algumas abordagens crticas sobre
mtodos para calcular a probabilidade de rotura, como por exemplo, Dolinski (1983),
Ditlevsen e Bjerager (1986), Schueller e Stix (1987), Rackwitz (2001).
Kiureghian (1996) faz uma reviso sobre os mtodos de avaliao da fiabilidade estrutural
sob o ponto de vista da avaliao da segurana na presena de sismos. J Cheng e Yang
(1993) e Schueller (1997) apresentam um conjunto de trabalhos relacionados com aspectos
tericos e computacionais de mecnica estrutural. Tambm os mtodos de simulao de
campos aleatrios tm sido estudados e desenvolvidos por muitos autores, como por
exemplo, Shinozuka e Deodatis (1991, 1996) e Spanos e Zeldin (1998). Num determinado
nmero de artigos, Elishakoff (1995a, 1995b, 1998, 2000) analisou aspectos bsicos
relacionados com a modelao probabilstica de incertezas estruturais e explorou
alternativas para modelar essas incertezas. Tambm Yao (1985) e Melchers (2001)
apresentaram os desenvolvimentos obtidos na anlise de fiabilidade de estruturas
existentes e apontaram a necessidade de continuar a aprofundar a investigao nesta rea.
Casciati et al. (1997) apresentam uma reviso sobre problemas dinmicos e algoritmos
dentro dos sistemas de fiabilidade estrutural. Problemas de fiabilidade relacionados com a
variao no tempo e a aplicao de tcnicas com combinao de cargas foram revistos por
Rackwitz (1998). Outros factores que contriburam para o crescimento de outras reas so
a disponibilidade cada vez maior de dados sobre fenmenos naturais, como por exemplo
5
sismos, e os recentes desenvolvimentos da tecnologia de sensores, como por exemplo a
monitorizao que j se utiliza em diversas cincias.

1.3 Organizao da dissertao

Ao elaborar esta tese de Doutoramento teve-se em mente que ela constitusse igualmente
um texto de apoio para todos aqueles que trabalham com o tratamento das vrias incertezas
que envolvem os problemas de engenharia, mais concretamente na rea da segurana
estrutural. O objectivo foi o de apresentar e discutir alguns mtodos e tcnicas que se
aplicam na rea da segurana e fiabilidade estrutural. Este trabalho desenvolve-se ao longo
de sete captulos. Em seguida faz-se uma descrio sumria de cada um dos captulos:
Captulo 1
Neste captulo apresenta-se a informao base relacionada com o objectivo/motivao
deste trabalho. Comeam por se referir os objectivos a que este trabalho se prope, fazendo
de seguida uma pequena abordagem relativamente evoluo que a anlise de fiabilidade
teve ao longo dos tempos at actualidade, referindo alguns dos trabalhos mais
significativos dentro dessa rea. Menciona-se a estrutura da tese organizada nos sete
captulos que a constituem.
Captulo 2
Apresentam-se alguns conceitos bsicos da anlise de fiabilidade. Comea por referir-se
quais as incertezas que podero surgir na avaliao da segurana estrutural. Em seguida
definem-se alguns conceitos relacionados com o tema como: variveis aleatrias bsicas,
estados limite, funo de estado limite e probabilidade de rotura. Para concluir, so
revistos e discutidos alguns dos mtodos de fiabilidade mais utilizados hoje em dia,
expondo a evoluo que estes tiveram ao longo do tempo.
Captulo 3
Os mtodos de fiabilidade desenvolvidos com base no pressuposto de variveis aleatrias
independentes com distribuio normal tm o seu campo de aplicao limitado. Da que
6
neste captulo se apresentem alguns mtodos de transformao que podem ser teis para
casos em que as variveis aleatrias bsicas no tm distribuies normais e/ou nos casos
de existirem correlaes entre essas variveis. Assim, apresentam-se mtodos para
transformar variveis aleatrias normais correlacionadas em variveis aleatrias
equivalentes com distribuio normal e independentes. Da mesma forma, tambm se
descrevem algumas das principais transformaes para variveis aleatrias no normais
independentes, assim como transformaes para variveis aleatrias no normais
correlacionadas.
Captulo 4
Descrevem-se alguns dos mtodos de simulao mais utilizados para o tratamento das
vrias incertezas que envolvem os problemas de engenharia, mais concretamente na rea
da segurana estrutural. Descreve-se o mtodo de simulao de Monte Carlo, assim como
duas tcnicas de reduo da varincia. Alm disso, apresenta-se a forma de gerar nmeros
aleatrios para variveis aleatrias contnuas e discretas, assim como a simulao de
variveis aleatrias normais, e no normais, correlacionadas.
Captulo 5
Descreve-se a metodologia proposta que permite obter um ndice de fiabilidade para a
avaliao da segurana estrutural. Neste captulo apresenta-se o desenvolvimento de um
mtodo de fiabilidade estrutural eficiente que conjuga tcnicas de perturbao com o
mtodo dos elementos finitos. Este mtodo permite obter, com uma nica anlise
estrutural, a resposta mdia e a sua disperso em funo das distribuies dos parmetros
bsicos do problema, caracterizados por variveis aleatrias. Desta forma obtm-se um
procedimento de anlise probabilstica da segurana estrutural significativamente mais
rpido do que os mtodos frequentemente utilizados.
Considerando que o sistema estrutural em estudo, com n vigas e colunas, se encontra
submetido a um carregamento caracterizado por F = F[
1
,
2
, ,
n
]; onde F
representa a intensidade do carregamento e [
1
,
2
, ,
n
] o vector da distribuio desse
carregamento ao longo da estrutura. Aplicando o mtodo dos elementos finitos, o
equilbrio do sistema traduzido pela seguinte equao: K(u)U = F ; onde K(u)
representa a matriz de rigidez tangente da estrutura, definida em funo dos deslocamentos
7
nodais U, F corresponde ao vector das foras nodais representativas das aces
exteriores (inclui aces permanentes, sobrecargas, vento, etc.). Aplicando tcnicas de
perturbao a esta equao foi possvel quantificar o valor mdio e a disperso da resposta
estrutural, quer em termos de deslocamentos quer de foras. Alm disso, so apresentados
alguns detalhes relacionados com a implementao do software do modelo proposto.
Captulo 6
Neste captulo apresentam-se alguns exemplos comparativos entre os resultados obtidos
por esta tcnica e por outros mtodos probabilsticos, permitindo avaliar as potencialidades
da metodologia proposta.
Captulo 7
Por fim, neste captulo, apresentam-se as concluses do trabalho desenvolvido assim como
perspectivas de desenvolvimentos futuros.

8
9
Equation Chapter 2 Section 2

Captulo 2

Avaliao das Incertezas e Verificao da Segurana
Estrutural

2.1 Introduo

Ao longo dos tempos a avaliao da segurana de estruturas era efectuada de uma forma
emprica, muitas das decises dependiam da experincia pessoal, da intuio e julgamento.
Nos ltimos anos, para avaliar com maior preciso os riscos associados segurana
estrutural tm vindo a ser aplicados, cada vez com maior frequncia, mtodos
probabilsticos de fiabilidade. Estes mtodos procuram avaliar as probabilidades de rotura
de sistemas estruturais. Muitos trabalhos de investigao tm sido realizados dentro deste
tema assim como tm surgido muitas publicaes interessantes. Algumas noes, estudos e
aplicaes sobre a teoria da fiabilidade estrutural podem ser encontrados, por exemplo, em
Madsen et al. (2006), Melchers (1999), Ditlevsen e Madsen (2005) e Haldar e Mahadevan
(2000, 2000a). No entanto, a sua aplicao generalizada tem vindo a ser atrasada devido
pouca eficincia em resolver problemas de maior complexidade (Imai e Frangopol, 2000;
Kharmanda et al., 2002; Yu et al., 1997).
Os critrios de rotura estrutural esto relacionados com as funes de estado limite, que
definem as superfcies que separam a regio de segurana da regio de rotura. A
determinao do ndice de fiabilidade de sistemas estruturais um problema de
optimizao no espao normal padronizado (Hasofer e Lind, 1974; Shinozuka, 1983).
10
Existem dois mtodos elementares para estimar a fiabilidade estrutural: o mtodo de
fiabilidade de primeira ordem (do ingls FORM) e o de segunda ordem (do ingls SORM).
Os mtodos de fiabilidade de primeira ordem foram utilizados por muitos autores para
vrios tipos de anlises, como por exemplo, Kiureghian e Ke (1988) que os usaram para
uma anlise determinstica de estruturas lineares com propriedades aleatrias. Este mtodo
envolve uma transformao das variveis aleatrias para o espao normal padronizado e
aproxima a funo de estado limite atravs de uma superfcie linear (um hiperplano). O
mtodo de segunda ordem semelhante ao de primeira ordem excepto que neste caso a
funo de estado limite aproximada atravs de uma superfcie de segunda ordem (um
parabolide). Se a superfcie de estado limite no linear uma aproximao de segunda
ordem produzir resultados mais fiveis mas tambm ser mais morosa e complicada. Caso
contrrio os dois mtodos produziro praticamente os mesmos resultados (Der Kiureghian
et al., 1987; Liu e Kiureghian, 1989).
As tcnicas que utilizam processos de simulao, como o mtodo de Monte Carlo, tm
grandes custos computacionais para sistemas estruturais mais complexos mesmo quando a
implementao computacional inclui tcnicas de reduo da varincia (Mahadevan e
Raghothamachar, 2000; Olsson et al., 2003; Schueller, 2001). As tcnicas de fiabilidade
correntes, como os mtodos FORM e SORM, so hoje geralmente aceites sendo as suas
aplicaes bastante simples quando existe uma formulao explcita do problema
estrutural. No entanto, quando no h relaes explcitas entre as variveis, como por
exemplo no mtodo dos elementos finitos, a aplicao destas tcnicas de fiabilidade para
avaliar a incerteza da resposta estrutural torna-se mais exigente e pouco eficiente (Ghanem
e Spanos, 2003; Haldar e Mahadevan, 2000a; Schenk e Schueller, 2005). Para muitos
sistemas estruturais utiliza-se o mtodo dos elementos finitos como ferramenta de anlise
de forma a obter resultados mais rigorosos. Esta uma das razes pela qual a anlise de
fiabilidade de elementos finitos tem tido grandes desenvolvimentos nos ltimos tempos.
Neste captulo comeam por apresentar-se alguns conceitos bsicos da teoria da fiabilidade
estrutural necessrios para a compreenso do funcionamento dos vrios mtodos
desenvolvidos e tambm como introduo ao tema em questo.

Captulo 2 Avaliao das Incertezas e Verificao da Segurana Estrutural
11
2.2 Incertezas na avaliao da segurana estrutural

Um sistema estrutural pode considerar-se como contendo incertezas quando no temos
completo conhecimento sobre alguns aspectos que descrevem esse sistema e o seu
comportamento, seja o modelo utilizado ou os valores dos seus parmetros. Devido ao
crescimento da complexidade dos sistemas estruturais, os parmetros desconhecidos neles
envolvidos tendem a aumentar em nmero e a ser cada vez mais correlacionados. Em
seguida apresentam-se as principais fontes de incerteza que surgem na anlise de
fiabilidade e condicionam a avaliao do comportamento de uma estrutura.
A influncia de diversos factores, como por exemplo, a impossibilidade de prever as
condies de carga futuras, no saber com preciso as propriedades dos materiais, as
limitaes dos vrios mtodos que se podem aplicar, a utilizao de hipteses simplistas
para prever o comportamento estrutural face s aces actuantes; leva a que a segurana
absoluta de uma estrutura nunca possa ser garantida. Verifica-se assim a existncia de
imensas fontes de incerteza na anlise de fiabilidade que condicionam a avaliao do
comportamento de uma estrutura. Essas incertezas que surgem, principalmente, devido a
erros de estimao nos modelos tericos utilizados nas anlises, a imperfeies
geomtricas e variabilidade dos materiais, das aces e interveno humana, tm sido
discutidas e analisadas por diversos autores, como por exemplo Matthies et al. (1997),
Ayyub (1998), Henriques (1998), Delgado (2002), Faber e Stewart (2003), Gayton et al.
(2004), no sentido de sistematizar e entender os parmetros que mais influenciam a
probabilidade de rotura de uma estrutura.
De uma forma geral as fontes de incerteza em problemas de engenharia estrutural podem
ser agrupadas da seguinte forma (Der Kiureghian, 1989; Menezes e Schueller, 1996):
Devido aco do homem (ex. a resistncia do beto usada nos modelos diferente
daquela que se obtm na obra pois os processos de fabricao, aplicao e cura esto
sujeitos a muitas incertezas, tais como, a dosagem utilizada, a forma como
transportado, as condies climatricas quando aplicado na obra, etc.). So
consequncia das suas falhas durante as vrias fases da realizao de uma
determinada estrutura (documentao, dimensionamento, construo, etc.)
resultantes, por exemplo da falta de conhecimento, omisses, erros, imprecises, etc.
12
Fsicas, onde o homem no tem influncia (ex. sobrecargas, vento, sismos, etc.).
Resultam da impossibilidade de prever a variabilidade e simultaneidade das aces
que actuam numa estrutura assim como da natureza incerta das propriedades dos
materiais, da geometria dos elementos, etc. Para tentar controlar e estimar este tipo
de incertezas h que obter o maior nmero possvel de informao sobre as variveis
ou ento recorrer a experincias anteriores.
Dos modelos. Resultam da utilizao de modelos que descrevem de forma
aproximada o comportamento dos materiais e das simplificaes na introduo das
aces bem como dos seus efeitos. A diferena entre os valores observados na
estrutura e os estimados pelo modelo pode ser considerada como uma medida desta
incerteza.
Estatsticas (ex. n. limitado de observaes influencia a estimao dos parmetros
estatsticos mdia, desvio padro, etc.). O nmero reduzido de dados disponveis
introduz incertezas nas estimativas dos parmetros que caracterizam os modelos
probabilsticos que podem ser minimizadas obtendo um maior nmero de
informaes e utilizando tcnicas de inferncia estatstica.

2.3 Variveis bsicas

So variveis que representam quantidades fsicas e que caracterizam aces, propriedades
dos materiais e dos solos e parmetros geomtricos. So as variveis fundamentais que
definem e caracterizam o comportamento e a segurana de uma estrutura, ou seja, so elas
que representam toda a informao de input que introduzida num modelo.
Cada varivel bsica definida atravs de um determinado nmero de parmetros tais
como a mdia, o desvio padro, etc.

2.4 Estados limite

Uma estrutura est sujeita a vrios tipos de cargas ao longo do seu tempo de vida. A
resposta estrutural a essas cargas pode ser encontrada sob a forma de deslocamentos,
deformaes, tenses ou esforos. O desempenho de uma estrutura medido para
13
diferentes situaes que podem ocorrer durante o seu perodo de funcionamento. Os danos
ou a runa podem surgir sempre que as aces aplicadas estrutura excederem os valores
da sua capacidade de resistir aos esforos desenvolvidos.
Um estado limite corresponde a uma representao discreta da resposta estrutural sob
condies extremas de solicitao, qual se pode associar um determinado nvel de danos
ou perdas (CEB, 1988).
A violao de um estado limite pode resultar de um nico acontecimento ou de uma
acumulao de danos, como por exemplo a rotura por fadiga. Pode ainda ser reversvel e
nesse caso o dano existente na estrutura apenas permanecer enquanto a causa que o
provocou esteja presente; ou irreversvel e nesse caso o dano provocado permanecer at
que a estrutura seja reparada.
De acordo com as normas actuais de dimensionamento de estruturas, os estados limites
dividem-se em duas categorias (RSA, 1984):
Estados limite ltimos, de onde resultam prejuzos muito severos e que normalmente esto
associados a uma capacidade de carga mxima da estrutura, ou parte dela, colocando em
causa a segurana de pessoas e/ou equipamentos.
Estados limite de utilizao, de onde resultam prejuzos pouco severos e aos quais esto
associados os critrios que regulam as funes relacionadas com a normal utilizao de
uma estrutura, ou parte dela. Estes estados limite so ainda divididos em classes,
normalmente associadas s duraes de referncia:
Muito curta poucas horas de vida da estrutura
Curta duraes da ordem dos 5% da vida da estrutura
Longa duraes da ordem dos 50% da vida da estrutura
A escolha dos estados limite a que uma estrutura deve obedecer depende dos materiais
utilizados e do tempo de vida pretendido para a estrutura em causa. Esta sistematizao do
conceito de estado limite permitiu o estabelecimento de critrios de dimensionamento e
verificao de segurana.
14
2.5 Funo de estado limite

Para cada estado limite devem identificar-se as variveis aleatrias bsicas que o
influenciam. Os modelos que descrevem o comportamento de uma estrutura devem ser
definidos para cada estado limite. Os parmetros desses modelos devem ser tratados como
variveis aleatrias bsicas.
O estado limite pode ser descrito atravs de uma funo das variveis aleatrias bsicas,
( )
1 2
, , X X X = :
( )
1 2
Z G X , X , = (2.1)
onde
( )
G representa a relao entre os elementos do vector X (Freudenthal, 1956;
Freudenthal et al., 1966; Madsen et al., 2006). Os elementos do vector X geralmente so
incertezas, como por exemplo, parmetros geomtricos e materiais, cargas, etc. Alm
disso, estas quantidades podem estar correlacionadas.
Sendo Z a margem de segurana ento ( ) 0 G X = a funo de estado limite. Considera-se
que a estrutura est em segurana se ( ) 0 G X > , sendo a regio de rotura dada por
( ) 0 G X < . Uma funo de estado limite pode ser uma funo explcita ou implcita das
variveis aleatrias bsicas.

2.6 Verificao da segurana aos estados limite

Os critrios de verificao da segurana podem classificar-se em quatro nveis (Henriques,
1998; Delgado, 2002; Laranja, 2003):
Nvel 0
As anlises so puramente determinsticas, como por exemplo o mtodo das tenses
admissveis. As variveis tm valores estritamente determinsticos sendo as incertezas
englobadas nos coeficientes globais de segurana que normalmente so estimados atravs
de experincias passadas, da intuio do engenheiro ou do seu julgamento face ao
problema em estudo.
15
Nvel 1
As anlises baseiam-se no formato semi-probabilstico de verificao de segurana que
actualmente o mais utilizado na regulamentao internacional para definir regras no
dimensionamento estrutural. Para quantificar a variabilidade das aces e das resistncias
recorrem a valores representativos (nominais ou caractersticos) afectados de coeficientes
parciais de segurana. Os valores representativos so utilizados na regulamentao de
estruturas sendo definidos a partir do estudo estatstico da distribuio das variveis
bsicas (normalmente, valores mdios e desvios padro). Os coeficientes parciais de
segurana so aferidos por mtodos probabilsticos de nvel superior.
Nvel 2
Inclui os mtodos probabilsticos onde as variveis bsicas so definidas atravs de
medidas estatsticas que descrevem a tendncia central e a disperso (normalmente, o valor
mdio e a varincia). Procura-se determinar a probabilidade de ser atingido um
determinado estado limite sendo a avaliao da segurana efectuada por tcnicas
numricas aproximadas. A medida de segurana utilizada o chamado ndice de
fiabilidade que est directamente relacionado com a probabilidade de rotura
f
p .
Nvel 3
Inclui mtodos puramente probabilsticos onde se utiliza a distribuio conjunta das
variveis bsicas. A probabilidade de ser atingido um determinado estado limite
calculada analiticamente (de difcil aplicao, vivel apenas para casos muito simples) ou
recorrendo a mtodos de simulao. Actualmente, embora estes mtodos tenham grande
aplicao em diversas reas, em problemas com muitas variveis, onde a complexidade dos
algoritmos de anlise no linear exige muito tempo de computao, a sua aplicao fica um
pouco limitada.

2.7 Probabilidade de rotura. Caso fundamental

A formulao do problema bsico da fiabilidade estrutural envolve apenas a resistncia, R,
e a solicitao, S, descritas pelas respectivas funes densidade de probabilidade
R
e
S
.
A funo de estado limite pode ser definida por:
( ) Z G R, S R S = = (2.2)
16
Desta forma, a superfcie que separa o domnio da segurana do domnio da rotura da
estrutura ser dada por:
( ) 0 Z G R, S R S = = = (2.3)
De uma forma geral, a rotura de uma estrutura d-se se a resistncia do sistema estrutural,
R, menor do que as cargas actuantes, S. Nesta perspectiva, a probabilidade de rotura pode
ser determinada integrando a funo densidade de probabilidade conjunta das variveis
aleatrias R e S,
R,S
, dentro do domnio de falha ( ) { }
0 D R, S : G R, S = :
( ) ( )

R,S
D
R
p = P 1 = P R- S 0 = r,s dr ds
S
(2.4)
Como normalmente se assume que as variveis aleatrias relacionadas com a resistncia
so estatisticamente independentes das que esto relacionadas com as aces, a funo
densidade de probabilidade conjunta em (2.4) pode ser substituda pelo produto das
respectivas funes de densidade de probabilidade marginais:
( ) ( ) ( ) ( )
+ S>R
R S R S
- -
D
p = r . s dr ds r . s dr ds

=

(2.5)
Considerando
R
F como a funo distribuio da resistncia, integrando ( )
R
f r obtm-se:
( ) ( )
+
R S
-
p = F x . x dx
(2.6)
Este integral conhecido como o integral de convoluo e representa todos os casos para
os quais a resistncia no excede as solicitaes. Para a maior parte dos problemas a
resoluo analtica do integral da equao (2.6) difcil. Normalmente calculam-se
aproximaes ao seu valor atravs de tcnicas de integrao numrica ou de procedimentos
e medidas indirectas (Dai, 1992).

17
2.8 ndice de fiabilidade

A dificuldade em resolver o integral da equao (2.6) fez com que se desenvolvessem
metodologias que permitissem avaliar a segurana de uma estrutura com base na sua
probabilidade de rotura. Esta dificuldade levou a que nas ltimas dcadas se tenham vindo
a desenvolver vrias metodologias dentro da teoria da fiabilidade estrutural. Com o tempo
foram surgindo vrios mtodos para determinar ndices de fiabilidade que foram sendo
estudados e apresentados por diversos autores, como por exemplo, Hasofer e Lind (1974),
Rackwitz e Fiessler (1978), Chen e Lind (1983), Wu e Wirsching (1987), Liu e Der
Kiureghian (1991a), Ditlevsen e Madsen (2005). Os trabalhos apresentados na dcada de
sessenta por Freudenthal et al. (1966) foram as primeiras referncias sobre o tema. Cornell
(1969) apresenta o primeiro mtodo de fiabilidade estrutural designado mtodo do segundo
momento de primeira ordem (do ingls FOSM). Com ele Cornell introduziu o conceito de
ndice de fiabilidade que permite a obteno da probabilidade de rotura e logo da
segurana de uma estrutura. No entanto, rapidamente ficou claro que este mtodo
apresentava duas grandes limitaes, o ndice de fiabilidade no constante para
formulaes equivalentes da funo de estado limite e no inclua informao sobre as
distribuies das variveis aleatrias bsicas, o que suscitou o aparecimento de novos
mtodos (Ditlevsen, 1973; Veneziano, 1974). Hasofer e Lind (1974) propem um mtodo
que resolveu o problema da no invarincia. Surgem assim os mtodos FORM e SORM.

2.8.1 Formulao base do ndice de fiabilidade

Para alguns casos especiais a equao (2.6) pode ser calculada com facilidade sem ter de se
resolver o integral. Considere-se novamente uma formulao do problema bsico da
fiabilidade estrutural que envolve apenas a resistncia, R, e a solicitao, S.
Se R e S so duas variveis aleatrias estatisticamente independentes (o que razovel
assumir) com distribuio normal ento ( )
R R
R N , e ( )
S S
S N , . Desta forma, a
funo de estado limite definida por 0 Z R S = = , que define a margem de segurana,
tambm uma varivel aleatria normal com ( )
2 2
R S R S
Z N , + . Assim, a
probabilidade de rotura dada por (Cornell, 1969):
18

( )
( )
2 2 2 2
0
0 1
R S R S
f
R S R S
p P Z

= < = =

+ +

(2.7)
onde
( )
a funo distribuio da distribuio normal padronizada. A equao (2.7)
pode ser escrita da seguinte forma:

2 2
R S R S
= + + (2.8)
onde
( )
1
1
f
p

= representa o ndice de fiabilidade. Assim,
f
p pode representar-se da
seguinte forma:

( )
( )
2 2
R S
Z
f
Z
R S
p

= = =

+

(2.9)
Quanto maior for o ndice de fiabilidade, , menor ser a probabilidade de rotura,
f
p , ou
seja, o risco associado nesse caso ser menor. Na figura 2.1 representa-se o significado de
(Ferry-Borges e Castanheta, 1985).

Figura 2.1 Funo densidade de probabilidade de Z = R-S e ndice de fiabilidade .

Se R e S so duas variveis aleatrias estatisticamente independentes com distribuio
lognormal ento ( ) Z ln R S ln R ln S = = uma varivel aleatria normal com
probabilidade de rotura dada por:
Z=R-S
Z
0

.
Z
f(Z)
Z<0
Rotura

Z>0
Segurana

Probabilidade de rotura, p
f
19

( )( )
2
2
2 2
1
1
1
1 1
S R
S R
f
R S
V
ln
V
p
ln V V

+

+

=

+ +

(2.10)
onde
R R R
V = o coeficiente de variao de R e
S S S
V = o coeficiente de variao
de S. Se
R
V e
S
V no tm valores muito elevados ( 0 30 . ) a equao (2.10) pode ser
simplificada (Haldar e Mahadevan, 2000):

2 2
1
R S
f
R S
ln ln
p
V V

+

(2.11)

2.8.2 Generalizao do clculo do ndice de fiabilidade

Em geral a resistncia R funo das propriedades dos materiais e/ou das dimenses dos
elementos que constituem um sistema estrutural enquanto a solicitao S funo das
aces, existindo assim vrias variveis aleatrias a influenciar uma estrutura. Desta
forma, normalmente, a funo de estado limite
( )
G depende de vrias variveis aleatrias
que definem e caracterizam o comportamento e a segurana de uma estrutura
( )
1 2
, , ,
n
X X X X = , sendo expressa por:
( )
1 2
0
n
Z G X , X , , X = = (2.12)
Esta equao estabelece a fronteira que divide o domnio numa regio de segurana,
( )
0 G X > , e noutra de rotura,
( )
0 G X < .
Se as variveis aleatrias bsicas forem independentes e normalmente distribudas e a
funo de estado limite for linear, do tipo:

( )
0 1 1 0
1
n
n n i i
i
G X a a X a X a a X
=
= + + + = +
(2.13)
ento o ndice de fiabilidade pode ser obtido por (Hasofer e Lind, 1974):
20

( )
0
1
1 1
n
i i
i
n n
i j ij
i j
a a
a a C
=
= =
+
=

(2.14)
onde o vector das mdias e C a matriz de covarincias de X. No entanto, em muitos
casos, algumas das variveis aleatrias bsicas no tm distribuies normais e a funo de
estado limite no linear. Dessa forma, no so vlidas as propriedades aditivas da lei
normal pelo que se torna mais difcil calcular o valor mdio e o desvio padro de
( )
G ,
pois no se podem usar as expresses anteriores. Alm disso, a resposta estrutural tambm
pode no ser normal.
A probabilidade de rotura,
f
p , ser ento obtida atravs da generalizao de (2.4)
aplicando uma integrao mltipla a todas as variveis aleatrias bsicas:
( )
( )
0
X 1 2 n 1 2 n
G X
p = f x , x , , x dx dx dx

(2.15)
onde ( )
X 1 2 n
f x , x , , x a funo densidade de probabilidade conjunta das variveis
aleatrias bsicas ( )
1 2
, , ,
n
X X X . Em geral ( )
X 1 2 n
f x , x , , x praticamente
impossvel de obter e mesmo se essa informao estiver disponvel o integral mltiplo
dado em (2.15) de difcil resoluo. Inclusivamente as variveis aleatrias bsicas podem
nem aparecer de forma explcita. Por estes motivos, para resolver o integral dado pela
equao (2.15), normalmente recorrem-se a simplificaes, a mtodos numricos ou
mesmo a ambos. Estes mtodos podem enquadrar-se em dois tipos de abordagens
(Grigoriu, 1983):
Aproximaes numricas por meio de simulaes como por exemplo o mtodo de
Monte Carlo.
Utilizao de processos que permitam obter solues aproximadas que sejam mais
simples de calcular. Estes mtodos podem ser agrupados em dois tipos: os mtodos
de fiabilidade de primeira ordem (do ingls FORM) e os de segunda ordem (do
ingls SORM). Estes baseiam-se, respectivamente, em aproximaes lineares
(FORM) e quadrticas (SORM) superfcie de estado limite no ponto mais
provvel de rotura do espao normal padronizado.
21
2.9 Mtodos de fiabilidade de primeira e segunda ordem

As dificuldades em calcular o integral mltiplo da equao (2.15) motivaram o
desenvolvimento dos mtodos de fiabilidade dos segundos momentos de primeira ordem
(FOSM). Devido sua simplicidade estes tornaram-se muito populares desde o trabalho
apresentado por Cornell, que utilizou uma formulao com apenas duas variveis para
explicar a sua abordagem (Cornell, 1969). Em vez de utilizar mtodos numricos
aproximados para calcular a probabilidade de rotura de um problema de fiabilidade
estrutural na sua forma mais geral aplica mtodos mais simples onde a funo integranda,
( )
1 X n
f X , , X simplificada.
O desenvolvimento dos mtodos FORM est relacionado com os mtodos dos segundos
momentos (FOSM), que utilizam apenas a informao fornecida pelos dois primeiros
momentos o valor mdio () e o desvio padro () para representar as variveis
aleatrias. Enquanto que nos mtodos FOSM a informao sobre a distribuio das
variveis aleatrias ignorada nos mtodos FORM (tambm chamados de AFOSM) essa
informao j utilizada.

2.9.1 Mtodos FOSM ou MVFOSM

Os mtodos FOSM tambm so referidos na literatura como mtodos do valor mdio de
primeira ordem e dos segundos momentos MVFOSM (Cornell, 1969). Estes mtodos
baseiam-se numa aproximao em srie de Taylor de primeira ordem da funo de estado
limite, linearizada nos valores mdios das variveis aleatrias, utilizando somente as
estatsticas at aos segundos momentos das variveis aleatrias bsicas (mdias e desvios
padro).
A formulao original deste mtodo dada por Cornell (1969) utiliza apenas duas variveis
aleatrias, R e S, e uma equao de estado limite Z R S = .
Tal como j foi referido no captulo anterior, se R e S so estatisticamente independentes e
normalmente distribudas ento a varivel Z tambm normalmente distribuda. A rotura
acontece se 0 R S Z < < , sendo a probabilidade de rotura dada por:
22

2 2
1
R S
f
R S
p

=

+

(2.16)
A probabilidade de rotura depende da razo entre
Z
e
Z
. Essa razo designa-se por
ndice de segurana ou ndice de fiabilidade e geralmente representa-se por mas neste
caso vai representar-se por
C
pois foi definida por Cornell (1969):

2 2
R S Z
C
Z
R S

= =
+
. (2.17)
Desta forma, a probabilidade de rotura pode ser definida por:
( ) ( ) 1
f C C
p = = . (2.18)
J se viu que se
( )
G X um hiper-plano, e portanto linear, o ndice de fiabilidade de
Cornell dado por:

0
C
a
+
=
T
X
T
X
a
a C a
(2.19)
onde
X
o vector das mdias e C
X
a matriz de covarincia de X.
Se
( )
G X no linear, o que acontece em muitos casos, necessrio utilizar uma
aproximao para a mdia e varincia de Z (Bucher e Macke, 2003). Alm disso, esta
formulao pode generalizar-se a mais de duas variveis aleatrias. Sendo X um vector
com n variveis aleatrias, a equao do estado limite dada por:

( )
( )
1 n
Z G G X , , X = = X . (2.20)
Aplicando uma expanso em srie de Taylor equao (2.20) em volta do ponto de
dimensionamento ( )
1
* * *
n
X X , , X = obtm-se:

( )
( )
( )( )
1
2
1 1
1

2
*
i i
* *
i i j j
n
* *
i i
i
i
X X
n n
* *
i i j j
i j
i j
X X ,X X
G
Z G X X X
X
G
X X X X
X X
=
=
= =
= =
= + +
+ +

(2.21)
23
onde as derivadas parciais so calculadas no ponto de dimensionamento
*
X . Este ponto
deve ser tal que a diferena entre a probabilidade de rotura estimada, baseada na superfcie
utilizada como aproximao, e a verdadeira probabilidade de rotura seja mnima. Cornell
sugeriu aproximar
( )
G X pela sua expanso em srie de Taylor de primeira ordem. Assim,
truncando a srie da equao (2.21) em relao aos termos lineares obtm-se uma
aproximao de primeira ordem dada por:

( )
( )
1 *
i i
n
* *
i i
i
i
X X
G
Z G X X X
X
=
=
(2.22)
A partir da equao (2.22) pode calcular-se o valor mdio e varincia de Z, que so dados
por:
( )
( )
1
1
i
n
* * *
Z n X i
i
i
G
G X , , X X
X

=
(2.23)

( )
2
1 1
n n
Z i j
i j
i j
G G
.Cov X , X
X X
= =

(2.24)
onde as derivadas parciais so calculadas no ponto de dimensionamento
*
X ,
i
X

representa o valor mdio de
i
X e
( )
i j
Cov X , X a covarincia entre
i
X e
j
X . Se as
variveis no forem correlacionadas ento a varincia dada por:
( )
2
2
1
n
Z i
i
i
G
Var X
X
. (2.25)
O ndice de fiabilidade dos segundos momentos e primeira ordem,
FOSM
, pode calcular-se
a partir de (2.23) e (2.24) ou (2.25) utilizando a equao (2.17) e a partir desse valor
determinar a probabilidade de rotura:

( )
( )
( )
1
1
1 1
i
n
* * *
n X i
i i
FOSM
n n
i j
i j i j
G
G X , , X X
X
G G
.Cov X , X
X X
=
= =
(2.26)
24
Cornell utilizou o valor mdio,
*
X
X = , como ponto de dimensionamento. Este ser o
ndice de fiabilidade do valor mdio de primeira ordem e dos segundos momentos,
MVFOSM
, sendo dado por:

( )
( )
1
1 1
n
X X
MVFOSM
n n
i j
i j i j
G , ,
G G
.Cov X , X
X X

= =
=

(2.27)
Este mtodo aplica-se:
1. Se todas as variveis aleatrias
i
X so independentes e normalmente distribudas e
( )
G X uma funo linear das variveis aleatrias
i
X ento
( )
G X tambm
normalmente distribuda e a probabilidade de rotura dada atravs de (2.18).
2. Se todas as variveis aleatrias
i
X so independentes e seguem uma distribuio
lognormal e
( )
G X uma funo que resulta do produto de funes de
i
X ento
( ) ( )
Z ln G X = normalmente distribuda e a probabilidade de rotura dada atravs de
(2.18).
No entanto, s em poucos casos que se consegue determinar o valor exacto da
probabilidade de rotura atravs deste mtodo. De facto, na maior parte dos casos nem todas
as variveis so estatisticamente independentes, ou com distribuio normal ou lognormal,
ou a funo do estado limite resulta da soma ou produto das variveis
i
X . Nesses casos a
probabilidade de rotura d-nos um valor pouco preciso, apenas se fica com uma ideia do
nvel do risco utilizado no problema em estudo.
Este mtodo de aproximao apresenta assim algumas deficincias na sua aplicao. As
principais e mais importantes so as seguintes:
1. Este mtodo no utiliza a informao (quando disponvel) sobre a distribuio das
variveis aleatrias em estudo;
2. Quando
( )
G X no linear podem ser introduzidos erros significativos devido aos
termos de segunda ordem e superior serem desprezados;
25
3. O valor do ndice de fiabilidade dado por (2.26) no constante para diferentes pontos
de dimensionamento assim como para diferentes formulaes, embora equivalentes, da
mesma funo de estado limite. O ndice depende da formulao da equao de estado
limite assim como dos pressupostos subjacentes acerca da sua distribuio. Por
exemplo, as funes de estado limite definidas por 0 Z R S = < e ( ) 1 Z R S = < so
equivalentes mas as probabilidades de rotura so diferentes para as duas formulaes
(Haldar e Mahadevan, 2000).
Essa falta de invriancia foi ultrapassada atravs dos mtodos de fiabilidade dos segundos
momentos de primeira ordem avanados (AFOSM ou FORM) propostos por Hasofer e
Lind (1974) para variveis com distribuio normal.

2.9.2 Mtodos AFOSM ou FORM para variveis aleatrias normais
(Mtodo de Hasofer-Lind)

O conceito relacionado com os mtodos FORM baseia-se numa descrio do problema de
fiabilidade no espao normal padronizado (Rackwitz e Fiessler, 1978; Madsen et al.,
2006). Assim, sempre que as variveis aleatrias bsicas X de um problema estrutural so
correlacionadas e/ou com distribuies no normais h que transform-las em variveis
aleatrias no correlacionadas com distribuies normais padronizadas
i
X , com mdias
zero e desvios padro unitrios (Hohenbichler e Rackwitz, 1981; Der Kiureghian e Liu,
1986). Para isso, dependendo das caractersticas apresentadas pelas variveis aleatrias
bsicas de cada problema podem utilizar-se vrios mtodos de transformao, como por
exemplo a transformao de Nataf (Liu e Der Kiureghian, 1986) ver captulo 3.
Neste mtodo transformam-se as variveis aleatrias normais em normais reduzidas
atravs da expresso:
( ) 1
i
i
i X
i
X
X
X i , , n
= = . (2.28)
26
Esta equao usada para transformar
( )
0 G = X na equao de estado limite reduzida
( )
0 G = X . O ndice de fiabilidade dado pela distncia mnima entre a origem dos eixos
e a superfcie de estado limite no espao normal padronizado:

( ) ( )
T
* *
HL
. = X X . (2.29)
Ao ponto que se encontra distncia mnima da origem do sistema de coordenadas
reduzido e est sobre a superfcie de estado limite chama-se o ponto de dimensionamento e
representa-se pelo vector
*
X . Se for no sistema de coordenadas original representa-se por
*
X . Para determinar a localizao de
*
X podem utilizar-se vrios procedimentos de
optimizao (Shinozuka, 1983).
Consideremos que a equao de estado limite linear com duas variveis:
0 Z R S = = . (2.30)
As variveis reduzidas sero dadas por:

R
R
R
R

= e
S
S
S
S

= . (2.31)
Desta forma, a equao de estado limite no sistema de coordenadas reduzido ser:

( )
0
R S R S
Z G R S = = + = . (2.32)
A distncia da superfcie de estado limite origem do sistema de coordenadas reduzido
uma medida da fiabilidade do sistema. Quanto menor for a distncia origem maior ser a
probabilidade de rotura. Os pontos de intercepo da equao (2.32) com os eixos ( ) R , S
so dados, respectivamente, por ( ) 0
R S R
,

e ( ) 0
R S S
,

. Assim,
utilizando as propriedades sobre a rea de tringulos, podemos determinar a distncia de
(2.32) origem, que nos d o ndice de fiabilidade do sistema:

2 2
R S
HL
R S

=
+
. (2.33)
27
Esta expresso idntica do ndice de fiabilidade obtido atravs do mtodo MVFOSM,
para o caso em que R e S so consideradas estatisticamente independentes e normalmente
distribudas.
Daqui se conclui que se a equao de estado limite linear e se as variveis aleatrias R e
S so estatisticamente independentes e normalmente distribudas, o ndice de fiabilidade
igual em ambos os mtodos. No entanto, em outros casos isso no acontece.
No geral, o normal a equao de estado limite
( )
0 G = X ser uma funo no linear.
Neste caso vai considerar-se que as variveis aleatrias
i
X no so correlacionadas,
representando
( )
0 G < X a regio de rotura.
Da mesma forma que no caso em que
( )
0 G = X linear,
HL
representa a distncia
mnima entre a origem do sistema de coordenadas reduzido e o ponto de dimensionamento
situado sobre a superfcie de estado limite, podendo ser obtido atravs de (2.29). Este pode
ser utilizado para calcular uma aproximao de primeira ordem da probabilidade de rotura
atravs da expresso ( )
f HL
p = . O ponto sobre a superfcie de estado limite que est
distncia mnima da origem,
*
X , representa a pior combinao das variveis aleatrias
sendo por isso chamado o ponto do dimensionamento ou o ponto mais provvel de rotura.
Para estados limites no lineares o clculo da distncia mnima um problema de
optimizao:

*T *
Minimizar D X X = (2.34)

( ) ( )
0 Sujeito a : G G = =
* *
X X (2.35)
Aplicando o mtodo dos multiplicadores de Lagrange, a distncia mnima dada por
(Shinozuka, 1983):

1
2
1
*
n
*
i
i i
HL
*
n
i i
G
x
X
G
X
=
=

(2.36)
28
onde ( )
*
i
G X a derivada parcial de G em ordem a
i
X calculada no ponto de
dimensionamento ( )
1
* *
n
x , , x . O asterisco depois das derivadas parciais indica que estas
so calculadas no ponto ( )
1
* *
n
x , , x . O ponto de dimensionamento nas coordenadas
reduzidas dado por:

*
i i HL
x = ( ) 1 i , , n = (2.37)
Onde:

2
1
*
i
i
*
n
i i
G
X
G
X
=

=

(2.38)
so os cossenos directores dos eixos coordenados
i
X . Os valores de
i
so os chamados
factores de sensibilidade (Madsen et al., 2006). Utilizando a equao (2.28) pode obter-se
o ponto de dimensionamento no sistema de coordenadas original:

i i
*
i X i X HL
x = . (2.39)
Rackwitz [1976, em Haldar (2000)] apresentou um algoritmo para calcular
HL
e
*
i
X :
1. Definir a equao de estado limite
2. Escolher um valor inicial para o ponto de dimensionamento de coordenadas
*
i
x ,
1 i , , n = . Normalmente, escolhem-se as mdias das variveis aleatrias. Em
seguida obter as variveis reduzidas
( )
i i
* *
i i X X
X X =
3. Calcular ( )
*
i
G X e
i
no ponto
*
X
4. Obter o novo ponto de dimensionamento de coordenadas
*
i
x , 1 i , , n = em funo
de
HL
utilizando a equao (2.37)
29
5. Substituir o novo ponto
*
X na equao de estado limite
( )
0 G =
*
X e resolver em
ordem a
HL

6. Calcular
*
i i HL
x = usando o valor de
HL
obtido no passo 5.
7. Repetir os passos 3 a 6 at que
HL
convirja
Este algoritmo utiliza uma aproximao linear superfcie de estado limite em todos os
pontos de cada iterao e determina a distncia da origem at superfcie. Este processo
continua at que o valor de
HL
convirja ou estabilize. Nos casos em que a equao de
estado limite linear o algoritmo s se aplica uma vez pois a no so necessrias
iteraes.
Veneziano (1979) refere que apesar da simplicidade e generalidade de
HL
, este ndice no
ainda completamente satisfatrio pois no utiliza exaustivamente toda a informao que
est contida na regio de segurana, no vector das mdias e na matriz de covarincias.
Como consequncia
HL
no consistente e pode no ter em conta de forma adequada a
geometria da regio de segurana. Para contornar essas dificuldades Veneziano notou que
se for dada uma caracterizao completa, ou parcial, de
( )
F X e
( )
G X a probabilidade de
rotura limitada da seguinte forma:

L U
f f f
p p p (2.40)
onde
L
f
p o limite inferior e
U
f
p o limite superior da probabilidade de rotura. Baseado
nessa observao, Veneziano props um ndice de fiabilidade alternativo:

( )
1 2
U
f
p

= . (2.41)
O ndice varia de 1 a medida que
U
f
p varia de 0 a 1. Veneziano (1979) utilizou
mtodos baseados nos limites generalizados de Tchebysheff para avaliar dentro de uma
variedade de regies de segurana e para diversas caracterizaes parciais de
( )
F X .
Primeiro para problemas de fiabilidade univariados, depois para casos multivariados e
finalmente para casos envolvendo processos estocsticos.
30
Ditlevsen (1979a) mostrou que para superfcies de estado limite no lineares
HL
no
verifica uma propriedade a que chamou de comparabilidade. Ele considera esta como uma
propriedade muito importante para qualquer medida de fiabilidade estrutural. A ideia
baseia-se no seguinte, por exemplo: se se considerarem duas superfcies de estado limite,
uma linear e outra no linear, as reas correspondentes regio de rotura so diferentes
para cada caso (Figura 2.2). Assim a fiabilidade estrutural em cada caso ser diferente. No
entanto, para ambas as superfcies os valores de
HL
so iguais, sugerindo igual fiabilidade
nos dois casos. Para ultrapassar esta inconsistncia Ditlevsen (1979a) introduziu um ndice
de fiabilidade generalizado dado por:
( ) ( )
( )
1
1 1
0
G n n
G X
x x dx dx
>

=

, (2.42)
onde e so, respectivamente, as funes distribuio e densidade de probabilidade de
variveis aleatrias com distribuio normal padro e
( )
0 G X > a regio de segurana no
espao normalizado das variveis aleatrias. Este ndice de fiabilidade foi definido para ser
utilizado quando no existe mais nenhuma informao acerca das variveis aleatrias
bsicas de um problema estrutural a no ser a superfcie de estado limite e os primeiro e
segundo momentos. Como o ndice de fiabilidade inclui toda a regio de segurana, este
fornece um resultado consistente para o valor da fiabilidade. Devido dificuldade do seu
clculo Ditlevsen (1979a) props aproximar a funo de estado limite no linear atravs de
hiper-planos tangentes em pontos seleccionados na superfcie.

Figura 2.2 ndice de fiabilidade para superfcies de estado limite linear e no linear.
X
2
HL
X* (Ponto de dimensionamento)
G(X)>0
G(X)<0
G(X)=0
X
1
31
Num trabalho realizado em paralelo Ditlevsen (1979b) demonstra a utilizao prtica do
ndice de fiabilidade da expresso (2.42), mesmo para sistemas estruturais com vrios tipos
de falhas.
De notar que quando X um vector Gaussiano e
( )
G X uma funo linear de X ento
c HL G
= = = .
Der Kiureghian (1989) aborda o problema da definio de um ndice de fiabilidade que
inclua as incertezas devidas ao erro da estimao e imperfeio dos modelos. Ele
considerou que qualquer ndice de fiabilidade deve satisfazer seis propriedades
fundamentais (ser consistente, completo, invarivel, simples, premiar o aumento de
informao e manter a ordem).

2.9.3 Mtodos AFOSM para variveis aleatrias no normais

Se todas as variveis aleatrias forem estatisticamente independentes e normalmente
distribudas e a superfcie de estado limite for linear, pode usar-se o ndice de fiabilidade
de Hasofer-Lind para calcular a probabilidade de rotura de uma estrutura. Em qualquer
outra situao este mtodo no nos d resultados exactos para a probabilidade de rotura.
Nos mtodos FORM a superfcie de estado limite no espao normal padronizado ou
reduzido substituda por um hiperplano tangente no ponto que est mais prximo da
origem. Esse ponto,
*
X , o chamado ponto de dimensionamento, sendo a distncia desse
ponto origem o ndice de fiabilidade, . Em muitos casos possvel que a superfcie de
estado limite tenha vrios pontos cuja distncia origem mnima. Nessas situaes essa
superfcie aproximada atravs de um poliedro utilizando tcnicas de fiabilidade (Madsen
et. al., 2006). O grande desafio est em encontrar sobre a superficie de estado limite o
ponto que est mais prximo da origem. Esse um problema de optimizao. Para resolver
este tipo de problemas Hasofer e Lind, 1974; Rackwitz e Fiessler, 1978; Liu e Der
Kiureghian, 1986a, 1988, 1989, 1991, 1991a; Haldar e Mahadevan, 2000, 2000a; entre
outros incluram a informao que as distribuies das variveis aleatrias poderiam
fornecer e desenvolveram vrios algoritmos de optimizao, tanto para casos em que a
superfcie de estado limite linear como no linear. Por exemplo, Liu e Der Kiureghian,
1986a, 1988, 1989, 1991, 1991a apresentam e comparam cinco algoritmos de optimizao
32
para tentar solucionar o problema e assim obterem o ponto de dimensionamento e o
correspondente ndice de fiabilidade. Der Kiureghian e Dakessian (1998) propuseram um
mtodo que determina sucessivamente os vrios pontos de dimensionamento de um
problema de fiabilidade. A ideia em primeiro lugar determinar aproximaes atravs de
mtodos FORM ou SORM em cada um dos pontos de dimensionamento e depois utilizar
uma srie de sistemas de anlises de fiabilidade. Melchers et. al. (2003) examinaram
mtodos FORM para casos em que as variveis aleatrias associadas funo de estado
limite tm funes densidade de probabilidade truncadas ou descontinuas. Tambm
referem as dificuldades que existem em transformar variveis aleatrias com funes
densidade de probabilidade truncadas ou descontinuas para o espao normal padronizado e
sugerem tcnicas para evitar as dificuldades numricas que esto associadas aplicao
dos respectivos algoritmos em mtodos FORM. Haldar e Mahadevan (2000, 2000a)
apresentam dois algoritmos de optimizao. Neste trabalho apresenta-se um dos algoritmos
mais utilizados hoje em dia para resolver problemas de optimizao na fiabilidade
estrutural. Proposto inicialmente por Hasofer e Lind (1974) para mtodos FOSM e mais
tarde desenvolvido por Rackwitz e Fiessler (1978) de forma a incluir informao sobre as
distribuies. Alguns autores chamam-lhe o mtodo HL-RF. Este aplicado atravs de um
processo iterativo e baseia-se numa frmula recursiva do tipo Newton-Raphson:

( )
( ) ( ) ( )
1
2
1
T T
* * * * *
k k k k k
*
k
X G X X G X G X
G X
+

=

(2.43)
onde ( )
*
k
G X o vector gradiente da funo de estado limite na k-sima iterao e
*
k
X
um vector de componentes { }
1 2
T
* * *
k k nk
x , x , , x , sendo n o nmero de variveis aleatrias.
Se alguma, ou algumas, das variveis aleatrias de uma equao de estado limite no tm
distribuio normal h que calcular o desvio padro,
i
N
X
, e a mdia,
i
N
X
, da distribuio
normal equivalente de todas as variveis aleatrias com distribuies no normais ver
captulo 3, expresses 3.13 e 3.14.
Este algoritmo lineariza a funo de estado limite em cada iterao, e em vez de se resolver
a equao de estado limite explicitamente em funo de utiliza as derivadas parciais para
procurar o ponto de iterao seguinte. Pode ser descrito da seguinte forma:
33
1. Definir a equao de estado limite
2. Escolher um valor inicial para o ponto de dimensionamento de coordenadas
*
i
x ,
1 i , , n = . Quando no h informao, normalmente, escolhem-se as mdias das
variveis aleatrias. Depois calcular o valor da funo de estado limite nesse ponto,
( )
*
i
G X
3. Em seguida calcular as mdias e desvios padro das distribuies normais
equivalentes de todas as variveis aleatrias que no tm distribuio normal.
Assim, as coordenadas do ponto de dimensionamento no espao normal padro
equivalente sero dadas por
( )
i i
* * N N
i i X X
X X =
4. Calcular as derivadas parciais ( )
i
G X no ponto
*
i
X
5. Calcular as derivadas parciais ( )
i
G X no espao normal padro equivalente
atravs da expresso:

i
N
X
i i
G G
X X

=

. (2.44)
De notar que ( )
i
G X so as componentes do vector gradiente da funo de
estado limite no espao normal padronizado equivalente. As componentes dos
vectores unitrios correspondentes so os chamados cossenos directores da funo
de estado limite e que so dadas por:

2
1
i
i
*
N
X
i
i
*
n
N
X
i i
G
X
G
X
(2.45)
Os cossenos directores do-nos valores de grande interesse pois representam a
sensibilidade da funo de estado limite padronizada,
( )
0 G = X , no ponto de
dimensionamento (tambm chamado ponto de rotura ou ponto mais provvel de
rotura),
*
X , a alteraes em X (Bjerarger e Krenk, 1989; Hochenblicher e
Rackwitz, 1988).
34
6. Obter as novas coordenadas do ponto de dimensionamento no espao normal
padro equivalente
*
i
X utilizando a frmula recursiva da expresso (2.43).
7. Calcular a distncia deste novo ponto origem atravs da expresso:
( )
2
1
n
*
i
i
x
=
=

(2.46)
Verificar o critrio de convergncia de (Se
1 k k

, pra.). Normalmente,
o valor de uma quantidade muito pequena, como por exemplo 0.001.
8. Calcular as novas coordenadas do ponto de dimensionamento no espao original
atravs da expresso:

i i
* N N *
i X X i
x x = + (2.47)
9. Calcular o valor da funo de estado limite,
( )
G , para esse novo ponto de
dimensionamento e verificar o critrio de convergncia de
( )
G (Se ( )
*
k
G X ,
pra.). Normalmente, o valor de uma quantidade muito pequena, como por
exemplo 0.001.
Se ambos os critrios de convergncia dos passos 7 e 9 se verificarem pra-se, caso
contrrio, repetir os passos 3 a 9 at obter convergncia

2.9.4 Mtodos de fiabilidade de segunda ordem - SORM

Para determinar a probabilidade de rotura de um problema estrutural podem surgir vrias
situaes:
1.
( )
G X linear e X um vector de variveis aleatrias com distribuies normais
2.
( )
G X linear e X um vector de variveis aleatrias com distribuies no normais
3.
( )
G X no linear e X um vector de variveis aleatrias com distribuies normais
4.
( )
G X no linear e X um vector de variveis aleatrias com distribuies no
normais
35
No primeiro caso consegue-se obter um valor exacto enquanto que nos outros
normalmente necessrio utilizar aproximaes. Alm disso, os problemas de tipo 2 e 4
podem transformar-se, respectivamente, em problemas do tipo 1 e 3.
Nos mtodos FORM a funo de estado limite,
( )
G X , substituda por uma funo
aproximada traduzida por uma expanso em srie de Taylor de primeira ordem em torno de
um determinado ponto, linearizando assim
( )
G X . Estes mtodos fornecem uma boa
aproximao da probabilidade de rotura se
( )
G X , no espao normal padronizado, linear
ou aproximadamente linear em torno do ponto de dimensionamento. No entanto, a
superfcie de estado limite nem sempre linear. De facto, a no linearidade da superfcie
de estado limite pode resultar de vrios factores, como por exemplo, a equao de estado
limite no ser linear, algumas variveis aleatrias terem distribuies no normais ou
terem de se transformar variveis aleatrias correlacionadas noutras no correlacionadas.
Considere a funo de estado limite no linear da Figura 2.3,
( )
0 G X = . A curvatura da
funo de estado limite ignorada quando se faz uma aproximao atravs de mtodos
FORM. No entanto, a curvatura de qualquer funo est relacionada com as derivadas
parciais de segunda ordem em relao s variveis aleatrias. Assim, para melhorar os
resultados obtidos atravs de mtodos FORM podem utilizar-se mtodos SORM pois estes
incluem informao adicional acerca da curvatura da funo de estado limite.

Figura 2.3 Mtodos FORM e SORM.

X
i
X
j
G(X) = 0
G
1
(X) = 0
G
2
(X) = 0
FORM
SORM
X*
36
Nos mtodos SORM tm de se obter os valores do vector gradiente e da matriz Hessiana
de
( )
G X no espao normal padronizado com variveis aleatrias independentes. A ideia
substituir a superfcie de estado limite,
( )
G X , pela sua expanso em srie de Taylor de
segunda ordem em torno do ponto de dimensionamento { }
1 2
T
* * * *
n
X X , X , , X = :

( )
( ) ( )
( )
( )
1 2
1
2
1 1
1
2
*
i i
* *
i i j j
n
* * * *
n i i
i i
X X
n n
* *
i i j j
i j i j
X X , X X
G
G X G X , X , , X X X
X
G
X X X X
X X
=
=
= =
= =
= + +
(2.48)
A equao (2.48) pode ser expressa na forma matricial:

( )
1
2
* T * T *
G X G X G X H X = + + (2.49)
onde
*
X X X = , G o vector das derivadas de primeira ordem ou o vector gradiente
de
( )
G X e H a matriz
( )
n n das derivadas de segunda ordem de
( )
G X ou a matriz
Hessiana, sendo dadas por:

1
T
n
G G
G , ,
X X

=

(2.50)

2 2
2
1 1
2 2
2
1
n
n n
G G
X X X
H
G G
X X X

=

(2.51)
Como
*
X , que o ponto de dimensionamento ou o ponto mais provvel de rotura, est
sobre
( )
G X ento
( )
0
* *
G G X = = . Desta forma, a equao (2.49) pode simplificar-se:

( )
1
2
T * T *
G X X G X H X = + (2.52)
37
Existem dois tipos de aproximaes que se utilizam nos mtodos SORM: o primeiro
consiste em ajustar as curvaturas principais da superfcie de estado limite s da superfcie
proposta no ponto de dimensionamento, a segunda utiliza um ajuste de pontos.
A aproximao atravs de mtodos SORM foi desenvolvida e apresentada pela primeira
vez por Fiessler et. al. (1979). No entanto, os seus resultados, obtidos a partir de vrias
superfcies quadrticas, na prtica so de difcil resoluo. Em estudos seguintes foram
utilizadas aproximaes atravs de parabolides (Breitung, 1984; Der Kiureghian et. al.,
1987; Tvedt, 1984, 1985, 1990).
Breitung (1984) utilizou os resultados obtidos a partir da teoria das aproximaes
assimptticas nos mtodos SORM (ver tambm Bleistein e Handelsman, 1975). Utilizando
um ajustamento atravs de um parabolide ele mostrou que a probabilidade de rotura pode
ser dada, aproximadamente, da seguinte forma:
( ) ( )
1
1 2
1
1
n
f FORM FORM i
i
p k
=
+
(2.53)
onde
i
k so as curvaturas principais da funo de estado limite no ponto de
dimensionamento e
FORM
o ndice de fiabilidade utilizando mtodos FORM. Breitung e
Hohenbichler (1989) mostraram que a estimativa de
f
p dada por (2.53) aproxima-se
assimptoticamente da estimativa de primeira ordem medida que
FORM
tende para
infinito e
FORM i
k permanece constante. Breitung (1989) refere que quando existem vrios
pontos ( )
1 k
P , , P na superfcie de estado limite a igual distncia mnima da origem a
probabilidade de rotura pode ser dada assimptoticamente atravs de:
( )
( )
1
1 1
1
n k
f FORM FORM ij
i j
p k
= =

(2.54)
onde k representa o nmero de pontos da superfcie de estado limite para o qual
i FORM
P = e
ij
k a j-sima curvatura em
i
P . A aproximao dada por (2.53)
ligeiramente melhorada para pequenos valores de
FORM
, podendo ser obtida atravs da
expresso (Hohenbichler e Rackwitz, 1988):
38
( )
( )
( )
1 2
1
1
1
n
FORM i
f FORM
FORM i
k
p

=

+

(2.55)
Hong (1999) props um factor de correco para (2.55), baseado na curvatura principal da
funo de estado limite no ponto de dimensionamento, que melhora as estimativas de
f
p
quando se utilizam mtodos SORM. Tambm Hohenbichler et. al. (1987) desenvolveram e
apresentaram uma teoria onde utilizam o conceito de aproximaes assimptticas em
mtodos FORM e SORM. Breitung (1991) determinou
f
p para casos em que as variveis
aleatrias bsicas tm distribuies no normais. Ao transformar as variveis aleatrias
no normais em normais equivalentes surgiram-lhe alguns problemas, como por exemplo,
a superfcie de estado limite original passou a ter outra forma com a transformao,
deixando esta nova superfcie de ter uma interpretao clara em termos das variveis
aleatrias originais. Para evitar todos os problemas resultantes dessas transformaes
Breitung considerou que o ponto de dimensionamento fosse determinado atravs da
maximizao da funo de verosimilhana, proposta j feita antes por Shinozuka (1983).
Ele considerou que se podem obter aproximaes de
f
p se se encontrarem os pontos onde
a funo de verosimilhana tem mximos. Para tal ele aproximou a funo de
verosimilhana atravs de uma expanso em srie de Taylor de segunda ordem e assim
obteve novas interpretaes para mtodos FORM e SORM.
Uma equao muito mais precisa do que a (2.55) a chamada frmula do integral duplo de
Tvedt (1985):

( ) ( ) { }
( )
( )
1 1 2
1 2
2
1
0 0
1 2
2 2
2
1 2 2
2
n
f FORM p FORM j j
j
FORM
p Re r s k iuk
s exp s u dsdu

+ + +

+

(2.56)
onde
{}
p
r representa a raiz com parte real positiva,
j
k as curvaturas principais, 1 i = e
Re(.) a parte real de um nmero complexo. Posteriormente, Tvedt (1988) apresentou uma
frmula de um integral exacto para o clculo aproximado de
f
p :
39
( ) ( ) ( )
1
1 1 2
2 2
2 2
1
2 2
k
f FORM j FORM j FORM j
j
p w Re det I s i A s
=

+ + + +

(2.57)
onde o somatrio representa a aproximao da quadratura de Gauss-Laguerre a k pontos
com pesos
j
w e abcissas
j
s , 1 i = , Re(.) a parte real de um nmero complexo, det(.)
o determinante de uma matriz, I a matriz identidade e A a matriz
( ) ( )
1 1 n n das
segundas derivadas da superfcie de estado limite no espao rodado (obtido atravs de uma
transformao ortogonal do espao normal padronizado). Tvedt (1990) aproximou a
superfcie de estado limite atravs de um parabolide no espao rodado. No utilizou
aproximaes assimptticas mas sim aproximaes de segunda ordem superfcie de
estado limite atravs de procedimentos baseados nas caractersticas das distribuies das
variveis aleatrias para estimar
f
p . A seguinte frmula de trs termos foi apresentada por
Tvedt (1990) para estimar
f
p , sendo uma aproximao baseada em expanses de sries de
potncias:

1 2 3 f
p T T T + + (2.58)
( ) ( )
1
1 2
1
1
1
n
FORM FORM i
i
T k
=
= +
(2.59)
( ) ( ) { }
( ) ( ) ( )
2
1 1
1 2 1 2
1 1
1 1 1
FORM FORM FORM
n n
FORM i FORM i
i i
T
k k

= =
=

+ + +

(2.60)
( ) ( ) ( ) { }
( ) ( ) ( )
3
1 1
1 2 1 2
1 1
1
1 1
FORM FORM FORM FORM
n n
FORM i FORM i
i i
T
k Re i k

= =
= +

+ + +

(2.61)
40
onde
i
k so as curvaturas principais da funo de estado limite no ponto de
dimensionamento, 1 i = e Re[.] a parte real de um nmero complexo.
Der Kiureghian et. al. (1987) verificaram que o ajuste do parabolide superfcie de
estado limite se baseia nas curvaturas no ponto de dimensionamento e que para isso h que
determinar os valores prprios da matriz Hessiana de
( )
G X nesse ponto. Quando o
algoritmo para calcular
( )
G X complexo o clculo da matriz Hessiana envolve mtodos
aproximados que introduzem muitos erros e diminuem a preciso dos resultados. Para
evitarem o clculo completo da matriz Hessiana, Der Kiureghian et. al. (1987)
aproximaram a superfcie de estado limite atravs de duas semiparbolas ajustando as
curvas num conjunto de pontos numa vizinhana do ponto de dimensionamento e
utilizaram o conjunto de curvaturas na frmula (2.53) de Breitung. Num estudo posterior
Der Kiureghian e Stefano (1991) propuseram um algoritmo iterativo, que utiliza apenas o
gradiente de
( )
G X , para calcular as curvaturas principais da superfcie de estado limite
sem ser necessrio determinar a matriz Hessiana. Este mtodo mostrou-se vantajoso para
problemas com muitas variveis aleatrias.
Cai e Elishakoff (1994) apresentaram uma aproximao para determinar a probabilidade de
rotura:
( ) ( )
2
1 2 3
1
1
2 2
FORM
f FORM
p exp D D D

+ + +

(2.62)
onde:

1 j
j
D k =
(2.63)

2
2
1
3
2
FORM j j i
j j i
D k k k

= +

(2.64)
( )
{ }
2 3 2
3
1
1 15 9
6
FORM j j i j i l
j j i j i l
D k k k k k k

= + +

(2.65)
41
sendo
i
k as curvaturas principais. A aplicao desta frmula foi utilizada num exemplo
com trs variveis aleatrias normais e onde a funo de estado limite no linear. Os
resultados obtidos foram comparados com os valores exactos tendo-se verificado que o
mtodo proposto fornece resultados aceitveis mesmo quando a superfcie de estado limite
est perto da origem e com grandes curvaturas. Zhao e Ono (1999a, 1999b) analisaram a
preciso de vrias frmulas utilizadas em mtodos SORM para um grande conjunto de
valores de curvaturas, nmero de variveis aleatrias e ndices de fiabilidade obtidos
atravs de mtodos FORM,
FORM
. Propuseram ento uma frmula emprica para estimar
ndices de fiabilidade atravs de mtodos SORM baseada na anlise de regresso, evitando
assim a utilizao da matriz Hessiana de
( )
G X . Noutro estudo, Zhao e Ono (1999c)
verificaram que o desenvolvimento de mtodos que evitam o clculo da matriz Hessiana
representa um avano promissor na utilizao de mtodos SORM. Nesse estudo propem
um ajuste atravs de pontos a uma superfcie quadrtica que evita o clculo da matriz
Hessiana ou dos gradientes de
( )
G X .
Papadimitriou et. al. (1995, 1997) desenvolveram aproximaes assimptticas para avaliar
a fiabilidade de sistemas dinmicos sujeitos a oscilaes aleatrias. A ideia base do seu
estudo que a probabilidade de rotura, condicionada pelos parmetros do sistema em
estudo, obtida pelo menos de uma forma aproximada. A probabilidade de rotura foi
definida atravs da seguinte expresso:

( ) ( )
f
p F p d
(2.66)
onde
( )
F a probabilidade condicional de rotura de uma estrutura para um dado valor
de ,
( )
p a funo densidade de probabilidade e
n
IR . Uma vez que este
integral de difcil resoluo Papadimitriou et. al. (1997) apresentaram uma aproximao
assimpttica baseada numa expanso do logaritmo da funo integranda em relao ao
mximo dessa funo. Considerando que existe apenas um mximo
*
reformularam
(2.66) da seguinte forma:

( ) [ ]
f
p exp l d
(2.67)
42
onde
( ) ( ) ( )
l ln F ln p = + e expandiram
( )
l em relao ao seu valor mximo que
tambm
*
. Obtiveram, assim, uma aproximao assimpttica de
f
p dada por:

( )
( ) ( )
( )
2
2
* *
n
f
*
F p
p
det L

(2.68)
onde
( )
L a matriz Hessiana de
( )
l cuja componente ( ) i, j dada por:

( )
( )
2
ij
i j
l
L

=

. (2.69)
No caso de existir mais do que um mximo, por exemplo
*
j
, 1 j , , r = basta somar as
contribuies assimptticas (2.68) de cada ponto mximo, ou seja:

( )
1
r
*
f f j
j
p p
=
(2.70)
A utilizao de aproximaes assimptticas como a da expresso (2.68) tambm foram
estudadas por Polidori et. al. (1999) para aplicao em mtodos SORM. No seu artigo
apresentaram uma nova aproximao assimpttica para mtodos SORM. A probabilidade
de rotura pode ser dada por:

( )
f
F
p X dX =
(2.71)
onde
( ) { }
0
n
F X IR : G X = < . Para construir um parabolide que servir como
aproximao superfcie de estado limite primeiro h que aplicar uma rotao s
coordenadas do espao normal padronizado, Y , atravs de uma transformao ortogonal,
obtendo novas coordenadas Y de forma que o novo eixo
n
y coincide com o ponto de
dimensionamento. Alm disso, como os eixos coordenados,
i
y , 1 1 i , , n = coincidem
com os eixos principais da superfcie de estado limite o parabolide pode definir-se da
seguinte forma:

1
2
1
1
2
n
n FORM i i
i
y k y

=
= +

(2.72)
43
onde
i
k so as curvaturas principais. Assim, o integral (2.71) pode ser apresentado da
seguinte forma:

( ) ( )
( )
2
1
1
2
2
1
1
=
2
m
FORM i i
i m
m
f n n
k y
IR
m
FORM i i
i
IR
p y dy y dy
k y y dy
+
=

= =

(2.73)
onde 1 m n = , ( )
1 1 n
y y , , y

= e as curvaturas so ordenadas de forma que
1 m
k k .
Esta equao da mesma forma da equao (2.66) e assim a aproximao assimpttica
dada por (2.68) tambm aqui aplicvel. Uma discusso sobre este estudo e uma resposta
dos autores pode ser vista, respectivamente, em Breitung (2001) e Polidori et. al. (2001).
Uma aproximao assimpttica probabilidade de rotura para problemas com vrios
pontos de dimensionamento foi proposta por Au et. al. (1999a). A contribuio de cada
ponto de dimensionamento para a probabilidade de rotura dada atravs da equao (2.68)
, sendo a aproximao assimpttica total obtida atravs da soma das contribuies de todos
os pontos de dimensionamento.
Quando a distncia entre a origem e o ponto mais provvel de rotura, , tende para infinito
os mtodos FORM e SORM fornecem apenas solues assimptticas. Se essa distncia for
finita, para problemas que envolvam funes de estado limite com no linearidade
acentuada, as aproximaes lineares ou quadrticas podem no ser adequadas e
consequentemente os resultados obtidos atravs de mtodos FORM ou SORM devem ser
interpretados com algum cuidado (Nie e Ellingwood, 2000; Wei e Rahman, 2007). Alm
disso, a existncia de mltiplos pontos mais provveis de rotura podem originar grandes
erros se se utilizarem aproximaes obtidas atravs de mtodos FORM ou SORM
(Ditlevsen e Madsen, 2005; Der Kiureghian e Dakessian, 1998; Wei e Rahman, 2007).
Nesses casos devem utilizar-se mtodos adaptados para mltiplos pontos de forma a
melhorar os resultados da anlise de fiabilidade (Nie e Ellingwood, 2000; Au et. al.,
1999a). Controvrsias acerca das limitaes dos mtodos FORM e SORM j vm a ser
discutidas h muito tempo (Dolinski, 1983; Shinozuka, 1983; Ditlevsen, 1985; Schueller e
Stix, 1987).
44
2.10 Funes de estado limite implcitas

Os mtodos de simulao de Monte Carlo (MMC), os mtodos FORM e os SORM so os
mtodos que mais se tm utilizado para estimar a probabilidade de rotura de sistemas
estruturais quando a funo de estado limite,
( )
G X , est expressa numa forma explcita.
Nos dois ltimos mtodos podem calcular-se facilmente as derivadas parciais de
( )
G X
em ordem s variveis aleatrias do problema para depois se determinarem, no espao
normal reduzido, os pontos de
( )
G X que esto distncia mnima da origem. No entanto,
na maior parte dos casos
( )
G X dada de forma implcita. Na anlise de fiabilidade de
sistemas estruturais onde essa situao ocorre vrias so as aproximaes que se podem
utilizar, como por exemplo mtodos de simulao de Monte Carlo (ver capitulo 4),
mtodos de superfcie de resposta e mtodos probabilsticos de elementos finitos. Nos
ltimos anos, apareceram mtodos alternativos, como as tcnicas baseadas em redes
neuronais e os mtodos fuzzy, para a avaliao mais eficiente da incerteza estrutural
(Ayyub e Gupta, 1997; Biondini et al, 2004). No entanto, apesar de mostrarem
desempenhos interessantes em termos de eficincia nos resultados e na implementao em
conjunto com os modelos estruturais existentes, ainda exigem a realizao de vrias
anlises estruturais para avaliar a incerteza da resposta estrutural.

2.10.1 Mtodos de superfcie de resposta

Em problemas onde as funes de estado limite so implcitas pode utilizar-se o mtodo de
superfcie de resposta (do ingls RSM). Este mtodo uma ferramenta bastante til para
modelar a resposta quando esta influenciada por vrias variveis aleatrias em estruturas
bastante complexas. O princpio deste mtodo consiste na substituio da superfcie de
estado limite por funes aproximadas mais simples numa vizinhana dos pontos de
dimensionamento. Ento, a funo de estado limite substituda por uma superfcie de
resposta que normalmente apresenta uma forma mais simples e muitas vezes
representada por uma funo explcita. Em seguida, pode utilizar-se qualquer um dos
mtodos clssicos para avaliar a fiabilidade estrutural para funes de estado limite
explcitas mas agora utilizando a superfcie de resposta em substituio da funo de
estado limite (Myers e Montgomery, 1995; Long e Narciso, 1999; Gomes e Awruch,
2004).
45
Desde Box e Wilson (1951), que desenvolveram o mtodo de superfcie de resposta, este
tem vindo a ser bastante utilizado em diversas reas. Wong (1984, 1985) utilizou mtodos
de superfcie de resposta na anlise estatstica de problemas de engenharia geotcnica, quer
para avaliar o efeito das incertezas nos parmetros sobre a resposta em sistemas dinmicos
de estruturas de solos, quer para analisar a fiabilidade em terrenos inclinados. O autor
utiliza mtodos de simulao e depois de regresso para ajustar a superfcie de resposta.
superfcie assim aproximada so aplicados mtodos de simulao de Monte Carlo.
Faravelli (1989, 1992) utilizou o mtodo de superfcie de resposta para resolver problemas
de anlise no linear de elementos finitos. Para ajustar a funo de estado limite utilizou
superfcies quadrticas incluindo os seus termos cruzados. Breitung e Faravelli (1996)
definiram vrios passos na implementao de mtodos de superfcie de resposta: primeiro
escolher uma funo, dentro de uma determinada famlia de funes, que se aproxime de
( )
G X ; depois utilizar planeamentos de experincias para estimar os parmetros dessa
funo; em seguida aplicar testes estatsticos ou outros mtodos para validar a
aproximao e por fim testar a significncia dos termos na funo aproximada (por
exemplo, num polinmio de segunda ordem se os termos de ordem dois no so
significativos pode utilizar-se um modelo mais simples sem esses termos).
Nos mtodos de superfcie de resposta a funo de estado limite implcita aproximada
atravs de uma funo polinomial, ou seja, normalmente a superfcie de resposta
construda a partir de uma funo polinomial e ajustada funo implcita num
determinado nmero de pontos (Schueller, 1998). Normalmente apenas se seleccionam os
pontos suficientes para definir completamente a superfcie de resposta. Noutros casos so
necessrios mais pontos e utiliza-se a anlise de regresso para ajustar a superfcie de
resposta superfcie de estado limite dentro da malha de pontos seleccionados. A
superfcie ajustada passa a ser a funo explcita equivalente da funo de estado limite
implcita. Em seguida pode ento aplicar-se directamente um mtodo de anlise de
fiabilidade para casos onde a funo de estado limite explcita (Melchers, 1990). Um dos
problemas deste mtodo que no existe nenhuma teoria que defina com preciso a forma
como a seleco dos pontos de amostragem deve ser feita. Da que, nos ltimos anos, esses
pontos tenham sido seleccionados de diferentes maneiras por vrios autores. Por exemplo,
Bucher e Bourgund (1990) utilizaram polinmios de ordem dois sem os termos cruzados.
Propuseram uma aproximao rpida e eficiente para construir a superfcie de resposta
46
utilizando tcnicas de amostragem por importncia. A superfcie de resposta utilizada para
representar
( )
G X pode ser dada por:

( )
2
1
1 1
n n
i i i i
i i
G X a b X c X
= =
= + +

(2.74)
onde a, b
i
e c
i
so os parmetros do modelo. A equao (2.74) indica que apenas so
necessrias 2n+1 amostras para ajustar o polinmio. As amostras so obtidas ao longo dos
eixos coordenados de cada varivel a uma distncia
i i i i
x h = onde h
i
um factor
arbitrrio e
i
e
i
so o valor mdio e o desvio padro de X
i
. Desta forma obtiveram
estimativas para os parmetros do modelo. Depois de ajustarem a superfcie de resposta
atravs de uma anlise de regresso procuram, no espao normal padronizado no
correlacionado, a distncia mnima da origem a
( )
1
G X . Desta forma obtm o ndice de
fiabilidade e o ponto de dimensionamento no espao original,
*
X . No entanto, a posio
desse ponto pode ser melhorada atravs de interpolao, usando a equao:
( )
( )
( ) ( )
1
i *
i i i i
*
i i
G
X
G G X
+
= +

(2.75)
onde
( )
G a funo de estado limite,
*
i
X o ponto de dimensionamento no espao
original e
i
o valor mdio das variveis no ponto central das amostras na i-sima
iterao. Assim, so geradas 2n+1 novas amostras em cada iterao, centradas no novo
ponto central. Em seguida utilizam a superfcie de resposta conjuntamente com tcnicas de
simulao de Monte Carlo (amostragens por importncia) para obter estimativas da
fiabilidade estrutural. Posteriormente, Rajashekhar e Ellingwood (1993, 1995) examinaram
o problema relacionado com a escolha dos pontos de amostragem e sugeriram
modificaes aproximao utilizada por Bucher e Bourgund (1990). Os autores
indicaram alguns problemas relacionados com os pontos de amostragem e propuseram a
incluso de informao relativa s distribuies de probabilidade para seleccionar esses
pontos e dessa forma melhorar o modelo relativo ao mtodo de superfcie de resposta.
Alm disso, estudaram a seleco de pontos de dimensionamento perto das caudas das
distribuies de probabilidade das variveis aleatrias bsicas e a incluso dos termos
47
cruzados na equao da superfcie de resposta. Uma modificao ao mtodo apresentado
por Bucher e Bourgund (1990), na qual a aproximao para estimar os parmetros da
superfcie de resposta se continua a fazer at que um critrio de convergncia seja
satisfeito, foi proposto por Liu e Moses (1994). Yao e Wen (1996) aplicaram o mtodo de
superfcie de resposta em estruturas sujeitas a cargas que variam ao longo do tempo, com o
objectivo de obterem uma formulao da funo de estado limite que seja mais simples
para resolver em termos computacionais. A fiabilidade estrutural pode assim calcular-se de
forma mais rpida atravs de mtodos FORM, SORM ou de Monte Carlo. Kim e Na
(1997) utilizaram funes de superfcie de resposta lineares da forma:

( )
1
1
n
i i
i
G X a b X
=
= +
(2.76)
e propuseram uma tcnica de aproximao sequencial para ajustar uma superfcie de
resposta que garanta a convergncia do ndice de fiabilidade. Utilizaram uma tcnica de
projeco do gradiente para escolher os pontos de amostragem. O seu mtodo garante que
esses pontos se situam numa regio prxima da superfcie de estado limite. Guan e
Melchers (2000, 2001) apresentaram um estudo paramtrico sobre mtodos de superfcie
de resposta. Nesse estudo utilizaram alguns exemplos para testarem o factor arbitrrio h
i
,
utilizado para determinar os pontos de amostragem, com diferentes valores para investigar
os seus efeitos sobre a estimativa de
f
p . Os resultados mostraram que no existe um valor
nico para h
i
e que o valor escolhido pode afectar significativamente o clculo de
f
p .
Nos mtodos de superfcie de resposta o objectivo construir uma aproximao
polinomial, normalmente de primeira ou segunda ordem, a
( )
G X . Para obter a superfcie
de resposta h que aplicar uma anlise de regresso. Quando a superfcie de resposta j
est ajustada a
( )
G X , utilizando um conjunto de pontos de amostragem com alguma
preciso, pode aplicar-se a anlise de fiabilidade, sendo a probabilidade de rotura calculada
atravs de mtodos FORM, SORM ou mtodos de simulao de Monte Carlo. O essencial
ajustar correctamente os polinmios a
( )
G X utilizando os pontos de amostragem numa
vizinhana dos pontos de dimensionamento. A preciso com que se estima
f
p est
directamente relacionada com a escolha da forma da superfcie de resposta,
( )
1
G X , e da
48
localizao dos pontos de amostragem, a partir dos quais se estimam os parmetros de
( )
1
G X . Algumas tcnicas de amostragem foram propostas para se proceder ao ajuste:
1. Planeamentos factoriais (Wong, 1984, 1985; Faravelli, 1989, 1992; Huh e Haldar,
2002)
2. Planeamentos factoriais fraccionados
3. Planeamentos completamente aleatorizados
4. Planeamento com blocos incompletos parcialmente equilibrados
5. Mtodo utilizado por Bucher e Bourgund (1990)
6. Processos baseados em redes neuronais (Papadrakakais et. al., 1996; Hurtado e
Alvarez, 2001; Gomes e Awruch, 2004; Hurtado, 2004)
Normalmente, as funes polinomiais utilizadas nos mtodos de superfcie de resposta
como aproximao funo de estado limite tm uma forma quadrtica. Os polinmios de
ordem superior no so utilizados pois tm muitos coeficientes a ajustar e em muitos casos
apresentam formas irregulares. Pode obter-se uma estimativa da probabilidade de rotura
com alguma preciso desde que a funo polinomial utilizada se ajuste bem funo de
estado limite. No entanto, para problemas que envolvem um grande nmero de variveis
aleatrias correlacionadas, cujas combinaes no so lineares, o mtodo de superfcie de
resposta torna-se impraticvel em termos computacionais. Alm disso, nunca existe uma
garantia de que a funo aproximada se ajusta bem em todas as regies de interesse assim
como h que saber qual o ponto de dimensionamento para poder obter uma superfcie de
resposta apropriada (Der Kiureghian, 1996). Outras aproximaes so os chamados
mtodos de superfcie de mltiplos planos e os mtodos de superfcie de mltiplos planos
tangentes (Guan e Melchers, 1997). Mais recentemente, Bauer e Pula (2000) referem que
os mtodos de superfcie de resposta podem, em muitos casos, levar a falsos pontos de
dimensionamento.
Problemas de anlise de fiabilidade com variao ao longo do tempo onde se utilizam
mtodos de superfcie de resposta foram estudados por Brenner e Bucher, 1995; Yao e
Wen, 1996 e Zhao et. al., 1999. J a utilizao destes mtodos em problemas de
49
optimizao foi desenvolvido por Oakley et. al., 1998. O objectivo maximizar a
performance de sistemas mecnicos, como por exemplo a eficincia aerodinmica.
Um dos aspectos que influencia a estimativa de
f
p nos mtodos de superfcie de resposta
a escolha da forma para a superfcie de resposta. Pouca importncia tem sido dada para
esse aspecto pois normalmente utilizam-se polinmios lineares ou quadrticos (com ou
sem os termos cruzados). No entanto, essas escolhas podem no ser apropriadas uma vez
que a forma da funo de estado limite pode no ser linear nem quadrtica. Representaes
alternativas tm vindo a ser propostas por alguns autores. Nelder (1966) props um ajuste
atravs de uma funo que o inverso de funes polinomiais e mostrou que a sua
utilizao no envolve mais trabalho do que um ajuste atravs de funes polinomiais
lineares ou quadrticas. Os problemas relacionados com a falta de ajuste que em muitos
casos surgem quando se utilizam polinmios de primeira ou segunda ordem podem ser
reduzidos introduzindo algumas modificaes no mtodo de superfcie de resposta. Por
exemplo, os pontos de amostragem podem ser escolhidos em torno do ponto de
dimensionamento (Rajashekhar e Ellingwood, 1993), ou pode utilizar-se uma tcnica de
projeco vectorial para colocar os pontos de amostragem perto da superfcie de resposta
(Kim e Na, 1997), ou desenvolver um algoritmo de forma a construir a superfcie de
resposta atravs de um processo cumulativo (comea-se por ajustar uma superfcie de
resposta linear para em seguida melhor-la adicionando os termos de segunda ordem. Se
mesmo assim a funo de superfcie de resposta no for satisfatria, esta pode ser
melhorada adicionando os termos cruzados e retirando alguns dos termos de segunda
ordem - Zheng e Das, 2000; Das e Zheng, 2000). Impollonia e Sofi (2003) sugeriram um
mtodo de superfcie de resposta alternativo que utiliza funes que so a razo de
polinmios para representar a superfcie de resposta. Esta escolha comprovada por
alguns resultados obtidos em estruturas estocsticas lineares (Falsone e Impollonia, 2002
as duas ltimas pginas deste artigo foram corrigidas em Falsone e Impollonia, 2003).
Falsone e Impollonia (2004) mostraram que este tipo de ajuste superfcie de estado limite
permite obter respostas exactas em estruturas determinsticas e respostas aproximadas com
uma boa preciso em estruturas no determinsticas. Gayton et. al. (2003) propuseram um
mtodo, a que chamaram CQ2RS (superfcie de resposta quadrtica completa com
reamostragem), para construir superfcies de resposta que tem em conta qualquer
informao a priori que se possa ter acerca da forma da superfcie de estado limite e/ou da
50
localizao do ponto de dimensionamento. Romero et al. (2004) examinaram algumas
tcnicas de ajustamento de dados, como por exemplo interpolaes e regresso polinomial,
que podem ser utilizadas para construir uma sequncia de melhoramentos progressivos
para a superfcie de resposta.
Para aplicar o mtodo clssico de superfcie de resposta podem seguir-se as etapas:
1. Seleccionar os pontos de amostragem, obtidos a partir das variveis aleatrias, atravs
de planeamentos de experincias para avaliar a funo de estado limite
( )
G X . As
amostras so obtidas ao longo dos eixos coordenados de cada varivel a uma distncia
i i i i
x h = .
2. Atravs da anlise de regresso construir um modelo de primeira ou segunda ordem e
assim obter uma superfcie de resposta aproximada para
( )
G X . Se o nmero de
parmetros do modelo igual ao nmero de pontos de amostragem ento os parmetros
podem ser obtidos atravs da resoluo de um sistema de equaes sem ser necessrio
aplicar uma anlise de regresso.
3. Com a superfcie de resposta obtida no passo 3 pode assim calcular-se uma estimativa
para
f
p atravs de mtodos FORM, SORM ou de Monte Carlo.
Os mtodos de superfcie de resposta fornecem uma superfcie aproximada para
( )
G X
baseada nos pontos seleccionados no passo 1. A superfcie aproximada obtida atravs da
anlise de regresso vlida apenas dentro da amplitude de valores considerados. A
extrapolao para valores fora dessa amplitude pode levar a estimaes de
f
p pouco
precisas.

2.10.2 Mtodos probabilsticos de elementos finitos

A anlise de fiabilidade facilitada quando a funo de estado limite dada de forma
explcita. No entanto, para funes de estado limite implcitas necessrio utilizar
abordagens apropriadas. Uma das hipteses utilizar mtodos probabilsticos de elementos
finitos (do ingls SFEM). Estes so utilizados quando se quer aplicar o mtodo dos
elementos finitos que tem em conta as incertezas nas propriedades geomtricas e/ou dos
51
materiais de um sistema estrutural, assim como das cargas aplicadas. Normalmente, essas
incertezas esto distribudas espacialmente ao longo da estrutura sendo modeladas atravs
de campos aleatrios. Estes mtodos so uma ferramenta muito poderosa, sendo muito
utilizados em variadssimas reas, como por exemplo na anlise de sistemas estruturais. Os
primeiros trabalhos limitavam-se a estruturas com comportamento linear ou no linear mas
traduzido por relaes simplistas. O interesse nestes mtodos aumentou a partir do
momento em que se percebeu que em algumas estruturas a resposta bastante sensvel s
propriedades dos materiais, e que mesmo pequenas oscilaes podem afectar severamente
a fiabilidade estrutural principalmente em problemas onde h grande no linearidade (Der
Kiureghian, 1985; Vanmarcke et al., 1986; Nakagiri et. al., 1987; Benaroya e Rehak, 1987;
Shinozuka e Deodatis, 1988; Yamazaki et al., 1988; Der Kiureghian e Ke, 1988; Spanos e
Ghanem, 1989; Bjerager, 1990; Brenner, 1991; Shinozuka, 1991; Der Kiureghian et al.,
1991; Kleiber e Hien, 1992; Frangopol et al., 1996; Schueller, 1997; Matthies et. al., 1997;
Ghanem, 1999; Frangopol e Imai, 2000; Haldar e Mahadevan, 2000a; Sudret e Der
Kiureghian, 2002; Ghanem e Spanos, 1991, 2003). Estes mtodos foram desenvolvidos de
forma a incorporarem as incertezas dos parmetros estruturais, como por exemplo o efeito
aleatrio na matriz de rigidez e nos vectores das foras (Chaudhuri e Chakraborty, 2006).
Em seguida vai apresentar-se uma pequena reviso sobre mtodos de avaliao da
segurana estrutural identificando algumas reas, dentro da imensa vastido que existe
hoje em dia, que requerem alguma ateno.
A maior parte das investigaes e aplicaes dentro da rea dos mtodos probabilsticos de
elementos finitos tm sido limitadas a estruturas lineares elsticas. No entanto, alguns
autores estudaram os efeitos das incertezas nas propriedades de materiais com
comportamento no linear, como por exemplo, Zhang e Ellingwood (1996), Liu e Der
Kiureghian (1991a) e Teigen et al. (1991a, 1991b). Mtodos de simulao em campos
aleatrios foram revistos por Shinozuka e Deodatis (1991, 1996). J na rea da avaliao
da segurana contra sismos Der Kiureghian (1996) apresenta uma reviso de mtodos para
a avaliao da fiabilidade estrutural. Os artigos apresentados por Ibrahim (1987), Casciati
et al., (1997), Manoharand e Ibrahim (1999) e Di Paola et al. (2004) fornecem alguns
progressos que foram surgindo em problemas de dinmica estrutural com incertezas nos
parmetros assim como alguns algoritmos de aplicao. Rackwitz (1998) apresenta
algumas tcnicas computacionais de fiabilidade relacionadas com combinaes de cargas
52
com aplicaes em problemas com variaes ao longo do tempo. Rackwitz (2000)
apresenta uma discusso com exemplos que indiciam possveis falhas em alguns mtodos
de anlise de fiabilidade. Yao (1985) e Melchers (2001) apresentam alguns
desenvolvimentos na anlise de fiabilidade de estruturas existentes e referem a necessidade
de continuar a investigao dentro desta rea. Os trabalhos realizados por Cheng e Yang
(1993) e Schueller (1997) abordam aspectos tericos assim como a evoluo em termos
computacionais na rea da mecnica estrutural. Alis, tal como noutros ramos da
engenharia e no s, o aparecimento, nos ltimos anos, de computadores cada vez mais
rpidos tem influenciado bastante os desenvolvimentos ocorridos nesta rea (Johnson et
al., 2001). Outros factores que tambm contriburam para esse desenvolvimento so o
aumento da disponibilidade de dados sobre fenmenos naturais raros e/ou aleatrios como
por exemplo os sismos e os recentes desenvolvimentos da tecnologia de sensores no campo
da monitorizao.

2.10.2.1 Mtodos para discretizao de campos aleatrios

Tal como j foi referido, a variabilidade espacial das propriedades geomtricas e
mecnicas de um sistema estrutural assim como a intensidade das cargas podem ser
representadas atravs de campos aleatrios. O conceito de campo aleatrio muitas vezes
utilizado para modelar a variabilidade espacial dos parmetros de um problema
(Vanmarcke, 1988). Como consequncia do facto de ser um modelo contnuo, um campo
aleatrio necessita de uma discretizao apropriada (Zeldin e Spanos, 1998). Alm disso,
devido natureza discreta do mtodo dos elementos finitos um campo aleatrio deve ser
discretizado em variveis aleatrias. Assim, em todos os mtodos a natureza aleatria de
um problema transformada numa estrutura equivalente com um nmero finito de
variveis aleatrias. Desta forma, um campo aleatrio pode ser visto como uma extenso
espacial de uma varivel aleatria, sendo definido pela sua mdia e covarincia. Foram
desenvolvidos vrios processos para a discretizao de campos aleatrios utilizados com
os SFEM. Na literatura esto disponveis muitos estudos que permitem passar de um
campo aleatrio para um conjunto de variveis aleatrias (Vanmarcke, 1983, 1988;
Vanmarcke et al., 1986; Yamazaki et al., 1988; Li e Der Kiureghian, 1993; Liu et al.,
1986, 1995; Ditlevsen, 1996; Matthies et al., 1997).
53
Seja
( )
H X um campo aleatrio que modela a variabilidade da propriedade de um
material, da geometria ou da quantidade de carga de uma estrutura no espao. Diz-se que
um campo aleatrio univariado ou multivariado dependendo se
( )
H X , que est
relacionado com o ponto X, uma varivel aleatria ou um vector aleatrio. Normalmente,
assume-se que
( )
H X Gaussiano pois dessa forma ele pode ser completamente definido
atravs da sua funo mdia
( )
H
X , varincia
( )
2
H
X e coeficiente de correlao
( )
HH i j
X , X . Alm disso
( )
H X homogneo, como na prtica normalmente se assume,
se as funes mdia e varincia so constantes e
( )
HH
apenas funo de
j i
X X .
Estas propriedades simplificam a modelao de campos aleatrios.
Um dos primeiros aspectos a ter em conta quando se analisa um modelo matemtico a
sua consistncia, no s do modelo em si mas tambm com a realidade que representa.
Assim, embora a utilizao de campos Gaussianos seja conveniente, no consistente
assumir que, por exemplo, o mdulo de elasticidade E ou a rea A de um elemento
estrutural possam ser representados por um campo aleatrio Gaussiano. Se tal for
considerado algumas das realizaes dessas variveis no tero soluo e alm disso os
resultados tero varincia infinita (Ditlevsen, 1995). Para descrever essas variveis
necessrio a utilizao de modelos no Gaussianos. Para contornar essa dificuldade
Yamazaki et al. (1988) e Wall e Deodatis (1994) restringiram a variao das amostras de
campos Gaussianos da seguinte forma:

( )
1 1 0 1 f x ; + < < . (2.77)
A limitao realizada de forma a obter uma simetria nas variaes em torno dos valores
determinsticos. Aproximaes a campos aleatrios Gaussianos semelhantes a esta
utilizando distribuies com amplitudes limitadas foram apresentadas tambm por Iwan e
Jensen (1993). Uma forma mais sistemtica de obter campos aleatrios no Gaussianos
atravs transformaes no lineares. Isto pode ser conseguido considerando
( ) ( ) [ ] w x T u x = , onde T uma funo no linear e
( )
u x um campo Gaussiano (Grigoriu,
1984; Der Kiureghian e Liu, 1986; Der Kiureghian, 1987; Yamazaki e Shinozuka, 1988).
Este tipo de transformaes permite caracterizar
( )
w x em funo da mdia e covarincia
de
( )
u x . Uma destas transformaes a distribuio de Nataf que referida no captulo 3,
54
seco 3.5.3., sendo muito utilizada para modelar campos no Gaussianos. Se
( )
w x um
campo no Gaussiano com mdia
( )
w
x , covarincia ( )
ww
C x, x e funo distribuio
( )
w
F w, x , de acordo com o modelo de Nataf a transformao:

( )
( )
1
w
u x F w, x
=

(2.78)
Gaussiana. Assim,
( )
u x tem mdia zero, varincia unitria e covarincia ( ) C x, x dada
pela equao:
( )
( ) [ ] ( )
( )
( ) [ ] ( )
( )
( )
1 1
w w w w
ww
w w
F t x F s x
C x, x t , s, C x, x dtds
x x

+ +

=

(2.79)
onde
[ ]
representa a funo densidade de probabilidade conjunta de ( ) T, S .
Normalmente ( ) ( )
ww
C x, x C x, x e embora para a maior parte das transformaes
( ) ( )
ww
C x, x C x, x Der Kiureghian et al. (1991) apresentam um conjunto de frmulas
empricas que relacionam ( ) C x, x com ( )
ww
C x, x para algumas das distribuies mais
utilizadas. Manohar et al. (1999) apresentou um conjunto de problemas onde as
propriedades dos materiais tm variabilidade espacial e a informao disponvel sobre essa
variabilidade se resume apenas mdia, amplitude e covarincia dos campos aleatrios.
Outros trabalhos desenvolvidos por alguns autores sobre modelos de campos aleatrios
no Gaussianos para as propriedades dos materiais podem ser vistos em Elishakoff et al.
(1995) e Sobczyk et al. (1996). Tambm Grigoriu (1995) apresentou um trabalho bastante
extensivo sobre dados no Gaussianos, modelos matemticos que geram campos no
Gaussianos assim como classes de campos no Gaussianos. Schevenels et al. (2004)
apresentam uma adaptao do SFEM para calcular a resposta de sistemas no Gaussianos.
A qualidade de uma discretizao depende do nmero de variveis aleatrias introduzidas
na formulao do problema (este aspecto est directamente relacionado com o esforo
computacional) assim como do tamanho da malha de elementos finitos. O problema
relacionado com a seleco e refinamento do tamanho da malha de elementos finitos para a
discretizao de campos aleatrios em problemas de fiabilidade foi analisado e apresentado
por Liu e Liu (1993).
55
Os mtodos de discretizao podem ser divididos em mtodos de discretizao pontual,
mtodos de discretizao mdia ou mtodos de discretizao por expanso em sries. Em
seguida vo apresentar-se oito mtodos para representar campos aleatrios em funo de
variveis aleatrias. A aplicao do mtodo da mdia espacial e dos dois primeiros
mtodos de expanso em srie esto limitados a campos aleatrios Gaussianos. Os
mtodos do ponto mdio, dos pontos nodais, da expanso de caos homognea e da
expanso em srie de Taylor so numericamente estveis e podem aplicar-se a todos os
tipos de campos aleatrios.

2.10.2.1.1 Mtodos de discretizao pontual

Os mtodos de discretizao pontual so utilizados para representar as incertezas de um
campo aleatrio,
( )
H X , atravs de valores situados em um ou mais pontos especficos
(Matthies et al., 1997). Para um campo aleatrio
( )
H X , o valor discretizado num
determinado ponto i dado por:
( )
i i
H H X = (2.80)
onde
i
X representa as coordenadas do ponto i.

1. Mtodo do ponto mdio

Este mtodo, proposto e utilizado inicialmente por Dendrou e Houstis (1978), Hisada e
Nakagiri (1985), Shinozuka e Dasgupta (1986), Der Kiureghian e Ke (1988), Yamazaki et
al. (1988), Shinozuka e Yamazaki (1988), Deodatis (1989) e Hisada e Noguchi (1989),
utilizado para representar um campo aleatrio atravs de uma ou mais variveis aleatrias.
Neste caso, o mtodo consiste em aproximar o campo aleatrio em cada elemento atravs
de uma varivel aleatria definida como o valor do campo no centride desse elemento.
Assim, a variao do elemento i de um campo aleatrio representada atravs da varivel
aleatria:
( )
*
i i
H H X = (2.81)
56
onde:
( )
1
1
i
N
* i
j
j
X X
N
=
=

(2.82)
so as coordenadas do centride, N o nmero de ns do elemento do campo aleatrio e
( )
i
j
X so as coordenadas nodais do elemento i.
As vantagens deste mtodo esto na facilidade com que se obtm a matriz de correlaes e
na possibilidade de representar tambm campos no Gaussianos. O tamanho da malha de
elementos finitos tem de ser relativamente pequeno de forma a poder assumir-se que o
campo aleatrio constante ao longo de cada elemento. No entanto, h que ter algum
cuidado em relao a este aspecto pois medida que o tamanho da malha diminui as
dimenses das matrizes para a anlise estrutural aumentam e consequentemente tambm o
tempo e o esforo computacional aumenta. Alm disso, este mtodo tende a sobrevalorizar
a variabilidade do campo aleatrio dentro de cada elemento.

2. Mtodo do ponto nodal

Este mtodo, implementado por Hisada e Nakagiri (1981), semelhante ao mtodo do
ponto mdio. A diferena que neste caso os valores atribudos s variveis aleatrias que
representam o campo aleatrio correspondem aos pontos nodais. Neste caso a variao do
campo no n i dada por:
( )
*
i i
H H X = (2.83)
onde
*
i i
X X = so as coordenadas do i-simo n global.

3. Mtodo de interpolao

Tambm chamado mtodo das funes de forma foi introduzido por Liu et al. (1986,
1986a, 1987, 1989) onde os autores sugeriram a discretizao de um campo aleatrio
( )
H X em q valores nodais aleatrios H
i
, 1 i , , q = . Assim, este mtodo aproxima
( )
H
em cada elemento atravs de q valores nodais X
i
utilizando funes de forma
( )
i
N X com
a seguinte expresso:
57

( ) ( )
1
q
i i
i
H X N X H
=
=
(2.84)
onde q o nmero de ns do elemento, H
i
o valor de
( )
H X no n X
i
, X
i
so as
coordenadas do i-simo n e
( )
i
N X so as funes de forma polinomiais associadas ao
elemento. O nmero de pontos nodais no necessita de ser igual ao nmero de elementos
finitos. Pode dizer-se que a escolha das funes de forma e dos pontos nodais arbitrria.
O valor esperado e a varincia do campo aleatrio so dados por:

( ) [ ] ( )
[ ]
1
q
i i
i
E H X N X E H
=
=
(2.85)

( ) [ ] ( ) ( )
( )
1 1
q q
i j HH i j
i j
Var H X N X N X C X , X
= =
=
(2.86)
onde
( )
HH i j
C X , X a covarincia do campo aleatrio.
Se os ns so os centrides dos elementos do campo aleatrio e se assume que as funes
de forma so iguais unidade dentro de cada elemento e zero fora dele, o mtodo de
interpolao reduz-se ao mtodo do ponto mdio (Liu e Kiureghian, 1989).

2.10.2.1.2 Mtodos de discretizao mdia

1. Mtodo da mdia espacial

Tambm chamado o mtodo da mdia local, proposto por Vanmarcke (1977) e Vanmarcke
e Grigoriu (1983), foi utilizado em combinao com os SFEM e alguns outros mtodos
(Vanmarcke et al., 1986; Shinozuka e Deodatis, 1988; Fenton e Vanmarcke, 1990; Zhu et
al., 1992). Para um determinado campo aleatrio, o valor discretizado de um elemento i
dado por:

( )
i
i
i
i
H X d
H

=
(2.87)
58
onde
i
o domnio do elemento.
Quando utilizado com SFEM o domnio representa a rea do i-simo elemento. J para o
caso de processos estocsticos o domnio representa um tempo mdio obtendo-se uma
famlia de mdias mveis (Vanmarcke et al., 1986). Para campos aleatrios homogneos
foram desenvolvidas expresses para as covarincias das variveis discretizadas H
i
em
funo das covarincias
( )
HH i j
C X , X , de
( )
H X para o caso em que os elementos so
rectangulares e paralelos aos eixos coordenados (Vanmarcke, 1983), assim como para o
caso em que os elementos so cilndricos e simtricos em relao aos eixos coordenados
(Phoon et al., 1990).
Existem duas dificuldades na aplicao deste mtodo na anlise de fiabilidade de
elementos finitos (Liu e Kiureghian, 1989; Matthies et al., 1997):
Nem sempre possvel discretizar um campo aleatrio em elementos rectangulares.
Para os casos onde os elementos no so rectangulares Vanmarcke (1983) sugeriu
que cada elemento seja substitudo por um conjunto de elementos rectangulares
adjacentes que no ultrapassem o elemento original de forma a depois se poder
aplicar a mesma teoria (e portanto usar as mesmas frmulas) dos casos em que os
elementos so rectangulares. Estas aproximaes introduzem erros no clculo da
matriz de covarincias de H
i
o que pode levar a que essa matriz seja definida no
positiva e consequentemente poder impedir a aplicao de mtodos FORM e
SORM.
A distribuio de probabilidade da varivel aleatria H
i
difcil, ou mesmo
impossvel, de obter a no ser que o campo aleatrio seja Gaussiano pois a tambm
H
i
Gaussiano.
Para campos Gaussianos este mtodo d resultados precisos mesmo quando a malha de
elementos finitos um pouco grosseira (Kiureghian e Ke, 1988).

59
2.10.2.1.3 Mtodos de expanso em sries

Neste caso os campos aleatrios so representados por sries que envolvem variveis
aleatrias e funes espaciais determinsticas. A aproximao obtida truncando a srie
respectiva (Sudret e Der Kiureghian, 2000).

1. Mtodo da varivel aleatria base

Este mtodo, proposto por Lawrence (1987, 1989), utilizado para representar um campo
aleatrio
( )
H X , do qual se conhecem os primeiro e segundo momentos, atravs de uma
expanso em srie da seguinte forma:

( ) ( )
0 1
ij i j
i j
H X h e X

= =
=
(2.88)
onde
( )
j
X representa um conjunto funes de forma linearmente independentes, os
coeficientes h
ij
so determinados atravs de um ajustamento pelo mtodo dos mnimos
quadrados aos momentos do campo aleatrio e e
i
so variveis aleatrias base
estatisticamente independentes com as seguintes propriedades:

[ ]
1 0
0 1 2
i
i
E e
i , ,
=
=

=

(2.89)

i j ij
E e e =

(2.90)
onde
ij
o delta de Kronecker. Os valores esperados de trs ou mais variveis aleatrias
base so iguais a zero.
Se a srie truncada utilizando apenas N variveis aleatrias base e M funes
determinsticas linearmente independentes ento a equao (2.88) passa a:

( ) ( )
0 1
N M
ij i j
i j
H X h e X
= =
. (2.91)
60
O nmero M a utilizar depende da preciso desejada e da covarincia do campo aleatrio.
Lawrence (1987) utilizou polinmios de Legendre para as funes de forma
determinsticas
( )
j
X .

2. Mtodo de expanso de Kernel

Este mtodo, proposto por Spanos e Ghanem (1989) e Ghanem e Spanos (1991, 1991a),
utiliza a expanso ortogonal de Karhunen-Loeve (Loeve, 1977) para decompor um campo
aleatrio unidimensional. Da tambm ser conhecido como a expanso de Karhunen-
Loeve. Este mtodo aplicvel quer a campos aleatrios homogneos como no
homogneos (Schueller, 2001). O campo aleatrio expandido da seguinte forma (Bucher,
2003):

( ) ( )
0
i i i
i
H X H X
=
=
(2.92)
onde { }
i
H representa um conjunto infinito de variveis aleatrias ortogonais (no
correlacionadas) com mdia zero e varincia unitria,
i
uma constante e
( )
i
X so
funes determinsticas ortogonais.
Depois de alguma derivao e truncando a srie de forma a ficar com N termos, o campo
aleatrio pode ser representado da seguinte forma:

( ) ( ) ( )
1
N
i i i
i
H X H X H X
=
= +
(2.93)
onde
( )
H X o valor esperado do campo aleatrio, H
i
so variveis aleatrias
independentes de X, e
i
e
( )
i
X so, respectivamente, os valores prprios e as funes
prprias da covarincia de
( )
H X que podem ser obtidas como as solues do problema
de valores prprios (Matthies e Bucher, 1999):
( )
( ) ( )
i i i
Cov X , t X dt X
(2.94)
61
onde ( ) Cov X , t a covarincia do campo aleatrio. As variveis aleatrias da equao
(2.93) tm propriedades semelhantes s variveis aleatrias base do mtodo anterior, ou
seja:

[ ]
0
i
E H = (2.95)

i j ij
E H H =

(2.96)
Uma dificuldade na aplicao deste mtodo a resoluo do problema da equao (2.94).
Ghanem e Spanos (1991a, 2003) apresentam uma soluo numrica para resolver esse
integral. Como os termos da decomposio no so correlacionados este mtodo a
decomposio mais eficiente de um campo aleatrio pois ele minimiza o erro devido ao
truncar da srie num determinado nmero de termos (Schevenels et al., 2004).
Se a matriz de covarincias definida positiva, limitada e simtrica sobre o domnio
ento os valores prprios
i
so valores reais positivos (Ghanem e Spanos, 1991). Estes
valores so as varincias das componentes aleatrias
( )
i i i
H X . Assim, o erro
resultante de se truncar a srie da equao (2.92) em N termos pode ser medido atravs da
seguinte expresso (Nieuwenhof e Coyette, 2002):

2 1
2
N
i
i
H
H
e
(2.97)
onde
2
H
a varincia do campo aleatrio.

3. Mtodo da expanso de caos homognea

Este mais um mtodo que se pode utilizar para acelerar a convergncia, proposto e
apresentado por Ghanem e Spanos (1990, 1991, 1991a, 2003), utiliza a expanso ortogonal
de Karhunen-Loeve (Loeve, 1977) para decompor um campo aleatrio (ou processo
estocstico) atravs de um conjunto de polinmios ortogonais
p
que no excedam a
62
ordem p. Da este mtodo tambm ser conhecido como a expanso de caos polinomial.
Este um mtodo no linear que pode ser aplicado quer a campos aleatrios Gaussianos
como no Gaussianos (Matthies et al., 1997).
Este mtodo permite aproximar um campo aleatrio (ou processo estocstico)
( )
H X
atravs de polinmios ortogonais, que so funes de variveis aleatrias Gaussianas X,
como um conjunto de sries convergentes dadas por (Field, 2002; Choi et al., 2004):

( ) ( )
0
j j
j
H X a X
=
=
(2.98)
onde
( )
n
X o caos polinomial generalizado de grau n que funo de variveis
aleatrias multi-dimensionais { }
1
i
i
X

=
. Cada
( )
n
X um polinmio hipergeomtrico
multivariado. No caso em que { }
1
i
i
X

=
so variveis aleatrias independentes e
identicamente distribudas com ( ) 0 1
i
X N , ;
i
, usam-se polinmios de Hermite. Assim,
a equao (2.98) pode ser dada da seguinte forma:

( )
( )
( )
1 1
1
1
1 2 1 2
1 2
0 0
1
1
2
1 1
grau 0
grau 1

i i
i
i
i i i i
i i
H X a
a X
a X , X
= =
= +
+ +
+ +
( )
1 2
1 2 3 1 2 3
1 2 3
3
1 1 1
grau 2
grau 3

i i
i i i i i i
i i i
a X , X , X
= = =
+ +
+
(2.99)
onde { }
1
i
i
X

=
um conjunto de variveis aleatrias Gaussianas,
1 p
i i
a

so constantes,
( )
1 p
p i i
X , , X um elemento geral de um conjunto de polinmios de Hermite
multivariados, chamados normalmente caos homogneo de ordem p.
63
Uma expresso geral para obter os polinmios probabilsticos de Hermite multivariados
pode ser dada por:

( )
( )
1
1
1
1
2
2
1
T
T
n
n
X X
n
X X
n
n i i
i i
e
X , , X e
X X
(2.100)
onde
( )
1 n
i i
X X , , X =
.
A equao (2.99) pode ser escrita de uma forma mais simples:

( ) ( )
0
p
i i
i
H X b X
=
=

(2.101)
onde b
i
e
( )
i
X

so expresses idnticas a, respectivamente,
1 p
i i
a

e
( )
1 p
p i i
X , , X .
O mtodo de expanso de caos homognea uma expanso convergente de mdias
quadradas de funes multivariadas de variveis Gaussianas. No entanto, tambm pode ser
utilizada para campos aleatrios no Gaussianos, embora nesses casos a equao (2.99)
possa convergir mais lentamente (Xiu e Karniadakis, 2002). Assim, os polinmios
( )
i
X

da equao (2.101) no se limitam apenas aos polinmios de Hermite. Por exemplo, para
distribuies Gama os polinmios de Laguerre so a escolha mais apropriada. Na tabela
2.1 apresentam-se os tipos de polinmios mais apropriados para algumas das principais
distribuies de variveis aleatrias (Pettit et al., 2002).
Tabela 2.1 Polinmios ortogonais.
Distribuies FDP (X) Polinmios Ortogonais () Amplitude
Contnuas Gaussiana Hermite (-, +)
Gama Laguerre [0, +)
Beta Jacobi [a, b]
Uniforme Legendre [a, b]
Discretas Poisson Charlier {0, 1, }
Binomial Krawtchouk {0, 1, , N}
Binomial Negativa Meixner {0, 1, }
Hipergeomtrica Hahn {0, 1, , N}

64
4. Mtodo da expanso em srie de Taylor

Aproximaes em sries de Taylor a campos aleatrios
( )
H X tm vindo a ser descritas
por muitos autores, como por exemplo, Vanmarcke (1983), Shinozuka e Yamazaki (1988),
Ghanem e Spanos (1991a, 2003). O campo aleatrio discretizado atravs de N variveis
aleatrias
( )
i
h X , 1 i , , N = ; sendo depois desenvolvido em torno do valor mdio dessas
variveis obtendo-se:

( ) ( ) ( )
( )
( ) ( )
( )
( ) ( )
( )
( )
( ) ( )
( ) ( )
( )
( ) ( )
( ) ( ) ( ) ( )
1
1
1
1
2
1
1 1
1 1 1

i
N
N
N
N i i
i i
N N
N
i i j j
i j i j
N N N
I II
i ij i j
i i j
H X H h X , , h X
H h X , , h X
H h X , , h X . h X h X
h X
H h X , , h X
. h X h X h X h X
h X h X
H H H
=
= =
= = =
= =
= + +

+ +

= + + +
(2.102)

2.10.2.2 Mtodos de perturbao

Hoje em dia o mtodo de simulao de Monte Carlo o mais utilizado de entre os mtodos
de anlise probabilstica de sistemas estruturais. No entanto, medida que o nmero de
graus de liberdade de uma estrutura, assim como o nmero de parmetros desconhecidos,
vai aumentando, a anlise estrutural vai ficando cada vez mais pesada em termos
computacionais. Por essa razo que foram surgindo cada vez mais alternativas, muitas
delas baseadas em tcnicas de perturbao, de forma que os mtodos SFEM so
normalmente identificados com o mtodo clssico de elementos finitos conjugado com
mtodos de perturbao (Nakagiri e Hisada, 1982; Elishakoff et al., 1995a; Bathe, 1996;
Muscolino et al., 2000).
Os mtodos de perturbao introduzidos nos finais dos anos 70 tm vindo a ser utilizados
numa grande diversidade de problemas. No entanto, h que ter um certo cuidado na sua
aplicao pois em casos onde o sistema tem um comportamento no linear acentuado e/ou
65
quando os parmetros tm distribuies muito assimtricas com grandes nveis de
incerteza estes mtodos podem ser menos precisos e pouco eficientes em termos
computacionais (Shinozuka e Yamazaki, 1988; Igusa e Der Kiureghian, 1988; Madsen et
al., 2006). Dificuldades associadas a estes mtodos e suas aplicaes assim como
sugestes e medidas para contornar essas limitaes so discutidas por muitos autores
como por exemplo (Kleiber e Hien, 1992; Liu et al., 1992; Katafygiotis e Beck, 1995).
Trabalhos de Contreras (1980), Hisada e Nakagiri (1981, 1985), Liu et al. (1986, 1986a,
1988), Phoon et al. (1990), Chang e Chang (1997), Brennan et al. (2001), Falsone e
Impollonia (2002), Grasa et al. (2006) representam algumas das aplicaes deste mtodo
segurana estrutural e anlise de fiabilidade quer para problemas lineares como no
lineares. Chen et al. (1992) utilizou mtodos de perturbao para avaliar a importncia das
variaes nas propriedades geomtricas e materiais atravs de exemplos em estruturas
metlicas e de beto. Chang (1993) e Chang e Chang (1994) aplicaram a teoria dos
mtodos de perturbao para estudarem formas de obter respostas estatsticas rpidas em
sistemas estruturais assim como a fiabilidade de vigas com variaes no mdulo de
elasticidade. Problemas dinmicos no lineares tm vindo a ser estudados utilizando
mtodos de perturbao (Liu et al., 1986; Connor e Ellingwood, 1988; Chang e Yang,
1991; Koyluoglu et al., 1995).
Um aspecto vantajoso deste mtodo que a matriz de rigidez invertida uma nica vez ao
contrrio dos mtodos de simulao de Monte Carlo ou dos mtodos de superfcie de
resposta onde so necessrias muitas inverses da matriz de rigidez. Para obter uma
soluo do problema utilizando este mtodo h que determinar as matrizes das derivadas
parciais da rigidez, deslocamentos e cargas.
Dividindo o espao contnuo num nmero finito de elementos e assumindo padres de
deslocamento (funes de forma)
( )
i
N X pode obter-se uma soluo aproximada para o
campo de deslocamentos global u
k
; 1 k , , n = atravs da seguinte expresso:
( )
( )
( )
( ) ( ) ( )
( )
( )
( )
( )
( ) ( )
1
1
1
k
n
k T
k i i n
i
k
n
u t
u X , t N X u t N X , , N X N X u t
u t
=

= = =

(2.103)
66
onde n o nmero de ns da discretizao. A expresso
( )
( )
k
i
u t representa os
deslocamentos nos ns assim como
( )
i
N X representa os padres de deslocamento, que no
fundo so funes de forma polinomiais. Isso faz com que se adaptem melhor a geometrias
mais complicadas e sejam mais fceis de tratar em termos computacionais. Alm disso,
como as funes de forma so diferentes de zero apenas nos elementos correspondentes
aos ns qual pertencem, o sistema de equaes, que se resolve em ordem aos coeficientes
desconhecidos u
k
, torna-se mais fcil de resolver pois contm apenas alguns elementos
diferentes de zero por linha. Neste trabalho apenas se vo analisar os casos de problemas
determinsticos.
De acordo com o mtodo dos elementos finitos a equao de equilbrio para problemas
determinsticos definida atravs da seguinte expresso:
( ) ( ) ( )
i i i
K .u F = (2.104)
onde K a matriz de rigidez tangente do sistema estrutural, F o vector das foras nodais
que representa as aces externas e u o vector dos deslocamentos nodais, os quais so
funes das variveis aleatrias
i
. Para utilizar o mtodo das perturbaes de forma a
quantificar a resposta estrutural mdia e a sua disperso necessrio aplicar uma expanso
em srie de Taylor em cada termo da equao (2.104) em torno do valor mdio de cada
varivel aleatria. Como forma de simplificar as expresses, daqui para a frente assume-se
que o valor mdio das variveis aleatrias ser igual a zero.
A aplicao da expanso em srie de Taylor descrita no ponto 4 da seco anterior sobre a
matriz de rigidez, considerando que o campo aleatrio
( )
H X tem de ser discretizado por
N variveis aleatrias com mdia igual a zero
i
, 1 i , , N = ; pode ser dada por:

1 1 1
1
2
N N N
I II
i i ij i j
i i j
K K K K
= = =
= + + +

(2.105)
onde K a matriz de rigidez avaliada no valor mdio do vector das variveis aleatrias
0 = ,
I
i
K o gradiente de K em relao s variveis aleatrias em 0 = e
II
ij
K a matriz
Hessiana em 0 = :
67

2
0
0
I II
i ij
i i j
K K
K ; K

=
=

= =

(2.106)
onde
[ ]
1
T
N
, , = . Da mesma forma, a expanso em srie de Taylor do vector das
foras externas F dada por:

1 1 1
1
2
N N N
I II
i i ij i j
i i j
F F F F
= = =
= + + +

(2.107)
onde:

2
0
0
I II
i ij
i i j
F F
F ; F

=
=

= =

(2.108)
De notar que as derivadas parciais das equaes (2.108) so zero quando F
determinstica. A expanso em srie de Taylor do vector dos deslocamentos em funo das
variveis aleatrias
i
dada por:

1 1 1
1
2
N N N
I II
i i ij i j
i i j
u u u u
= = =
= + + +

(2.109)
onde:

2
0
0
I II
i ij
i i j
u u
u ; u

=
=

= =

(2.110)
Substituindo (2.105), (2.107) e (2.109) em (2.104) e agrupando os termos com a mesma
ordem obtm-se:
K .u F = (2.111)

0 0 0
i i i
K u F
u K

= = =

+ =

(2.112)
68

2 2 2
0 0
0 0 0 0 0
i j i j j i i j i j
K K u K u u F
u K

= =
= = = = =

+ + + =

(2.113)
Utilizando a mesma notao das expresses (2.106), (2.108) e (2.110) os vectores de
resposta da equao (2.109) podem ser obtidos atravs de um conjunto de frmulas
recursivas (Sudret e Der Kiureghian, 2000):

1
u K . F
= (2.114)
( )
1 I I I
i i i
u K F K u
= (2.115)

( )
1 II II I I I I II
ij ij i j j i ij
u K F K u K u K u
= (2.116)
De forma similar possvel determinar os termos de ordem superior da expanso em srie
de Taylor do campo de deslocamentos. O vector nem sempre tem mdia igual a zero.
Nesses casos as variveis aleatrias
i
e
j
das equaes (2.105), (2.107) e (2.109) tm de
ser substitudas, respectivamente, por
i
e
j
onde
i i i
= e
j j j
= .
Uma aproximao de primeira ordem para os deslocamentos pode ser obtida truncando a
equao (2.109) depois do segundo termo. Desta forma, o valor mdio e a matriz de
covarincias podem calcular-se explicitamente atravs das equaes:

[ ]
1
E u u = (2.117)
[ ] ( )
1
1 1
N N
T
I I
i j i j
i j
Cov u, u u u E
= =
=

(2.118)
Como se est a considerar 0 = o valor esperado
i j
E

obtido atravs da
covarincia do campo aleatrio. Se as variveis aleatrias forem independentes a matriz de
covarincia diagonal sendo a varincia dada por:
69

[ ]
( )
1
1 1
N N
T
I I
i j i j
i j
Var u diag u u E
= =

=

(2.119)
Da mesma forma pode obter-se uma aproximao de segunda ordem para o vector u
truncando a equao (2.109) depois do terceiro termo. Neste caso, e uma vez que se esto a
assumir variveis aleatrias Gaussianas com mdia zero, o valor mdio e a matriz de
covarincias podem calcular-se atravs das equaes:

[ ] [ ]
2 1
1 1
1
2
N N
II
ij i j
i j
E u E u u E
= =
= +

(2.120)

[ ] [ ] ( )
[ ] [ ]
( )
2 1
1 1 1 1
1
4

N N N N
T
II II
ij kl
i j k l
i l j k i k j l
Cov u, u Cov u, u u u
E E E E
= = = =
= +
+

(2.121)
pois como as variveis so Gaussianas:
0
i j k
E =

(2.122)

[ ] [ ] [ ]
i j k l i j k l i l j k i k j l
E E E E E E E = + +

(2.123)
Se as variveis aleatrias forem independentes a varincia dada por:

[ ] [ ] ( )
[ ] [ ]
( )
2 1
1 1 1 1
1
4

N N N N
T
II II
ij kl
i j k l
i l j k i k j l
Var u, u Var u, u diag u u
E E E E
= = = =

= +

+

(2.124)
Para variveis aleatrias no normais h que determinar expresses alternativas expanso
em srie de Taylor de u de forma a poder obter aproximaes de segunda ordem. Para isso,
calcula-se a distribuio de probabilidade conjunta das variveis aleatrias, mas como esse
procedimento complexo e o aumento da preciso pequeno em comparao com o
70
aumento do esforo computacional normalmente assume-se que as variveis aleatrias so
Gaussianas (Matthies et al., 1997).

2.10.3 Redes neuronais artificiais

Nas duas ltimas dcadas tem vindo a desenvolver-se cada vez mais a investigao em
redes neuronais artificiais. Grande parte do esforo foi direccionado para o
desenvolvimento de princpios fundamentais, novos algoritmos e aplicaes. Estas tcnicas
oferecem um conjunto de ferramentas que permitem resolver muitos tipos de problemas,
sendo utilizadas por exemplo como funes de aproximao na modelao da memria
associativa, no reconhecimento de padres, na representao de funes contnuas, em
optimizao de sistemas; nas mais diversas reas como por exemplo, na fsica, na
engenharia civil, robtica, medicina, biometria, economia, gesto, seguros, indstria
aeroespacial, indstria de telecomunicaes, indstria electrnica e indstria de prospeco
petrolfera (Hornick et al., 1989, 1990; Cardaliaguet e Euvrand, 1992; Rao e Rao, 1995;
Bishop, 1995; Bose and Liang, 1996; Anjum et al., 1997; Ayyub e Gupta, 1997; Haykin,
1999; Schueremans e Van Gemert, 2005; Deng, 2006). As redes neuronais artificiais so
tcnicas computacionais com propriedades particulares como a possibilidade de
aprendizagem, de generalizar, classificar e organizar dados (Garrett, 1994; Gomes e
Awruch, 2004).
Recentemente tem sido introduzida a noo de redes neuronais artificiais na teoria da
anlise de fiabilidade. Basicamente as redes neuronais funcionam como ferramentas de
interpolao podendo ser utilizadas, por exemplo, em substituio das funes de resposta
quadrticas (dos mtodos de superfcie de resposta) como aproximao funo de estado
limite. De facto, um dos aspectos importantes relacionado com a aplicao de redes
neuronais est associado ao ajustamento de curvas polinomiais (Bishop, 1995). O
problema est em ajustar um polinmio a um conjunto de N pontos atravs da minimizao
de uma funo erro. Considerando um polinmio de ordem M:

( )
0 1
0
M
M M j j
j
y x w w x w x w x
=
= + + + =
, (2.125)
71
este pode ser considerado como um mapeamento no linear onde x so os valores de input
e y o valor de output. A forma da funo polinomial depende dos valores dos parmetros
que so dados pelo vector w = (w
0
, , w
M
); que pode ser considerado como os pesos de
uma rede neuronal. Dentro da teoria das redes neuronais, como se ver mais frente, os
valores desses parmetros podem ser obtidos atravs de um algoritmo de aprendizagem
com superviso. Neste caso utiliza-se um conjunto de valores de treino (treino da rede)
onde j se conhecem as respostas correctas (output - valores que se desejam obter, tambm
referidos como valores alvo) para as diferentes entradas de dados (input). Com estes
valores conhecidos escolhem-se os pesos e os desvios, de forma a minimizar uma funo
erro dada por:
( ) ( )
2
1
1
2
N
n n
n
E y x , w d
=
=
(2.126)
onde N o nmero de pontos, ( )
n
y x , w o valor obtido atravs da aplicao da rede
(output) para o input x
n
e d
n
o valor conhecido que se deseja obter. Como E uma funo
de w ento o polinmio pode ser ajustado aos N pontos escolhendo um valor para w, que se
vai designar por w*, que minimiza E. Para generalizar a novos valores utiliza-se um novo
conjunto de elementos para testar a rede (validao da rede). De forma a avaliar a
capacidade do polinmio em generalizar novos dados deve considerar-se a raiz quadrada
do erro quadrtico mdio que dado por (Bishop, 1995):
( ) ( )
2
1
1
N
*
REQM n n
n
E y x , w d
N
=
=
. (2.127)
Utilizando um conjunto de dados do tipo input/output as redes neuronais artificiais podem
produzir valores de resposta fiveis para um dado input de forma relativamente fcil e
rpida.
As redes neuronais artificiais so modelos simplificados do crebro humano. Uma rede
deste tipo como um processador paralelo composto por unidades celulares mais simples
independentes designadas por neurnios que podem comunicar entre si atravs de sinapses.
A comunicao realizada por sinais elctricos no interior de cada clula e qumicos nas
regies terminais por impulsos. Estes so desencadeados em cada neurnio sempre que um
72
certo potencial de activao ultrapassado, tendo os sinais nervosos um peso diferenciado
sempre que atravessam as diferentes sinapses de um neurnio. Esta a ideia base de
qualquer rede neuronal. Mais formalmente elas podem ser modeladas por grafos com
determinadas caractersticas e propriedades. Assim, os ns designam-se por neurnios,
unidades computacionais ou nodos e os caminhos por arestas, ligaes, conexes ou
sinapses (Figura 2.4). O conhecimento obtido a partir de um conjunto de dados de input
atravs de um processo de aprendizagem (utilizando algoritmos de treino), durante o qual
os pesos das conexes so ajustados.

Figura 2.4 Modelo genrico da relao entre dois ns.

Um neurnio artificial considerado uma unidade de processamento de informao
fundamental para o funcionamento de uma rede neuronal. Estas unidades esto ligadas
entre si atravs de pesos que determinam o efeito de sada que uma unidade tem sobre a
entrada da unidade seguinte.
As aplicaes das redes neuronais artificiais esto intimamente relacionadas com a sua
arquitectura, processo de aprendizagem e comportamento dinmico. Em seguida vo
abordar-se estes aspectos. Assim, para o desenvolvimento de um modelo necessrio
definir o problema em estudo, definir os dados para o treino e teste, escolher a arquitectura
de rede, realizar o treino e fazer o teste (validao da rede).

Modelos de um neurnio

O primeiro modelo lgico matemtico de um neurnio artificial foi proposto por Warren
McCulloch e Walter Pitts em 1943 tendo sido designado por TLU (do ingls Threshold
Logic Unit). Consiste numa unidade computacional que opera com sinais binrios simples
(0/1) que combina vrias entradas e gera um sinal de sada. Neste caso a rede constituda
por neurnios binrios e ligaes binrias. Na Figura 2.5 apresenta-se o modelo de
McCulloch-Pitts de um neurnio com n entradas (input) x
i
(Pandya e Macy, 1995).
Caminho (i, j)
N j
i j
N i
73

Figura 2.5 Modelo de McCulloch-Pitts de um neurnio.

Para cada entrada x
i
h um peso correspondente w
i
. Um peso positivo se a ligao
excitada e negativo se inibida. Alm disso, considerando o valor do desvio do
neurnio, este valor necessita de ser excedido pela soma pesada das entradas u para que o
neurnio seja igual a 1. A regra definida da seguinte forma:

( )
1
n
i i
i
y f u f w x
=

= =

(2.128)
onde
( )
f a funo de activao definida por:

( )
1
0
se u
f u
se u
=

<
(2.129)
O modelo geral de um neurnio, que no mais do que uma generalizao do modelo de
McCulloch e Pitts, apresentado na Figura 2.6. O neurnio k pode ser descrito atravs das
seguintes equaes:
( ) ( )
k k k k
y f v f u = = + (2.130)

1
m
k kj j
j
u w x
=
=
(2.131)
onde x
1
, , x
m
so os valores de entrada, w
k1
, , w
km
so os pesos, u
k
uma soma pesada
dos valores de entrada,
k
o desvio que um parmetro externo do neurnio artificial,
w
n
w
1
w
2
u f(u)
x
1
x
2
x
n
y=f(u)


74
( )
f a funo de activao que pode assumir vrias formas (normalmente no lineares) e
y
k
o valor de sada do neurnio k. De uma forma equivalente, alguns autores apresentam as
equaes (2.130) e (2.131) atravs da expresso:
( )
0
m
k k kj j
j
y f v f w x
=

= =

. (2.132)
Neste caso o desvio
k
substitudo por uma nova ligao cuja entrada tem um valor fixo,
0
1 x = , e um peso
0 k k
w = . Este modelo embora tenha uma apresentao diferente
equivalente ao anterior.

Figura 2.6 Modelo no linear de um neurnio k.

No modelo da Figura 2.6 um neurnio recebe os sinais resultantes do processamento das
diversas unidades com as quais est relacionado. Estes sinais so multiplicados pelos pesos
correspondentes e no fim todos esses produtos so somados. A esse valor ainda se adiciona
a entrada independente do neurnio (desvio), obtendo-se o valor total de entrada na
unidade em questo. Utilizando a funo de activao do neurnio, este processa ento o
valor total de entrada produzindo um valor de sada que ser o sinal a ser enviado para as
unidades da camada seguinte.

v
k
Pesos

w
k2
w
k1
w
km
Desvio

x
1
x
2
x
m
y
k

Funo de
Activao

Sada

E
n
t
r
a
d
a
s

k
f(.)
Neurnio k
75
Tipos de funo de activao

Uma funo de activao,
( )
f x , define a sada de um neurnio e pode ser linear ou no
linear. Quando numa rede por camadas algumas delas possuem neurnios cuja funo de
activao linear ento essas camadas designam-se lineares. Uma rede onde todas as
camadas so lineares designa-se rede linear. As redes com uma ou mais camadas no
lineares designam-se redes no lineares.
Existem vrias funes de activao que so aplicadas conforme o tipo de rede neuronal
que se est a utilizar, o intervalo de resultados que se pretende e do problema em questo.
Vrios so os tipos de funes que se podem aplicar, como por exemplo (Haykin, 1999):
1. Linear: o valor de sada igual ao de entrada,
( )
f x x = (2.133)
2. Degrau:
( )
1 0
0 0
se x
f x
se x

=

<
(2.134)
Esta funo a utilizada no modelo de McCulloch e Pitts (equao (2.129)).
3. Rampa: so tambm funes lineares mas com contradomnio igual a um intervalo
fechado. Um exemplo a funo:

( )
1 0 5
0 5 0 5
0 0 5
se x .
f x x se . x .
se x .

= < <
(2.135)
4. Trigonomtricas: por exemplo,
( )
f x sin x = (2.136)
5. Sigmoidais: so as funes de activao mais utilizadas na construo de redes
neuronais artificiais. So funes crescentes de classe C
e contradomnio igual a [ ] 0 1 ,
76
ou [ ] 1 1 , tais que
( )
1
x
lim f x
+
= e
( )
0
x
lim f x
= ou -1. Um exemplo a funo

logstica dada por (Flood e Kartam, 1994):

( )
1
1
x
f x
e

=
+
(2.137)
onde o declive e o parmetro da funo. Outro exemplo muito usado a funo
tangente hiperblica:

( ) ( )
f x tanh x = (2.138)
6. Competitivas: Normalmente so funes de contradomnio { } 0 1 , que podem utilizar-se
nas unidades de sada de uma rede neuronal. Estas funes activam apenas a unidade de
sada mais excitada. Considerando y como o vector dos potenciais de activao das
unidades de sada de uma rede neuronal artificial ento:
( )
1
0
i
i
se y mximo
f y
caso contrrio
(2.139)

Arquitecturas de rede

A arquitectura, ou topologia, est relacionada com a forma como os neurnios se
interligam numa estrutura de rede. Esta est intimamente relacionada com o algoritmo de
aprendizagem utilizado para treinar a rede. Existem muitos tipos de arquitecturas, como
por exemplo as redes perceptro de mltiplas camadas (do ingls multilayer perceptrons -
MLP) ou as redes de funes de base radial (do ingls radial basis function RBF), cada
uma com as suas caractersticas podendo no entanto dividir-se em duas categorias
principais (Haykin, 1999):

1. Unidireccionais

Nestas redes, tambm chamadas de alimentao directa (do ingls feedforward) ou
progressivas, as ligaes propagam-se sempre numa s direco. So aquelas que no tm
77
ciclos. Normalmente esto organizadas por camadas. A primeira designa-se por camada de
entrada (input), a ltima por camada de sada (output) e as camadas intermdias so
tambm conhecidas por camadas escondidas. Na contagem do nmero de camadas de uma
rede alguns autores no entram em considerao com a primeira camada pois consideram
que nessa fase ainda no foi realizado qualquer clculo (Haykin, 1999). Neste trabalho vai
incluir-se essa primeira camada na contagem. As redes de camadas com alimentao
directa onde a informao de sada constituda por padres binrios so designadas por
alguns autores por redes de perceptres. Um perceptro assim considerado uma unidade
computacional que calcula o sinal de uma combinao linear das variveis de entrada.
As primeiras redes de alimentao directa a aparecerem na literatura foram a Perceptro
(Rosenblatt, 1962) e Adaline (Widrow, 1987). Este tipo de redes actualmente muito
utilizado principalmente por existirem bastantes mtodos de aprendizagem de rpida e fcil
aplicao (Figura 2.7).

Figura 2.7 Rede de alimentao directa com 3 camadas.

2. Recorrentes

Estas so redes com ciclos (tambm referidas como redes com realimentao, retroaco
ou do ingls feedback) e por isso as sadas (outputs) no so exclusivamente funo das
ligaes entre os neurnios pois aplica-se um clculo recursivo que obedecer a uma certa
condio de paragem (Figura 2.8). Nestas redes a sada de uma unidade pode ligar-se a
Camada
Intermdia

Camada de
Entrada

x
1
x
2
x
L
y
N
y
1
Camada de
Sada

78
uma outra anterior que foi sua entrada ou mesmo a uma unidade da mesma camada. Um
exemplo deste tipo de rede bastante utilizado o modelo de Hopfield (Hopfield, 1982).

Figura 2.8 Rede com ciclos.
Uma das tarefas mais difceis determinar o nmero de neurnios em cada camada
intermdia assim como o nmero de camadas intermdias a utilizar num determinado
problema (Flood e Kartam, 1994). No existem regras para este problema. No entanto,
embora no indiquem o nmero de neurnios que deve ter, alguns estudos demonstram que
uma camada intermdia suficiente para representar qualquer funo ou para resolver a
maioria dos problemas de generalizao.

Funes erro

Existem muitas escolhas possveis de funes erro que podem ser utilizadas, dependendo a
sua aplicao do problema que se quer estudar (Bishop, 1995). Para problemas de
regresso e classificao pode utilizar-se a funo soma de quadrados dos erros. No geral,
para problemas de regresso podem utilizar-se, por exemplo, a funo soma de quadrados
dos erros, a funo erro de Minkowski-R ou a funo varincia dependente das entradas.
Para problemas de classificao podem utilizar-se, por exemplo, a funo soma de
quadrados dos erros, a funo entropia ou a funo entropia cruzada para mltiplas classes.
Em seguida vo apresentar-se duas das funes erro mais utilizadas.

Camada
Intermdia

Camada de
Entrada

x
1
x
2
x
L
y
N
y
1

Camada de
Sada

79
1. Soma de quadrados dos erros

Neste caso consideram-se existir c variveis alvo d
k
, k = 1, , c. A funo erro dada
atravs de uma soma sobre todas as amostras do conjunto de treino (tambm chamadas
padres) e sobre todos os valores de sada (Bishop, 1994):

( )
( ) { }
2
1 1
1
2
N c
k n n, k
n k
E w y x , w d
= =
=
(2.140)
onde ( )
k n
y x , w o valor de sada da unidade k e funo do vector de entrada x
n
e do
vector de pesos w, N o nmero de amostras do conjunto de treino, c o nmero de sadas e
d
n,k
representa o valor alvo (sadas conhecidas ou desejadas) da unidade de sada k quando
o vector de entrada x
n
.
Em muitos casos, para avaliar a performance de uma rede, conveniente utilizar uma
funo erro diferente da utilizada para o seu treino. Por exemplo, num problema de
interpolao a rede pode ser treinada utilizando a funo erro da equao (2.140) enquanto
que para a testar ser melhor utilizar a funo erro raiz mdia quadrtica dada por:

( )
{ }
{ }
2
1 1
2
1 1
N c
*
k n n, k
n k
N c
n, k
n k
y x , w d
E
d d
= =
= =
(2.141)
onde w* o vector dos pesos obtidos da rede treinada, N o nmero de amostras do
conjunto de teste e d o vector alvo mdio do conjunto de teste dado por:

1 1
1
N c
n, k
n k
d d
N
= =
=
(2.142)

2. Erro de Minkowski

Para minimizar a funo soma de quadrados dos erros, as suas derivadas so obtidas
atravs do mtodo de mxima verosimilhana sob o pressuposto de que os valores alvo
80
tm uma distribuio Gaussiana. Considerando uma generalizao da distribuio
Gaussiana obtm-se uma funo erro mais geral que a anterior da forma (Bishop, 1995):

( )
( )
1 1
N c
R
k n n, k
n k
E w y x , w d
= =
=
(2.143)
onde R uma constante que se designa erro de Minkowski-R. Quando R = 2 reduz-se ao
caso anterior.

Aprendizagem em redes neuronais artificiais

A aprendizagem um processo onde os parmetros de uma rede so ajustados atravs de
uma forma continuada de estmulos do ambiente onde a rede est a funcionar, sendo o tipo
de aprendizagem definido pela forma como ocorrem os ajustes. nesta fase que se aplicam
os algoritmos de treino, tambm chamados algoritmos de optimizao de parmetros. O
algoritmo utilizado pode classificar a rede em que se aplica. As redes neuronais artificiais
so assim capazes de aprender atravs do treino (utilizando exemplos onde so conhecidos
os valores de entrada inputs, e de sada outputs) e encontrar solues sem a
necessidade de definir as relaes entre as variveis. Podem tambm descobrir interaces
complexas e no lineares entre variveis de um sistema (Masters, 1993; Goh e Kulhawy,
2003).
Para um determinado conjunto de dados o algoritmo de aprendizagem deve permitir o
clculo dos parmetros da rede de forma que num nmero finito de iteraes haja
convergncia para uma soluo. O critrio de convergncia varia de acordo com o
algoritmo utilizado assim como com o modelo de aprendizagem, que pode envolver por
exemplo a variao do erro de sada ou a variao das magnitudes dos pesos. A aplicao
do processo de aprendizagem numa rede neuronal envolve a alterao do seu padro de
ligaes, quer atravs do desenvolvimento de novas ligaes, quer da perda de ligaes
existentes, quer da modificao dos pesos de ligaes existentes (Kovacs, 1996).
Existem dois tipos fundamentais de aprendizagem que se descrevem a seguir (Flood e
Kartam, 1994a). Outras abordagens normalmente derivam destas duas.

81
Aprendizagem com superviso

O processo de aprendizagem (no fundo a escolha dos pesos associados a cada ligao) de
uma rede neuronal artificial pode ser realizado sob superviso. Neste tipo de aprendizagem
so conhecidas a priori as respostas correctas correspondentes a um certo conjunto de
dados de entrada. Assim, conhecendo as respostas correctas da rede a diferentes entradas
de dados pretende-se escolher os pesos e os desvios das diferentes ligaes e neurnios que
melhor contribuam para que a rede modele adequadamente o problema em estudo. Em
seguida apresentam-se alguns dos principais algoritmos de aprendizagem com superviso
(Tivive e Bouzerdoum, 2005):
1. Algoritmo de Widrow-Hoff: tambm conhecido pelo algoritmo do mnimo quadrado
mdio ou regra delta e aplica-se em redes neuronais lineares (Widrow, 1987a; Widrow e
Lehr, 1990)
2. Retropropagao do erro: tambm conhecido como regra delta generalizada, constitui
uma generalizao do mtodo anterior a redes lineares ou no lineares (Kovacs, 1996).
Neste grupo incluem-se as redes no lineares com camadas intermdias de alimentao
directa, conhecidas por redes de retropropagao de alimentao directa (do ingls
feedforward backpropagation networks). Este algoritmo calcula o gradiente da funo erro
atravs da regra da cadeia. Depois de calcular o erro de uma forma directa (das unidades de
entrada para as de sada), este propagado de forma inversa a partir das unidades de sada,
camada por camada (Cun, 1985; Rumelhart et al., 1986a, 1986b, 1995; Werbos, 1994)
3. Mtodo do gradiente decrescente: para melhorar a convergncia deste mtodo podem
utilizar-se a tcnica do momento ou da taxa adaptativa de aprendizagem (Bose e Liang,
1996)
4. Mtodo de Levenberg-Marquardt: aplicvel a redes no lineares (Bishop, 1995)
5. Mtodos heursticos: por exemplo os algoritmos evolutivos

82
Aprendizagem sem superviso

Neste tipo de aprendizagem no h uma resposta desejada que seja fornecida rede. Ela
aprende por si sem obter qualquer valor de erro. Neste caso a rede utiliza padres,
regularidades e correlaes para agrupar os dados em classes. Aquilo que a rede vai
aprender sobre os dados pode variar em funo do tipo de arquitectura utilizada e do
algoritmo de aprendizagem.
Normalmente, este tipo de aprendizagem aplicada em sistemas de memria associativa e
de reconhecimento de padres (Bishop, 1995; Pandya e Macy, 1995). Em seguida
apresentam-se alguns dos principais algoritmos de aprendizagem sem superviso:
1. Algoritmos de estimulao pela entrada (do ingls reinforcement algorithms):
tambm so conhecidos por algoritmos de aprendizagem associativa. Os exemplos mais
usados so o mtodo de Hebb (Hebb, 1949) e o mtodo Instar e Outstar (Grossenberg,
1982).
2. Algoritmos de aprendizagem competitiva: Um exemplo o mtodo de Kohonen
(Kohonen, 1987; Tivive e Bouzerdoum, 2005).

Em seguida vo apresentar-se dois dos algoritmos mais utilizados em redes neuronais
artificiais.

Mtodo do gradiente decrescente

O algoritmo de retropropagao, o algoritmo de Widrow-Hoff assim como a regra de
Hopfield so mtodos do tipo do gradiente decrescente pois procuram os pontos onde o
gradiente zero (Muller e Reinhardt, 1991). O objectivo em cada iterao escolher um
ponto ao longo da direco onde a funo decresce mais rpido, ou seja, onde o gradiente
negativo. O mtodo definido pela iterao (Tivive e Bouzerdoum, 2005):
( )
1 k k k
k
f
x x f x x
x

+

= =
(2.144)
83
onde 0 > o tamanho do passo (uma constante de pequeno valor que especifica a
alterao em x). No caso ideal o tamanho do passo deve ser escolhido de forma que
( )
1 k
f x
+
seja um mnimo de
( )
f x ao longo da direco onde o gradiente negativo. O
ponto
1 k
x
+
obtido procurando ao longo dessa linha. O critrio de paragem definido
pelas expresses:
( ) ( )
1 1 k k k k
f x f x e x x
+ +
< < . (2.145)
A combinao destas duas expresses necessria, pois utilizando apenas a primeira
expresso pode surgir o problema exemplificado na Figura 2.9. Utilizando apenas a
segunda pode surgir o problema exemplificado na Figura 2.10.

Figura 2.9 O algoritmo pra em x
k+1
, no entanto este ponto no minimizante.

Figura 2.10 O algoritmo pra em x
k+1
, no entanto este ponto no minimizante.

x
k
x
k+1
f(x)

x

f(x
k+1
)

f(x
k
)

x
k
x
k+1
f(x)

x

f(x
k+1
)

f(x
k
)

84
Uma dificuldade que surge na aplicao deste tipo de mtodo que ele pode parar em
qualquer mnimo local e poder gerar confuso com o mnimo absoluto. No entanto quando
( )
f x quadrtica existe apenas um extremo. Assim, quando o mtodo converge sabe-se
que se est na presena de um mnimo ou mximo absoluto. Quando
( )
f x no
quadrtica, esta pode ser aproximada localmente por uma funo quadrtica utilizando a
matriz Hessiana (Bose e Liang, 1996).

Regra delta generalizada

Tambm conhecida como algoritmo de retropropagao, trata o treino de uma rede
neuronal como um problema de optimizao global sem restries. A ideia deste algoritmo
propagar o erro encontrado na ltima camada da rede (erro que a diferena entre a
resposta da rede e a resposta desejada ou conhecida) para as camadas anteriores da rede, e
desta forma permitir o ajuste dos pesos, at chegar camada de entrada da rede. Este
processo iterativo realizado at que o erro atinja um valor mnimo desejado. Desta forma,
esta regra de aprendizagem por retropropagao do erro consiste na generalizao do
mtodo do gradiente decrescente a redes neuronais com trs ou mais camadas
implementando um sistema de clculo sucessivo das derivadas parciais numa direco
contrria da normal propagao da informao atravs da rede.
Para simplificar a notao e evitar ambiguidades vai adaptar-se a notao utilizada na
equao (2.140) com um mnimo de alteraes. Assim, seja um conjunto de treino dado
por { }
1
N
n n
n
x , d
=
, onde x
n
o vector das entradas na rede e d
n
o vector das sadas desejadas
para as entradas x
n
. O peso da ligao entre a unidade i, de uma camada, e a unidade j na
seguinte dado por w
ij
. Alm disso, o valor t em
( )
t
ij
w usado para referir que a camada
que contm a unidade j est t camadas atrs da camada de sada. Para a camada de sada
0 t = , podendo o valor ser omitido na notao. Sendo c o nmero de unidades de sada, a
funo erro quadrtico dada atravs da soma sobre todas as unidades de sada da n-sima
amostra do conjunto de treino (Gouva e Terra, 1999):

2
2
1 1
1 1
2 2
n, k
c c
n n, k n, k
k k
E d y e
= =
= =

(2.146)
85
onde y
n,k
o valor de sada da unidade k para o vector de entrada x
n
, c o nmero de
unidades de sada e d
n,k
representa o valor desejado de sada da k-sima unidade de sada
quando o vector de entrada x
n
. O erro total relativo s N amostras do conjunto de treino
dado por:

1
N
n
n
E E
=
=
. (2.147)
O objectivo do processo de aprendizagem ajustar os parmetros da rede de forma a
minimizar a equao (2.147), que funo dos pesos das ligaes e desvios.

Figura 2.11 Modelo do k-simo neurnio da camada de sada de uma rede.
Na Figura 2.11 representa-se o k-simo neurnio da camada de sada, que alimentado por
um conjunto de valores (sinais) de m funes produzidas pela camada anterior. O sinal de
entrada associado a este neurnio, antes de se aplicar a sua funo de activao, dado
pela equao:

( ) ( )
1 1
1 0
n, i n, i
m m
n, k n, ik n, k n, ik
i i
v y w y w
= =
= + =

(2.148)
d
n, k
f(.)
v
n, k
y
n, k
( )
1
0
1
n,
y =
w
n, 0k
=
n, k
e
n, k

( ) 1
n, i
y
( )
1
1 n,
y

( )
1
1 n, m
y

( ) 1
n, m
y
Neurnio k
w
n, 1k
w
n, ik
w
n, mk
w
n, m-1k

86
onde m o nmero total de entradas (sem contar com o desvio) aplicadas ao neurnio e
( )
1
n, i
y a sada da i-sima unidade da primeira camada antes da camada de sada. Assim, o
sinal da funo y
n,k
correspondente sada do k-simo neurnio dado por:

( )
n, k k n, k
y f v = (2.149)
De uma forma semelhante regra delta, o algoritmo da retropropagao aplica uma
correco,
n, ik
w , aos pesos w
n,ik
que dada por:

n
n, ik
n, ik
E
w
w
(2.150)
onde a taxa de aprendizagem (normalmente um valor entre 0 e 1) do algoritmo.
Utilizando a regra da cadeia obtm-se:

n, k n, k n, k
n n n
n, ik n, k n, ik n, k n, k n, ik
v y v
E E E
w v w y v w

= =

(2.151)
onde
n n, k
E v e
n n, k
E y representam a forma como o erro, E
n
, afectado,
respectivamente, pelos valores de entrada e sada, da k-sima unidade da camada de sada.
Para obter o valor de (2.151) h que determinar:

( )
n
n, k n, k n, k
n, k
E
d y e
y
= =
(2.152)

( )
n, k
k n, k
n, k
y
f v
v
(2.153)

( )
1
n, i
n, k
n, ik
v
y
w
(2.154)
Assim:

( )
1
n, i
n, ik n, k
w y = (2.155)
87
onde o gradiente local,
n, k
, dado por:

( )
n, k n, k k n, k
e f v = (2.156)
A partir das equaes (2.155) e (2.156) verifica-se que o factor principal relacionado com
o clculo dos ajustes dos pesos,
n, ik
w , o sinal do erro
n, k
e sada do neurnio k.
Surgem assim dois casos que dependem da localizao do neurnio k dentro da rede:

Caso 1: O neurnio k est na camada de saida

Neste caso utiliza-se a equao
n, k n, k n, k
e d y = para determinar o sinal do erro associado
a este neurnio. Depois disso utiliza-se a equao (2.156) para calcular o gradiente local
n, k
.

Caso 2: O neurnio k est numa camada intermdia

Neste caso o sinal do erro tem de ser determinado recursivamente em funo dos sinais dos
erros de todos os neurnios ao qual este neurnio k est directamente ligado. Vai-se ento
determinar como que o erro afectado pelos pesos das ligaes entre unidades
localizadas em camadas que esto duas ou mais camadas atrs da camada de sada.
Considerando
( )
t
n, jk
w o peso da ligao feita unidade k da camada que est t nveis
(camadas) antes da camada de sada a partir da unidade j da camada que est t+1 nveis
antes da camada de sada, ento o sinal de entrada associado ao neurnio k da camada que
est t nveis antes da camada de sada, e antes de se aplicar a sua funo de activao,
representado por
( )
t
n, k
v e a sada dessa unidade k dada por:

( ) ( ) ( )
( )
( ) ( ) ( ) ( )
1
1
r
t t t t t t t
n, k k n, k k n, j n, jk n, k
j
y f v f y w
+
=

= = +

(2.157)
onde r o nmero total de entradas (sem contar com o desvio) aplicadas ao neurnio k.
Utilizando a regra da cadeia e considerando t = 1:
88

( ) ( )
( )
( )
( )
( ) ( )
( ) ( )
( )
1 1
1 1 2
1 1 1 1 1
n, k n, k
n n n
k n, k n, j
n, jk n, k n, k n, jk n, k
y v
E E E
f v y
w y v w y

= =

(2.158)
Assim, o gradiente local,
n, k
, neste caso dado por:

( )
( ) ( )
( )
1 1
1
n
n, k k n, k
n, k
E
f v
y
(2.159)
A sada da unidade k pode estar ligada a mais de uma unidade da camada seguinte.
Somando todas as ligaes que saem da unidade k para a camada seguinte e utilizando a
regra da cadeia tem-se:

( )
1
n n
n, kl
n, l l n, k
E E
.w
v
y

=

(2.160)
Utilizando as equaes (2.146) e (2.157) tendo em conta que a soma sobre l obtm-se:

( )
( )
1
n
n, l k n, l n, kl n, l n, kl
l l n, k
E
e . f v w w
y

= =

(2.161)
O procedimento utilizado na equao (2.158) para t = 1 repete-se at que
( )
t
n n, jk
E w seja
calculado para todas as ligaes. Substituindo a equao (2.161) em (2.159) obtm-se:

( ) ( )
( )
1 1
n, k k n, k n, l n, kl
l
f v w =

(2.162)
Em concluso, a correco,
n, ik
w , aplicada ao peso da ligao entre o neurnio i e o
neurnio k definida por:

n, ik n, k n, i
Correco Gradiente Input do
Taxa de
do Peso Local Neurnio k
Aprendizagem
. .
w y

(2.163)
89
O valor do gradiente local,
n, k
, depende se o neurnio k est numa camada intermdia ou
na camada de sada:
1. Se o neurnio k est na camada de sada o valor de
n, k
dado por (2.156)
2. Se o neurnio k est numa camada intermdia o valor de
n, k
dado pelo produto da
derivada associada ao neurnio,
( ) ( )
( )
t t
k n, k
f v , e da soma pesada dos vrios valores de
calculados para os neurnios da camada seguinte que esto ligados ao neurnio k ver
por exemplo (2.162)

Neste algoritmo quanto mais pequeno for o valor da taxa de aprendizagem, ou passo de
treino, mais pequenos sero os ajustes dos pesos na rede de uma iterao para a outra.
No entanto, esta melhoria implica uma lenta convergncia e desta forma o algoritmo pode
facilmente parar num mnimo local dentro do espao dos pesos e no identificar o mnimo
absoluto do problema em causa. Se, ao contrrio, for muito grande de forma a acelerar a
aprendizagem a rede pode ficar instvel (com oscilaes). Um mtodo simples que permite
acelerar a convergncia e evitar os mnimos locais e a instabilidade na rede modificar a
equao (2.155) incluindo um termo chamado momento (Rumelhart et al., 1986b; Warnes
et al., 1998; Haykin, 1999; Hurtado e Alvarez, 2001):

( )
1
1
n, i
n, ik n, k n , ik
w y w

= + (2.164)
onde normalmente um nmero positivo chamado a constante momento. Para que o
processo iterativo utilizando a equao (2.164) seja convergente a constante momento
0 1 < . Alm disso, a incluso deste termo no algoritmo de retropropagao tende a
acelerar a convergncia e estabilizar a rede (Watrous, 1987; Jacobs, 1988). Tambm a taxa
de aprendizagem pode no ser constante para toda a rede. Esta pode tomar distintos valores
para diferentes partes da rede. Assim como na aplicao do algoritmo de retropropagao
do erro pode impor-se que um determinado nmero de pesos da rede permaneam fixos
durante o processo de ajustamento. Isto pode ser feito igualando a zero a taxa de
aprendizagem dos pesos que se querem fixar (Haykin, 1999).

90
Classificao quanto dinmica

A transferncia de informao atravs das ligaes e entre os diferentes neurnios de uma
rede neuronal pode processar-se das seguintes formas:
1. Sequencialmente, de uma forma no sncrona ou assncrona: em cada iterao s
parte dos neurnios da rede transfere informao aos neurnios seguintes.
2. Simultaneamente ou de uma forma sncrona: a transferncia de informao
realizada ao mesmo tempo por todos os neurnios da rede.
3. Estocstica: o mecanismo de activao de cada neurnio no tem uma natureza
determinista sendo regido por uma lei probabilstica.

Treino de uma rede neuronal artificial

O treino de uma rede neuronal artificial ocorre atravs de um algoritmo que funciona como
um processo iterativo de ajuste dos pesos que representam as ligaes entre as unidades da
rede assim como das entradas independentes os desvios de cada unidade. O
processamento dos dados consiste na transmisso dos dados de entrada para as unidades da
primeira camada, onde estes so processados, gerando informaes que sero passadas
para a camada seguinte e assim sucessivamente at serem obtidos os resultados na camada
de sada da rede.
Espera-se que uma rede neuronal artificial tenha uma boa capacidade de generalizao
independentemente de ter sido controlada durante o treino. Embora a generalizao surja
naturalmente como consequncia da aprendizagem, o conceito actual que aprendizagem
e generalizao funcionem em simultneo.
Por exemplo, considerando que se pretende treinar uma rede com uma camada de entrada,
uma camada intermdia e uma de sada, contendo esta ltima c elementos. Em problemas
de aproximao, classificao e previso o objectivo do treino da rede a determinao de
um vector de pesos w* que minimize o erro quadrtico em relao a um conjunto de treino
composto por pares de valores (x
n
, d
n
) ; n = 1, , N onde N o nmero de amostras do
91
conjunto de treino, d
n
so os valores de sada desejados (conhecidos) para os valores de
entrada x
n
. O ajuste dos pesos deve modificar os valores de sada da rede y
k
; k = 1, , c;
de forma que a diferena entre y
k
e d
n,k
diminua em cada iterao. Considerando ainda, por
exemplo, que o algoritmo de treino a aplicar a regra delta generalizada ou
retropropagao do erro (Kovacs, 1996), a equao a utilizar para o ajuste dos pesos dada
por:

( )
1
k
k k
k
dE w
w w
dw
+
= (2.165)
onde o tamanho do passo de treino, k o nmero da iterao do processo de treino e o
erro quadrtico ( )
k
E w dado pela equao (2.140). A iterao para a correco dos pesos
deve ser repetida at que se chegue a um valor do erro quadrtico inferior a um
determinado parmetro previamente estabelecido.
Durante o treino de uma rede neuronal artificial h que ter em ateno alguns factores que
tm alguma influncia nos resultados. Por exemplo, a utilizao de passos de treino
pequenos (normalmente muito menores que 1), apesar de tornar a convergncia do erro
mais lenta inibe a ocorrncia de oscilaes durante o treino o que beneficia o processo de
convergncia. Outro aspecto importante a escala utilizada para os dados de entrada e
sada do problema. Embora parea desnecessrio, os valores reais do problema devem ser
alterados para intervalos da mesma ordem de grandeza dos valores envolvidos no processo
de treino da rede pois isso melhora o desempenho desta e resulta numa convergncia mais
rpida do erro. Outro aspecto a ter em conta o nmero de casos conhecidos a utilizar no
treino da rede. Um nmero reduzido de casos facilita o treino no s porque reduz o
nmero de operaes necessrias em cada iterao mas tambm porque exige que a rede se
adapte a um nmero reduzido de situaes. De facto uma rede deve ser capaz de relacionar
de forma coerente um pequeno nmero de valores, embora isso possa comprometer o seu
desempenho futuro. Por este motivo que se necessita de testar a rede, para avaliar se
mesmo com um erro satisfatrio resultante do treino esta capaz de apresentar um erro
tambm satisfatrio quando aplicada a outros casos no utilizados no treino teste da rede.
Um bom desempenho no teste que qualifica a rede neuronal artificial para utilizao em
novos casos. O importante obter um equilbrio entre o tamanho da amostra no conjunto
92
de treino e os resultados na aplicao do teste da rede de forma a garantir um bom
desempenho desta sem implicar custos elevados (Lastiri e Pauletti, 2004).
Depois do treino, obtendo os pesos ideais para a rede, esta deve ser testada. Normalmente,
o conjunto de treino utiliza 90% dos valores enquanto o conjunto de teste os restantes 10%.
O teste realizado utilizando os valores de problemas cujas solues so conhecidas e que
no foram usados no treino da rede. O objectivo verificar se para os valores de entrada
desses problemas a rede neuronal apresenta como resultado a soluo esperada. Se o teste
for bem sucedido ento pode usar-se a rede para a obteno da soluo de outros
problemas semelhantes.

Em seguida vo apresentar-se dois dos modelos de redes neuronais mais utilizados e
divulgados na literatura, sendo de grande interesse pois formam a base para a maioria das
aplicaes prticas. So conhecidos como redes perceptro de mltiplas camadas
(Rumelhart e McClelland, 1986) e redes de funes de base radial (Broomhead e Lowe,
1988). Estes modelos formam parte de uma classe de redes conhecidas como redes de
alimentao directa (do ingls feedforward).

2.10.3.1 Redes neuronais perceptro de mltiplas camadas

As redes neuronais perceptro de mltiplas camadas treinadas atravs do algoritmo de
retropropagao so actualmente das redes neuronais mais vulgarmente utilizadas
(Karunanithi, et al., 1994; Hagan et al., 1996; Tsai e Hsu, 2002; Deng et al., 2005). Estas
redes foram fundamentalmente desenvolvidas como aproximaes s funes de estado
limite (Shao e Murotso, 1997; Haykin, 1999; Sasaki, 2001; Goh e Kulhawy, 2003; Gomes
e Awruch, 2004). Deng et al. (2005), no seu artigo descrevem como e porque que se deve
utilizar esta tcnica como aproximao s funes de estado limite implcitas assim como
variaes que permitem utiliz-la conjuntamente com os mtodos de simulao de Monte
Carlo, FORM e SORM na anlise de fiabilidade. Estes mtodos utilizam redes neuronais
artificiais de mltiplas camadas com alimentao directa. Estas redes so as mais populares
e utilizadas sendo os seus algoritmos tambm bons aproximadores universais (Hornik et
al., 1989, 1990; Rajpal et al., 2006).
93
Arquitectura das redes neuronais perceptro de mltiplas camadas

Este tipo de redes contm uma ou mais camadas intermdias, uma camada de entrada e
outra de sada. Os sinais de entrada propagam-se atravs da rede numa nica direco
camada-por-camada (alimentao directa).

Figura 2.12 Arquitectura de uma rede perceptro multicamadas com uma camada intermdia.

Neste caso vai considerar-se uma rede com trs camadas, uma camada de entrada com d
neurnios mais o desvio, uma camada intermdia com m neurnios mais o desvio e uma
camada de sada com c neurnios (Figura 2.12). O valor de sada do j-simo neurnio da
camada intermdia dado por:

0
d
j ji i
i
z f w x
=

=

(2.166)
onde w
ji
o peso da ligao entre o neurnio de entrada i e o neurnio da camada
intermdia j e f(.) a funo de activao. Neste caso o desvio
j
substitudo por uma
nova ligao cuja entrada tem um valor fixo,
0
1 x = , e um peso
0 j j
w = . As sadas da rede
so obtidas transformando novamente as sadas dos z neurnios da camada intermdia.
Assim, o valor de sada do k-simo neurnio da camada de sada dado por:
Camada
Intermdia

Camada de
Entrada

x
0
x
1
x
d
desvio

y
c
y
1
Camada de
Sada

z
0
z
1
z
m-1
z
m
desvio

94

0 0 0
m m d
* * * *
k kj j kj ji i
j j i
y f w z f w f w x
= = =

= =

(2.167)
onde
*
kj
w o peso da ligao entre o neurnio da camada intermdia j e o neurnio da
camada de sada k e f
*
(.) a funo de activao. Neste caso o desvio
k
substitudo por
uma nova ligao cuja entrada tem um valor fixo,
0
1 z = , e um peso
0 k k
w = . As funes
de activao tm notaes diferentes porque no obrigatrio que sejam iguais. A funo
de activao aplicada s unidades de sada pode ser diferente da funo de activao das
unidades intermdias.
O nmero de neurnios a incluir na camada intermdia seleccionado atravs da
experincia e do erro. Normalmente assume o valor 3, 5, 7, 9 ou 11. A capacidade da rede
em fazer previses aumenta medida que o nmero de neurnios da camada intermdia
aumenta. No entanto, vrios testes indicam que essa capacidade da rede fazer previses
comea a diminuir a partir do momento em que a rede tem mais de sete neurnios (Flood e
Kartam, 1994; Deng et al., 2003).

Funes de activao

O modelo de cada neurnio da rede inclui uma funo de activao no linear. As funes
mais utilizadas so as sigmoidais, sendo as mais comuns as funes logstica e tangente
hiperblica (Flood e Kartam, 1994; Karunanithi, et al., 1994; Santosh et al., 2007):

1
1
k
k
v
y
e
=
+
(2.168)
( )
k k
k k
v v
k k
v v
e e
y tanh v
e e
= =
+
(2.169)
onde v
k
a soma pesada de todas as entradas mais o desvio do neurnio k e y
k
a sada do
neurnio. Estas funes so muito usadas pois as suas derivadas so fceis de calcular, o
que vai ajudar na fase de treino da rede.

95
Aprendizagem da rede

O tipo de aprendizagem que normalmente mais se utiliza a aprendizagem com superviso
atravs do algoritmo da retropropagao do erro (Goh, 1995). Este algoritmo baseia-se na
regra de aprendizagem com correco do erro.

Treino e teste da rede

Neste caso o ajuste da rede ao conjunto de treino realizado procurando o conjunto de
valores dos pesos e desvios que minimizam uma funo erro, que normalmente a soma
dos quadrados dos erros da equao (2.140). aqui que se aplica o algoritmo de
aprendizagem.

2.10.3.2 Redes neuronais de base radial

Recentemente as redes neuronais de funes de base radial, tambm chamadas redes de
base radial, tm vindo a ganhar cada vez mais adeptos e a atrair atenes pois o treino
destas redes realizado de forma mais rpida do que os mtodos utilizados para o treino
das outras redes que tambm se usam bastante - perceptro de mltiplas camadas (Moody
e Darken, 1989; Park e Sandberg, 1993; Gagarin et al., 1994; Bishop, 1994, 1995; Billings
e Zheng, 1995; Chen e Chen, 1995; Warnes et al., 1998; Haykin, 1999; Ricotti e Zio,
1999; McDonald et al., 2000; Hurtado e Alvarez, 2001; Hurtado, 2002; Mai-Duy e
Tran-Cong, 2003; Gomes e Awruch, 2004). As redes RBF so as que permitem uma
melhor aproximao, pois dentro do conjunto de funes de aproximao que se podem
utilizar num problema, estas so as que tm um erro de aproximao mnimo qualquer que
seja a funo a aproximar (Girosi e Poggio, 1990; Bishop, 1995). Estas redes foram
construdas de forma a aproximar funes de estado limite implcitas e derivadas de
primeira e segunda ordem com pouco esforo e sem perder preciso. Hurtado e Alvarez
(2001) comparam dois tipos de redes neuronais artificiais, as redes MLP e as RBF. Para
obter a probabilidade de rotura, estas redes so utilizadas em conjunto com o mtodo de
simulao de Monte Carlo puro. Analisando alguns exemplos os autores concluram que a
rede RBF fornece melhores resultados com um nmero menor de amostras. Li (1996)
demonstrou que qualquer funo multivariada e todas as suas derivadas podem ser
96
simultaneamente aproximadas por uma rede RBF. Mai-Duy e Tran-Cong (2003)
apresentam uma aproximao numrica baseada em redes RBF para aproximar uma funo
e as suas derivadas. Gomes e Awruch (2004) compararam o mtodo de superfcie de
resposta e redes RBF e MLP com outras alternativas para avaliar a fiabilidade estrutural,
onde as redes so utilizadas para aproximao s funes de estado limite.

Arquitectura das redes neuronais de base radial

Tal como nas redes perceptro de mltiplas camadas, este tipo de rede tambm
constituda por camadas e contm uma ou mais camadas intermdias, uma camada de
entrada e outra de sada. Os valores de entrada propagam-se atravs da rede numa nica
direco camada-por-camada (alimentao directa). Sendo tambm, normalmente, redes
no lineares e aproximadores universais. Neste caso vai considerar-se uma rede com trs
camadas, uma camada de entrada com d neurnios, uma camada intermdia com m
neurnios mais o desvio e uma camada de sada com c neurnios (Figura 2.13).
A camada intermdia consiste num conjunto de funes de base radial. Associado a cada
neurnio da camada intermdia est um vector de parmetros que no mais do que o
centro da funo de base radial desse neurnio. O neurnio calcula ento a distncia
Euclideana entre o vector do centro e o vector de entrada e passa o resultado a uma funo
de base radial (Gomes e Awruch, 2004). Normalmente, todas as funes de base radial dos
neurnios de uma camada intermdia so iguais mas isso pode tambm no acontecer.

Figura 2.13 Arquitectura de uma rede de funes de base radial com uma camada intermdia.
Camada
Intermdia

Camada de
Entrada

x
1
x
d
y
c
y
1

Camada de
Sada

m-1
m
desvio

97
O valor de sada do k-simo neurnio, k = 1, , c da camada de sada dado por:

( ) ( )
0
m
k kj j
j
y v w v
=
=
(2.170)
onde
j
v x x = um nmero no negativo, representa a norma Euclideana, x
j
o
vector dos centros das funes de base radial
j
, x o vector das entradas na rede, w
kj
o
peso da ligao entre o neurnio da camada intermdia j e o neurnio de sada k e
j
a
funo de activao de base radial do j-simo neurnio da camada intermdia. Neste caso o
desvio
k
substitudo por uma funo de base radial extra cuja entrada tem um valor fixo,
( )
0
1 v = , e um peso
0 k k
w = .
Enquanto que a camada de sada de uma rede de base radial linear, nas redes de
perceptro de mltiplas camadas utilizadas para classificao de padres essa camada
no linear.
Nestas redes os centros das funes de base radial dos neurnios intermdios no so
coincidentes com os valores de entrada. A sua definio passa a ser parte do problema
(corresponde primeira fase do treino da rede).
A arquitectura das redes de base radial bastante flexvel dispondo de um nmero maior
de parmetros dos que as redes perceptro de mltiplas camadas, como sejam o nmero de
funes de base radial a utilizar na camada intermdia (est relacionado com a
complexidade da funo a ajustar pela rede), os centros das funes (so determinados
como parte do processo de aprendizagem), a largura das funes de base radial e os pesos.

Funes de activao

As funes de activao destas redes so as chamadas funes de base radial.
Normalmente, estas so funes no lineares cujo valor cresce ou decresce medida que a
distncia a um ponto central aumenta. A esse ponto chama-se o centro da funo de base
radial. Ao contrrio das redes perceptro de mltiplas camadas cujas unidades se baseiam
no clculo de uma funo no linear do produto escalar entre o vector das entradas e o
vector dos pesos, nas redes de base radial a funo de activao de uma unidade intermdia
98
obtida atravs da distncia Euclideana entre o vector de entrada e o vector
correspondente ao centro da funo de base radial dessa unidade.
Os mtodos relacionados com as funes de base radial tm a sua origem na teoria da
interpolao exacta de um conjunto de pontos no espao multi-dimensional (Powell, 1987).
A tcnica relacionada com as funes de base radial consiste em escolher uma funo f(.)
com a forma:

( )
( )
1
N
i i
i
f x w x x
=
=
(2.171)
onde
( )
i
x x um conjunto de N funes no lineares, conhecidas como funes de
base radial, representa a norma Euclideana, x
i
o vector dos centros das funes de base
radial, x o vector das entradas na rede e w
i
o vector dos pesos.
Aplicando a teoria da interpolao e utilizando uma forma matricial, pode escrever-se:
w d = (2.172)
onde d = d
i
, i = 1, , N o vector das respostas desejadas (conhecidas), w = w
i
,
i = 1, , N o vector dos pesos (desconhecidos) e a matriz quadrada tem elementos
( ) ji j i
x x = . Assumindo que no singular, e portanto admite inversa, ento:

1
w d
= . (2.173)
Micchelli (1986) demonstrou que um grande nmero de classes de funes de base radial
garante essa propriedade. As que mais se utilizam nas redes de base radial so (Bishop,
1995; Billings e Zheng, 1995; Haykin, 1999; Mai-Duy e Tranh-Cong, 2003; Deng, 2006):
1. Gaussiana:
( )
2
2
2
e

= , 0 > (2.174)
2. Multi-quadrtica (Hardy, 1971):
( )
2 2
= + , 0 > (2.175)
99
3. Multi-quadrtica Inversa (Hardy, 1971):
( )
2 2
1

=
+
, 0 > (2.176)
4. A funo:
( ) ( )
2
v v ln v = , 0 v > (2.177)
5. A funo:
( )
3
v v = , 0 v > (2.178)
onde
i
v x x = um nmero no negativo, representa a norma Euclideana, x
i
o
vector dos centros das funes de base radial, x o vector das entradas na rede e a largura
das funes de base radial.
Relativamente s funes de base radial, por exemplo, Chen et al. (1990, 1992) utilizaram
a funo 4 enquanto que Moody e Darken (1989), Broomhead e Lowe (1988) e Poggio e
Girosi (1990) utilizaram a Gaussiana e a multi-quadrtica.

Aprendizagem da rede

Recentemente tm vindo a ser desenvolvidos algoritmos de aprendizagem que incorporam
mecanismos de seleco estrutural (Chen et al., 1990; Holcomb e Morari, 1991; Lee e
Rhee, 1991; Musavi et al., 1992) ver treino e teste da rede. Em Chen et al. (1990) a rede
treinada utilizando um algoritmo ortogonal de mnimos quadrados. Utilizaram o critrio
de informao de Akaike (este critrio no um teste ao modelo da rede no sentido de um
teste de hipteses, mas sim uma ferramenta para seleccionar um modelo. Dado um
conjunto de dados podem ordenar-se vrios modelos de acordo com a informao de
Akaike de cada um, sendo o melhor o que tem menor valor.) para determinar o nmero de
neurnios da camada intermdia e o algoritmo da razo de reduo do erro para determinar
os centros das funes de base radial.

100
Treino e teste da rede

A determinao de uma estrutura apropriada para uma determinada rede est intimamente
relacionada com o treino e com o erro. Os procedimentos utilizados para treinar este tipo
de redes so mais rpidos do que os mtodos utilizados para treinar redes perceptro de
mltiplas camadas (Bishop, 1995). A maior parte dos algoritmos de treino comeam com
uma estrutura de rede que escolhida com base em conhecimentos ou experincias
passadas. Recentemente tm vindo a ser desenvolvidas vrias abordagens para treinar este
tipo de redes. A maior parte delas pode ser dividida em duas fases (Moody e Darken, 1989;
Chen et al., 1992a; Kaviori e Venkata Subramanian, 1993; Vogt, 1993; Xu et al., 1993):
1. Na primeira fase os parmetros das funes de base radial (os centros dessas
funes), das unidades da camada intermdia, so determinados utilizando mtodos
de aprendizagem sem superviso que usam apenas os dados de entrada da rede.
Alm disso, tambm calculado o nmero de neurnios a usar na camada
intermdia.
2. Na segunda fase determinam-se os pesos das ligaes entre a camada intermdia e
a camada de sada. Nesta fase os algoritmos de aprendizagem tm definido a priori
a estrutura da rede assim como o nmero de neurnios da camada intermdia.
Independentemente da estratgia de treino considerada desejvel que a rede treinada seja
validada de forma a ter-se uma estimativa do seu comportamento quando submetida a
dados desconhecidos. Assim, comum dividir a amostra do conjunto de treino em dois
grupos chamados conjuntos de treino e de teste. Os valores da amostra para treino so
utilizados para se ajustarem os parmetros da rede. O conjunto de teste utilizado com a
rede j treinada e portanto no influencia a configurao desta, servindo como um
indicador da sua qualidade.

101
2.10.3.3 Redes neuronais artificiais conjugadas com mtodos de anlise de fiabilidade

O objectivo construir uma rede neuronal artificial para aproximao de uma funo de
estado limite implcita [Deng (2006) utiliza para o mesmo processo uma rede neuronal
artificial de funes de base radial (do ingls RBF)]. Depois facilmente se obtm valores
dessa funo devido capacidade de generalizao de uma rede neuronal artificial.
Tambm se podem obter valores das derivadas parciais de primeira ou segunda ordem de
uma funo de estado limite implcita a partir da rede neuronal treinada. Desta forma,
podem implementar-se mtodos de simulao de Monte Carlo, FORM ou SORM
conjugados com redes neuronais artificiais (Deng et al., 2005).
As redes neuronais artificiais tm vindo a ser aplicadas em imensas reas onde est
envolvida a obteno de informao a partir de um conjunto de dados. Os problemas de
anlise de fiabilidade onde se pretendem realizar aproximaes a funes de estado limite
implcitas envolvem vrios tipos de mtodos que se podem aplicar. Hornik et al. (1989,
1990) mostram que as redes de mltiplas camadas de alimentao directa com uma camada
de entrada, uma intermdia e outra de sada e com funo de activao sigmoidal na
camada intermdia so capazes de funcionar como bons aproximadores de qualquer funo
e suas derivadas.

Rede neuronal artificial conjugada com o mtodo de simulao de Monte Carlo

Em primeiro lugar h que definir as variveis aleatrias e a funo de estado limite
( )
G X .
Depois, se existirem variveis aleatrias correlacionadas h que transform-las em
variveis aleatrias no correlacionadas e passar
( )
G X para uma nova funo de variveis
no correlacionadas. Em seguida, determina-se a estrutura e os parmetros da rede
neuronal [Deng (2006) utiliza para o mesmo processo uma rede neuronal artificial de
funes de base radial]. Escolhem-se as amostras para os conjuntos de treino e teste e
passa-se ao treino da rede parando quando se obtiverem erros aceitveis. Podendo ento
passar generalizao da rede. Por fim j se pode determinar a probabilidade de rotura
com base nos resultados obtidos atravs da rede neuronal. Supondo que dos N valores
obtidos atravs da rede, N
f
< 0. A probabilidade de rotura pode ser estimada atravs da
equao:
102

( ) [ ] 0
f
f
N
p P G X
N
= < = (2.179)

Rede neuronal artificial conjugada com FORM

Neste caso utiliza-se uma rede neuronal artificial para aproximao funo de estado
limite e s suas derivadas parciais de primeira ordem [Deng (2006) utiliza para o mesmo
processo uma rede neuronal artificial de funes de base radial]. Considerando um
problema com n variveis aleatrias bsicas
1 n
X X , , X = onde
( )
G X a funo de
estado limite, { }
1 n
X X , , X = o vector das variveis aleatrias bsicas no espao
normal reduzido,
{ }
1 n
* * *
x x , , x = o vector do ponto de dimensionamento e
{ }
1 n
* * *
x x , , x = o vector correspondente ao ponto de dimensionamento no espao
normal reduzido, ento para aplicar este mtodo:
1. Definir as variveis aleatrias (mdias e coeficientes de variao) e
( )
G X
2. Escolher um valor inicial para
*
x (pode ser o vector das mdias) e calcular
( )
*
G x
3. Para as variveis com distribuio no normal calcular as suas distribuies normais
equivalentes e determinar a mdia
N
e desvio padro
N
no ponto de
dimensionamento (Rackwitz e Fiessler, 1976). As coordenadas deste ponto no espao
normal reduzido so dadas por:

* N
* i
i
N
x
x

= (2.180)
4. Definir um modelo para
( )
G X utilizando uma rede neuronal artificial [Deng (2006)
utiliza para o mesmo processo uma rede neuronal artificial de funes de base radial] e
calcular as derivadas parciais
*
i
i
x
G
X
tambm atravs da rede.

5. Calcular
* *
i i
N
i i
x x
G G
X X

=

103
6. Calcular os novos valores do ponto de dimensionamento no espao normal reduzido
atravs da frmula recursiva:

( )
( ) ( ) ( )
1
2
1
T
* * * * T *
k k k k k
*
k
x G x x G x G x
G x
+

=

(2.181)
onde ( )
*
k
G x e ( )
*
k
G x so, respectivamente, o valor e o vector gradiente da funo de
estado limite no ponto
*
k
x da k-sima iterao
7. Calcular a distncia da origem do espao normal reduzido a
1
*
k
x
+
, ( )
2
1
n
*
i
i
x
=
=

, e
verificar o critrio de convergncia,
1
, onde
1
um valor predefinido, por
exemplo 0.001
8. Calcular o novo valor
* N N *
i i
x x = + , determinar ( )
*
i
G x e verificar o critrio de
convergncia,
( )
2
G . , onde
2
um valor predefinido, por exemplo 0.001
9. Se ambos os critrios de convergncia se verificam pra-se, caso contrrio repetir passos
3 a 8 at convergncia simultnea dos dois critrios.

Rede neuronal artificial conjugada com SORM

Neste caso, utilizando um mtodo SORM, a probabilidade de rotura vai ser dada atravs da
equao (2.53) (Breitung, 1984). Esta equao mostra que os SORM melhoram os FORM
atravs da incluso de informao adicional acerca da curvatura de
( )
G X . Neste mtodo
utiliza-se uma rede neuronal artificial para determinar as derivadas parciais de primeira e
segunda ordem de
( )
G X [Deng (2006) utiliza para o mesmo processo uma rede neuronal
artificial de funes de base radial]. Para determinar as curvaturas principais:
1. Transformar X para o espao normal reduzido de variveis no correlacionadas
equivalente Y. Considerando que todas as variveis X no so correlacionadas ento
i
i
N
i X
i
N
X
X
Y

= , onde
i
N
X
e
i
N
X
so, respectivamente, a mdia e desvio padro da
104
distribuio normal reduzida equivalente no ponto de dimensionamento
*
i
x . A
transformao de X
i
para Y
i
para variveis correlacionadas apresentada em Shinozuka
(1983) e Haldar e Mahadevan (2000)
2. Aplicar a transformao ortogonal Y RY = , onde R a matriz rotao. Por exemplo,
sendo o ngulo de rotao, para duas variveis aleatrias:

cos sin
R
sin cos

=

(2.182)
Para mais do que duas variveis aleatrias a matriz R calculada em duas fases (Haldar
e Mahadevan, 2000)
3. Calcular a matriz A cujos elementos so dados por:

( )
( )
T
ij
ij
*
RDR
a
G y
=
; 1 1 i, j , , n = (2.183)
onde D uma matriz nn das derivadas parciais de segunda ordem de ( )
*
G y sendo y* o
ponto de dimensionamento no espao normal reduzido. D e ( )
*
G y so determinados
atravs da rede neuronal artificial [Deng (2006) utiliza para o mesmo processo uma rede
neuronal artificial de funes de base radial].
4. Calcular os valores prprios da matriz A para obter as curvaturas principais k
i
.

Captulo 3

Mtodos de Transformao

3.1 Introduo

Nos primrdios os mtodos de fiabilidade eram vlidos apenas para variveis aleatrias
independentes com distribuio normal padro. Cada conjunto de n variveis aleatrias
definidas no espao original, X, transformado num conjunto de m variveis aleatrias
( ) definido no espao normal padronizado independente, U (Hasofer e Lind, 1974). m n
Variveis aleatrias independentes com distribuio no normal podem ser transformadas
em variveis normais padro independentes atravs da transformao de caudas normais
(Melchers, 1999). No caso de variveis aleatrias no normais correlacionadas existem
vrios mtodos para transformar essas variveis em variveis aleatrias normais padro
no correlacionadas, como por exemplo a transformao de Rosenblatt (Rosenblatt, 1952)
e de Nataf (Liu e Kiureghian, 1986).
Em seguida so apresentadas as condies para a validao de cada mtodo assim como a
sua aplicabilidade.
Antes de se apresentarem os vrios casos que podem surgir, vai apresentar-se um mtodo
que se utiliza com frequncia na transformao de variveis aleatrias correlacionadas e
normalmente distribudas; o mtodo de Cholesky.

105
3.2 Mtodo de Cholesky

A factorizao, ou decomposio, de Cholesky um caso particular da chamada
decomposio LU que, por sua vez, uma consequncia do mtodo de eliminao de
Gauss. A decomposio LU e de Cholesky so mtodos utilizados na resoluo de sistemas
de equaes lineares Ax b = . O objectivo decompor a matriz A, no 1 caso em e
no 2 em
A L.U =
T
A L.L = .
Os mtodos de decomposio so muito importantes para a resoluo de muitos
problemas, como se ver a seguir.

Definio: Matriz triangular inferior e superior
Uma matriz triangular um caso especial de uma matriz quadrada em que os elementos
abaixo ou acima da diagonal principal so iguais a zero. Uma matriz da forma:
(3.1)
11
21 22
31 32 33
1 2 3
0 0 0
0 0
0
n n n nn
l
l l
L l l l
l l l l

=

u
chama-se matriz triangular inferior ou matriz triangular esquerda. Uma matriz da forma:
(3.2)
11 12 13 1
22 23 2
33 3
0
0 0
0 0 0
n
n
n
nn
u u u u
u u u
U u
u

=

chama-se matriz triangular superior ou matriz triangular direita.

Definio: Matriz simtrica
Uma matriz A simtrica se , ou seja, relativamente aos seus elementos
.
T
A A =
i , j ij ji
a a =

106
Captulo 3 - Mtodos de Transformao
Teorema:
Uma matriz simtrica A definida positiva se e s se cada uma das suas submatrizes
principais tm determinante positivo.

Teorema:
Uma matriz simtrica A definida positiva se e s se o processo de eliminao de Gauss
pode ser realizado sem permutaes de linhas ou colunas e tem todos os elementos pivots
positivos.

3.2.1 Mtodo de eliminao de Gauss

Este mtodo utilizado para resolver sistemas de equaes lineares. Consiste em
transformar a matriz ampliada do sistema A noutra equivalente que seja triangular superior,
utilizando apenas operaes elementares sobre as linhas de A. Quando o sistema estiver na
forma triangular superior, a soluo ser obtida atravs da substituio inversa.
Seja o sistema e A a matriz ampliada. Em seguida vo apresentar-se os passos
principais a seguir na aplicao deste mtodo. Em cada passo k vai definir-se
Bx b =
( ) ( )
( )
ij
k k
A a =
como a matriz obtida aps esse passo.
1. Eliminar ; obtendo
1 k
a 2 k , , = n
( )
1
A .
2. Eliminar em
( )
1
A ;
2 k
a 3 k , , n = e assim sucessivamente at ao passo
( )
1 n ,
cujo objectivo eliminar
1 nn
a

Aos elementos
( ) ( ) ( ) 1 2
11 22 33
n
nn
a , a , a , , a
1
so chamados pivots e aos
( )
( )
1
1
k
ik
ik
k
kk
a
m
a
= ,
so chamados os multiplicadores. 1 i k , , n = +

Para minimizar os erros que podero surgir, como por exemplo pivot nulo ou prximo de
zero, deve adoptar-se uma estratgia na escolha do pivot que consiste em cada passo
escolher para pivot o maior elemento em mdulo da coluna a eliminar.
107
Decomposio LU:
uma variante do mtodo de eliminao de Gauss.
Qualquer matriz quadrada A pode ser escrita como o produto de uma matriz triangular
inferior L por outra triangular superior U: A L.U = .

3.2.2 Decomposio de Cholesky

Esta tcnica deve o seu nome ao engenheiro francs Andr-Louis Cholesky que formulou o
seguinte:
Se uma matriz simtrica e definida positiva ento ela pode ser decomposta num
produto de duas outras:
n n
A

T
A L.L = , onde L uma matriz triangular inferior com elementos
positivos na diagonal principal que pode ser considerada como a raiz quadrada de A;
1
2
L A = (Hurst e Knop, 1972). L o chamado tringulo de Cholesky da matriz A.
Comparando esta decomposio com a LU pode ento dizer-se que se A simtrica e
definida positiva ento U
T
L
T
A L.L = e assim =
T
.
Esta tcnica duas vezes mais eficiente do que a decomposio LU, sendo utilizada em
muitas situaes.
aplicada principalmente na resoluo de sistemas de equaes lineares do tipo .
Sabendo que
Ax b =
A L.L = , ento basta resolver dois sistemas de equaes lineares mais
simples: primeiro resolve-se Ly b = para obter y e depois
T
L x y = para obter x.
Conforme se ir ver no prximo captulo, tambm se aplica no Mtodo de Monte Carlo
para simular sistemas com mltiplas variveis correlacionadas. Por exemplo, para simular
variveis aleatrias normais correlacionadas em primeiro lugar deve aplicar-se a
decomposio de Cholesky matriz de covarincias de forma que , onde L
uma matriz triangular inferior com elementos positivos na diagonal principal. Assim, se
T
(
L.L =
)
1
i
i , , n
Z Z
=
=

so n variveis aleatrias normais independentes e identicamente
distribudas (i.i.d.) ento a matriz ( ) contm n variveis aleatrias
normalmente distribudas com covarincias .
1
i
i , , n
N N
=
= =
L.Z
108
Teorema (Cholesky)
Uma matriz simtrica A definida positiva se, e s se, pode ser definida atravs do produto
T
L.L , onde L uma matriz triangular inferior com elementos positivos na diagonal.

Algoritmo de Cholesky

A matriz L obtm-se atravs da seguinte igualdade:
(3.3)
11 21 1 11 11 21 1
21 22 2 21 22 22 2
1 2 1 2
0 0
0
0
0 0
n n
n n
n n nn n n nn nn
a a a l l l l
a a a l l l l
a a a l l l l

=

Existem diversas tcnicas para calcular a decomposio de Cholesky. Normalmente so

verses modificadas do algoritmo de Gauss. Dois dos algoritmos que normalmente mais se
utilizam so: o algoritmo de Cholesky-Banachiewicz (a sua aplicao comea a partir do
canto superior esquerdo da matriz L e desenvolve-se at ao fim linha a linha) e o algoritmo
de Cholesky-Crout. No presente trabalho vai mencionar-se o segundo.

Algoritmo de Cholesky-Crout
A sua aplicao tambm comea a partir do canto superior esquerdo da primeira coluna
da matriz L e vai desenvolver-se coluna a coluna.
Considere-se uma matriz
n n
A

em que
T
A L.L = , para obter os coeficientes da matriz
L devem seguir-se os passos:
ij
l
Passo 1:
11 11
l a =
Passo 2:
1
1
11
j
j
a
l
l
= , para 2 j , , = n
1 Passo 3: Para vo aplicar-se os passos 4 e 5 sucessivamente 2 i , , n =
109
Passo 4:
1
2
1
i
ii ii ik
k
l a l
=
=

Passo 5:
1
1
i
ji jk ik
k
ji
ii
a l .
l
l
=

l
, para 1 j i , , n = +
Passo 6:
1
2
1
n
nn nn nk
k
l a l
=
=

3.3 Transformaes de variveis aleatrias normais e correlacionadas

Considere-se uma transformao das variveis aleatrias bsicas ( )
1

n
X , , X = X de um
problema, , de forma que Y seja um vector constitudo por n variveis aleatrias
independentes com distribuio Gaussiana com mdia zero e matriz de covarincia
unitria.
( )
T = Y X
Neste caso, X um vector aleatrio Gaussiano com mdia
X
e matriz de covarincia
. A diagonalizao da matriz simtrica definida positiva
XX
XX
permite escrever:

X
. = + X LY (3.4)
onde L uma matriz triangular inferior com elementos positivos na diagonal principal
obtida atravs da aplicao da decomposio de Cholesky matriz
T
XX
L.L = . A partir da
equao (3.4) pode obter-se o vector Y da seguinte forma:
( )
1
X
.
= Y L X (3.5)

3.4 Transformaes de variveis aleatrias no normais e independentes

Tal como comum em problemas de engenharia, nem todas as variveis aleatrias bsicas
so normalmente distribudas. Nesses casos necessrio transformar as variveis no
110
normais noutras equivalentes que sejam normalmente distribudas. Em seguida vo
apresentar-se algumas regras que podero auxiliar sempre que se pretender transformar
variveis aleatrias bsicas no normais e estatisticamente independentes em variveis
equivalentes cuja distribuio normal ou aproximadamente normal.
Neste caso, X um vector de variveis aleatrias independentes com distribuio no
normal cujas funes densidade de probabilidade marginal ( )
i
X i
f x e funo distribuio
marginal so dadas. ( )
i
X i
F x
Uma vez que qualquer varivel aleatria normalmente distribuda pode ser descrita apenas
por dois parmetros, o seu valor mdio e a varincia (ou desvio padro), ento desde que
se consigam definir duas condies apropriadas estas podem ser usadas para conseguir a
transformao pretendida.

3.4.1 Transformao: mesmo valor mdio e percentil P

Paloheimo [1973, em Haldar e Mahadevan (2000)] sugeriu uma forma de aproximar uma
distribuio no normal por outra que seja normalmente distribuda. Para isso basta que
ambas tenham o mesmo valor mdio e um percentil igual, P. Criou assim duas condies
em que considera
f
P p = se a varivel aleatria representa uma aco e 1
f
P = p se a
varivel aleatria representa uma resistncia.
Considerando X como a varivel aleatria bsica original, U a sua transformada normal e
que Z segue uma distribuio normal padro, ento segundo Paloheimo:

Para uma varivel aleatria representando uma Aco:
( ) ( )
1
0 0

X f X f
F x p x F p
= = (3.6)
( ) ( )
1
0 0

f f
z p z p

= = (3.7)
Atravs de (3.6) e (3.7) obtemos os valores de
0
x e . Como se assume que os valores
mdios das variveis original e transformada so iguais, o valor de
0
z
u
pode ser obtido
atravs da expresso:
111

0 0
0
0

u u
u
u
x x
z
z

= = . (3.8)

0
x

X U
F , F
, x u
, x u

0
x
x u
=
( ) ( )
0 0
1 1
x f u
F x p F x = =
Distribuio Original -
x
f
Distribuio Transformada -
u
f
U
F
X
F

Figura 3.1 Funes de densidade de probabilidade das variveis original e transformada e as
correspondentes funes de distribuio.

Para uma varivel aleatria representando um parmetro Resistente:
( ) ( )
1
0 0
1 1
X f X f
F x p x F p
= = (3.9)
( ) ( )
1
0 0
1 1
f f
z p z p

= = (3.10)

Atravs de (3.9) e (3.10) obtm-se os valores de
0
x e . Como se assume que os valores
mdios das variveis original e transformada so iguais, o valor de
0
z
u
pode ser obtido
atravs da expresso:

0 0
0
0

u u
u
u
x x
z
z

= = . (3.11)
112
3.4.2 Transformao de caudas normais

Rackwitz e Fiessler [1976, em Haldar e Mahadevan (2000)] apresentaram um mtodo que
permite transformar uma varivel aleatria bsica independente X com distribuio no
normal numa outra varivel aleatria equivalente Z com distribuio normal padro.
Matematicamente pode definir-se da seguinte forma:

( )
1
X
z F
x =

(3.12)
A transformao do espao original X para o espao das variveis normais padronizadas U
realizada atravs da aproximao da funo distribuio das variveis originais ( )
i
X i
F x
funo distribuio de uma normal padro ( ) ( )
i i i
x de forma que coincidam e
tenham a mesma derivada no ponto de dimensionamento
*
i
x (Ditlevsen, 1981b).
Para estimar os parmetros da distribuio normal equivalente,
i
N
X
e
i
N
X
, utilizaram duas
condies. Consideraram que as funes distribuio e densidade de probabilidade das
variveis aleatrias originais e das variveis normais equivalentes deviam ser iguais no
ponto de dimensionamento ( )
* *
1 n
x , , x . Assim, para cada uma das variveis originais no
normais e independentes,
i
X , igualaram a sua funo distribuio, , da varivel
normal equivalente no ponto (
( )
i
X i
F x
*
)
* *
1 n
x , , x obtendo:
( ) ( )
( )
1 i
i i
i
* N
i X * N *
X i X i X i X N
X
x
F x x F x
i i
* N

= =

. (3.13)
Procedendo da mesma forma relativamente s funes densidade de probabilidade das
variveis aleatrias originais e suas equivalentes normais obtm-se:
( )
( )
{ }
( )
1
1
i
i
i i
i i i
*
* N
X i
i X * N
X i X N N *
X X X i
F x
x
f x
f x

= =

. (3.14)
113
Depois de determinar os valores de
i
N
X
e
i
N
X
pode utilizar-se o algoritmo de Rackwitz,
apresentado no mtodo de Hasofer-Lind, para calcular
HL
e obter a probabilidade de
rotura atravs da expresso ( ) ( ) 1
f
p = = .
Neste tipo de transformaes, onde se aproximam distribuies no normais a outras
distribuies normais equivalentes, h certos cuidados a ter em conta pois medida que a
assimetria da distribuio no normal, da varivel aleatria original, vai aumentando a
preciso da aproximao a uma normal equivalente vai diminuindo. Alis, em distribuies
no normais com grandes assimetrias as expresses dadas por (3.13) e (3.14) para obter
i
X
N
e
i
X
N
necessitam de ajustes. Neste caso, Rackwitz e Fiessler (1978) referem que a
mdia e o desvio padro da varivel normal equivalente podem ser estimados atravs das
expresses:
( )
1
0.5 mediana de
i i
N
X X
F

= =
i
X (3.15)

( ) ( )
*
1 *
i
i
i
N
i X
N
X
X i
x
F x
= . (3.16)
Se as variveis aleatrias bsicas tm distribuies com grandes assimetrias, so
correlacionadas e tm valores de
*
i
x elevados, ento usando (3.13)
i
N
X
ter valores muito
pequenos. Isto pode trazer alguns problemas pois em certos casos a validade da
distribuio de uma varivel aleatria pode ficar restringida apenas a uma parte do seu
domnio. Para contornar este problema sugerido um limite inferior para o valor de
i
N
X

igual a zero. Desta forma, obtm-se estimativas relativamente precisas para e
f
p . Assim,
se ento: 0
i
N
X
<
0
i
N
X
= (3.17)

( ) ( )
*
1 *
i
i
N i
X
X i
x
F x
= , (3.18)
caso contrrio devem usar-se as equaes (3.13) e (3.14).
114
3.5 Transformaes de variveis aleatrias no normais e correlacionadas

Na engenharia, tal como noutras cincias, utilizam-se com frequncia modelos
multivariados para descrever a dependncia entre variveis aleatrias.
Neste caso X um vector constitudo por variveis aleatrias correlacionadas com
distribuio no normal. Devido natureza dos seus problemas e ao tipo de dados
utilizados, em muitas aplicaes a funo densidade de probabilidade conjunta dessas
variveis no conhecida. A informao disponvel muitas vezes reduz-se matriz de
correlaes existente entre as variveis aleatrias, R, cujos coeficientes so dados por:

( )
i j
ij
i j
Cov X , X
.

= (3.19)
assim como s suas distribuies marginais (funo densidade de probabilidade e funo
distribuio). Nesses casos podem aplicar-se as transformaes de Morgenstern ou de
Nataf de forma a obter um conjunto de variveis aleatrias independentes com distribuio
normal para aplicar nos mtodos FORM. Uma possvel alternativa quando as funes
densidade de probabilidade condicionais de X so conhecidas a transformao de
Rosenblatt (Minguez et al., 2006).

3.5.1 Transformao de Rosenblatt

Quando a funo densidade de probabilidade conjunta e a funo distribuio conjunta so
conhecidas pode aplicar-se a transformao de Rosenblatt e assim obter um conjunto de
variveis aleatrias independentes normalmente distribudas que podem depois ser
utilizadas nos mtodos FORM.
Na sua forma mais geral, pode dizer-se que um conjunto de n variveis aleatrias
dependentes , com funo distribuio conjunta , pode
ser transformado num conjunto de n variveis aleatrias independentes e uniformemente
distribudas
( ) ( )
)
1

n
X , , X = X
1

n
F x , , x
X
(
1

n
R , , R = R atravs da transformao de Rosenblatt
( )
T = R X
(Rosenblatt, 1952):
115
(3.20)
( )
( )
( )
1
2
1 1
2 2 1
1 1

n
X
X
n X n n
r F x
r F x | x
r F x | x , , x

=
=
=
onde a funo distribuio condicional de (

1

i
X i i
F x | x , , x
)
1 i
X . Se a funo
densidade de probabilidade conjunta conhecida ento pode obter-se a funo distribuio
condicional da seguinte forma:

( ) ( ) ( ) ( )
( ) ( )
1 1 1 2 2 1 1
1 1 1 1
2

n n n
n
i i i
i
f x , , x f x . f x | x f x | x , , x
f x f x | x , , x
=
=
=

1 n
=
(3.21)
onde:
( )
( )
( )
1
1
1 1
1 1
i
i
X i
i i i
X i
f x , , x
f x | x , , x
f x , , x
, (3.22)
sendo

( )
( )
1 1
j
X j n j 1 n
f x , , x f x , , x dx dx
+ +
+

=

(3.23)
a funo densidade de probabilidade marginal de
( )
1 j
X , , X .
Assim, a funo distribuio condicional pode ser obtida atravs da expresso:
( ) ( )
1 1 1 1
i
i
x
X i i i i i i
F x | x , , x f x | x , , x dx

=

. (3.24)
Depois de calcular todas estas funes, ( )
i
X
F | , as expresses em (3.20) podem ser
invertidas at obter:

( )
( )
( )
1
2
1
1 1
1
2 2 1
1
1 1

n
X
X
n X n n
x F r
x F r | x
x F r | x , , x
=
=
=
. (3.25)
116
Uma das dificuldades na aplicao das expresses (3.25) que se as funes ( )
i
X
F | no
tiverem uma forma simples a inversa ter de ser obtida numericamente (Hohenbichler e
Rackwitz, 1981). Alm disso, h n! formas de escrever as expresses (3.20) (Rosenblatt,
1952). Esta liberdade pode levar a que surjam algumas diferenas na resoluo de (3.25).
Um caso particular de grande interesse na aplicao desta transformao quando
queremos transformar uma distribuio noutra aplicando (3.20) duas vezes e utilizando R
como varivel intermdia. Como por exemplo, para converter variveis aleatrias
correlacionadas com distribuio no normal em variveis aleatrias equivalentes com
distribuio normal padro e independentes.
Seja ( )
1

n
R , , R = R um vector de variveis aleatrias uniformemente distribudas.
Estas sero as variveis intermdias entre as variveis aleatrias correlacionadas com
distribuio no normal, definidas no espao original e representadas pelo vector
, e as variveis aleatrias equivalentes com distribuio normal padro e
independentes, representadas pelo vector
(
1

n
X , , X = X )
( )
1 n
Z , , Z = Z . Assim, aplicando a
transformao de Rosenblatt:

( ) ( )
( ) ( )
( ) ( )
1
2
1 1 1
2 2 2 1
1 1

n
X
X
n n X n n
z r F x
z r F x | x
z r F x | x , , x

= =
= =
= =
(3.26)
onde a funo distribuio da lei normal padro. Aplicando a transformao
inversa s equaes
( )

(3.26) obtm-se as variveis aleatrias com distribuio normal padro
no correlacionadas, ( )
1

n
Z , , Z :

( )
( )
( )
1
2
1
1 1
1
2 2 1
1
1 1

n
X
X
n X n n
z F x
z F x | x
z F x | x , , x
=

=

=

(3.27)
117
Em algumas aplicaes pode ser necessrio calcular a transformao inversa das equaes
(3.27), . A partir dessas equaes podem realizar-se com facilidade as n
transformaes unidimensionais, obtendo-se:
( )
1
T
= X Z

( )
( )
( )
1
2
1
1 1
1
2 2 1
1
1 1

n
X
X
n X n n
x F z
x F z | x
x F z | x , , x
=

=

=

(3.28)
Melchers (1999) refere que esta transformao sendo normalmente atribuda a Rosenblatt
(1952) parece ter sido dada anteriormente por Segal (1938) e sugerida pela primeira vez
para aplicao na fiabilidade estrutural por Hohenbichler e Rackwitz (1981).
Se as variveis aleatrias
i
X so independentes todas as expresses condicionais de (3.26)
a (3.28) desaparecem, passando a transformao a ser idntica da apresentada na seco
4.4.2 e dada por (3.12).
Na prtica, os dados necessrios para descrever completamente a funo densidade de
probabilidade conjunta (
1 n
) f x , , x
X
podem no estar disponveis. Muitos dos problemas
relacionados com a fiabilidade estrutural que esto sujeitos a uma informao
probabilstica incompleta esto relacionados com o mtodo dos segundos momentos, onde
apenas o vector dos valores mdios e a matriz de covarincias das variveis aleatrias
bsicas so conhecidos (Ditlevsen, 1979a; Hasofer e Lind, 1974; Madsen et. al., 2006).
Nestes casos, se apenas as distribuies de probabilidade marginais (funes de densidade
de probabilidade e funes distribuio) e a matriz de correlaes esto disponveis,
mesmo para variveis aleatrias com distribuio no normal, podem aplicar-se as
transformaes de Nataf ou de Morgenstern para obter um conjunto de variveis aleatrias
independentes com distribuio normal padro e poder us-las nos mtodos FORM.

3.5.2 Transformao de Morgenstern

Este mtodo foi desenvolvido por Morgenstern para duas varveis aleatrias
1
X e
2
X com
covarincia e funes de distribuio marginais conhecidas ( )
1
1 X
F X e ( )
2
2 X
F X mas foi S.
118
Kotz quem sugeriu a sua generalizao a n varveis aleatrias (Liu e
Der Kiureghian, 1986).
( )
1 n
X , , X = X
A funo distribuio conjunta de ( )
1 n
X , , X = X dada por:

( )
( ) ( )
( )
( )
( )
( )
1
1 1 1
1 1 1
i i j
i j k
n n
X i ij X i X j
i j i
n
ijk X i X j X k
i j k
F F x F x . F x
F x F x F x
< =
< <
= + +
+ +

X
X
,
(3.29)
sendo a funo densidade probabilidade conjunta:

( )
( ) ( )
( )
( )
( )
( )
1
1 1 2 1 2
1 2 1 2 1 2
i i j
i j k
n n
X i ij X i X j
i j i
n
ijk X i X j X k
i j k
f f x F x F x
F x F x F x
< =
< <
= + +
+ +

X
X
.
(3.30)
Esta tcnica vlida se , ou seja, quando para todos os parmetros se tem
( )
0 f
X
X
1
ij
, 1
ijk
, etc. (De notar que 1
ij
so apenas condies suficientes para garantir
que para cada
i
X e
j
X ).
( )
0
i j
X X i j
f x , x
Os parmetros esto relacionados com os coeficientes de correlao da seguinte forma:

( )
12
12
1 2
2
k
k k
k
.Q .Q . .Q
(3.31)
onde:
( ) ( )
i i
i i
i X i X
i
x
Q . f x .F
i i
x dx . (3.32)
Alguns exemplos com valores de para distribuies que se podem reduzir sua forma
padro atravs de uma transformao linear e distribuies que no so redutveis a uma
forma padro podem ser obtidos em Liu e Der Kiureghian (1986).
i
Q
119
Esta tcnica s deve ser utilizada apenas para variveis aleatrias com baixos coeficientes
de correlao: 0 3
ij
. (Liu e Der Kiureghian, 1986). Da que em muitas aplicaes este
mtodo no se possa utilizar.

3.5.3 Transformao de Nataf

Tal como j foi referido, para aplicar a transformao de Rosenblatt necessrio conhecer
a funo densidade de probabilidade conjunta ( )
1 X n
f x , , x para obter as variveis
aleatrias no correlacionadas com distribuio normal padro. No entanto, em muitas
aplicaes de engenharia essa funo no conhecida e a nica informao disponvel
sobre as variveis aleatrias est limitada mdia
X
, matriz de correlaes e s
funes de distribuio marginais ( )
i
X i
F x . Nestes casos, como j foi referido, pode
utilizar-se a transformao de Morgenstern. No entanto, devido s suas limitaes em
termos de coeficientes de correlao, geralmente utiliza-se a transformao de Nataf.
A transformao de Nataf pode ser aplicada a uma maior amplitude de valores de
coeficientes de correlao mas se as variveis aleatrias tm uma distribuio muito
afastada da normal as funes densidade de probabilidade podem ter um comportamento
no desejvel (Liu e Der Kiureghian, 1986; Minguez et al., 2006).
Supondo que um vector de n variveis aleatrias correlacionadas com
distribuio no normal, com matriz de correlaes
(
1 n
X , , X = X )
e funes densidade de
probabilidade marginais ( )
i
X i
f x e funes de distribuio marginais ( )
)
i
X i
F x dadas.
Se for aplicada a transformao de caudas normais s variveis aleatrias originais vai
obter-se um conjunto de variveis correlacionadas equivalentes mas com distribuio
normal . Nesse caso considera-se para (
1 n
Y , ,Y = Y 1 i , , n = :
( ) ( ) ( ) ( )
1
i i
i X i i X i i X i
y F x y F x x F y
= = =
1
i

(3.33)
onde
( )
a funo distribuio da normal padro. Como Y o vector constitudo por n
variveis aleatrias normais, equivalentes s variveis originais, Rackwitz e Fiessler
(1978) utilizaram o ponto de dimensionamento para estabelecerem a seguinte relao:
120

i
E
i X i X
x .y
i
E
= + (3.34)
onde
i
E
X
e
i
E
X
so a mdia e o desvio padro das variveis aleatrias normais
equivalentes s variveis originais. A equao (3.34) pode ser definida na forma matricial
atravs da seguinte expresso:

[ ]
( )
T
T E T E
. = + X Y (3.35)
onde

[ ]
1
2
0 0 0
0 0
0 0 0
0 0 0
n
E
X
E
X E
E
X
0

=

. (3.36)
Atravs da equao (3.33) obtm-se a seguinte expresso:
( ) ( ) ( )
i i
E i
i X i X X i
i
dx
y f x f x
dy
= =
i
. (3.37)
Desta forma podemos estabelecer as seguintes relaes:

( )
( )
( )
{ }
( )
1
i
i
i i
X i
i E
X
X i X i
F x
y
f x f x

= = (3.38)
( )
1
i i
E
X i X i
i
E
X
x F x .
=

(3.39)
Como so variveis aleatrias com matriz de correlao (
1 n
X , , X ) a transformao
de caudas normais ir transform-las em variveis normais ( )
1 n
Y , , Y que tambm esto
correlacionadas. No entanto, a matriz de correlao que se obtm depois de aplicar a
transformao de caudas normais, , no igual matriz de correlao das variveis
originais, . Desta forma h que determinar esta nova matriz de correlaes . De
acordo com Nataf (Der Kiureghian e Liu, 1986; Liu e Der Kiureghian, 1986; Haukaas e
Der Kiureghian, 2004) a funo densidade de probabilidade conjunta de X dada por:
121

( )
( )
( )
( )
( ) ( )
( ) ( )
( )
1
1
1 1
1
1
1
1

n
n
n n n
n
X X n
n n
n
y , , y
f x , , x y , , y ;
x , , x
f x f x
y , , y ;
y y
= =
(3.40)
onde:

( )
( )
( ) ( )
( ) ( )
1
1 1
1 1
n
X X n
n n
n
f x f x y , , y
x , , x y y

(3.41)
o jacobiano da transformao,
i
y dado por (3.33),
( )
a funo densidade de
probabilidade da distribuio normal padro e ( )
1 n n
y , , y ; a funo densidade de
probabilidade da distribuio normal n-dimensional com valores mdios zero, desvios
padro unitrios e matriz de correlaes , sendo dada por:
( )
( )
1
1 1
2
2
T
n
n
; exp
Y Y
Y . (3.42)
Os elementos
ij
de so definidos em funo dos coeficientes de correlao
ij
,
relativo a
i
X e
j
X , atravs do integral (Der Kiureghian e Liu, 1986; Liu e Der Kiureghian,
1986):

( )
( )
( )
( )
( )
( )
2
2
i j
X i X j
j j
i i
ij i j ij i j
i j i j
j j
i i
i j ij i j
i j
f x f x
x
x
y , y , dx dx
y y
x
x
y , y , dy dy

+ +

+ +

= =

=

(3.43)
Para cada par de variveis aleatrias
i
X e
j
X , com funes densidade de probabilidade
marginais e coeficiente de correlao
ij
dados, a equao (3.43) pode ser resolvida
atravs de um processo iterativo para obter o valor de
ij
. De forma a evitar os clculos
bastante morosos para resolver essa equao, Liu e Der Kiureghian (1986) desenvolveram
122
um conjunto de frmulas que relacionam
ij
com
ij
e se baseiam em algumas
propriedades fundamentais da equao (3.43). Para obter a soluo de
ij
propuseram a
seguinte frmula aproximada:

ij ij ij
F . = (3.44)
onde funo de 1
ij
F
ij
,
i
( )
i i
= e
j
( )
j j
= . Os valores aproximados para
podem ser obtidos na literatura e variam em funo das distribuies que as variveis
aleatrias bsicas apresentam (Liu e Der Kiureghian, 1986).
ij
F
Assim, obtemos um conjunto de variveis aleatrias, ( )
1 n
Y , , Y , com distribuio normal
e matriz de correlaes . Para obter variveis aleatrias no correlacionadas
equivalentes com distribuio normal padro, ( )
1 n
Z , , Z = Z , necessrio aplicar outra
transformao que pode ser dada atravs da seguinte expresso:
(3.45)
[ ] [ ]
1
T T T

= = Y L Z Z L Y
T
onde
[ ]
L a matriz triangular inferior obtida atravs da decomposio de Cholesky da
matriz de correlaes (Rubinstein, 1981):
[ ]
[ ] [ ]
T
= L L (3.46)

1
1
1 2
1
2
1
i
ij ik jk
k
ij
j
jj ik
k
L L
L
L
(3.47)
onde

0
1
0
ik jk
k
L L
=
=
, 1 j i n . (3.48)
123
Como
[ ]
L uma matriz ortogonal
[ ] [ ]
1 T
= L L . Utilizando a equao (3.35), podemos
escrever a equao (3.45) utilizando as variveis aleatrias originais:

[ ]
[ ] [ ]
( )
[ ]
( )
1
1
1
1
T
E E
T
E

= =

= =

=

T T
T
T
Z L Y
L X
T X
(3.49)
onde
[ ] [ ][ ]
E
= T L .
Assim, as variveis aleatrias correlacionadas com distribuio no normal ( )
podem ser obtidas atravs das variveis aleatrias no correlacionadas com distribuio
normal padro (
1 n
X , , X
)
1 n
Z , , Z utilizando a expresso:

[ ][ ]
( )
[ ]
( )
T
T E T E
T
T E

= +
= +
X L Z
T Z
=
. (3.50)
Uma rea da engenharia onde a transformao de Nataf muito utilizada na avaliao da
fiabilidade estrutural. Normalmente quando se quer transformar variveis aleatrias X para
o espao normal padronizado.

3.5.4 Exemplo de aplicao

Considere-se ( )
1
X , , X = X
5
um vector com cinco variveis aleatrias correlacionadas
com distribuio no normal e com funes densidade de probabilidade marginais ( )
i
X i
f x
e funes de distribuio marginais ( )
i
X i
F x conhecidas. As distribuies das variveis
aleatrias so:
X
1
segue uma distribuio de Tipo I (Gumbel de mximos) de parmetros 135KN = ,
40KN =
1
0 296 . com coeficiente de variao = ;
124
X
2
segue uma distribuio Lognormal de parmetros 65KN = , 20KN = com
coeficiente de variao
2
0 30769 . = ;
X
3
35KN = 0 21875 . com coeficiente de variao
3
= ;
X
4
segue uma distribuio Lognormal de parmetros 50KN = , 15KN = com
coeficiente de variao
4
0 3 . = ;
X
5
30KN = com coeficiente de variao
5
0 2 . = .
A matriz de correlaes dada por:

1 0 0 3 0 2 0 0
0 3 1 0 0 2 0 1 0
0 2 0 2 1 0 0 0
0 0 1 0 1 0 0 3
0 0 0 0 3 1 0
. . .
. . . .
. . .
. .
. .
.

=

(3.51)
Como as distribuies no so normais vai aplicar-se a transformao de caudas normais
s variveis aleatrias originais para obter um conjunto de variveis correlacionadas
equivalentes mas com distribuio normal ( )
1 5
Y , , Y = Y .
Para obter o valor mdio e o desvio padro das variveis aleatrias normais equivalentes s
variveis originais vo utilizar-se as equaes (3.38) e (3.39) considerando o ponto de
dimensionamento igual ao valor mdio de cada uma das variveis aleatrias (Rackwitz e
Fiessler, 1978). Para melhorar o ajuste das caudas das distribuies original e normal
equivalente utilizaram-se os valores dos parmetros da varivel original aplicando-se uma
nova transformao escolhendo o ponto de dimensionamento de forma a manter constante
o desvio padro da distribuio normal equivalente (obtida a partir da transformao de
caudas normais) ver capitulo 5, seco 5.4. As novas variveis passaro a ter os seguintes
parmetros:
Y
1
segue distribuio Normal com 142KN = , 42 3 . KN = e
1
0 298 . = ;
125
Y
2
segue distribuio Normal com 68 2 . KN = , 21 5 . KN = e
2
0 315 . = ;
Y
3
3
0 216 . = ;
Y
4
4
0 308 . = ;
Y
5
5
0 198 . = .
A nova matriz de correlaes , que se obtm depois de aplicar a transformao de
caudas normais, pode ser obtida atravs da equao (3.44) onde os valores aproximados
para podem ser obtidos em Liu e Der Kiureghian (1986). Assim, neste caso a matriz
ij
F
pode ser obtida atravs do seguinte procedimento:
Se:
X
i
= varivel com distribuio Lognormal e X
j
= varivel com distribuio Lognormal
Neste caso
ij
F funo de
ij
,
i
( )
i i
= e
j
( )
j j
= , sendo obtido atravs da
equao:

( )
( ) ( )
2 2
1
1 1
ij i j
ij
ij i j
ln
F
ln ln

+
=
+ +
(3.52)
Se:
X
i
= varivel com distribuio Tipo I (Gumbel de mximos),
X
j
= varivel com distribuio Tipo I (Gumbel de mximos)
Neste caso
ij
F apenas funo de
ij
, sendo obtido atravs da equao:
1 064 0 069 0 005
ij ij ij
F . . . = + (3.53)
Se:
X
i
= varivel com distribuio Tipo I (Gumbel de mximos),
X
j
= varivel com distribuio Lognormal
126
Neste caso funo de
ij
F
ij
e
j
( )
j j
= , sendo obtido atravs da equao:

2 2
1 029 0 001 0 014 0 004 0 233 0 197
ij ij j ij j ij j
F . . . . . . = + + + +
+
(3.54)

Desta forma, neste exemplo obtm-se os seguintes valores:
(3.55)
2
12
2
1 029 0 001 0 3 0 014 0 30769 0 004 0 3
0 233 0 30769 0 197 0 3 0 30769
1 0378420217113
F . . . . . . .
. . . . .
.
= + + +
+ =
=
(3.56)
13
1 064 0 069 0 2 0 005 0 2 1 0512 F . . . . . . = + =

( )
( ) ( )
24
2 2
1 0 1 0 30769 0 3
1 040691966
0 1 1 0 30769 1 0 3
ln . . .
F
. ln . ln .
+
=
+ +
. =
+
+
(3.57)
(3.58)
2
32
2
1 029 0 001 0 2 0 014 0 30769 0 004 0 2
0 233 0 30769 0 197 0 2 0 30769
1 0436035147113
F . . . . . . .
. . . . .
.
= + + +
+ =
=
(3.59)
2
54
2
1 029 0 001 0 3 0 014 0 3 0 004 0 3
0 233 0 3 0 197 0 3 0 3
1 0371
F . . . . . . .
. . . . .
.
= + + +
+ =
=
Consequentemente:

12 12 12 21
1 0378420217113 0 3 0 31135 F . . . = = = = (3.60)

13 13 13 31
1 0512 0 2 0 21024 F . . . = = = = (3.61)

24 24 24 42
1 040691966 0 1 0 10407 F . . . = = = = (3.62)
127

32 32 32 23
1 0436035147113 0 2 0 20872 F . . . = = = = (3.63)

54 54 54 45
1 0371 0 3 0 31113 F . . . = = = = (3.64)
A nova matriz de correlaes dada por:
(3.65)
1 0 0 31135 0 21024 0 0
0 31135 1 0 0 20872 0 10407 0
0 21024 0 20872 1 0 0 0
0 0 10407 0 1 0 0 31113
0 0 0 0 31113 1 0
. . .
. . . .
. . .
. .
. .

=

.
Assim, obtm-se um conjunto de cinco variveis aleatrias, ( )
1
Y , , Y
5
, com distribuio
normal e matriz de correlaes . Aplicando a equao (3.49) obtm-se cinco variveis
aleatrias no correlacionadas equivalentes com distribuio normal padro,
( )
1 5
Z , , Z = Z .

128

Captulo 4

Mtodos de Simulao

4.1 Introduo

Como j foi visto anteriormente a probabilidade de rotura, na sua forma mais geral,
definida atravs do integral mltiplo da funo densidade de probabilidade conjunta do
vector X, de dimenso n, das variveis aleatrias bsicas no domnio da rotura definida
pela funo de estado limite ( ) G X , ou seja:
( ) ( ) ( )
( ) 0
0
f
G X
X
p P G X f X dX
= =

(4.1)
O clculo exacto deste integral possvel apenas para alguns casos especiais de pouco
interesse prtico.
Muitos dos mtodos numricos utilizados na teoria de fiabilidade clssica para estimar o
ndice de segurana, ou a probabilidade de rotura, so aplicveis quando as equaes que
traduzem o estado limite so funes explcitas das variveis aleatrias do problema.
Tambm h casos em que a avaliao da segurana de uma estrutura est relacionada com
equaes de estado limite que so funes implcitas das variveis aleatrias do problema.
De qualquer forma a utilizao destas tcnicas para estimar a probabilidade de rotura
129
requer bastantes conhecimentos na rea das probabilidades e estatstica, j para no falar
nos casos em que o clculo dessa probabilidade impraticvel.
De facto, geralmente, esse clculo de difcil resoluo mesmo nos casos em que a funo
de estado limite linear, ou as cargas e resistncias tm distribuies normais, ou as
variveis aleatrias bsicas so todas normalmente distribudas ou quando se utilizam
tcnicas numricas usuais. No entanto, normalmente, as funes de estado limite no so
lineares assim como pouco provvel que as variveis aleatrias bsicas de um problema
estrutural sejam todas normalmente distribudas. Para lidar com estes problemas costumam
utilizar-se tcnicas de simulao que permitem obter estimativas no enviesadas do
integral (4.1) em problemas para os quais a funo de estado limite ( ) 0 G X = pode ter
qualquer forma e as variveis aleatrias bsicas
i
X qualquer distribuio.
A acessibilidade que existe hoje em dia a computadores e software torna as tcnicas de
simulao em processos muito simples, sendo possvel calcular a probabilidade de rotura
tanto para funes de estado limite implcitas como explicitas sem a necessidade de ter
grandes conhecimentos na rea das probabilidades e estatstica. Este um dos grandes
motivos pelo que quando se quer desenvolver ou melhorar modelos de verificao de
segurana subjacentes teoria da fiabilidade clssica ou se quer testar uma nova tcnica,
os mtodos de simulao so utilizados como forma de comparao atravs do clculo da
probabilidade de rotura.

4.2 Mtodo de simulao de Monte Carlo

As tcnicas de simulao que mais se utilizam baseiam-se no mtodo de Monte Carlo. Este
considerado muito til como uma ferramenta de verificao no desenvolvimento de
mtodos mais refinados como os mtodos de fiabilidade e perturbao.
Na anlise da fiabilidade estrutural simula-se cada uma das variveis aleatrias bsicas do
problema
i
X com base nas suas distribuies para obter de cada uma um valor amostral
i
x . Em seguida testa-se a funo de estado limite
( )
0 G = X e se este violado
considera-se que a estrutura teve uma falha. Se a experincia repetida N vezes, onde em
( )
0 G X
130
Captulo 4 - Mtodos de Simulao
cada uma delas se utiliza um vector aleatrio distinto de valores
X
i
x , a probabilidade de
rotura dada aproximadamente por:

( ) ( )
0
f
n G
p
N
X
, (4.2)
onde representa o nmero de experincias para o qual .
( ) (
0 n G X
) ( )
0 G X
A simulao das variveis aleatrias bsicas feita atravs de um gerador de nmeros
aleatrios cujos valores tm distribuies idnticas s respectivas varveis. Para isso
utiliza-se um algoritmo disponvel em todos os sistemas de computadores actuais que
permite gerar uma sequncia de nmeros pseudo-aleatrios com distribuio uniforme no
intervalo ] [
(
0, 1 . Designam-se pseudo-aleatrios porque os valores no so puramente
aleatorizados, o algoritmo utilizado baseado numa frmula matemtica recursiva que a
partir de um determinado nmero, definido a priori (normalmente chamado semente por
ser o valor que d origem a uma sequncia de nmeros aleatrios), permite gerar todos os
seguintes. Por isso sempre que se parte da mesma semente obtm-se sempre a mesma
sequncia de nmeros aleatrios. Existem vrios algoritmos para gerar nmeros deste tipo,
devendo a sua qualidade ser testada de forma a garantir a independncia e uniformidade da
distribuio (Rubinstein, 1981).
O nmero de experincias a realizar depende da probabilidade de rotura que se pretende
fixar e da funo que descreve o estado limite. A irregularidade de ) G X assim como
probabilidades muito pequenas faz com que esse nmero tenda a aumentar. Estes so os
principais inconvenientes do mtodo de Monte Carlo.
Se o nmero de simulaes N tender para infinito e o gerador de nmeros
pseudo-aleatrios verificar as propriedades de independncia e uniformidade o mtodo de
Monte Carlo fornece resultados exactos:

( ) ( )
( ) ( )
0 lim
f
N
n G
p P G
N
+
= =
X
X . (4.3)
131
Na aplicao do mtodo de Monte Carlo a problemas de fiabilidade estrutural podem
considerar-se seis fases distintas:
1. Definio de todas as variveis aleatrias bsicas do problema;
2. Definio das suas distribuies e parmetros;
3. Simulao de valores para essas variveis aleatrias com base nas suas
distribuies:
; , nmero total de elementos da amostra;
( ) ( ) ( )
( ) 1

i i
n
X X , , X =
i
= 1 i ,
n = nmero total de variveis aleatrias bsicas;
4. Obteno de uma resposta estrutural,
( ) i
Y , a partir de cada conjunto de simulaes
das variveis aleatrias bsicas,
( ) i
( )
X ;
5. Avaliao das respostas estruturais (a partir de N realizaes do passo 4);
6. Determinar a preciso e eficincia da simulao realizada.

4.2.1 Gerao de nmeros aleatrios

A gerao de nmeros aleatrios para uma determinada distribuio o aspecto fulcral da
tcnica de simulao de Monte Carlo.
Um nmero aleatrio um nmero escolhido ao acaso de uma determinada distribuio de
forma que a seleco de uma grande quantidade desses nmeros possa reproduzir a
distribuio subjacente. Normalmente, impe-se que esses nmeros sejam independentes
de forma a no existirem correlaes entre valores sucessivos. Hoje em dia qualquer
computador consegue gerar nmeros pseudo-aleatrios.
Numa experincia pode ser necessrio obter um valor amostral para cada varivel aleatria
bsica atravs de um processo aleatrio. Uma varivel aleatria que vai ser gerada pode ser
discreta ou contnua. Embora qualquer quantidade de nmeros aleatrios relacionados com
uma dada funo distribuio, , discretos ou contnuos, possa ser gerada a partir de
X
F X
132
] nmeros aleatrios uniformemente distribudos no intervalo [ 0 1 , , vai analisar-se cada um
dos casos em separado.

4.2.1.1 Gerao de nmeros aleatrios para variveis aleatrias contnuas

Como j foi referido, na prtica qualquer computador tem capacidade para gerar nmeros
pseudo-aleatrios uniformemente distribudos no intervalo ] [ 0 1 , . Esse nome deve-se ao
facto da maior parte dos geradores de nmeros aleatrios utilizarem um algoritmo que
necessita da especificao de um valor inicial que utilizado como ponto de partida, ao
qual se chama semente. Sempre que se altera aleatoriamente a semente, que num
computador pode ser por exemplo um valor temporal (segundos, minutos, etc.), a
sequncia de nmeros aleatrios tambm se altera mas para cada semente essa sequncia
sempre igual.
Em muitos casos h que transformar os nmeros aleatrios uniformemente distribudos,
, do intervalo
i
u ] [ 0 1 , , obtidos de uma tabela de nmeros aleatrios ou gerados por um
computador, para nmeros aleatrios com determinadas caractersticas. A tcnica
matemtica mais geral para o fazer o chamado mtodo da transformao inversa.
Considere-se uma varivel aleatria bsica
i
X com funo distribuio . Tal como
se pode observar na figura 4.1, nesta tcnica gera-se um nmero aleatrio uniformemente
distribudo, ( ), e iguala-se esse valor a
( )
X i
F x
i
u 0 1
i
u ( )
X i
F x para obter
i
x , ou seja:
( ) ( )
1

X i i i X i
F x u x F u
= = . (4.4)

133
X 0
( )
X
F x
1
( )
1
i X i
x F u
=
u
i

Figura 4.1 Mtodo da transformao inversa para gerar variveis aleatrias.

Este mtodo pode ser aplicado desde que exista uma expresso analtica para a funo
inversa (como por exemplo para as distribuies Weibull, Gumbel, exponencial,
etc.), sendo nestes casos a tcnica mais eficiente. Noutros casos, onde no existe inversa,
utilizam-se outras expresses que nos do valores aproximados das distribuies como por
exemplo na distribuio normal. Em seguida apresentam-se alguns exemplos.
( )
1
X i
F u

4.2.1.1.1 Distribuio Uniforme

Considere-se uma varivel aleatria X que segue uma distribuio uniforme de parmetros
a e b, ( ) X U a, b . A funo densidade de probabilidade e a funo distribuio so
dadas pelas expresses:

( )
] [ ]
1
0
X
, a x b
b a f x
, , a b,
[ +
(4.5)

( )
0
1
X
, x a
x a
F x , a x b
b a
, x b
<
>
(4.6)
134
Neste caso:

2
a b
+
= ,
( )
2
2
12
b a

= e
( )
1
0 x = (4.7)
Nesta distribuio temos as propriedades:
1. Se ( ) X U a,b ( ) 0 1
x a
Y U ,
b a

2. Se ( ) 0 1 Y U ,
( )
( ) X a b a Y U a,b = +
A gerao de nmeros aleatrios para uma distribuio uniforme pode ser realizada atravs
da expresso (4.4). No fundo utiliza-se a propriedade 2. Considerando um nmero
aleatrio uniformemente distribudo no intervalo
i
u
] [ 0 1 , ento:
( )
i X i
x a
u F x
b a
= =

( )

i i
x a b a u = + (4.8)
Desta forma, para cada valor de o valor de
i
u
i
x correspondente a uma distribuio
uniforme de parmetros a e b pode ser calculado atravs da equao (4.8).

4.2.1.1.2 Distribuies de valores extremos

Na engenharia o sucesso ou a rotura de um sistema estrutural pode depender apenas da sua
capacidade de funcionar sob cargas extremas, qual poder vir a estar sujeito, e no da
capacidade de funcionar com cargas usuais. A teoria probabilstica de valores extremos
est relacionada com o comportamento estocstico dos mximos e dos mnimos de
variveis aleatrias independentes e identicamente distribudas (i.i.d.). Desta forma, as
distribuies de valores extremos so as distribuies limites para o mnimo ou mximo de
um grande nmero de observaes aleatrias da mesma distribuio. As propriedades das
135
distribuies de extremos (mximos ou mnimos), das estatsticas ordinais intermdias e
excedncias para alm de grandes valores (ou para baixo de pequenos valores) so
determinadas pelas caudas superior e inferior da distribuio subjacente.
Dependendo das caractersticas, as distribuies de valores extremos podem ser divididas
em trs famlias: Tipo I (Gumbel), Tipo II (Frchet) e Tipo III (Weibull).
Destas famlias, a distribuio de tipo I a mais referida em problemas que envolvam
valores extremos. Da muitos autores a chamarem de distribuio de valores extremos. Em
referncias mais antigas a esta distribuio tambm a chamavam exponencial dupla devido
forma da sua funo distribuio.
As distribuies de tipo II e III podem ser transformadas numa de tipo I atravs,
respectivamente, das expresses:
( ) ln z x = e ( ) ln z x = . (4.9)
Os trs tipos de distribuio (I, II e III) podem ser representadas como membros de uma
famlia de distribuio generalizada com funo distribuio dada por:
( )
1
1
x
P X x

= +

, 1 0
x

+ >

, < < +, 0 > . (4.10)
Para:
0 obtm-se uma distribuio da mesma forma do tipo II
0 obtm-se uma distribuio da mesma forma do tipo III
ou obtm-se uma distribuio da mesma f
>
<
+ orma do tipo I

A esta distribuio d-se o nome de distribuio generalizada de valores extremos, tambm
chamada distribuio de valores extremos do tipo Von Mises ou distribuio do tipo Von
Mises-Jenkinson.
Se um sistema estrutural constitudo por n elementos estruturais e o sistema entra em
rotura quando o primeiro elemento de entre os n entra em colapso, ento a probabilidade
de rotura do sistema estrutural o mnimo das n probabilidades de rotura aleatrias dos
136
seus elementos. Da mesma forma, a rotura de um elemento estrutural ocorre quando o
primeiro dos vrios processos que o podem levar ao colapso atinge o seu ponto crtico.
Desta forma, na modelao de sistemas estruturais em anlise de fiabilidade utilizam-se,
em alguns casos, distribuies de valores extremos para o mnimo.
Em resumo, a distribuio de valores extremos a utilizar em determinado problema
depende do que estamos interessados em analisar, se o mximo ou o mnimo e ainda se as
observaes (valores de x) so limitadas superiormente ou inferiormente, isto , se no h
restries no intervalo correspondente ao domnio de x.

Tipo I - Gumbel

Esta distribuio tem duas formas. Uma baseada na distribuio limite do mnimo de um
grande nmero de variveis aleatrias independentes e identicamente distribudas (i.i.d.)
com caudas no limitadas (isto , x < < +) e momentos finitos. A outra baseia-se no
extremo maior (mximo). Neste caso, se X representa a distribuio dos mximos de uma
distribuio de N elementos independentes ento X segue uma distribuio Gumbel
(tambm conhecida como distribuio de valores extremos de tipo I, Fisher-Tippett ou log-
Weibull).
i
Y
Os parmetros desta distribuio so a moda, , e que representa uma medida da
disperso de X. O valor de conhecido como o declive da distribuio podendo ser
obtido atravs da representao do papel de probabilidades da Gumbel.

Frmulas gerais:

1. Distribuio do mximo

Se X uma varivel aleatria com distribuio Gumbel de mximos de parmetros e ,
( , X G ) , ento a funo densidade de probabilidade e a funo distribuio so,
assimptoticamente, dadas pelas expresses:
137
( )
( )
( )
1
.
x
x
e
X
f x e
, x < < + (4.11)

( )
( ) x
e
X
F x e

= , x < < + (4.12)
onde IR o parmetro de localizao e 0 > o parmetro de escala. Tanto como
podem ser obtidos atravs dos momentos desta distribuio:
( ) .
X
E X .
X
= = + = (4.13)
( )
2 2
2
6
6
X
X
Var X

= = = (4.14)
onde 0 5772156649015 . ... = a constante de Euler-Mascheroni. Tambm chamada a
constante de Euler, pode ser obtida, de entre as vrias expresses desenvolvidas e
apresentadas por diversos autores, atravs da seguinte expresso (Finch, 2003):

( )
1
1
n
n
k
lim ln n
k

=

=

. (4.15)
Foi definida pela primeira vez por Leonhard Euler em 1734 que usou a letra C e referiu
que este valor era digno de considerao (Havil, 2003). O smbolo foi usado pela
primeira vez pelo gemetra Lorenzo Mascheroni em 1790. Em 1736 foi calculado com 16
dgitos por Euler e em 1790 com 32 casas decimais por Mascheroni. Em 1809, Johann Von
Soldner verificou que apenas as 19 primeiras casas decimais estavam correctas e calculou
esse valor com 40 casas decimais correctas, confirmadas por Gauss e Nicolai em 1812
(Havil, 2003). Em 1988, Bailey refere que no h nenhum algoritmo quadrtico que
convirja para obter o valor de . Em Outubro de 1999 X. Gourdon e P. Demichel
conseguiram um recorde de 108 milhes de dgitos para (Gourdon e Sebah, 2004).
A (as)simetria o principal trao caracterizador da forma de uma distribuio de
frequncias. A assimetria a falta de simetria do histograma ou do grfico de barras em
relao recta vertical que passa pela abcissa correspondente mdia aritmtica. O
138
mtodo mais simples para medir o grau de assimetria de uma distribuio consiste em
comparar as caudas da distribuio ou as medidas de tendncia central: a mdia, a moda e
a mediana. Se a cauda esquerda mais pronunciada do que a direita diz-se que a
distribuio tem uma assimetria negativa. Caso contrrio diz-se que a assimetria positiva.
Se as caudas so mais ou menos iguais a assimetria nula. Existem tambm varias
medidas quantitativas do grau de assimetria de uma distribuio, a mais geral dada por:

3
1 3 2
2
= (4.16)
onde
i
o momento centrado de ordem i. A notao
1
devida a Karl Pearson mas na
diversa bibliografia sobre o assunto tambm se encontram
3
(devida a Kenney e
Keeping) e
1
(devida a R. A. Fisher).
Na distribuio Gumbel de mximos tem-se:
Moda =
Mediana = ( ) 2 ln ln
( ) ( ) ( )
( )
3 1 1 3
12 6 3
1 13955
.
x x x .

= = = = (4.17)
onde a constante de Apry, sendo
( )
3 1 2020569 . ... =
( )
z a funo zeta de Riemann.
Em 1979, Apry provou que
( )
u
3 irracional mas no se sabe se normal (Bailey e
Crandall, 2003).
A gerao de nmeros aleatrios para uma distribuio Gumbel de mximos pode ser
facilmente realizada atravs da expresso (4.4). Considerando um nmero aleatrio
uniformemente distribudo no intervalo
i
] [ 0 1 , ento:
( )
( )

x
i
e
i X i
u F x e

= =
139

( ) ln ln
.
6
i
i
u
x

X X

= + (4.18)
i
u
i
Gumbel de mximos pode ser calculado atravs da equao (4.18).

2. Distribuio do mnimo

Se X uma varivel aleatria com distribuio Gumbel de mnimos de parmetros e ,
( , X G ) , ento a funo densidade de probabilidade e a funo distribuio so,
( )
( )
( )
1
.
x
x
e
X
f x e
, x < < + (4.19)

( )
( )
1
x
e
X
F x e
, x < < + (4.20)

onde IR o parmetro de localizao e 0 > o parmetro de escala. Tanto como
podem ser obtidos atravs dos momentos desta distribuio:
( ) .
X
E X .
X
= = = + (4.21)
( )
2 2
2
6
6
X
X
Var X

= = = (4.22)
A gerao de nmeros aleatrios para uma distribuio Gumbel de mnimos pode ser
facilmente realizada atravs da expresso (4.4). Considerando um nmero aleatrio
i
u
] [ 0 1 , ento:
( )
( )
1
x
i
e
i X i
u F x e

= =
140

( ) ln ln 1
.
6
i
i
u
x

X X

+

= + (4.23)
i
u
i
x , correspondente a uma distribuio
Gumbel de mnimos, pode ser calculado atravs da equao (4.23).
No caso particular em que 0 = e 1 = obtm-se a chamada distribuio de Gumbel
padro:

1. Distribuio do mximo

Se X uma varivel aleatria com distribuio Gumbel de mximos de parmetros 0 e 1,
, ento a funo densidade de probabilidade e a funo distribuio so,
(0, 1 X G )
( )
( )
x
x e
X
f x e

= , x < < + (4.24)
( )
x
e
X
F x e

= , x < < + (4.25)

Sendo:
( )
X
E X = = , ( )
2
2
6
X
Var X

= = e ( )
( )
1 3
12 6 3 .
x

= (4.26)
A gerao de nmeros aleatrios para uma distribuio Gumbel padro de mximos pode
ser realizada atravs da expresso (4.4). Considerando um nmero aleatrio
i
u
] [ 0 1 , ento:
( )
x
e
i X i
u F x e

= =
( )
i i
x ln ln u =

(4.27)

141
2. Distribuio do mnimo

Se X uma varivel aleatria com distribuio Gumbel de mnimos de parmetros 0 e 1,
, ento a funo densidade de probabilidade e a funo distribuio so,
(0, 1 X G )
( )
[ ]
x
x e
X
f x e

= , x < < + (4.28)
( ) 1
x
e
X
F x e
= , x < < + (4.29)

Sendo:
( )
X
E X = = , ( )
2
2
6
X
Var X

= = e ( )
( )
1 3
12 6 3 .
x

= (4.30)
A gerao de nmeros aleatrios para uma distribuio Gumbel padro de mnimos pode
ser facilmente realizada atravs da expresso (4.4). Considerando um nmero aleatrio
i
u
] [
0 1 , ento:
( ) 1
x
e
i X i
u F x e
= =
( ) ln ln 1
i i
x u =

(4.31)
Se os valores de x na funo densidade de probabilidade so limitados inferiormente (como
por exemplo em intervalos de tempo at falha, [ [ 0, + ) a distribuio limite a Weibull.

Tipo III - Weibull

As frmulas gerais desta distribuio so:

( )
( )
1
X
x
f x x exp

=

, x 0 , > e IR (4.32)
142

( )
1
x
X
F x e

= , x 0 , > e IR (4.33)
onde o parmetro de forma, o parmetro de localizao e o parmetro de escala.
O caso onde 0 = a expresso da distribuio Weibull que, no geral, mais se encontra e
a que se chama distribuio Weibull de dois parmetros; onde:

( )
1
X
x
f x x exp

=

, 0 0 x , > (4.34)

( )
1
x
X
F x e

= , 0 x 0 , > (4.35)
Neste caso:

( )
1
1 E X .
= = +
(4.36)

( ) ( )
2 2
2
1 Var X E X

= = +

2
(4.37)

( )
3 2
1 3
3
1 3
x
3

+

= (4.38)
Mendenhall e Sincich (1995) propuseram uma forma ligeiramente diferente para esta
distribuio:

( )
1
X
x
f x x exp

=

, 0 0 x , > (4.39)

( )
1
x
X
F x e
= , 0 x 0 , > (4.40)
Onde:
143

( )
1
1
1 E X .
= = +
(4.41)

( )
2
2
2
. 1 1 Var X

2
1

= = + +

(4.42)
No caso em que 0 = e 1 = obtm-se a distribuio Weibull padro. Neste caso:

( )
1 x
X
f x x e

= , 0 x 0 > (4.43)

( )
1
x
X
F x e

= , 0 x 0 > (4.44)
A gerao de variveis aleatrias com distribuio Weibull pode ser facilmente realizada
atravs da expresso (4.4). Considerando U uma varivel aleatria obtida a partir de uma
distribuio uniforme no intervalo ( ]
0 1 , , ento a varivel X:
( ) 1
X
X
U F X e

= =
( )
1
ln 1 X U

= +

(4.45)
tem uma distribuio Weibull de parmetros , e .
Esta distribuio muito utilizada em problemas que envolvem tempos de vida de objectos
(modelar o tempo at falha de componentes), assim como na teoria de valores extremos,
na teoria da fiabilidade estrutural e anlise de rotura ou em sistemas de radar para modelar
a disperso do nvel dos sinais recebidos.

4.2.1.1.3 Distribuio Rayleigh

Esta distribuio um caso especial de uma distribuio de Weibull com parmetros
2 = e
2
2 = . A funo densidade de probabilidade e funo distribuio so dadas
pelas expresses:
144

( )
2
2
2
2
x
X
xe
f x
= , (4.46) 0 x

( )
2
2
2
1
x
X
F x e

= , (4.47) 0 x
onde o parmetro da distribuio. Neste caso:

( )
2
E X

= = (4.48)

( )
2
4
2
Var X
2
= = (4.49)
Nesta distribuio h uma relao entre a mdia e a varincia (ou desvio padro):

( ) ( ) ( ) ( )
2
4 2
2 4
Var X .E X E X X

= =
(4.50)
A gerao de variveis aleatrias com distribuio Rayleigh pode ser realizada atravs da
expresso (4.4). Considerando U uma varivel aleatria gerada por uma distribuio
uniforme no intervalo [ ] 0 1 , ento, como U e 1 U tm distribuies idnticas, a varivel
X:

( )
2 1 2 X ln U lnU = = (4.51)
segue uma distribuio Rayleigh com parmetro (Gentle, 2002 e Elishakoff, 1999).

4.2.1.1.4 Distribuio Normal

Considere-se uma varivel aleatria X que segue uma distribuio normal de parmetros
X
e
X
, ( ,
X X
X ) N . Como a funo distribuio de uma normal no admite
inversa no se pode aplicar o mtodo descrito anteriormente. Para este caso especfico
aplica-se uma transformao proposta por Box e Muller (apresentada pela primeira vez em
145
1958 nos Ann. Math. Stat. n. 29, pg. 610-611 com o ttulo A note on the generation of
normal deviates) que permite gerar nmeros aleatrios de variveis aleatrias normais
padro de uma forma bastante eficiente em termos computacionais. Este mtodo produz
um par de valores para duas variveis aleatrias independentes de uma distribuio normal
padro, e , dados por:
1
v
2
v
( )
1 1
2ln . 2 v u sen =
2
u (4.52)
( )
2 1
2ln .cos 2 v u =
2
u (4.53)
onde e so valores gerados por duas variveis aleatrias independentes contnuas e
uniformemente distribudas no intervalo
1
u
2
u
] [ 0 1 , .
Depois de gerar os valores de e transform-los em atravs de
i
u
i
v (4.52) e (4.53) podem
finalmente obter-se nmeros aleatrios para a varivel X atravs da expresso:
.
i X i
x v
X
= + (4.54)

4.2.1.1.5 Distribuio Lognormal

Uma distribuio lognormal resulta do produto de um grande nmero de variveis
independentes e identicamente distribudas (i.i.d.) assim como uma distribuio normal
resulta da soma de um grande nmero de variveis i.i.d. . Uma varivel aleatria X segue
uma distribuio lognormal se o logaritmo neperiano de X seguir uma distribuio normal.
Seja X uma varivel aleatria com distribuio lognormal de parmetros:
( )
ln
ln
x
E x = =
e
( )
2 2
ln
ln
x
Var x = = .
146
Uma distribuio deste tipo um caso geral da distribuio de Gibrat, que se obtm a
partir da distribuio lognormal considerando 1 = e 0 = . As funes densidade de
probabilidade e distribuio so dadas por:
( )
2
1 ln
2
1
.
2 . .
x
X
f x e
x

= , 0 x < +, 0 > (4.55)
( ) ( )
1 ln ln
1
2 2
x
X X
x x
F x f u du erf

= = + =

0 x

, , 0 > (4.56)
onde a funo erro obtida quando se integra a funo densidade de
probabilidade da distribuio normal e dada por:
( )
erf x

( )
2
0
2
x
t
erf x e dt

. (4.57)
Tal como no caso de uma normal, a funo distribuio de uma lognormal tambm no
admite inversa pelo que no se pode aplicar o mtodo da transformao inversa. Nesta
distribuio aplica-se a seguinte propriedade:
Se
( ) ( )
( )
2 2
, ln , 0, 1
U
X X U U
U
U
X LN U X Y

= = N N
Sendo o coeficiente de variao de X, numa distribuio lognormal os momentos so
dados por:
X
CV
( )
2
1
2
2
1
ln
2
U U
X U
E X e

X U

+
= = = = (4.58)
( )
( )
( )
2
2 2 2 2 2
1 ln 1
U
X X U X
Var X e CV
= = = = + (4.59)
A gerao de nmeros aleatrios para uma distribuio lognormal pode ser realizada
atravs das expresses (4.58) e (4.59). Considerando
i
y um nmero aleatrio gerado de
uma distribuio normal padro (ver equaes (4.52) ou (4.53)) ento:
147
( )
( )
2
2
1
ln ln ln 1
2

ln 1
i X X
i U
i
U
X
x CV
u
y
CV
+ +
= =
+

( )
2
. ln 1
2
.

1
i X
y CV
X
i
X
e
x
CV
+
=
+
(4.60)
Desta forma, para cada valor de
i
y o valor de
i
lognormal pode ser calculado atravs da equao (4.60).
Se ento 0.3
X
CV < ln
U X
e pelo que a equao
2
U
CV
2
X
(4.60) pode ser
simplificada:
ln ln

i U i X
i
U X
u x
y
CV

=
(4.61)
.
.
i X
y CV
i X
x e

4.2.1.2 Gerao de nmeros aleatrios para variveis aleatrias discretas

Se X uma varivel aleatria discreta a sua funo distribuio dada por:
( ) ( ) ( )
i
X
x x
F x P X x p x
= =
X i
(4.62)
onde ( )
X i
p x a sua funo massa de probabilidade.
O mtodo da transformao inversa tambm pode ser usado para gerar nmeros aleatrios
discretos. Depois de gerar um nmero aleatrio uniformemente distribudo, u , o valor de
i
i
x o inteiro mais pequeno que verifica a condio:
( )
i X i
u F x . (4.63)
148
4.3 Mtodos de simulao pura

As aplicaes do mtodo de simulao de Monte Carlo na anlise estatstica das incertezas
em sistemas estruturais podem basear-se na tcnica apresentada anteriormente, sendo essa
a abordagem mais simples pois um mtodo de simulao pura, mas no a mais eficiente.
Conhecendo a priori as distribuies de probabilidade das variveis aleatrias bsicas de
um dado problema estrutural, atravs deste mtodo possvel simular por computador
essas variveis e calcular a resposta estrutural assim como verificar a funo de estado
limite. A probabilidade de rotura do problema estrutural em causa tender para o valor
exacto quanto maior for o nmero de simulaes. Esta a ideia base do mtodo de
simulao de Monte Carlo.
A probabilidade de rotura pode ser descrita da seguinte forma:
( ) ( ) .
f X
p I G X f X dX =

(4.64)
onde ( ) I G X
uma funo indicatriz dada por:

( )
( )
( )
1 , 0 (regio de rotura)
0 , 0 (regio de segurana)
G X
I G X
G X

=

>
(4.65)
O mtodo de Monte Carlo utiliza sucessivas simulaes pelo que se aplicam tcnicas
discretas de integrao. Desta forma o integral da expresso (4.64) pode ser aproximado
atravs do somatrio (Melchers, 1999):

( )
1
1
0
N
f
f f j
j
n
p p I G X
N N
=

= =

(4.66)
onde N o nmero total de simulaes,
j
X o vector das variveis bsicas referente
simulao j e
f
n o nmero total de falhas.
As estimativas obtidas atravs de (4.66) podem ser melhoradas ajustando uma funo
distribuio apropriada na zona de interesse - ( ) 0 G X . No entanto, a escolha dessa
149
funo pode ser de difcil resoluo, principalmente se a resposta estrutural prximo da
zona de rotura apresentar um comportamento irregular. Nesse caso, a escolha dos
parmetros da funo distribuio podem no estabilizar at que N seja suficientemente
elevado.
O problema que se pe saber qual o nmero de simulaes a realizar para um
determinado nvel de confiana .
A preciso da equao (4.66) depende do nmero total de simulaes realizadas, podendo
ser expressa de diversas formas. Quando N suficientemente elevado
f
p aproxima-se do
verdadeiro valor da probabilidade de rotura
f
p .
Uma das formas avaliar a varincia ou o coeficiente de variao (COV) de
f
p (Haldar e
Mahadevan, 2000a). A sua varincia ou COV pode ser estimada considerando que cada
simulao constitui uma prova de Bernoulli. Desta forma, o nmero de falhas em N provas
de Bernoulli segue uma distribuio Binomial. Assim, a varincia de
f
p pode ser dada
aproximadamente por:

( )
2
1
f
f f
p
P P
N

. (4.67)
Desta forma, o COV pode ser obtido atravs da expresso:

( )
1
f
f f
p f
P P
COV P
N
. (4.68)
Quanto menor for o coeficiente de variao maior ser a preciso na obteno de uma
estimativa para a probabilidade de rotura.
Outra forma de estudar o erro associado ao nmero de simulaes aproximar a
distribuio binomial a uma normal e obter um intervalo com 95% de confiana para
f
p .
O teorema do limite central diz-nos que a distribuio de
f
p se aproxima de uma
distribuio normal medida que N tende para infinito. O valor mdio e varincia dessa
distribuio so dados por:
150

( ) ( )
( )
0
f j
E p E I G X

=

(4.69)

( )
2
0
2
j
f
I G X
p
N

(4.70)
Atravs de (4.70) verifica-se que o desvio padro de
f
p varia directamente com o desvio
padro da funo indicatriz e inversamente com N .
Com base no teorema do limite central o nmero de simulaes a realizar pode ser obtido
atravs do intervalo de confiana:

( )
f
P k p k < < = (4.71)
onde dado por (4.69) e por (4.70). Como
0
j
I G X

desconhecido, este pode ser
estimado atravs da expresso:

( )
( ) ( )
2
2 2
0
1 1
1 1
0 0
1
j
N N
j j
I G X
j j
S I G X N I G X
N N

= =

=

(4.72)
Assim, para um nvel de confiana 95% = obtm-se um valor de , tal como se
pode verificar atravs de qualquer tabela da distribuio normal padro.
1.96 k =
De acordo com Shooman [1968 (em Haldar e Mahadevan, 2000a)] o nmero de
simulaes a realizar pode ser obtido a partir da expresso (4.71) considerando 2 k = ,
f
P = e
( )
1
f f
P P N = . Assim, o erro percentual relacionado com
f
p pode ser
obtido atravs da expresso:

1
200
f
f
P
Erro % . %
N.P
. (4.73)
Broding et al. [1964 (em Melchers, 1999)] sugeriu que para um dado nvel de confiana
e uma probabilidade de rotura
f
p uma primeira estimativa para o nmero de simulaes
poderia ser obtida a partir da expresso:
151

( ) ln 1
f
N
p

> . (4.74)
Normalmente, o valor de
f
p vai diminuindo medida que o nmero de simulaes vai
aumentando sendo obtida uma certa estabilidade quando N suficientemente elevado. A
velocidade dessa convergncia assim como a estabilidade do valor dependem em certa
medida da qualidade do gerador de nmeros aleatrios utilizado no Mtodo de Monte
Carlo.

4.4 Tcnicas de reduo da varincia

Como se viu anteriormente o Mtodo de Monte Carlo puro de fcil aplicao mas em
contrapartida exige um nmero relativamente elevado de simulaes para se obterem
resultados com um certo rigor. Para aumentar a eficincia deste mtodo necessrio
reduzir o nmero de simulaes, o que no muito aconselhvel pois perde-se preciso.
Uma boa alternativa tentar reduzir a varincia de
f
p ,
2
f
p
, sem que para isso seja

necessrio alterar o seu valor mdio,
( )
f
E p , nem aumentar o nmero de simulaes, N.
Como j se tinha visto na expresso (4.70) a varincia de
f
p varia directamente com a
varincia da funo indicatriz, pelo que o procedimento essencial encontrar uma forma
de reduzir . Esta necessidade levou ao desenvolvimento de diversas tcnicas de
reduo da varincia. No entanto, para se conseguir uma reduo da varincia h que
utilizar informao adicional (a priori) acerca do problema que se pretende resolver. Da
que, das vrias tcnicas que se podem aplicar, em cada caso utilizada informao acerca
do problema em estudo de forma a limitar a simulao s regies de interesse. Em seguida
vo apresentar-se alguns exemplos.
( )
2
0
j
I G X

4.4.1 Amostragem por importncia

O objectivo desta tcnica, cujos conceitos foram inicialmente apresentados por Shinozuka
(1983) e Harbitz (1983), concentrar a distribuio dos pontos amostrais na rea que mais
contribui para a probabilidade de rotura em vez de considerar todos os possveis valores
152
que as variveis bsicas podem assumir. Nesse caso o centro da amostra deslocado da
origem do espao normal padronizado para o ponto mais provvel de rotura, ou ponto de
dimensionamento, que se situa sobre a superfcie de estado limite (Schueller e Stix, 1987).
Assim, a probabilidade de rotura pode ser dada atravs do integral mltiplo, equivalente ao
da expresso (4.64):
( )
( )
( )
( ) . .
X
f
f X
p I G X h X dX
h X

=

(4.75)
onde representa a funo densidade de probabilidade da regio do espao amostral
onde se aplica a amostragem. De forma semelhante expresso
( ) h x
(4.66), uma estimativa de
f
p pode ser dada por:

( )
( )
( )
1
0 .
N
X j
f j
j
j
f X
p I G X
N
h X =

=

(4.76)
onde N o nmero de simulaes e
j
X o vector correspondente simulao j constitudo

por valores amostrais das variveis aleatrias bsicas, obtidos atravs da funo densidade
de probabilidade correspondente amostragem por importncia . Daqui se conclui
que influencia os valores amostrais e da a importncia na sua escolha de forma a
melhorar a preciso na estimativa de
( ) h x
( ) h x
f
p . Normalmente utiliza-se a distribuio normal
padronizada multivariada com desvios padro unitrios mas tambm se podem escolher
outras distribuies de amostragem assim como outros centros de amostragem podendo
mesmo estes vir a ser mais eficientes (Melchers, 1989, 1990a; Engelund e Rackwitz, 1993;
Olsson et. al., 2003). Simplificando em termos de notao, neste caso a varincia de
f
p
dada por:

2
2
f
I . f
h
p
N
(4.77)
onde, por definio:
( )
( )
( )
( )
2
2 2
0
X
I . f
h
f X
I . f
I G X . . h X dX E
h X h

=

(4.78)
153
Para minimizar a varincia de
f
p h que minimizar (4.78). Esta expresso mostra que
quanto melhor for a escolha de mais precisos sero os resultados obtidos atravs do
mtodo de Monte Carlo. Uma distribuio apropriada para
( ) h x
( ) h x pode ser considerada a
seguinte (Engelund e Rackwitz, 1993):
( )
( ) h , =
X
X X C
com e onde uma matriz diagonal dada por ,
sendo n o nmero de variveis aleatrias.
( )
1 h, h,n
E =
X
X
C
2
1
2
0
0
h,
h,n
X
C
claro que a escolha da distribuio estar sempre dependente da informao que
inicialmente se tem do problema em estudo. Quando essa informao a priori no existe a
amostragem por importncia pode no ser eficiente. No entanto, medida que se vo
efectuando as amostragens passa-se a ter informao disponvel. Assim, a funo
densidade da amostragem por importncia pode-se ir adaptando durante as amostragens.
Esta a chamada amostragem por importncia adaptada (Au e Beck, 1999; Maes et al.,
1993a, 1993b; Melchers, 1999). Quantas mais amostras se recolherem melhor ser a
aproximao da funo densidade funo de amostragem ideal.
Em problemas onde esto envolvidas uma ou mais variveis aleatrias bsicas discretas, se
no for possvel transformar essas variveis aleatrias para o espao normal padronizado
pode aplicar-se a amostragem por importncia deslocando o centro de amostragem de
acordo com informaes de amostragens realizadas anteriormente (Bucher, 1988; Dey e
Mahadevan, 1988; Melchers, 1990a).
Nos mtodos de amostragem por importncia direccionais a interseco com a superfcie
de estado limite calculada para um conjunto de direces a partir da origem. Assim, a
amostragem aplicada com maior intensidade perto das regies onde a superfcie de
estado limite est perto da origem (Bjerager, 1988; Ditlevsen et. al., 1990; Kijawatworawet
et al., 1998; Moarefzadeh e Melchers, 1999). Bjerager (1990) e Hurtado e Barbat (1998)
apresentam alguns desenvolvimentos sobre mtodos de amostragem por importncia.

154
4.4.2 Amostragem estratificada

A ideia base desta tcnica semelhante da amostragem por importncia. Neste mtodo o
domnio de integrao dividido em vrias regies de forma a podermos aplicar mais
simulaes nas regies que mais contribuem para a probabilidade de rotura, ou seja, onde
h maior possibilidade de ocorrerem falhas. Assim, todo o domnio de integrao, ,
dividido em n regies mutuamente exclusivas
i
, ( ) 1 i , , n = :

1
n
i
i=
=
; 1 i , , n = (4.79)
i j
= ; i j 1 i, j , , n =
A probabilidade de rotura associada a cada regio dada por:
( ) ( ) ( )
i
i
f X
p I G X . f X .h X dX
=

(4.80)
onde a probabilidade de ocorrer cada uma das regies obtida atravs da expresso:
; sendo ( ) ( ) ( )
i
i X
P f X .h
=

X dX ( )
1
1
n
i
i
P
=
=
. (4.81)
Desta forma, a probabilidade de rotura total definida por:

( ) ( ) ( )
( ) ( ) ( )
1 1

i
i
f X
n n
X f
i i
p I G X . f X .h X dX
I G X . f X .h X dX p
= =
= =

= =

(4.82)
Considerando:
( )
( ) ;
0 ;
i
i
i
I G X se X
I G X
se X
(4.83)
155
ento o integral da expresso (4.80) pode ser definido da seguinte forma:

( )
( ) ( )
( )
( ) ( )
( ) ( )
.
. .
.
. .
i
i
X
f i
i
X
i i i i
i
f X h X
p P I G X dX
P
f X h X
P I G X dX P E I G X
P
= =

= =

(4.84)
onde
( ) ( ) .
1
i
X
i
f X h X
dX
P
=

. Assim, pode estimar-se a probabilidade de rotura usando
a expresso:
( )
( )
1 1
1
i
N n
f i i
i j
i
p P I G X
N
= =

j

=

(4.85)
onde o nmero de simulaes realizadas na regio
i
N
i
.
Neste caso a varincia de
f
p dada por:

( )
( ) (
2
2 2
1
f
n
i
p i
i
i
P
I G X
N

=
=
)

(4.86)
onde:
( ) ( )
( )
( ) ( ) ( )
( )
2
2
2
2
1
. .
i
i
f
i X
i i
p
I G X I G X f X h X dX
P P

=

. (4.87)
Uma partio adequada do domnio de integrao pode reduzir de forma significativa a
varincia. Depois de definir as regies
1
, ,
n

N
n
N
( )
o passo seguinte saber qual o
nmero ideal de amostras a atribuir a cada uma. Seja o nmero de amostras aplicadas
em onde . De forma a obter um equilbrio entre os custos da amostragem e
o grau de preciso desejado, o valor ptimo para cada obtido atravs da expresso
.
i
i
1
i
i
N N
=
=
i
.
i i
N N P =
156
Dentro do grupo dos mtodos de amostragem estratificada, um dos que normalmente se
utiliza o mtodo do hipercubo latino. A ideia base a seguinte:
Depois de definir as variveis bsicas
j
X de um problema estrutural e caracterizar as suas
distribuies, divide-se o domnio de cada uma em N intervalos disjuntos de igual
probabilidade 1 , onde cada intervalo passa a ser definido por uma amostra. Em seguida,
para cada uma das varveis, determinam-se aleatoriamente os pontos representativos de
cada intervalo. Se o nmero de intervalos suficientemente elevado, esses pontos so
dados pelos centros de gravidade de cada um, designados por centrides C (centro de
gravidade do intervalo i e varivel j).
N
ij
O processo de simulao consiste em determinar aleatoriamente, para cada varivel bsica,
uma sequncia de N valores C onde cada intervalo usado uma nica vez, obtendo assim
N amostras com os valores pretendidos. Cada amostra constituda por j centrides .
Em seguida h que associar a cada centride C o valor correspondente ao seu intervalo i
da varivel
ij
ij
C
ij
j
X . Desta forma obtm-se os valores representativos das variveis para cada
amostra.
Este mtodo restringe o nmero total de simulaes ao nmero de intervalos utilizados na
partio do espao amostral. Isto representa uma melhoria na eficincia mas os resultados
deste mtodo s sero fiveis se as variveis bsicas utilizadas tiverem uma distribuio
normal ou aproximadamente normal. Este um dos pressupostos fundamentais na sua
aplicao. Para mais desenvolvimentos sobre este tipo de amostragem podem consultar-se
entre outros Olsson et al. (2003), Bucher (2005) e Delgado (2002).

4.5 Simulao de variveis aleatrias correlacionadas

At agora assumiu-se sempre que todas as variveis aleatrias no so correlacionadas. No
entanto, em grande parte dos problemas estruturais onde se pretende estimar a
probabilidade de rotura algumas, ou mesmo todas, as variveis aleatrias so
correlacionadas. Nesses casos h que transformar as variveis aleatrias correlacionadas
em variveis estatisticamente independentes modificando a funo de estado limite inicial
transformando-a numa outra que depende das novas variveis independentes. Existem
157
vrios mtodos que se podem utilizar para o efeito tal como os mtodos propostos por
Morgenstern e Nataf (Liu e Der Kiureghian, 1986) apresentados no captulo 3.

4.5.1 Simulao de variveis aleatrias normais correlacionadas

Consideremos um vector aleatrio Gaussiano { } ( )
1
1
n i
i , , n
X , , X
=
= =

X X constitudo
por n variveis aleatrias bsicas de um sistema estrutural, com mdia
X
e matriz de
covarincia . Para simular X devem seguir-se os passos:
1. Aplicar a decomposio de Cholesky matriz de covarincias de forma que
T
. = L L
e determinar L (matriz triangular inferior com elementos positivos na diagonal
principal).
2. Gerar n variveis aleatrias normais padro independentes e identicamente distribudas,
. ( )
1
i
i , , n =
=

Z Z
3. Calcular os valores simulados de X atravs da expresso . = +
X
X L Z .
No caso de se utilizar a matriz de correlaes C em vez da matriz deve utilizar-se uma
outra expresso para X no passo 3 (Der Kiureghian e Liu, 1986):
. = +
X X
X .L Z , (4.88)
onde
X
uma matriz diagonal dos desvios padro
i
e L uma matriz triangular inferior
obtida a partir da decomposio de Cholesky da matriz de correlaes C tal que .
T
. = C L L

4.5.2 Simulao de variveis aleatrias no normais correlacionadas

Considere-se um vector { } ( )
1
1
n i
i , , n
X , , X
=
= =

X X constitudo por n variveis
aleatrias bsicas correlacionadas com distribuies no normais, onde so conhecidas as
funes densidade de probabilidade marginais ( )
i
X i
f x , as funes de distribuio
marginais e a matriz de correlaes . Para simular X devem seguir-se os passos: ( )
i
X i
F x
158
1. Transformar as variveis aleatrias correlacionadas originais em variveis normais
padro equivalentes e correlacionadas ( )
E
1
i
i , , n =
=

Y Y , obtendo as mdias e desvios
padro das variveis normais padro equivalentes,
i
X
e
i
X
E
, atravs das seguintes
expresses (Rackwitz e Fiessler, 1978):

( )
{ }
( )
1
i
i
i
*
X i
E
X
*
X i
F x
f x

= (4.89)
( )
1
i i
E * *
X i X i
i
E
X
x F x .

=

(4.90)
onde
*
i
x o ponto de dimensionamento. Se no tivermos informao sobre o ponto de
dimensionamento este pode ser substitudo pelo ponto mdio de cada varivel original
(Melchers, 1999).
2. Se as variveis aleatrias originais no tm distribuio normal, os seus coeficientes de
correlao alteram-se quando se aplica a transformao para variveis normais
equivalentes. Desta forma, a matriz de correlaes depois da transformao no ser
igual matriz . Para obter os valores de Liu e Der Kiureghian (1986) propuseram a
seguinte expresso:

ij ij ij
F . = . (4.91)
Der Kiureghian e Liu (1986) desenvolveram frmulas semi-empricas onde
funo de
1
ij
F
ij
,
i
( )
i i
= e
j
( )
j j
= , para calcular um valor aproximado para
com uma preciso razovel ver captulo 3.
ij
F
3. Aplicar a decomposio de Cholesky matriz de covarincias de forma que
T
. = L L e determinar a matriz triangular inferior L (Rubinstein, 1981).
4. Gerar n variveis aleatrias normais padro independentes e identicamente distribudas,
. ( ) =
1
i
i , , n =
Z Z
5. Calcular os valores simulados de X atravs da expresso . . = +
X
X
E E
X L Z .
159
Na figura 4.2 apresentam-se todos os passos a seguir, atravs de um fluxograma, para
aplicar o mtodo de simulao pura de Monte Carlo de forma a avaliar a probabilidade de
rotura num caso geral em que existem variveis aleatrias correlacionadas com
distribuio no normal. Neste caso, fixando a priori o nmero total de simulaes a
efectuar e a preciso com que se quer estimar
max
N
f
P , traduzida pelo coeficiente de
variao de
f
P
, cov
*
, e conhecendo a funo de estado limite
( )
G X , as funes de
distribuio marginais ( )
X
i
i
F x e a matriz de correlaes [ ] pode obter-se uma estimativa
para a probabilidade de rotura de um sistema estrutural. Aplicando a decomposio de
Cholesky matriz de correlaes [ ] obtm-se a matriz triangular inferior
[ ]
L .
Na figura 4.3 apresenta-se o mtodo de simulao de Monte Carlo com a aplicao de uma
tcnica de reduo da varincia - amostragem por importncia, de forma a avaliar a
probabilidade de rotura num caso geral em que existem variveis aleatrias
correlacionadas com distribuio no normal. A expresso da probabilidade de rotura para
este caso pode ser obtida da seguinte forma:
Se as variveis aleatrias originais so transformadas para o espao das variveis aleatrias
no correlacionadas com distribuio normal padro a probabilidade de rotura dada por:
( ) ( )
( )
1 1
0
f n n
G
p z z dz dz
=

Z
. (4.92)
Se se concentrar a distribuio dos pontos amostrais das variveis aleatrias uniformes
{ }
1 n
u , , u = U em torno do ponto de dimensionamento (ou ponto com maior
probabilidade de rotura) { }
1 n
z , , z =
*
Z , obtm-se:
, ( )
*
i i
u z z =
i
1 2 i , , , n = (4.93)
A partir da expresso anterior obtm-se:
, ( )
*
i i i i
du z z dz = 1 2 i , , , n =
z u
= + 1 2, , n
(4.94)
Da equao (4.93):
, i , ( )
1 *
i i i
z = . (4.95)
160
Substituindo a equao (4.94) na equao (4.92) obtm-se a expresso da probabilidade de
rotura para o caso em que se aplica uma tcnica de reduo da varincia - amostragem por
importncia:
( )
( )
( )
( )
( )
( )
( )
1 2
1
0
1 1 2 2
n
f n
* * *
G
n n
z z z
p d
z z z z z z

=

Z
u du

( )
( )
( )
1 1
0
1
n N
i
*
i i
i i
G
z
N z z
= =

U
. (4.96)

161

Dados:
( )
G X , ( )
X i
i
F x , [ ] , cov
*
, N
max
Calcular
[ ]
L : Decomposio de Cholesky de [ ]
0 N = , 0
f
N =
Gerar varivel aleatria uniforme:
1 2 n
u , u , , u ( ) 0 1 ,
Obter varivel independente com distribuio normal padro:
( )
1
i i
z u
= , 1 i , , n =
Transformar
i
z em varivel normal padro correlacionada:
1 1

i i in n
y L z L z = + + 1 i , , n =
Transformar
i
y para a varivel original: ( ) ( )
1
i
i i
X
x F y
= 1 i , , n =
1 N N = +
Zona de rotura:
( )
0 G X
1
f f
N N = +
Probabilidade de rotura:
f
P N N
f
=

Coeficiente de variao de
f
P
:
( ) ( )
1
f f f
COV P P N P =

COV > cov
*
Imprimir valor final de
f
P
e COV
No
Sim
No
Sim
Sim
No
Aumentar N
max
N<N
max

Figura 4.2 Mtodo de simulao pura de Monte Carlo para variveis aleatrias correlacionadas.
162
Dados:
( )
G X ,
( )
F
X
X , [ ] ,
*
z , , cov
*
, N
max
Calcular
[ ]
L : Decomposio de Cholesky de [ ]
0 N = , 0 S =
Gerar varivel aleatria uniforme:
1 2 n
u , u , , u ( ) 0 1 ,
Obter varivel independente com distribuio normal padro:
( )
1 *
i i
i
z u z
= + , 1 i , , n =
Transformar
i
z em varivel normal padro correlacionada:
1 1

i i in n
y L z L z = + + 1 i , , n =
Transformar
i
y para a varivel original: ( ) ( )
1
i
i i
X
x F y
= 1 i , , n =
1 N N = +
Zona de rotura:
( )
0 G X
( )
( ) ( )
1
n
*
i i i
i
S S z z z
=
= +
Probabilidade de rotura:
f
P S N =

Coeficiente de variao de
f
P
:
( ) ( )
1
f f f
COV P P N P =

COV > cov
*
Imprimir valor final de
f
P
e COV
No
Sim
No
Sim
Sim
No
Aumentar N
max
N<N
max
2 2
1
n
i
i
z
=
>
Sim
No

Figura 4.3 Mtodo de simulao de Monte Carlo aplicando uma amostragem por importncia
para variveis aleatrias correlacionadas.
163

Captulo 5

Mtodo de Perturbao para a Avaliao das Incertezas
em Sistemas Estruturais

5.1 Introduo

A necessidade de enquadrar o problema da variabilidade estrutural num contexto de maior
exigncia levou a que ao longo dos tempos se passasse de uma simples abordagem
determinstica para uma abordagem probabilstica. No entanto, um dos principais
problemas na introduo destas tcnicas o imenso tempo computacional necessrio para
a sua aplicao, principalmente quando so utilizados mtodos de simulao como por
exemplo o mtodo de Monte Carlo, mesmo quando so adoptadas tcnicas de reduo da
varincia.
Na anlise de sistemas estruturais est sempre associado um determinado grau de risco
devido s incertezas envolvidas. Estas surgem devido s variabilidades inerentes
actividade humana, ao erro de estimao dos modelos usados, variabilidade dos materiais
utilizados, disperso das aces actuantes e s imperfeies geomtricas. De forma a
avaliar adequadamente o risco associado segurana estrutural, tem-se verificado uma
utilizao crescente de tcnicas de fiabilidade estrutural com base em conceitos
probabilsticos. A aplicao dessas tcnicas relativamente simples quando existe uma
formulao explcita do problema estrutural. No entanto, quando no existem relaes
explcitas entre as variveis do problema, como por exemplo no mtodo dos elementos
165
finitos, necessrio efectuar vrias anlises do mesmo problema para avaliar a incerteza
associada resposta estrutural (Teigen et al., 1991a; Teigen et al., 1991b; Ditlevsen e
Madsen, 2005; Reddy, 1993; Ghanem e Spanos, 2003; Schenk e Schueller, 2005).
Neste trabalho apresenta-se um mtodo eficiente que conjuga tcnicas de perturbao com
o mtodo dos elementos finitos de forma a avaliar a incerteza da resposta estrutural (Eibl e
Schmidt-Hurtienne, 1991; Henriques, 2006; Veiga et al., 2006). As variveis do problema
estrutural com caractersticas aleatrias so descritas atravs dos seus valores mdios,
desvios padro e coeficientes de correlao que quantificam a dependncia entre essas
variveis. Definindo a priori as distribuies de probabilidade das variveis aleatrias
bsicas do problema, a presente metodologia permite avaliar numa nica anlise estrutural
o valor mdio e o desvio padro da resposta estrutural. Os resultados obtidos so exactos
para problemas lineares e quando a distribuio de todas as variveis aleatrias normal.
O desenvolvimento de procedimentos apropriados para ter em conta variveis aleatrias
com distribuies no normais e problemas no lineares efectuado de forma a obter
resultados com um grau de aproximao adequado.
A aplicao desta metodologia a alguns exemplos concretos, apresentados e desenvolvidos
no prximo captulo, permite visualizar as suas potencialidades, nomeadamente, a sua
extrema eficincia em comparao com outros mtodos, assim como a adequao dos
resultados obtidos.

5.2 Metodologia proposta

Este conceito de segurana baseia-se na comparao entre a capacidade resistente de uma
estrutura e o nvel de carga aplicada. O mtodo de perturbao utilizado aplicado numa
formulao de elementos finitos seguindo os passos de uma anlise determinstica (Reh et
al., 2006; Thomos e Trezos, 2006). Este baseia-se numa expanso em srie de Taylor das
equaes de equilbrio do sistema estrutural. A incerteza do comportamento estrutural
avaliada tendo em conta os termos em torno dos valores mdios das variveis aleatrias
bsicas uma vez que estes representam a amplitude de valores com maior probabilidade de
ocorrncia. A mdia e varincia da resposta estrutural so obtidas a partir da mdia,
varincia e correlaes das variveis aleatrias bsicas (Altus et al., 2005; Zhang and
Ellingwood, 1996).
166
Captulo 5 - Mtodo de Perturbao para a Avaliao das Incertezas em Sistemas Estruturais
Considere-se uma estrutura com n elementos, onde os parmetros do sistema so
distribudos aleatoriamente, que est sujeita a diferentes cargas, , ou seja,
i
F.
[ ]
1 n
F. , , F. = e testada at ao estado limite. Enquanto a intensidade da carga
aplicada, F, aumenta proporcionalmente o vector de distribuio das cargas, , mantm-se
constante (figura 5.1).

Carga aplicada
i i
F F. =

Figura 5.1 Funo de distribuio da carga num elemento estrutural.
De acordo com o mtodo dos elementos finitos o equilbrio de um sistema estrutural
definido pela equao:
K . u F . = (5.1)
onde u o vector dos deslocamentos nodais, F. o vector das foras nodais que
representa as aces externas, sendo F a intensidade da carga aplicada ao sistema estrutural
e [ ]
1 2 n
, , , = o vector da distribuio da carga ao longo da estrutura com n graus
de liberdade e K a matriz de rigidez tangente do sistema estrutural, definida como funo
dos deslocamentos nodais u.
Aplicando tcnicas de perturbao equao (5.1) possvel quantificar a resposta
estrutural mdia e a sua disperso em funo de deslocamentos ou foras. Assim, obtm-
se:

( ) ( ) ( )
K K . u u F F . + + = + (5.2)
Resolvendo a equao (5.2) em relao aos termos de primeira ordem e desprezando os de
segunda ordem, obtm-se a seguinte expresso:
K . u K . u F . + = (5.3)
167
A incerteza da resposta estrutural pode ser definida atravs de (figura 5.2):
a) foras, para uma deformao mxima fixa;
b) deslocamentos, para uma determinada carga predefinida.

Em seguida apresenta-se para cada caso a avaliao da incerteza atravs de uma tcnica de
perturbao.
F
u u
lim
F
0

F
u u
0
F
lim

(a) (b)
Figura 5.2 Definio da resposta atravs de: (a) Foras, (b) Deslocamentos.
5.2.1 Incertezas em funo de foras

A incerteza da resposta estrutural em termos de foras, F , deve ser avaliada no valor
mdio dos deslocamentos onde a extenso mxima
max u
i
u
=
, isto , no ponto onde o
deslocamento mximo. Nesse ponto pode dizer-se que u
i,max
= 0. Dessa forma, a
equao (5.3) pode ser definida por:

0
i max u
u
K . u K . u F .
= =
+ = (5.4)
Ento:
0
i ,max
i ,max
u
K . u F . K . u
=
=

M
K . u K . q = , (5.5)

168
onde o vector q e a matriz
M
K so definidas por (Eibl e Schmidt-Hurtienne, 1991):
1
1
1
i
i ,max
i
n
u
u
q F
u
u

.
.
n
i n
i n
nn
k
k
k
k
+

11 1 1 1 1 1 1
11 1 1 1 1 1 1
1 1 1
11 1 1 1 1 1 1
1 1 1
i i
i i i i i i
M i ii i ii in
i i i i i i
n ni n ni
k k k
k k k
K k k k k
k k k
k k k
+
+
+
+ + + + +
+

=

. . . .

. . . .

.
.
.
Depois de se calcular a mdia dos deslocamentos nodais, u , atravs da equao (5.1) pode
determinar-se , e em particular q F
i ,max
, a partir da equao (5.5) obtendo:

1
M
q K . K .
= u (5.6)
Durante o processo de construo as propriedades dos materiais assim como as dimenses
de um membro estrutural esto sujeitos a pequenas variaes aleatrias. Essas flutuaes
aleatrias so consideradas como campos aleatrios contnuos (Vanmarcke, 1983). Assim,
um parmetro do sistema estrutural que apresente variaes aleatrias em torno do seu
valor mdio pode ser descrito atravs da expresso:
( ) ( )
1 . x = + , (5.7)
onde ( ) x uma varivel aleatria.
O mtodo probabilstico de elementos finitos discretiza a estrutura em elementos
aleatrios. Dessa forma, a varivel aleatria contnua ( ) x aproximada atravs de n
graus de liberdade e funes de forma
i
( )
i
N (Liu et al., 1986). O elemento k seria
dado por:
,
( )
( )
( )
1
n
k k
i i
i
N .
=
=
0 1 (5.8)
Como o conhecimento sobre o comportamento aleatrio dos parmetros dentro de um
membro estrutural escasso, normalmente assume-se que
( ) k
se mantm constante ao
169
longo de cada elemento aleatrio ( ( ) 1
i
N = ). Ao fazer coincidir o tamanho desses
elementos com o dos elementos finitos o nmero de graus de liberdade aleatrios passa a
ser igual ao nmero de elementos estruturais. Dessa forma, atravs do mtodo
probabilstico de elementos finitos possvel determinar as covarincias das variveis do
sistema a partir das covarincias das variveis aleatrias. A matriz de covarincias do
vector q dada por:

T
q
q
C . C .
q
=

(5.9)
onde a matriz de covarincias das variveis do sistema e C
q
C

a matriz de
covarincias das variveis aleatrias.
A covarincia de uma varivel aleatria
i
pode ser definida pelo seu desvio padro e
pela autocorrelao espacial entre as variveis aleatrias
i
ij
(descreve a interdependncia
aleatria entre as variveis aleatrias e
i
j
):
(5.10)
T
C . C .

=
onde a matriz de correlao das variveis aleatrias e C
a matriz dos desvios

padro das variveis aleatrias.
Considerando a influncia de diferentes campos aleatrios sobre a resistncia estrutural
(por exemplo, = beto e
c
s
=ao) e assumindo a existncia de apenas uma distribuio
global para as variveis aleatrias em todos os elementos (
ck
e
sk
), a
seguinte simplificao aplica-se a todos os n elementos:
1 k , , n =
cn

1
1
c c
s s s
= = =
= = =
n
(5.11)
Assim, por exemplo, se a variao da rigidez estrutural K , na equao (5.6), resulta da
disperso da varivel aleatria , o desvio da resposta estrutural pode ser dada por:
k

1
k M
k k
q K
q . K . . u.

k
= =

(5.12)
170
Tendo em conta as equaes (5.9), (5.10) e (5.12) obtm-se:

( ) ( )( )( ) ( )
( )( )( )( )
1
1 1
1
1
1 1 1 , ...
... 1 1 ...

T
T T T
q M M
T
M M n
n
m m m m m
m m n n n n m m
K K
C K . . u . . C . . u . . K
A
K K
K . . u . , , K . . u . .C .A

= =

=

( ) ( ) , 1 m n n n ( )( ) m
(5.13)
onde m o nmero de graus de liberdade da estrutura e n o nmero de variveis
aleatrias bsicas.
Se e C so conhecidos, a expresso

(5.13) d-nos um valor para . Esta matriz
fornece as varincias de todos os deslocamentos nodais assim como a varincia, segundo a
direco e sentido, da fora aplicada estrutura.
q
C
Em concluso, uma vez conhecidas as mdias e os desvios padro das variveis aleatrias
bsicas assim como as correlaes entre elas e a mdia da fora aplicada na estrutura, este
mtodo permite obter uma variabilidade para a fora. Desta forma obtm-se o desvio
padro da fora que conduz a uma deformao (ou deslocamento) previamente fixada.
Quando faltam alguns dados experimentais os valores da correlao entre duas variveis
aleatrias so aproximados atravs de uma funo exponencial que descreve a dependncia
entre elas utilizando uma funo da distncia espacial entre o centro de dois elementos
kl
x e o comprimento da correlao, :
( )
kl
x
kl k l
, e
= = . (5.14)

171
5.2.2 Incertezas em funo de deslocamentos

Quando se conhece a variabilidade da fora aplicada a uma estrutura, traduzida pelo
respectivo coeficiente de variao, pode utilizar-se uma variante do mtodo anterior para
obter a mdia e o desvio padro dos deslocamentos nodais da estrutura. Neste caso,
conhecidas as mdias e os desvios padro das variveis aleatrias bsicas relacionadas com
o material e geometria assim como as correlaes entre elas e a mdia e coeficiente de
variao da fora aplicada na estrutura, este mtodo permite obter para cada grau de
liberdade as respectivas mdias e desvios padro dos deslocamentos nodais.
Pode ser aplicado em situaes com um ou mais casos de carga, tendo em conta que no
mesmo caso de carga s podem estar foras da mesma natureza (como por exemplo vento,
neve, sismos, cargas permanentes, sobrecargas); com o mesmo coeficiente de variao e o
mesmo tipo de distribuio.

5.2.2.1 Um caso de carga

Considere-se apenas um caso de carga, ou seja, uma nica fora global F. Os pressupostos
deste mtodo so os mesmos do anterior. Parte-se da mesma equao determinstica (5.1)
at chegar equao:
K . u K . u F . + = (5.15)
A incerteza da resposta estrutural em termos de deslocamentos pode ser avaliada atravs
da expresso:

1 1
u K . K . u K . F .

= + (5.16)
Aplicando os mesmos pressupostos do mtodo anterior, atravs do mtodo probabilstico
de elementos finitos possvel determinar as covarincias das variveis do sistema a partir
das covarincias das variveis aleatrias. A matriz de covarincias do vector u dada por:

T
T
u
u
C . . C . .
=

u
(5.17)
172
onde: matriz de covarincias das variveis do sistema
u
C =
C matriz de correlao das variveis aleatrias
=
matriz dos desvios padro das variveis aleatrias =
Por exemplo, se os desvios da matriz de rigidez K e das foras F na equao (5.16)
resultam da disperso das variveis aleatrias
k
( n 1 = ), ento a incerteza da resposta
estrutural em termos de deslocamentos pode ser definida por:

1 1
k k
k k k
u K F
u . K . . u. K . . .

k
= = +

(5.18)
Tendo em conta as equaes (5.17) e (5.18) obtm-se:
( ) ( ) ( )
1 1

T T
T T T T T T
u
K F K F
C K . . u . K . . . . C . . u . . K . . . K
m n n n n m

= + +

=

(5.19)
( )
1 1 1 1
1 1 1
1 1
1
A
T
n n n
n n
. C .
m
K F K F
K . . u . K . . . , , K . . u . K . . . A

= + +

( ) ( ) ( 1 m n ) n n m

onde:
m = Nmero de graus de liberdade da estrutura
n = Nmero de variveis aleatrias bsicas
Se e C so conhecidos, a expresso

fornece as varincias de todos os deslocamentos nodais da estrutura.
u
C
Em concluso, uma vez conhecidas as mdias e os desvios padro das variveis aleatrias
bsicas aplicadas na estrutura assim como as correlaes entre elas, este mtodo permite
obter os deslocamentos mdios e os respectivos desvios padro.

173
5.2.2.2 Vrios casos de carga

Com dois ou mais casos de carga, cada um com foras que tm o mesmo coeficiente de
variao e o mesmo tipo de distribuio, o mtodo aqui desenvolvido aplica-se de forma
semelhante, apenas se tem de fazer um ajuste relativamente aos vrios casos de carga. Para
n casos de carga, a equao de equilbrio ser dada por:

1
n
i i
i
K . u F .
=
=
. (5.20)
Se a variao da rigidez e das foras que actuam na estrutura resultam de uma variao da
varivel aleatria , ento a segunda parcela da equao
k
(5.18) pode ser obtida atravs da
seguinte expresso:

1 1
1
n
i
k
k k i
F F
K . . . K . . .

=

=

i k
(5.21)
Este vector condensa a influncia, ou a aco, que todos os casos de carga tm sobre a
estrutura. Assim, a incerteza da resposta estrutural em termos de deslocamentos pode ser
avaliada atravs da equao:

1 1
1

n
i
k k
k k k i
F u K
u . K . . u. K . . .

=

= = +

i k
(5.22)
Neste caso a primeira parcela de u, definida na equao (5.22), influenciada por todas as
variveis aleatrias bsicas do problema que esto relacionadas com a matriz de rigidez e a
seguinte pelas foras que actuam na estrutura. Tendo em conta (5.17) e (5.21) obtm-se:

( ) ( )( )
1 1

u
T
K F
C K . . u . K . . . C .
m s s s s m
A
A

= +

(5.23)
onde m o nmero de graus de liberdade da estrutura e s igual ao nmero de variveis
aleatrias bsicas menos o nmero de casos de carga mais uma unidade.
174
Se e so conhecidos a expresso C

fornece as varincias de todos os deslocamentos nodais da estrutura.
u
C

5.3 Exemplos de aplicao

Em seguida apresentam-se dois exemplos simples para ilustrar de forma detalhada a
aplicao da metodologia proposta. No primeiro exemplo procura-se calcular a disperso
de uma fora que aplicada numa viga, no outro procura-se calcular a disperso do
deslocamento numa viga onde se aplicam duas foras. Em ambos os casos cada elemento
composto por dois ns e por trs graus de liberdade por n (figura 5.3).

1
2
l
1
1
2
v
2

u
2
v
1

u
1

Figura 5.3 Elemento de barra de dois ns.
5.3.1 Viga sujeita a uma carga

Considere-se uma viga onde aplicada uma fora nodal vertical a meio vo com uma
grandeza de forma que a resposta estrutural se desenvolve em regime linear elstico (figura
5.4). O sistema estrutural constitudo por duas variveis aleatrias bsicas, a inrcia I e o
mdulo de elasticidade E com distribuies normais (tabela 5.1). Os restantes parmetros
relacionados com a geometria da estrutura so considerados determinsticos. As
componentes dos deslocamentos nos ns 1, 2 e 3 (
1
, v
1
, u
1
,
2
, v
2
, u
2
,
3
, v
3
, u
3
) sero
caracterizadas atravs dos seus valores mdios e desvios padro, tendo em conta as
caractersticas de disperso do mdulo de elasticidade e da inrcia.

1
2 3
l l
F
1 2
1

2

3
v
2

Figura 5.4 Viga sujeita a uma carga F.
175
Neste exemplo foram considerados os seguintes parmetros: vo 2l = 6m, base da seco
da viga b = 0.25m, altura da seco da viga h = 0.5m, inrcia com um valor mdio de
3
12 1 384 I bh = = m
4
e um coeficiente de variao de 5%, mdulo de elasticidade E com
um valor mdio de 30GPa e um coeficiente de variao de 8%, carga aplicada F = 100KN.
As duas variveis aleatrias, mdulo de elasticidade e inrcia, no so correlacionadas
entre si.
Tabela 5.1 Resumo das caractersticas dos parmetros do sistema.
Variveis
Aleatrias
Distribuies Valor Mdio
Desvio
Padro
E
Normal 30GPa 2.4GPa
I Normal
1
384
m
4
5
38400
m
4
Conforme se pode observar na figura 5.4 a viga constituda por dois elementos e trs ns,
cada um com trs graus de liberdade (um momento, um deslocamento vertical e um
deslocamento horizontal). Comea-se por definir a matriz de rigidez da viga e o vector das
foras nodais, sendo a matriz de rigidez do elemento i,
i
e
K , e o vector das foras nodais do
elemento i, , dados por:
i
e
F

1 2
2 2
2 3 2 3
2 2
2 3 2 3
4 6 2 6
0 0
6 12 6 12
0 0
0 0 0 0
2 6 4 6
0 0
6 12 6 12
0 0
0 0 0 0
e e
EI EI EI EI
l l l l
EI EI EI EI
l l l l
EA EA
l
K K
EI EI EI EI
l l l l
EI EI EI EI
l l l l
EA EA
l l
l

= =

(5.24)
(5.25) {
1
0 0 0 0 50 0
T
e
F = }
} (5.26) {
2
0 50 0 0 0 0
T
e
F =
Agrupando as matrizes de rigidez e os vectores das foras nodais dos dois elementos
obtm-se a matriz de rigidez K e o vector das foras nodais F da viga:
176

2 2
2 2 2
2 2
6 6
4 0 2 0 0 0
6 12 6 12
0 0 0 0
0 0 0 0 0 0 0
6 6
2 0 8 0 0 2
6 12 24 6 12
0 0 0 0
2
0 0 0 0 0 0
6 6
0 0 0 2 0 4 0
6 12 6 12
0 0 0 0 0
0 0 0 0 0 0 0
l l
l l l l
A A
I I
l l
EI
K
l l l l l l
0
0
0
A A A
I I I
l l
l l l l
A A
I I

}
}
(5.27)
(5.28) { 0 0 0 0 100 0 0 0 0
T
F =
O vector dos deslocamentos U definido por:
(5.29) {
1 1 1 2 2 2 3 3 3
T
U v u v u v u =
Tendo em conta as restries impostas pelos apoios (apoio duplo no n 1 impedimento
de deslocamento vertical e horizontal e apoio simples no n 3 impedimento apenas no
deslocamento vertical), as componentes de deslocamento v
1
, u
1
, u
2
, v
3
e

u
3
so nulas. Desta
forma, o vector das incgnitas, U, ser composto pelas componentes de deslocamento:
1
,
2
, v
2
e
3
e pelas reaces nos apoios: R
1
e R
3
(reaces verticais nos ns 1 e 3). Assim, o
sistema de equaes que traduz o equilbrio esttico da viga dado por:

2
2 2 3
2 3 2
2
2 3 2
4 2 6
0 0 0 0 0 0
6 6 12
1 0 0 0 0 0
0 0 1 0 0 0 0 0
2 8 2
0 0 0 0 0 0
6 24 6
0 0 0 0 0 0
2
0 0 0 0 0 0 0
2 6 4
0 0 0 0 0 0
6 12 6
0 0 0 0 1 0
0 0 0 0 0 0 0
EI EI EI
l l l
EI EI EI
l l l
AE
l
EI EI EI
l l l
EI EI EI
l l l
AE AE
l l
EI EI EI
l l l
EI EI EI
l l l
AE AE
l l

{ }
{ }
1
1
2
2
3
3
0
0
0 0
0
0 0
0
0
0 0
R
. v F
R
F
U
K

_
(5.30)
177
A matriz de rigidez K e o vector das foras nodais F a considerar nas fases seguintes sero
as definidas em (5.30).
Para determinar a matriz de covarincias das variveis do sistema, , e da obter as
varincias de todos os deslocamentos nodais assim como a varincia, segundo a direco e
sentido, da fora aplicada estrutura, F, necessrio calcular as derivadas parciais da
matriz K em ordem s variveis aleatrias E e I, a matriz
q
C
M
K e a sua inversa
1
M
K
e o
vector dos deslocamentos mdios nodais, U . As derivadas parciais da matriz K em ordem
s variveis aleatrias E e I so dadas por:

2
2
2
6
4 0 0 2 0 0 0 0
6 6 12
0 0 0 0 0 0
0 0 0 0 0 0 0 0
2 0 0 8 0 0 2 0 0
6 24 6
0 0 0 0 0 0
2
0 0 0 0 0 0 0
6
0 0 0 2 0 4 0 0
6 12 6
0 0 0 0 0 0
0 0 0 0 0 0 0
l
l l l
A
I
K I
l l l E l
A A
I I
l
l l l
A A
I I

(5.31)

2
2
2
6
4 0 0 2 0 0 0 0
6 6 12
0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
2 0 0 8 0 0 2 0 0
6 24 6
0 0 0 0 0
0 0 0 0 0 0 0 0 0
6
0 0 0 2 0 4 0 0
6 12 6
0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
l
l l l
K E
I l l l l
l
l l l

0 (5.32)
178
Uma vez definida a matriz K e o vector F possvel calcular o valor mdio das incgnitas,
U . Tendo em conta que o valor mdio do produto EI = 3010
6
(1/384) = 78125KN.m
2
,
que l = 3m, A = 0.125m
2
e F = 100KN, substituindo estes valores no sistema de equaes
(5.30) obtm-se:

1
1
2
2
3
3
0 00288
50
0 0
0
0 00576
0 0
0 00288
50
0 0
. rad
KN R
U . m v
. rad
KN R

= =

(5.33)
A matriz
M
K obtm-se a partir da matriz K definida na expresso (5.30) sendo dada por:

2 2
2
2 2
4 2
0 0 0 0 0 0 0
6 6
1 0 0 0 0 0 0
0 0 1 0 0 0 0 0
2 8 2
0 0 0 0 0 0
6 6
0 0 0 1 0 0 0
2
0 0 0 0 0 0 0
2 4
0 0 0 0 0 0
6 6
0 0 0 0 0 1 0
0 0 0 0 0 0 0
M
EI EI
l l
EI EI
l l
AE
l
EI EI EI
l l l
EI EI
K
l
2
0
l
AE A
l l
EI EI
l l
EI EI
l l
E
AE A
l l

E
(5.34)
A matriz
1
M
K
a inversa da matriz
M
K que pode obter-se utilizando o mtodo de
condensao de Gauss, sendo dada por:

1
7 1 1
0 0 0 0 0 0
8 4 8
5 1 1
1 0 0 0 0 0
12 6 12
0 0 1 0 0 1 0 0 1
1 1 1
0 0 0 0 0 0
4 2 4
1
0 0 0 1 0 0 0
2
1 1
0 0 0 0 0 0 0
16 16
1 1 7
0 0 0 0 0 0
8 4 8
1 1 5
0 0 0 0 1 0
12 6 12
1 1
0 0 0 0 0 0 0
16 8
M
EI EI EI
EI EI EI
K
EI EI
EI EI EI
EI EI

1
2
(5.35)
179
Convm notar que o produto dado pela expresso
1
M
K
K . . u .
, definida na equao
(5.13), resulta numa matriz com dimenso (mn), onde m o nmero de graus de liberdade
da estrutura (neste exemplo m = 9) e n o nmero de graus de liberdade estocsticos, ou
seja, o nmero de variveis aleatrias bsicas (neste exemplo n = 2). Nesta matriz cada
coluna corresponde contribuio de cada varivel aleatria.
A matriz
1
M
K
obtm-se a partir da matriz

1
M
K
definida em (5.35) substituindo os

parmetros pelos seus valores mdios. Assim como as matrizes das derivadas parciais
K so obtidas a partir das expresses (5.31) e (5.32) substituindo os parmetros pelos
seus valores mdios. A expresso representa os desvios padro das variveis aleatrias
bsicas E e I, que so E = 300.08 = 2.4GPa e I = 1/3840.05 = 5/38400m
4
.
Para obter os elementos da coluna correspondente contribuio da varivel aleatria E
deve calcular-se a seguinte expresso:
( ) ( ) ( )
( ) ( ) ( )
1
6 6 6
6 6 6
6 6
6 6 6
11 2 10 0 0 3 2 10 0 0 1 6 10 0 0
0 41 6 1 0 0 1 6 0 0 0 08 3 0 0
0 0 1 0 0 1 0 0 1
3 2 10 0 0 6 4 10 0 0 3 2 10 0 0
0 5 0 0 0 1 0 0 5 0 0
0 0 0 0 0 0 8 10 0 0 0 8 10
1 6 10 0 0 3 2 10 0 0 11 2 10 0 0
0 08 3 0 0 0 1 6 0 0 0 41 6
M
K
K . . u . E
E
. . .
. . .
. . .
. .
. .
. . .
. . .
6 6
1 0
0 0 0 0 0 0 8 10 0 0 1 6 10 . .

4 0 0 2 2 0 0 0 0
0 00288
12
2 0 0 2 0 0 0 0
50
9
0 0 0 0 0 48 0 0 0
0
2 0 0 8 0 0 2 0 0
0
1 24
0 00576 2 0 0 0 0 2 0 0
1152 9
0
0 0 0 0 0 96 0 0 48
0 00
0 0 0 2 2 0 4 0 0
12
0 0 0 2 0 2 0 0
9
0 0 0 0 0 48 0 0 48
.
.
.

6
0
4
0
0
2 4 10 8
0
288 0
50 4
0 0
.

(5.36)
180
Para obter os elementos da coluna correspondente contribuio da varivel aleatria I
deve calcular-se a seguinte expresso:
( ) ( ) ( )
( ) ( ) ( )
1
6 6 6
6 6 6
6 6
6 6 6
11 2 10 0 0 3 2 10 0 0 1 6 10 0 0
0 41 6 1 0 0 1 6 0 0 0 08 3 0 0
0 0 1 0 0 1 0 0 1
3 2 10 0 0 6 4 10 0 0 3 2 10 0 0
0 5 0 0 0 1 0 0 5 0 0
0 0 0 0 0 0 8 10 0 0 0 8 10
1 6 10 0 0 3 2 10 0 0 11 2 10 0 0
0 08 3 0 0 0 1 6 0 0 0 41 6
M
K
K . . u . I
I
. . .
. . .
. . .
. .
. .
. . .
. . .
6 6
1 0
0 0 0 0 0 0 8 10 0 0 1 6 10 . .

6
4 0 0 2 2 0 0 0 0
0 00288
12
2 0 0 2 0 0 0 0
50
9
0 0 0 0 0 0 0 0 0
0
2 0 0 8 0 0 2 0 0
0
30 10 24
0 00576 2 0 0 0 0 2 0 0
3 9
0
0 0 0 0 0 0 0 0 0
0 00288
0 0 0 2 2 0 4 0 0
50 12
0 0 0 2 0 2 0 0
9
0
0 0 0 0 0 0 0 0 0
.
.
.

0
2 5
0
0
5
5
38400
0
0
2 5
0
.
.

(5.37)
Considerando a equao (5.13) e tendo em conta que as variveis aleatrias E e I no esto
correlacionadas entre si (assim, a matriz C
uma matriz identidade) calculada a matriz

de covarincias da resposta estrutural:
0 0
4 2 5
0 0
0 0
1 0 0 4 0 0 8 0 0 4 0
8 5
0 1 0 2 5 0 0 5 0 0 2 5 0
0 0
0 0
4 2 5
0 0
q
.
C . .
. .
.

=

181
(5.38)
0 0 0 0 0 0 0 0 0
0 22 25 0 0 44 5 0 0 22 25 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 44 5 0 0 89 0 0 44 5 0
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
0 22 25 0 0 44 5 0 0 22 25 0
0 0 0 0 0 0 0 0 0
q
. . .
C .
. . .

=

.
A varincia da componente da fora F corresponde ao valor obtido na diagonal principal,
na linha (ou coluna) 5. Desta forma, o respectivo desvio padro dado por:
89 9 43 F . = = kN

5.3.2 Viga sujeita a duas cargas

Considere-se uma viga submetida a duas aces, uma carga uniformemente distribuda p e
uma fora nodal horizontal Q no extremo da viga (figura 5.5). O sistema estrutural
constitudo por trs variveis aleatrias bsicas, o mdulo de elasticidade E e as duas
aces aplicadas Q e p com distribuies normais (tabela 5.2). Os restantes parmetros
relacionados com a geometria da estrutura so considerados determinsticos. As
componentes dos deslocamentos nos ns 1, 2 e 3 (
1
, v
1
, u
1
,
2
, v
2
, u
2
,
3
, v
3
, u
3
) sero
caracterizadas atravs dos seus valores mdios e desvios padro, tendo em conta as
caractersticas de disperso do mdulo de elasticidade e das duas cargas. O estudo vai
incidir sobre a avaliao da incerteza do deslocamento vertical a meio vo da viga, v
2
.

1
2 3
l l
Q
1 2
1

2

3
v
2

p

Figura 5.5 Viga sujeita a duas cargas Q e p.
Neste exemplo foram considerados os seguintes parmetros: vo 2l = 5m, rea da seco
da viga A = 0.0012m
2
, inrcia I = 2.510
-5
m
4
, mdulo de elasticidade E com um valor
mdio de 200GPa e um coeficiente de variao de 5%, carga uniformemente distribuda p
com um valor mdio de 15kN/m e um desvio padro de 2kN/m e fora nodal horizontal Q
com um valor mdio de 50kN e um coeficiente de variao de 15%. As trs variveis
182
aleatrias, mdulo de elasticidade, carga p e fora Q no so correlacionadas entre si.
Variveis
Aleatrias
Desvio
Padro
E
Normal 200GPa 10GPa
p Normal 15kN/m 2kN/m
Q Normal 50kN

7.5kN

Conforme se pode observar na figura 5.5 a viga constituda por dois elementos e trs ns,
cada um com trs graus de liberdade (um momento, um deslocamento vertical e um
deslocamento horizontal). Comea-se por definir a matriz de rigidez da viga e o vector das
foras nodais. Tal como no exemplo anterior, cada elemento composto por dois ns e por
trs graus de liberdade por n (figura 5.3), sendo a matriz de rigidez do elemento i,
i
e
K , e
o vector das foras nodais do elemento i,
i
e
F , dadas por:

1 2
2 2
2 3 2 3
2 2
2 3 2 3
4 6 2 6
0 0
6 12 6 12
0 0
0 0 0 0
2 6 4 6
0 0
6 12 6 12
0 0
0 0 0 0
e e
EI EI EI EI
l l l l
EI EI EI EI
l l l l
EA EA
l
K K
EI EI EI EI
l l l l
EI EI EI EI
l l l l
EA EA
l l

= =

l
(5.39)

1
2 2
0
12 2 12 2
T
e
pl pl pl pl
F

=
(5.40)

2
2 2
0
12 2 12 2
T
e
pl pl pl pl
F

=

Q

(5.41)
Agrupando as matrizes de rigidez e os vectores das foras nodais dos dois elementos
obtm-se a matriz de rigidez K e o vector das foras nodais Q da viga:

2
0 0 0
12 2 12 2
T
pl pl pl pl
F pl

=

2
Q (5.42)
183

2 2
2 2 2
2 2
6 6
4 0 2 0 0 0
6 12 6 12
0 0 0 0
0 0 0 0 0 0 0
6 6
2 0 8 0 0 2
6 12 24 6 12
0 0 0 0
2
0 0 0 0 0 0
6 6
0 0 0 2 0 4 0
6 12 6 12
0 0 0 0 0
0 0 0 0 0 0 0
l l
l l l l
A A
I I
l l
EI
K
l l l l l l
0
0
0
A A A
I I I
l l
l l l l
A A
I I

}
(5.43)
O vector de deslocamentos U definido por:
(5.44) {
1 1 1 2 2 2 3 3 3
T
U v u v u v u =
Tendo em conta as restries impostas pelos apoios (apoio duplo no n 1 impedimento
de deslocamento vertical e horizontal e apoio simples no n 3 impedimento apenas no
deslocamento vertical) e a fora Q aplicada no n 3, as componentes de deslocamento v
1
,
u
1
e v
3
so nulas. Desta forma, o vector das incgnitas, U, ser composto pelas
componentes de deslocamento:
1
,
2
, v
2
, u
2
,
3
e

u
3
e pelas reaces nos apoios: V
1
e V
3

(reaces verticais nos ns 1 e 3) e H
1
(reaco horizontal no n 1). Assim, o sistema de
equaes que traduz o equilbrio esttico da viga dado por:

2
2 2 3
2 3 2
2
2 3 2
4 2 6
0 0 0 0 0 0
6 6 12
1 0 0 0 0 0
0 0 1 0 0 0 0 0
2 8 2
0 0 0 0 0 0
6 24 6
0 0 0 0 0 0
2
0 0 0 0 0 0 0
2 6 4
0 0 0 0 0 0
6 12 6
0 0 0 0 1 0
0 0 0 0 0 0 0
EI EI EI
l l l
EI EI EI
l l l
AE
l
EI EI EI
l l l
EI EI EI
l l l
AE AE
l l
EI EI EI
l l l
EI EI EI
l l l
AE AE
l l

{ }
{ }
2
1
1
1
2
2
2
2
3
3
3
12
2
0
0
0
12
2
pl
V pl
H
. v pl
u
pl
pl V
Q u
F U
K

_
_

(5.45)
184
A matriz de rigidez K e o vector das foras nodais F a considerar nas fases seguintes sero
as definidas em (5.45).
Para determinar a matriz de covarincias das variveis do sistema, , e da obter as
varincias de todos os deslocamentos nodais necessrio calcular as derivadas parciais da
matriz K e do vector F em ordem s variveis aleatrias E, p e Q, a matriz
u
C
1
K e o vector
dos deslocamentos mdios nodais, U . As derivadas parciais da matriz K e do vector F em
ordem s variveis aleatrias E, p e Q so dadas por:
0
K K F
Q p E

= = =

(5.46)

2
2
2
6
4 0 0 2 0 0 0 0
6 6 12
0 0 0 0 0 0
0 0 0 0 0 0 0 0
2 0 0 8 0 0 2 0 0
6 24 6
0 0 0 0 0 0
2
0 0 0 0 0 0 0
6
0 0 0 2 0 4 0 0
6 12 6
0 0 0 0 0 0
0 0 0 0 0 0 0
l
l l l
A
I
K I
l l l E l
A A
I I
l
l l l
A A
I I

=

(5.47)

{
1 0 0 2 0 1 0
2 6 6
T
F l l l
p
}
(5.48)
{0 0 0 0 0 0 0 0 1
T F
Q
} (5.49)
Uma vez definida a matriz K e o vector F possvel calcular o valor mdio das incgnitas,
U . Tendo em conta que o valor mdio do produto EI = 20010
6
2.510
-5
= 5000KN.m
2
,
que l = 2.5m, A = 0.0012m
2
, p = 15kN/m e Q = 50kN, substituindo estes valores no sistema
de equaes (5.45) obtm-se:
185

( )
( )
1
1
1
2
2
2
3
3
3
0 015625
37 5
50
0
0 0244140625
0 0005208 3
0 015625
37 5
0 001041 6
. rad
. KN V
KN H
U . v
. m u
. rad
. KN V
. m u

m

= =

(5.50)
A soma dada pela expresso
1 1
K F
K . . U . K . . .

+

, definida na equao
(5.19), resulta numa matriz com dimenso (mn), onde m o nmero de graus de liberdade
da estrutura (neste exemplo m = 9) e n o nmero de graus de liberdade estocsticos, ou
seja, o nmero de variveis aleatrias bsicas (neste exemplo n = 3). Nesta matriz cada
coluna corresponde contribuio de cada varivel aleatria.
A matriz
1
K
obtm-se a partir da matriz K definida em (5.45) substituindo os parmetros

pelos seus valores mdios e invertendo a matriz assim obtida. As matrizes das derivadas
parciais K e F so obtidas a partir das expresses (5.46) a (5.49) substituindo
os parmetros pelos seus valores mdios. A expresso representa os desvios padro
das variveis aleatrias bsicas E, p e Q, que so E = 2000.05 = 10GPa, p = 2kN/m e
Q = 500.15 = 7.5kN.
Como F/E = 0, para obter os elementos da coluna correspondente contribuio da
varivel aleatria E basta calcular a seguinte expresso:
( ) ( ) ( )
( ) ( ) ( )
( )
( )
1
4 5 4 4
5 4 5
4 4 4
6 6
4
3 3 10 0 0 4 1 6 10 3 125 10 0 1 6 10 0 0
0 2 1 0 0 2 0 5 0 0 2 0 0
0 0 1 0 0 1 0 0 1
4 1 6 10 0 0 0 8 3 10 0 0 4 1 6 10 0 0
3 125 10 0 0 0 5 208 3 10 0 3 125 10 0 0
0 0 0 0 0 10 42 10 0 0 10 42 10
1 6 10 0 0 4
K
K . .U . E
E
. . . .
. . . .
. . .
. . .
. .
.

=

( ) ( )
5 4 4
6 6
1 6 10 3 125 10 0 3 3 10 0 0
0 2 0 0 0 2 0 5 0 0 2 1 0
0 0 0 0 0 10 42 10 0 0 20 83 10
. . .
. . . .
. .

186
( )
5
0 015625
4 0 0 2 2 4 0 0 0 0
37 5
2 4 0 0 2 4 1 92 0 0 0 0
50
0 0 0 0 0 48 0 0 0
0 2 0 0 8 0 0 2 0 0
10 2 4 0 0 0 3 84 0 2 4 0 0 0 0244140625
0 0 0 0 0 96 0 0 48
0 0005208 3
0 0 0 2 2 4 0 4 0 0
0 015625
0 0 0 2 4 1 92 0 2 4 0 0
37 5
0 0 0 0 0 48 0 0 48
0 00
.
.
.
. . .
. . . .
.
.
.
. . .
.
.
( )
4
7
3
4
7 81 10
0
0
0
10
1 22 10
0
7 81 10
0
1041 6
0
.
.
.

=

(5.51)
Como K/p = 0, para obter os elementos da coluna correspondente contribuio da
varivel aleatria p basta calcular a seguinte expresso:
( ) ( ) ( )
( ) ( ) ( )
( )
( )
1
4 5 4 4
5 4 5
4 4 4
6 6
4
3 3 10 0 0 4 1 6 10 3 125 10 0 1 6 10 0 0
0 2 1 0 0 2 0 5 0 0 2 0 0
0 0 1 0 0 1 0 0 1
4 1 6 10 0 0 0 8 3 10 0 0 4 1 6 10 0 0
3 125 10 0 0 0 5 208 3 10 0 3 125 10 0 0
0 0 0 0 0 10 42 10 0 0 10 42 10
1 6 10 0 0 4 1
F
K . . . p
p
. . . .
. . . .
. . .
. . .
. .
. .

=

( ) ( )
5 4 4
6 6
6 10 3 125 10 0 3 3 10 0 0
0 2 0 0 0 2 0 5 0 0 2 1 0
0 0 0 0 0 10 42 10 0 0 20 83 10
. .
. . . .
. .

(5.52)
( )
( )
3
3
3
2 08 10
0 5208 3
5
1 25
0
0
0 0
2 2 5 3 25 10
0
0
0 5208 3
2 08 10
1 25
5
0
0
.
.
.
. .
.
.
.
Como K/Q = 0, para obter os elementos da coluna correspondente contribuio da

varivel aleatria Q basta calcular a seguinte expresso:
( ) ( ) ( )
( ) ( ) ( )
( )
( )
1
4 5 4 4
5 4 5
4 4 4
6 6
4
3 3 10 0 0 4 1 6 10 3 125 10 0 1 6 10 0 0
0 2 1 0 0 2 0 5 0 0 2 0 0
0 0 1 0 0 1 0 0 1
4 1 6 10 0 0 0 8 3 10 0 0 4 1 6 10 0 0
3 125 10 0 0 0 5 208 3 10 0 3 125 10 0 0
0 0 0 0 0 10 42 10 0 0 10 42 10
1 6 10 0 0 4 1
F
K . . . Q
Q
. . . .
. . . .
. . .
. . .
. .
. .

=

( ) ( )
5 4 4
6 6
6 10 3 125 10 0 3 3 10 0 0
0 2 0 0 0 2 0 5 0 0 2 1 0
0 0 0 0 0 10 42 10 0 0 20 83 10
. .
. . . .
. .

187

5
4
0
0
0
0
7 5
0
0 0
7 5 0 0
0
7 815 10
0
0
0
0
1
1 56225 10
.
.
.
.

(5.53)
Considerando a equao (5.23) e tendo em conta que as variveis aleatrias E, p e Q no
esto correlacionadas entre si (assim, a matriz C
uma matriz identidade) calculada a

matriz de covarincias da resposta estrutural atravs da seguinte expresso:
4 3
3 3
5
4 3
4
4 3 4
7 81 10 0 2 08 10
0 0 5
0 7 5 0
0 0 0 1 0 0
0 1 0 1 22 10 0 3 25 10
0 0 1
0 7 815 10 0
7 81 10 0 2 08 10
0 0 5
0 1 56225 10 0
7 81 10 0 0 0 1 22 10 0 7 81 10 0 0
0 0 7 5 0 0 7
u
. .
.
C . .
.
. .
.
. . .
.

5 4
3 3 3
815 10 0 0 1 56225 10
2 08 10 5 0 0 3 25 10 0 2 08 10 5 0
. .
. . .

6 3 6 6 3
3 3 3
6 3
6 3 6 6 3
4 93 10 10 37 10 0 0 7 7 10 0 4 93 10 10 37 10 0
10 37 10 24 88 0 0 16 2 10 0 10 37 10 24 88 0
0 0 56 25 0 0 585 94 10 0 0 1 17 10
0 0 0 0 0 0 0 0 0
7 7 10 16 2 10 0 0 12 03 10 0 7 7 10 16 2 10 0
0 0 585 94 10
u
. . . . .
. . . . .
. .
C . . . . .
.

6 9
6 3 6 6 3
3 3 3
3 9
0 0 6 1 10 0 0 12 21 10
4 93 10 10 37 10 0 0 7 7 10 0 4 93 10 10 37 10 0
10 37 10 24 88 0 0 16 2 10 0 10 37 10 24 88 0
0 0 1 17 10 0 0 12 21 10 0 0 24 41 10
. .
. . . . .
. . . . .
. .

.
9
9
.

(5.54)
A varincia do deslocamento vertical a meio vo, v
2
, corresponde ao valor obtido na
diagonal principal de C
u
na linha (ou coluna) 5. Desta forma, o respectivo desvio padro
dado por:
5 3
2
1 203358 10 3 468945 10 v . .

= = m
188
5.4 Mtodos de transformao

A aplicao do mtodo proposto tem por base o pressuposto de que todas as variveis
aleatrias bsicas tm uma distribuio normal de parmetros e . Na realidade esse
pressuposto nem sempre se verifica. Nesses casos aplicada a transformao de caudas
normais s variveis aleatrias que no tm distribuio normal, igualando a sua funo
densidade de probabilidade funo densidade de probabilidade de uma normal padro e a
sua funo distribuio funo distribuio de uma normal padro no ponto de
dimensionamento, que neste caso vai ser considerado igual ao valor mdio de cada
varivel aleatria (
i
*
i
x
X
= ), de forma a ajustar uma distribuio no normal de uma
varivel aleatria bsica a uma normal equivalente (Rackwitz e Fiessler, 1978).
No entanto, a aplicao desta transformao revelou-se pouco precisa (ver exemplos 5.4.1
e 5.4.2), uma vez que se notou que as caudas das distribuies das variveis originais e das
normais equivalentes no se ajustam de forma adequada. Assim, para melhorar a
aproximao utilizaram-se os valores dos parmetros da varivel original (
i
X
e
i
X
)
aplicando-se uma nova transformao escolhendo um ponto X na distribuio original
(correspondente ao ponto de dimensionamento da transformao de caudas normais,
*
i
x )
de forma a manter constante o desvio padro da distribuio normal equivalente (obtida a
partir da transformao de caudas normais). Desta forma apenas as medidas de localizao
se alteram em relao primeira transformao e a distribuio sofre uma translao de
forma que as caudas das duas distribuies (da varivel original e da normal equivalente)
passam a coincidir com maior preciso.

5.4.1 Exemplo: Distribuies Tipo I

Considere-se uma varivel aleatria X que segue uma distribuio de Tipo I (Gumbel de
mximos), ou seja, ( ) , X G onde IR o parmetro de localizao e 0 > o
parmetro de escala. Depois de aplicar a transformao de caudas normais, obtendo uma
distribuio normal equivalente com um novo valor mdio e desvio padro, h que utilizar
os valores dos parmetros da varivel original e escolher o ponto X de forma a manter
constante o desvio padro da distribuio normal equivalente para obter os valores de e
189
atravs das seguintes expresses:

( )

*
x
i
*
i
*
* e i
i
x *
i
* *
i i
*
* i
i
x
F x e
x
ln e
x x
ln ln
x
x ln ln

= =

=

=

=

(5.55)

( )
1 1

*
x
i
*
i
*
x
i
* ln ln
i
x *
e
* i
i
x
ln ln e
*
i
x
f x e
e
x

= =

=

(5.56)
Por exemplo se ( ) 0.82, 0.312 X G , aplicando a transformao de caudas normais
obtm-se uma distribuio normal equivalente onde ( ) 0.932, 0.382 X N
X
. Aplicando
uma nova transformao, utilizando como ponto de partida os valores dos parmetros da
varivel original,
i
e
i
X
, e procurando X de forma que 0 382
N
. = , obtm-se uma
nova distribuio normal equivalente onde ( ) , 0.382 1.0753 X N , melhorando a
aproximao entre as duas distribuies nas caudas. Nas Figuras 5.7 e 5.8 o ponto X = 2.2
foi escolhido arbitrariamente na cauda a ttulo de exemplo. Assim, considerando:
Distribuio Tipo I (Gumbel de mximos):
( ) , X G

Normal Equivalente (Transformao de caudas)
Normal Equivalente (Nova transformao)
190

G(0.82, 0.312)
N(0.932, 0.382)
N(1.0753, 0.382)

Figura 5.7 Transformao de uma distribuio de Tipo I numa normal equivalente.

Figura 5.8
( )
2 2 P X . onde ( ) 0.82, 0.312 X G , ( ) 0.932, 0.382 X N e . ( ) 1.0753, 0.382 X N
Atravs da figura 5.8 pode observar-se que se ( ) 0.82, 0.312 X G a , se
a e se
( )
2 2 0 11926 P X . . =
( ) 0.932, 0.382 X N
( )
2 2 0 000451 P X . . = ( ) 1.0753, 0.382 X N a .
Portanto com a ltima transformao verifica-se uma melhoria da aproximao nas caudas.
( )
2 2 0 001619 P X . . =
191
Por exemplo se ( ) 0.662, 0.585 X G , aplicando a transformao de caudas normais
obtm-se uma distribuio normal equivalente onde ( )
( )
0.873, 0.717 X N . Aplicando
uma nova transformao obtm-se uma nova distribuio normal equivalente onde
, melhorando a aproximao entre as duas distribuies nas caudas.
Nas Figuras 5.9 e 5.10 o ponto X = 3.3 foi escolhido arbitrariamente na cauda a ttulo de
exemplo.
1.141, 0.717 X N


Figura 5.10
( )
3 3 P X . onde , ( ) 0.662, 0.585 X G ( ) 0.873, 0.717 X N e . ( ) 1.141, 0.717 X N
Atravs da figura 5.10 pode ver-se que se ( ) 0.662, 0.585 X G a
( )
3 3 0 010945 P X . . = , se
a ( ) 0.873, 0.717 X N
(
( ) 1.141, 0.717 X N a
)
3 3 0 000356 P X . . = e se
( )
3 3 0 001301 P X . . = .
Portanto com a ltima transformao verifica-se uma melhoria na aproximao.
192
Por exemplo se , aplicando a transformao de caudas normais
obtm-se uma distribuio normal equivalente onde
(4.437, 0.975 X G )
( )
( )
4.788, 1.195 X N . Aplicando
uma nova transformao obtm-se uma nova distribuio normal equivalente onde
, melhorando a aproximao entre as duas distribuies nas caudas.
Nas Figuras 5.11 e 5.12 o ponto X = 8 foi escolhido arbitrariamente na cauda a ttulo de
exemplo.
5.235, 1.195 X N


Figura 5.12
( )
8 P X onde ( ) 4.437, 0.975 X G , ( ) 4.788, 1.195 X N e . ( ) 5.235, 1.195 X N
193
Atravs da Figura 5.12 pode observar-se que se ( ) 4.437, 0.975 X G a
( )
8 0 025546 P X . = , se
a ( ) 4.788, 1.195 X N ( ) 5.235, 1.195 X N a
( )
8 0 003596 P X . = e se
( )
8 0 010341 P X . = .
Portanto com a ltima transformao verifica-se uma melhoria na aproximao.

5.4.2 Exemplo: Distribuies Lognormais

Por exemplo, considere-se uma varivel aleatria X que segue uma distribuio Lognormal
com como o parmetro de localizao e 0 > o parmetro de escala. Depois de aplicar a
transformao de caudas normais, obtendo uma distribuio normal equivalente com um
novo valor mdio e desvio padro, h que utilizar os valores dos parmetros da varivel
original e escolher o ponto de dimensionamento de forma a manter constante o desvio
padro da distribuio normal equivalente para obter os valores de e atravs das
seguintes expresses:

( )

* *
* i i
i
* *
i i
*
* i
i
x ln x
F x
x ln x
x
ln x

= =

=

=

(5.57)

( )
2
2
1
2
1
2
1 1
2

2
*
i
*
i
ln x *
* i
i
*
i
x
*
* i
i
*
i
* *
* i i
i
x
f x e
x
e
x
x
x
x x
x

= =

=

= =

(5.58)
194
Por exemplo se , aplicando a transformao de caudas normais
obtm-se uma distribuio normal equivalente
(3.94, 0.155236 X LN )
( ) 3.92, 0.393 X N
( ) 3.9596, 0.393 X N
. Aplicando uma nova
transformao obtm-se uma distribuio normal equivalente ,
melhorando a aproximao nas caudas (Figura 5.13). Assim, considerando:
Distribuio Lognormal
Normal Equivalente (Transformao de caudas)
Normal Equivalente (Nova transformao)

Figura 5.13 Transformao de uma distribuio Lognormal numa normal equivalente.

Figura 5.14
( )
5 2 P X . onde ( ) 3.94, 0.155236 X LN , ( ) 3.92, 0.393 X N e . ( ) 3.9596, 0.393 X N
195
Nas Figuras 5.13 e 5.14 o ponto foi escolhido arbitrariamente na cauda a ttulo de
exemplo. Atravs da Figura 5.14 pode observar-se que se
5.2 X =
( ) 3.94, 0.155236 X LN
(
a
)
5 2 0 002326 P X . . = ( ) 3.92, 0.393 X N , se a
( )
5 2 0 000563 P X . . = ( ) e se
a
3.9596, 0.393 X N
( )
5 2 0 000799 P X . . = . Portanto com a ltima transformao verifica-se uma melhoria na
aproximao.
Por exemplo se , aplicando a transformao de caudas normais obtm-se
uma distribuio normal equivalente onde
(5, 1.5625 X LN )
( ) 4.8484, 1.2311 X N
( ) 5.1496, 1.2311 X N
. Aplicando uma nova
transformao obtm-se uma nova distribuio normal equivalente onde
, melhorando a aproximao entre as duas distribuies nas caudas
(Figura 5.15).

Figura 5.15 Transformao de uma distribuio Lognormal numa normal equivalente.
196

Figura 5.16
( )
8 7 P X . onde ( ) 5, 1.5625 X LN , ( ) 4.8484, 1.2311 X N e . ( ) 5.1496, 1.2311 X N
Nas Figuras 5.15 e 5.16 o ponto 8.7 X = foi escolhido arbitrariamente na cauda a ttulo de
exemplo. Atravs da Figura 5.16 pode observar-se que se a ( ) 5, 1.5625 X LN
(
( ) 4.8484, 1.2311 X N a
)
8 7 0 008823 P X . . = , se
( )
8 7 P X .
(
0 000878 . = e se
a ( ) 5.1496, 1.2311 X N
)
8 7 0 001964 . . = P X
(
. Portanto com a ltima transformao
verifica-se uma melhoria na aproximao.
No caso de existirem correlaes entre as variveis aleatrias bsicas X aplicou-se s
variveis a transformao de Nataf (Liu e Kiureghian, 1986 e Kiureghian e Liu, 1986),
)
Y T X = , onde a transformao T aplicada s distribuies de X de forma a obter
aproximaes no espao das variveis normais padro (mdias nulas e desvios padro
unitrios) no correlacionadas, Y.

5.5 Implementao computacional

A aplicao da metodologia proposta a uma malha de elementos finitos tem em ateno os
seguintes aspectos:
Caracterizao do campo aleatrio atravs de variveis aleatrias (valores mdios,
desvios padro e correlaes);
Avaliao da resposta estrutural mdia atravs de uma anlise determinstica
utilizando as mdias das variveis aleatrias;
Avaliao da matriz de covarincias relacionada com a resposta estrutural
(deslocamentos ou foras), a partir da qual se calculam os desvios padro.
197
A implementao do algoritmo a programas correntes de elementos finitos requer a
incluso de uma avaliao da matriz de covarincias da resposta estrutural. Para tal
necessrio proceder ao clculo da inversa da matriz de rigidez global
1
K
1
(ou
M
K no caso
de se quererem estudar as foras) e das derivadas parciais da matriz de rigidez global
K X e do vector das foras nodais F X em ordem s variveis aleatrias bsicas.
O algoritmo foi adaptado a um programa de elementos finitos que de uma forma resumida
pode ser dividido nos seguintes passos (Figura 5.17):
1. Leitura dos dados do problema estrutural: geometria da malha de elementos finitos,
propriedades dos materiais e cargas aplicadas.
2. Leitura dos dados que caracterizam as variveis aleatrias bsicas: valores mdios,
desvios padro e matriz de correlaes.
3. Calcular as foras nodais F
0
correspondentes s cargas definidas.
4. Determinar a matriz de rigidez K
0
.
5. Calcular o vector dos deslocamentos u
0
resolvendo a equao: K
0
u
0
= F
0
.
6. Dependendo da opo escolhida para avaliar a resposta estrutural, calcula a inversa da
matriz de rigidez global K
0
-1
ou define a matriz K
M
e calcula a sua inversa K
M
-1
.

7. Calcula as derivadas parciais da matriz de rigidez K/X e das foras F/X em
relao s variveis aleatrias X.
8. Dependendo da opo anterior, calcula a matriz de covarincias das foras C
q
ou a
matriz de covarincias dos deslocamentos C
u
.
9. Calcula o desvio padro da resposta estrutural a partir dos elementos da diagonal
principal da matriz de covarincias.

198
K
M
-1
K
0
-1
Cq
Cu
Figura 5.17 Fluxograma do algoritmo de elementos finitos para a obteno da matriz de
covarincias relacionada com a resposta estrutural (deslocamentos ou foras).
LEITURA DOS DADOS QUE CARACTERIZAM
AS VARIVEIS ALEATRIAS BSICAS
CALCULA AS MATRIZES DAS
DERIVADAS PARCIAIS
K/X e F/X
CALCULA A MATRIZ DE
RIGIDEZ, K
0
CALCULA O VECTOR DAS
FORAS NODAIS
LEITURA DOS DADOS DO
PROBLEMA ESTRUTURAL
CALCULA O DESVIO PADRO DA
RESPOSTA ESTRUTURAL

199


Captulo 6

Aplicaes

6.1 Introduo

Para avaliar as potencialidades e a adequao do mtodo proposto no captulo anterior vo
ser analisados alguns exemplos. Os resultados obtidos atravs deste mtodo so
comparados com os valores obtidos atravs de metodologias alternativas propostas por
outros autores e/ou com os valores resultantes da aplicao do mtodo de simulao de
Monte Carlo (MMC). Os resultados obtidos pelo MMC sero considerados como valores
de referncia. Ser essencialmente analisada a eficincia computacional dos vrios
mtodos em diferentes aplicaes, assim como as estimativas obtidas para as incertezas da
resposta estrutural ou para a probabilidade de ocorrncia de um determinado estado limite.
As variveis do problema estrutural com caractersticas aleatrias so descritas atravs dos
seus valores mdios, desvios-padro e coeficientes de correlao que quantificam a
dependncia entre essas variveis. A presente metodologia permite avaliar numa nica
anlise estrutural a resposta mdia e a sua disperso. Os resultados obtidos so exactos
para problemas lineares e quando a distribuio de cada uma das variveis normal ou
quase normal. Continuam a ser fiveis para problemas no lineares se puderem ser
aproximados atravs de uma combinao linear das variveis aleatrias bsicas. Como o
mtodo proposto no mais do que um mtodo de primeira ordem que utiliza apenas os
dois primeiros momentos (mdia e desvio padro) sem usar qualquer informao acerca
201
das distribuies das variveis aleatrias do problema, a preciso dos resultados no pode
ser garantida para problemas com acentuada no linearidade e distribuies no normais.
Nesses casos, o desenvolvimento de procedimentos apropriados para ter em conta
distribuies no normais e problemas no lineares efectuado de forma a obter resultados
com um grau de aproximao adequado. Para tal, os exemplos apresentados foram
divididos em casos onde as variveis aleatrias bsicas tm distribuies normais e nos
casos que tm variveis com distribuies no normais. Nestes ltimos casos sero
discutidas as vrias hipteses de aproximao de leis no normais a normais.

6.2 Prtico sujeito a diferentes cargas

Este um exemplo de aplicao com variveis que apresentam distribuies normais. Nele
apresenta-se um prtico simples constitudo por dois pilares e uma viga com dois vos
(Figura 6.1). No prtico em estudo aplicada uma carga uniformemente distribuda, F
1
, ao
longo da viga e uma fora nodal no seu extremo, F
2
. O sistema constitudo por trs
variveis aleatrias bsicas F
1
, F
2
e o mdulo de elasticidade E com distribuies normais.
Os valores relacionados com a geometria da estrutura so definidos atravs de parmetros
determinsticos. O sistema estrutural constitudo por seis ns, cada um com trs graus de
liberdade (uma rotao e dois deslocamentos). Os resultados obtidos pelo mtodo proposto
so comparados com os valores resultantes da aplicao do mtodo de simulao de Monte
Carlo (MMC).
Neste exemplo so estudados seis casos diferentes, correspondentes a diferentes
parmetros da distribuio de F
2
e diferentes correlaes entre F
1
e F
2
. Os parmetros
estatsticos so apresentados na Tabela 6.1 para todos os casos de carga considerados. Nos
casos 1 a 4 as variveis no so correlacionadas enquanto que nos casos 5 e 6 as foras F
1

e F
2
so correlacionadas. Do caso 1 para o 2 s a fora F
2
se altera de 7.5kN para 20kN. Os
casos 3 e 4 so semelhantes ao 1 e 2 com a diferena da mdia de F
2
ser negativa. Para
avaliar a importncia das correlaes entre as foras consideraram-se os casos 5 e 6 iguais
ao 1 excepto na correlao entre as foras, sendo no caso 5 o coeficiente de correlao,
R
F
1
,F
2
=
0.50 e no caso 6, R
F
1
,F
2
=
0.75. O estudo vai incidir sobre a avaliao da incerteza
do deslocamento vertical a meio vo da viga,
1
, e no extremo desta,
2
.

202
Captulo 6 - Aplicaes

1
2
3
4
5 6
1

2

3.0 m 3.0 m 3.0 m
5.0 m
Todas as seces:
0.30 m
0.30 m
F
1
F
2

Figura 6.1 Prtico sujeito a cargas verticais.
Tabela 6.1 Parmetros estatsticos para os diferentes casos.
E (GPa) F
1
(kN/m) F
2
(kN)
Casos Mdia Desvio padro Mdia Desvio padro Mdia Desvio padro

R
F
1
,F
2
1
2
3
4
5
6
29
29
29
29
29
29
2
2
2
2
2
2
20
20
20
20
20
20
2
2
2
2
2
2
50
50
-50
-50
50
50
7.5
20
7.5
20
7.5
7.5
0
0
0
0
0.50
0.75

A incerteza dos deslocamentos verticais,
1
e
2
, obtida atravs do mtodo proposto e do
MMC foi avaliado utilizando um programa computacional que foi desenvolvido e se
baseia numa formulao de elementos finitos.
Na Tabela 6.2 apresentam-se os resultados obtidos atravs dos dois mtodos. Nos casos 1,
2, 5 e 6 o deslocamento
1
atenuado devido fora F
2
. Nos casos 3 e 4 os deslocamentos
1
e
2
so maiores devido s direces opostas das foras F
1
e F
2
. Como seria de esperar
o valor de
2
bastante influenciado pela fora F
2
, enquanto que
1
j no depende tanto
dessa fora. Para obter esses resultados no MMC foram utilizadas 15000 simulaes
enquanto que no mtodo proposto apenas foi necessria uma anlise.
203
As percentagens de erro entre os resultados obtidos pelo mtodo de referncia (MMC) e
pelo mtodo proposto so extremamente reduzidas sendo no mximo de 2,3% (Tabela 6.3).
Na Figura 6.2 pode observar-se a evoluo dos deslocamentos em funo dos coeficientes
de variao quando a correlao entre as foras varia. medida que as correlaes
aumentam, os valores dos coeficientes de variao de
1
e
2
diminuem, sendo a
diminuio associada a
1
mais acentuada. Isto deve-se ao facto de
1
depender da
variao de F
1
e F
2
enquanto que a variao de
2
muito dependente da variao de F
2
,
sendo a contribuio de F
1
pouco significativa.
Tabela 6.2 Resultados comparativos para os diferentes casos. Deslocamentos em mm.
Mtodo proposto Mtodo de Monte Carlo

1

2

1

2
Casos Mdia
Desvio
padro
Mdia
Desvio
padro
Mdia
Desvio
padro
Mdia
Desvio
padro
1
2
3
4
5
6
2.60
2.60
12.65
12.65
2.60
2.60
1.087
2.159
1.383
2.321
0.779
0.565
34.92
34.92
-50.94
-50.94
34.92
34.92
6.922
17.358
7.379
17.546
6.538
6.338
2.62
2.65
12.68
12.65
2.61
2.61
1.081
2.173
1.402
2.328
0.779
0.566
34.98
34.77
-51.00
-50.92
35.15
35.03
6.951
17.345
7.409
17.555
6.572
6.394

Tabela 6.3 Diferenas entre os resultados obtidos pelos dois mtodos. Erros em %.
Deslocamento
1
Deslocamento
2
Casos Mdia Desvio padro Mdia Desvio padro
1
2
3
4
5
6
0.84
2.28
0.19
-0.07
0.65
0.57
-0.55
0.67
1.39
0.29
-0.06
0.05
0.16
0.44
0.12
-0.04
0.65
0.31
0.43
-0.08
0.41
0.05
0.51
0.88

204

0.2
0.45
0.40
0.35
0.30
0.25
0.20
0.15
0 0.8 0.6 0.4
(caso 1) (caso 5) (caso 6)
2
Coeficiente de correlao entre F
1
e F
2
C
o
e
f
i
c
i
e
n
t
e

d
e

v
a
r
i
a
o

Figura 6.2 Coeficiente de variao vs Correlao entre F
1
e F
2
para os dois deslocamentos.

Quando as relaes entre as variveis no so explcitas podem-se utilizar ambos os
mtodos. No entanto os custos computacionais para cada um deles so diferentes. Neste
exemplo utilizaram-se 15000 anlises de elementos finitos para o MMC enquanto que para
o mtodo de perturbao proposto apenas se realizou uma nica anlise de elementos
finitos. Na Tabela 6.2 apresentam-se as mdias e desvios padro para cada um dos seis
casos. Os valores so praticamente iguais em ambos os mtodos. Isto traduzido na Tabela
6.3 onde se apresentam as diferenas entre os resultados traduzidas pela percentagem de
erro entre valores, que no ultrapassa os 2.3%.
Em concluso, neste exemplo apresenta-se a variao da incerteza da resposta estrutural
em termos de deslocamentos. O mtodo de perturbao proposto pode ser aplicado de uma
forma eficiente em problemas estruturais quando no existem formulaes explcitas das
variveis aleatrias bsicas, tal como no mtodo dos elementos finitos, pois apenas requer
uma anlise estrutural. A preciso dos resultados confirmada para variveis normais
dependentes ou independentes.

6.3 Sistema com quatro molas submetido a duas foras

Neste exemplo, j analisado e apresentado por Olsson et al (2003), vai estudar-se um
sistema de molas simples submetido a duas foras F
1
e F
2
(Figura 6.3). Os parmetros do
sistema so a rigidez das quatro molas e a intensidade das duas foras (Tabela 6.4). Desta
205
forma, existem seis variveis aleatrias bsicas independentes. A runa do sistema ocorrer
se o deslocamento d
2
exceder um valor pr-fixado. Vo considerar-se dois casos:
1. Considera-se que a runa ocorre quando d
2
> 2.30m, o que dever corresponder a uma
probabilidade de rotura de 0.01.
2. A runa ocorre se d
2
> 2.98m, o que dever corresponder a uma probabilidade de rotura
de 0.0001.

F
1
F
2
d
1
d
2

Figura 6.3 Sistema com quatro molas submetido a duas foras.
Em ambos os casos considerou-se um sistema estrutural com oito elementos, oito ns e
dois tipos de material (Figura 6.4). Todos os elementos do sistema tm uma rea A = 1m
2
e
uma inrcia I = 1m
4
. Os elementos 5 a 8, que correspondem s barras onde esto aplicadas
as foras, tm um mdulo de elasticidade E = 10GPa.
Variveis
Aleatrias
Desvio
Padro
E
molas
Lognormal 10kPa 2kPa
F
1
Lognormal 10kN 2kN
F
2
Lognormal 10kN 2kN

206

j
1m 1m
1m F
2
F
1
d e
f c

g
h
i
1
3
4
7
6
5
2
8

Figura 6.4 Sistema estrutural com 8 elementos, 8 ns e 2 foras.
Devido ao pressuposto da normalidade das variveis envolvidas no mtodo proposto, foi
aplicada a transformao de caudas normais para ajustar a distribuio lognormal de cada
varivel aleatria bsica a uma normal equivalente, considerando para tal o ponto de
dimensionamento igual ao valor mdio de cada varivel,
i
i
x
*
X
= (Haldar e Mahadevan,
2000). Assim, obtiveram-se novas distribuies normais com mdias 10 19 . =
1 98 .
e desvios
padro = .
Para ambos os casos estudou-se o deslocamento horizontal do n 7. Aplicando o mtodo
proposto obteve-se uma resposta estrutural (deslocamento) que segue uma distribuio
normal com mdia
d
2
= 1.5m e desvio padro
d
2
0.4m. Assim, no primeiro caso pode
calcular-se uma estimativa da probabilidade de rotura atravs da expresso
p
f
= P(d
2
> 2.30m) = 0.02275. Para o segundo caso a estimativa da probabilidade de runa
dada por p
f
= P(d
2
> 2.98m) = 0.000108. Com estes resultados pode concluir-se que o
mtodo d uma boa estimativa para o segundo caso mas para o primeiro a aproximao
pior. Isto quer dizer que no primeiro caso a superfcie de estado limite no muito prxima
de um hiperplano e que o ajuste melhor para as caudas da distribuio devido ao tipo de
transformao utilizada.

6.4 Prtico de ao sujeito a aces permanentes e sobrecargas

Neste exemplo, j analisado e apresentado anteriormente em Neves et. al. (2002), estuda-
se um prtico de ao simples com um nico vo sujeito a aces permanentes e sobrecarga
(Figura 6.5). As ligaes entre as vigas e os pilares so consideradas rgidas.
207
Para avaliar o estado limite de utilizao da estrutura vai estudar-se o deslocamento
vertical a meio vo da viga, d. As variveis aleatrias bsicas do problema so
consideradas no correlacionadas e esto intimamente relacionadas com as propriedades
dos elementos (geomtricas e materiais) e das aces (Tabela 6.5).

9.00 m
3.60 m
G + Q
d
c
1
2
d e
f
4 3
5

Figura 6.5 Prtico simples sujeito a cargas permanentes, G, e sobrecarga, Q.

Tabela 6.5 Caractersticas das variveis aleatrias.
Variveis Aleatrias Smbolo Distribuio Mdia Desvio Padro
Mdulo de Young (GPa) E Lognormal 200 12
Inrcia (cm
4
) I Lognormal 8360 418
rea (cm
2
) A Lognormal 53.8 2.69
Aces Permanentes (KN/m) G Lognormal 3.94 0.394
Sobrecarga (KN/m) Q Tipo I 5 1.25

A funo de estado limite definida para o estado limite de utilizao em estudo dada pela
expresso:
lim
u
u
X g =1 ) (

onde u o deslocamento a meio da viga e u
lim
= l/400 = 9/400 = 2.25cm o deslocamento
mximo admissvel. Desta forma, a probabilidade de runa pode ser definida por:

208
[ ] ) ( 0 ) ( = = X g P p
f

onde =
g
/
g
. Como u tem uma distribuio normal com mdia
u
e desvio padro
u
,
ento:
25 . 2
1
25 . 2
1
u
g
u
E

=
=

25 . 2 25 . 2 25 . 2
1
2
2
2 u
g
u
g
u
Var

= =
=

e assim neste caso:
2 25
u
u
.
= .
Para aplicar o mtodo proposto utilizaram-se duas transformaes: uma de caudas normais
em que se considerou o ponto de dimensionamento igual ao valor mdio de cada varivel
(
i
*
i
x
X
= ) e outra proposta por Paloheimo (Haldar, 2000). Estas transformaes so
utilizadas para ajustar a distribuio lognormal de cada uma das variveis E, I, A e G,
assim como a distribuio de Gumbel da varivel Q, a uma normal equivalente (Tabela
6.6). Como a varivel Q representa uma aco, a sua distribuio assumida como uma lei
de Gumbel de mximos.
Alm do mtodo proposto tambm se utilizou o mtodo de Monte Carlo (MMC) que
servir como referncia para a comparao de resultados. O programa computacional
utilizado para o efeito foi ajustado de forma a poder ser aplicado em variveis aleatrias
cuja distribuio seja normal, lognormal ou Gumbel de mximos.
Em primeiro lugar aplicou-se o mtodo proposto e o MMC assumindo os parmetros de
todas as variveis como sendo normais. Este procedimento foi adoptado para verificar se
os valores dos ndices de fiabilidade seriam aproximados, na hiptese de as variveis
aleatrias serem normais. Os resultados obtidos foram idnticos (Tabela 6.7 no MMC
obteve-se 2 75 . = 2 76 . e no presente mtodo = ). Assim, pode dizer-se que no caso de
todas as variveis aleatrias serem normais o mtodo proposto bastante eficiente com a
209
vantagem de ser mais rpido pois basta fazer uma nica anlise de elementos finitos
enquanto que no MMC foram necessrias 15000 anlises.
Tabela 6.6 Resultados da aplicao das 2 transformaes s 5 variveis aleatrias bsicas.
Distribuio Normal Equivalente
Variveis
Aleatrias
Distribuio Original
Transformao: Caudas Normais
*
i X
i
x =
Paloheimo
2
10
f
p

=
Mdia 200 Mdia 200.36 200
E (GPa) Lognormal
D.P. 12 Desvio Padro 11.989 12.686
Mdia 8360 Mdia 8370.4 8360
I (cm
4
) Lognormal
D.P. 418 Desvio Padro 417.7 447.1
Mdia 53.8 Mdia 53.87 53.8
A (cm
2
) Lognormal
D.P. 2.69 Desvio Padro 2.688 2.82
Mdia 3.94 Mdia 3.96 3.94
G (KN/m) Lognormal
D.P. 0.394 Desvio Padro 0.393 0.357
Mdia 5 Mdia 5.235 5
Q (KN/m) Tipo I
D.P. 1.25 Desvio Padro 1.195 0.914

Em seguida aplicou-se o MMC considerando as distribuies originais usando 15000 e
100000 amostras (em cada amostra aplica-se uma anlise de elementos finitos). O
objectivo foi o de verificar se com mais anlises o valor do ndice de fiabilidade seria
significativamente diferente. Os resultados mostraram valores idnticos. As diferenas no
so significativas pelo que os valores obtidos com 15000 amostras so fiveis.
A aplicao do mtodo proposto com a transformao de Paloheimo (Haldar, 2000) d um
valor inadequado para o ndice de fiabilidade. O valor obtido, quando comparado com
todos os outros casos, significativamente maior. Isto poder querer dizer que este tipo de
transformao no adequado em casos que envolvam distribuies de extremos.
A aplicao do mtodo proposto com a transformao de caudas normais d-nos um valor
para muito mais prximo do obtido atravs do MMC e praticamente igual ao obtido por
Neves et. al. (2002) no seu artigo ( 2 67 . = ). Este mtodo revela-se bastante eficiente no

210
caso de se utilizar uma transformao de caudas normais onde com uma nica anlise de
elementos finitos se obtm um ndice de fiabilidade.

Tabela 6.7 Resultados da aplicao dos dois mtodos aos vrios casos considerados.
MMC Mtodo Proposto (1 nica anlise)
Transformao
Dist.
Normais
(15 mil
amostras)
Dist. LN e
G
mx
(15 mil
amostras)
Dist. LN e
G
mx
(100 mil
amostras)
Dist.
Normais
Caudas
Normais
Paloheimo
u (cm)
1.546 1.557 1.556 1.543 1.582 1.543
u
(cm)
0.256 0.267 0.266 0.256 0.249 0.212
C.V.
0.166 0.172 0.171 0.166 0.157 0.137
2.75 2.60 2.61 2.76 2.68 3.34

Em resumo, para melhor se compararem, podem representar-se numa recta os valores de
para todos os casos estudados:

2.61 MMC
(100 mil amostras)
2.60 MMC
(15 mil amostras)
2.67 - Neves (2002)
2.75 MMC (Dist. Normais)
(15 mil amostras)
2.76 Mtodo proposto
(Dist. Normais)
2.68 Mtodo
proposto
(Caudas Normais)
3.34 Mtodo proposto
(Paloheimo)
2.6 2.8 2.7 2.9 3.3 3.2 3.1 3.0

Figura 6.6 Valores de obtidos atravs dos dois mtodos para os vrios casos.

211
6.5 Prtico de trs vos e doze andares sujeito a foras nodais horizontais

Neste exemplo, analisado e apresentado por Das e Zheng (2000), os autores aplicaram
mtodos de superfcie de resposta para obterem estimativas da fiabilidade estrutural
(Tabela 6.11). Vai estudar-se um prtico com trs vos e doze andares sujeito a foras
horizontais, P, (Figura 6.7). Nesta figura apresenta-se um prtico sujeito a foras
horizontais com o tipo de elementos que o constituem, respectivas dimenses em metros e
malha de elementos finitos, constituda por cinquenta e dois ns e oitenta e quatro
elementos.
Este problema tambm foi analisado anteriormente por Zhao (1996) e posteriormente por
Deng (2006), onde o primeiro autor utilizou mtodos de superfcie de resposta sem usar os
termos cruzados e o mtodo de simulao de Monte Carlo com amostragem por
importncia e o segundo autor redes neuronais artificiais, mais precisamente uma rede de
funes de base radial (tambm conhecida como redes de base radial) em conjugao com
o mtodo de simulao de Monte Carlo.
Analisou-se o deslocamento horizontal ao nvel do ltimo piso do prtico. A estrutura est
sujeita a foras nodais horizontais aplicadas da esquerda para a direita com uma
intensidade P. As foras P so aleatrias com distribuies Tipo I de mximos. As outras
variveis aleatrias so as cinco reas das seces, A
i
, relativas aos vrios
elementos da estrutura. Desta forma, o sistema estrutural apresentado na Figura 6.7
caracterizado por seis variveis aleatrias bsicas: uma fora horizontal e cinco reas de
seces correspondentes aos vrios pilares e vigas da estrutura; sendo as suas distribuies
e respectivos parmetros apresentados na Tabela 6.9. Alm disso, as diferentes reas, A
i =1,, 5
i =1,, 5
i
,
e a fora horizontal, P, so tratadas como variveis aleatrias independentes. Os
momentos de inrcia assim como o mdulo de elasticidade de todos os elementos do
sistema estrutural so tratados como determinsticos, sendo dados, respectivamente, por
2
i i i
I A = ; onde
1 2 3
7
2 0 10 0 0833 . = = = 0 2667 . ,
4
= e
5
0 2 . = e . KPa = . E
Para aplicar o mtodo proposto considerou-se que o sistema estrutural tem cinquenta e dois
ns e oitenta e quatro elementos (Figura 6.7), sendo as suas propriedades apresentadas na
Tabela 6.8.

212
Tabela 6.8 Propriedades dos elementos que constituem o sistema estrutural.
Elemento Mdulo de Young Momento de Inrcia rea
E
1 E = 210
7
KPa I
1
= 0.00520625 m
4
A
1
E
2 E = 210
7
KPa I
2
= 0.00213248 m
4
A
2
E
3 E = 210
7
KPa I
3
= 0.01079568 m
4
A
3
E
4 E = 210
7
KPa I
4
= 0.010668 m
4
A
4
E
5 E = 210
7
KPa I
5
= 0.0045 m
4
A
5

1
2

4

m

P
P
P
P
P
P
P
P
P
P
P
P
25
1
12
11
10
9
8
7
6
5
4
3
2
1
29
10 9
8 7 6 5
4 3 2
19 18 17
16 15 14 13
12 11
28 27 26 25
24 23 22 21
20
40 39 38 37
36 35 34 33
32 31 30
52 51 50 49
48 47 46 45
44 43 42 41
50
43
36
29
22
15
14
13
24 23
21 20 19
18 17 16
37
35 34 33
32 31 30
28 27 26
53 52 51
49 48 47
46 45 44
42 41 40
39 38
63 62 61
60 59 58 57
56 55 54
76 75
74 73 72 71
70 69 68
67 66 65 64
84 83 82
81 80 79 78
77
E
1
E
2
E
3
E
4
E
5
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
3
E
3
E
3
E
3
E
3
E
4
E
4
E
4
E
4
E
4
E
5
E
5
E
5
E
5
E
5
E
5
E
5
E
5
E
5
E
5
E
5
E
2
E
2
E
2
E
2
E
2
E
2
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
1
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
4
E
2
E
2
E
2
E
2
E
2
E
3
E
3
E
3
E
3
E
3
E
3
7.5 m 7.5 m 3.5 m

Figura 6.7 Prtico analisado.
A funo que traduz o estado limite de utilizao dada por:
( ) ( )
1 2 3 4 5 1 2 3 4 5
0 096
max
G A , A , A , A , A , P . m u A , A , A , A , A , P =
213
onde
( )
max
u o deslocamento mximo horizontal no n cinquenta e dois (unidade: m).
Neste caso a probabilidade de rotura dada por:
( ) ( )
1 2 3 4 5
0
f
p P G A , A , A , A , A , P = =

onde
G
G
= . Como (
max u u
u ) , ento:
( )
1 2 3 4 5
0 096
G u
E G A , A , A , A , A , P . = =

G u

( )
2 2
1 2 3 4 5 G u
Var G A , A , A , A , A , P = =

=
e assim neste caso
0 096
u
u
.

= .
Para utilizar o mtodo proposto aplicou-se a cada uma das variveis aleatrias, cuja
distribuio no normal, a transformao de caudas normais, considerando o ponto de
dimensionamento igual ao valor mdio de cada uma das variveis (
i
i
x
*
X
= ), de forma a
obter variveis aleatrias normais equivalentes (Tabela 6.9).
servir como referncia para comparao de resultados.
Tabela 6.9 Dados estatsticos das variveis aleatrias do sistema estrutural com as respectivas unidades de
medida e resultados da aplicao da transformao de caudas normais s 6 variveis.

Distribuio Original
Transformao Caudas Normais
*
i X
i
x =
Variveis Mdia Desvio Padro Mdia C. V.
A
1
(m
2
)
Lognormal 0.25 0.025 0.2512 0.1
A
2
(m
2
)
Lognormal 0.16 0.016 0.1608 0.1
A
3
(m
2
)
Lognormal 0.36 0.036 0.3618 0.1
A
4
(m
2
)
Lognormal 0.20 0.020 0.2010 0.1
A
5
(m
2
)
Lognormal 0.15 0.015 0.1507 0.1
P (KN)
Tipo I de mximos 30.00 7.5 31.33 0.25

214
Em primeiro lugar aplicou-se o MMC considerando as distribuies originais usando
15000 e 100000 amostras. O objectivo deste ltimo caso foi o de verificar se com mais
amostras o valor do ndice de fiabilidade seria significativamente diferente. Os resultados
dizem-nos o contrrio. As diferenas no so significativas pelo que basta utilizar 15000
amostras para obter um resultado fivel e de uma forma mais rpida (Tabela 6.10).
A aplicao do mtodo proposto com a transformao de caudas normais d-nos um valor
para muito prximo do obtido atravs do MMC assim como tambm muito prximo aos
obtidos por Das e Zheng (2000) considerando N = 26, funes de superfcie de resposta
e G (de notar que estas superfcies de resposta so as melhoradas como
aproximao superfcie de estado limite
( ) ( )
G
( )
G ) e para valores de
2
e
3
(Tabelas 6.10 e
6.11). Alm disso, tambm est relativamente prximo dos valores obtidos por Zhao
(1996) e Deng (2006). O primeiro autor, utilizando o mtodo de superfcie de resposta sem
usar os termos cruzados obteve um valor de 1 453 . = e com o mtodo de simulao de
Monte Carlo com amostragens por importncia utilizando duas mil amostras obtm um
valor de 1 439 . =
1 446 .
. O segundo autor, utilizando redes neuronais artificiais de base radial
conjugadas com o mtodo de simulao de Monte carlo, obtm um valor de = .
Consequentemente, verifica-se que a metodologia proposta aplicvel a problemas de
fiabilidade estrutural com um grande leque de variaes, quer relativamente ao nmero de
variveis aleatrias, quer ao tipo de distribuies das variveis aleatrias assim como
forma da funo de estado limite; revelando-se bastante eficiente no caso de se utilizar
uma transformao de caudas normais.
Tabela 6.10 Resultados da aplicao dos dois mtodos aos vrios
casos considerados.
MMC Portic (1 nica anlise)

Dist. LN e G
mx
(15 mil amostras)
Dist. LN e G
mx
(100 mil amostras)
Transformao
Caudas Normais
u (cm) 6.98661 6.98532 6.9771
u
(cm) 1.75717 1.74899 1.745058
CV 0.2515 0.2504 0.2501
1.4873 1.495 1.503
215
Os resultados apresentados por Das e Zheng (2000) foram obtidos atravs de uma
construo progressiva da superfcie de resposta (Tabela 6.11). Em primeiro lugar
utilizaram uma superfcie de resposta linear da forma:
( )
1
n
i i
i
G x a b x
=
= +
,
onde so os parmetros obtidos atravs do mtodo dos mnimos quadrados
(MMQ). Em seguida, a superfcie de resposta melhorada adicionando os termos
quadrticos:
1 n
a, b , , b
( )
2
1 1
n n
i i i i
i i
G x a b x c x
= =
= + +

,
onde estimaram os 2n+1 coeficientes pelo MMQ. Se a superfcie de resposta no for
satisfatria ainda pode ser melhorada adicionando os termos cruzados e removendo alguns
dos termos de segunda ordem, obtendo:
( )
2
1 1
n n n n
i i i i ij i j
i i i j
G x a b x c x c x x
= =
= + + +

Na Tabela 6.11, N o nmero de pontos de amostragem utilizados para formar a funo de
superfcie de resposta,
1
o ndice de fiabilidade obtido atravs de mtodos FORM,
2

o ndice de fiabilidade obtido atravs de mtodos SORM e
3
o ndice de fiabilidade
obtido atravs do mtodo de simulao direccionada utilizando 100.000 amostras geradas
pela funo de superfcie de resposta.
Tabela 6.11 Resultados do problema dado em Das e Zheng (2000).
Funo de Superfcie de Resposta N
1

2

3

G 13 2.002 2.012 2.021
G 13 1.600 1.629 1.615
G
13 1.624 1.637 1.632
G 26 1.615 1.627 1.627
G 26 1.656 1.550 1.543
G
26 1.654 1.405 1.307

216
Os resultados apresentados por Deng (2006) foram obtidos atravs da aplicao de uma
rede neuronal artificial de base radial conjugada com o mtodo de simulao de Monte
Carlo. Para representar a funo de estado limite implcita Deng (2006) aplicou uma rede
de base radial com trs camadas. A camada de entrada constituda por seis nodos, ou
neurnios, e a camada de sada por um nodo. As seis variveis aleatrias bsicas do
problema so consideradas as variveis de input e a funo de estado limite a varivel de
output. O treino e teste da rede neuronal foram constitudos por, respectivamente, 257 e 20
amostras. O treino da rede de base radial foi aplicado para determinar os parmetros
desconhecidos os pesos de cada conexo.
Em relao a cada uma das seis variveis aleatrias bsicas foram gerados 100000 valores
amostrais de acordo com as suas distribuies de probabilidade. Estes valores foram ento
aplicados rede neuronal como vectores de input originando a rede de 100000 valores de
output correspondentes funo de estado limite. A partir destes 100000 valores
obtiveram-se as caractersticas probabilsticas (funo distribuio ou funo densidade de
probabilidade) da funo de estado limite e assim estimou-se a probabilidade de rotura ou
a fiabilidade. Neste problema Deng (2006) obteve um valor de 1 446 . = .

1.30 1.40 1.35 1.45 1.55 1.50
1.307 Das e Zheng (2000)
(
3
, N = 26,
G )
1.487 MMC
(15 mil amostras)
1.439 - Zhao (1996)
MMC (2 mil amostras)
1.405 Das e Zheng (2000)
(
2
, N = 26,
G )
1.543 Das e Zheng (2000)
(
3
, N = 26, G)
1.503 Portic
(Caudas Normais)
1.550 Das e Zheng (2000)
(
2
, N = 26, G)
1.453 - Zhao (1996)

(superfcie de resposta)
1.446 - Deng (2006)
(rede neuronal de base radial)

Figura 6.8 Valores de obtidos para os vrios casos.

217
6.6 Trelia metlica

Neste exemplo, analisado e apresentado por Kim e Na (1997), os autores aplicaram
mtodos de superfcie de resposta para obterem estimativas da fiabilidade estrutural de
uma trelia metlica sujeita a foras nodais verticais, P
i
, (Figura 6.9). i =1,, 6
Neste problema vai analisar-se o deslocamento vertical a meio vo. A trelia vai ser
estudada quanto ao estado limite de utilizao relacionado com a deformao. A estrutura
est sujeita a foras nodais verticais descendentes com uma intensidade P
i
. As foras P
i
so
aleatrias com distribuies Tipo I de mximos. As outras variveis aleatrias so as duas
reas das seces, A
i
, e os dois mdulos de elasticidade E i =1, 2 i =1, 2
i
, relativos aos
vrios elementos da estrutura. Neste exemplo vo chamar-se elementos principais a todos
os elementos da figura 6.9 que so horizontais. Desta forma a estrutura tem onze elementos
principais (todos os elementos pares de 2 a 22) e doze elementos diagonais (todos os
elementos mpares de 1 a 23) (Figura 6.9). Assim, E
1
e A
1
correspondero,
respectivamente, ao mdulo de elasticidade e rea de um elemento principal e E
2
e A
2
ao
de um elemento diagonal. O sistema estrutural apresentado na Figura 6.9 caracterizado
por dez variveis aleatrias bsicas: seis foras verticais, dois mdulos de elasticidade e
duas reas de seces; sendo as suas distribuies e respectivos parmetros apresentados
na Tabela 6.13. Alm disso, as diferentes reas, A
i
; os dois mdulos de elasticidade E
i
e as
seis foras verticais, P
i
, so tratadas como variveis aleatrias independentes. Os
momentos de inrcia de todos os elementos da estrutura so tratados como determinsticos.
Para aplicar o mtodo proposto considerou-se que a malha de elementos finitos aplicada ao
sistema estrutural, constitudo por uma trelia metlica sujeita a seis foras verticais, tem
treze ns e vinte e trs elementos (Figura 6.9), sendo as suas propriedades apresentadas na
Tabela 6.12.
Tabela 6.12 Propriedades dos elementos que constituem o sistema estrutural.
Principal

E
1 I
1
= 910
3
cm
4
A
1
Diagonal E
2 I
2
= 910
3
cm
4
A
2

218

u(x)

6 400 cm
200 cm
P
1
P
2
P
3
P
4
P
5
P
6
1
1
2
13
4 6 8 10 12
3 5 7 9 11
5 9
12
18
19
21
2
4 8
10
13
16 20
22
23 3
6
7 11
14
15
17

Figura 6.9 Trelia metlica analisada.
A funo que traduz o estado limite de utilizao dada por:
( ) ( )
11 0 G X . cm u X =
onde o deslocamento vertical no centro da viga (n sete Figura 6.9). Neste caso a
probabilidade de rotura dada por:
( )
u
( ) [ ]
( ) 0
f
p P G X = =
onde
G
G
= . Como ( )
x u u
u , ento:
( ) [ ] 11
G u
E G X = =
( ) [ ]
2 2
G u
Var G X
G u
= = =
e assim neste caso
11
u
u
= .

219
Tabela 6.13 Dados estatsticos das variveis aleatrias do sistema estrutural e respectivas
unidades de medida (Kim e Na, 1997).
Variveis Aleatrias Distribuio Mdia Desvio Padro
E
1
( )
2
Kg cm Log-normal 2100000 210000
A
1
( )
2
cm
Log-normal
20 2
E
2
( )
2
Kg cm Log-normal 2100000 210000
A
2
( )
2
cm
Log-normal 10 1
P
1 ( ) Kg
Tipo I de mximos 5000 750
P
2 ( ) Kg
P
3 ( ) Kg
P
4 ( ) Kg
P
5 ( ) Kg
P
6 ( ) Kg
Para aplicar a metodologia proposta transformaram-se as unidades de medida dos dados
originais do problema para o sistema internacional (S. I.) Anexo 2. A cada uma das
variveis em que a distribuio no normal aplicou-se a transformao de caudas
normais, considerando o ponto de dimensionamento igual ao valor mdio de cada uma
delas (
i
*
i X
x = ), de forma a obter variveis aleatrias normais equivalentes (Tabela 6.14).

Tabela 6.14 Dados estatsticos das variveis aleatrias do sistema estrutural com as respectivas unidades de
medida e resultados da aplicao da transformao de caudas normais s 10 variveis.

Distribuio Original
*
i X
i
x =
E
1
(KPa) 205939650 20593965 206961748 0.1
A
1
(m
2
) 0.002 0.0002 0.002011445 0.1
E
2
(KPa) 205939650 20593965 206961748 0.1
A
2
(m
2
) 0.001 0.0001 0.001009363 0.1
P
1
(KN) 49.03325 7.3549875 50.41658 0.15
P
2
(KN) 49.03325 7.3549875 50.41658 0.15
P
3
(KN) 49.03325 7.3549875 50.41658 0.15
P
4
(KN) 49.03325 7.3549875 50.41658 0.15
P
5
(KN) 49.03325 7.3549875 50.41658 0.15
P
6
(KN)

49.03325 7.3549875 50.41658 0.15

220
15.000, 100.000 e 200.000 amostras. O objectivo deste ltimo caso foi o de comparar com
o resultado obtido em Kim e Na (1997), que foi de = 2.492, que tambm utilizaram o
mesmo nmero de amostras com o MMC. Os resultados so praticamente iguais (Tabela
6.15 e 6.16). Alm disso, os dois ltimos casos tambm serviram para verificar se com
mais amostras o valor do ndice de fiabilidade seria significativamente diferente. Os
resultados dizem-nos que as diferenas no so significativas pelo que basta utilizar 15000
A aplicao do mtodo proposto com a transformao de caudas normais d um valor para
relativamente prximo do obtido atravs do MMC assim como tambm muito prximo
ao obtido por Kim e Na (1997) considerando o mtodo com superfcie de resposta linear
quer para h
i
= 1.0 como para h
i
= 1.5. Alm disso, tambm se pode considerar
relativamente prximo do valor obtido pelo mtodo desenvolvido por Kim e Na (1997)
para h
i
= 1.0 (Tabelas 6.15 e 6.16). Desta forma, o mtodo proposto (Portic) revela-se
bastante eficiente no caso de se utilizar uma transformao de caudas normais.
Tabela 6.15 Resultados da aplicao dos dois mtodos aos vrios casos
considerados.

Dist. LN e G
mx
(15 mil amostras)
Dist. LN e G
mx
(100 mil amostras)
Dist. LN e G
mx
(200 mil amostras)
Transformao
Caudas Normais
u (cm) 7.37367 7.38121 7.37602 7.3653
u
(cm) 1.46524 1.46693 1.46688 1.440263
CV 0.1987 0.1987 0.1989 0.1956
2.475 2.467 2.471 2.524
Os resultados apresentados por Kim e Na (1997) foram obtidos atravs da utilizao de
funes de superfcie de resposta lineares onde os autores propuseram uma tcnica de
aproximao sequencial para ajustar a superfcie de resposta de forma a garantir a
convergncia do ndice de fiabilidade (Tabela 6.16). Nesta Tabela, o valor de , resultante
da aplicao do MMC, obtido utilizando 200.000 simulaes. Tambm aplicaram, alm
221
do mtodo que desenvolveram com h
i
= 1.0 e 1.5, um mtodo de superfcie de resposta
onde a superfcie a aproximar funo de estado limite linear com h
i
= 1.0 e 1.5.
Tabela 6.16 Resultados do problema dado em Kim e Na (1997).
Mtodo

Mtodo Simulao de Monte Carlo 2.492
h
1
= 1.0 2.551 Superfcie de Resposta Linear
h
2
= 1.5 2.527
h
1
= 1.0 2.513 Mtodo Desenvolvido por
Kim e Na (1997) h
2
= 1.5 2.434

2.50
2.527 Kim e Na (1997)
(Superfcie Resposta Linear, h
i
= 1.5)
2.475
(15 m
MMC
il amostras)
2.513 Kim e Na (1997)
(Superfcie Resposta Quadrtica, h
i
= 1.0)
2.551 Kim e Na (1997)
(Superfcie Resposta Linear, h
i
= 1.0)
2.524 Portic
(Caudas Normais)
2.45 2.55

Figura 6.10 Valores de obtidos para os vrios casos.

6.7 Estrutura metlica com dez barras sujeita a duas foras

Neste exemplo, analisado e apresentado por Wei e Rahman (2007) onde os autores
aplicaram um mtodo de decomposio univariado baseado em aproximaes lineares e
quadrticas na direco do ponto mais provvel de rotura e integraes numricas
univariadas de forma a analisarem a fiabilidade estrutural, vai estudar-se uma estrutura de
suporte metlica que est sujeita a duas foras verticais, F
1
e F
2
(Figura 6.11).

222
Neste problema controlado o deslocamento vertical no n 3. Esta estrutura est sujeita a
duas foras verticais descendentes aplicadas nos ns 2 e 3 com intensidades dadas por
F
1
= 444.8222 KN e F
2
= 444.8222 KN (Figura 6.11). As foras so consideradas
determinsticas. Tambm o mdulo de elasticidade de cada um dos elementos da estrutura
assim como o momento de inrcia so considerados determinsticos sendo dados,
respectivamente, por E = 68947572.9 KPa e I = 0.00085 m
4
. As variveis aleatrias
bsicas do sistema estrutural apresentado na Figura 6.11 so as dez reas das seces, A
i
,
de cada uma das barras. A rea de cada barra uma varivel aleatria que
segue uma distribuio normal truncada no ponto
10 i =1, ,
0 x
= com valor mdio

e desvio padro . Alm disso, as diferentes reas,
A
2
m
2
m
10 1, ,
0 0016129 . = 0 00032258 . =
i
; i = , so tratadas como variveis aleatrias independentes.
originais do problema (Wei e Rahman, 2007) para o sistema internacional (S. I.) Anexo
2. Alm disso, considerou-se que a malha de elementos finitos do sistema estrutural,
constitudo por uma estrutura metlica para suporte sujeita a duas foras nodais verticais
tem seis ns e dez elementos (Figura 6.11).

9.15 m

1
4 5 6
2 3 1
2
3
4
5
6
7
8
9
9.15 m

10
9.15 m

F
2
F
1
u(x)

Figura 6.11 Estrutura metlica analisada.
De acordo com as condies de carga o deslocamento vertical mximo, u(x), ocorre no n
3 onde o deslocamento permitido est limitado a um valor de 45.72 cm. Desta forma, a
funo que traduz o estado limite dada por:
223
( ) ( )
1 10 1 1
45 72 G A , , A . cm u A , , A =
0
.
A probabilidade de rotura dada por:
( ) ( )
1 10
0
f
p P G A , , A = =

onde
G
G
= . Como ( )
x u u
u , ento:
( )
1 10
45 72
G u
E G A , , A . cm = =

G u

( )
2 2
1 10 G u
Var G A , , A = =

=
e assim neste caso
45 72
u
u
. cm

= .
O MMC foi aplicado considerando as distribuies originais usando 15.000 e 100.000
amostras. Os resultados serviram para verificar se com mais amostras o valor do ndice de
fiabilidade seria significativamente diferente. Os resultados mostram que as diferenas no
so significativas pelo que basta utilizar 15000 amostras para obter um resultado fivel e
de uma forma mais rpida (Tabela 6.17). A aplicao do mtodo proposto d um valor para
relativamente prximo ao obtido por Wei e Rahman (2007) considerando o mtodo
FORM assim como da variante do mtodo SORM devido a Breitung (Tabelas 6.17 e 6.18).
considerados.

Dist. LN e G
mx
(15 mil amostras)
Dist. LN e G
mx
(100 mil amostras)
Transformao
Caudas Normais
u (cm) 38.16 38.1704 36.908
u
(cm) 7.04557 7.06616 6.820146
CV 0.185 0.185 0.185
1.073 1.068 1.292

224
Os resultados apresentados por Wei e Rahman (2007) foram obtidos atravs da utilizao
de vrios mtodos (Tabela 6.18). Comparando os resultados pode dizer-se que o mtodo
proposto neste trabalho se revela relativamente preciso e mais eficiente pois obtido
atravs de uma nica anlise.
Tabela 6.18 Resultados do problema dado em Wei e Rahman (2007).
Mtodo

Desenvolvido por Wei e Rahman:
Aproximao Linear
Aproximao Quadrtica

1.055
1.080
Com Simulao 1.052
FORM 1.3645
SORM variante de Breitung 1.133
SORM variante de Hohenbichler 1.026
SORM variante de Cai e Elishakoff
1.051

6.8 Prtico de dois vos e vinte andares sujeito a foras horizontais e verticais

Neste exemplo, adaptado de Foschi et al. (2002), vai estudar-se um prtico com dois vos
(cada um com oito metros de comprimento) e vinte andares sujeito a foras verticais e
horizontais (Figura 6.12). Neste caso vo ser controlados os deslocamentos horizontais ao
nvel dos pisos 15 e 20. A estrutura est sujeita a uma fora horizontal triangular
uniformemente distribuda aplicada da esquerda para a direita, com uma intensidade
mxima q e a foras nodais verticais P, ao nvel do telhado. As foras q e P so aleatrias
com distribuies normais e de Tipo I de mximos, respectivamente. As outras variveis
aleatrias so o mdulo de elasticidade dos pilares, E
c
, e as suas seces com largura B e
altura H. Ao longo da altura do edifcio, com 80m e 20 andares, os pilares tm trs seces
diferentes, com dimenses BB
i
e H
i
, i = 1, 2, 3. As seces dos pilares permanecem
constantes para os primeiros sete andares (B
1
B e H
1
), depois passam a ter outras medidas do
8 andar at ao 14 andar (BB
2
e H
2
) e finalmente ainda outras medidas do 15 andar at ao
topo (B
3
B e H
3
). Desta forma, o sistema estrutural apresentado caracterizado por nove
variveis aleatrias bsicas: uma fora triangular horizontal, uma fora nodal vertical, um
mdulo de elasticidade, trs larguras de pilar e trs alturas de pilar; sendo as suas
distribuies e respectivos parmetros apresentados na Tabela 6.19. Todas as vigas do
225
edifcio tm um mdulo de elasticidade E
v
= 2010
6
KN/m
2
, uma largura BB
v
= 0.5 m e uma
altura H
v
= 0.85 m, sendo estes valores considerados determinsticos. Para controlar o
edifcio durante a sua utilizao estudaram-se os deslocamentos horizontais ao nvel do
telhado (n 63) e do 15 andar (n 48).
Tabela 6.19 Dados estatsticos das variveis aleatrias do sistema estrutural e respectivas
unidades de medida (adaptado de Foschi et al., 2002).
Variveis Aleatrias Distribuio Mdia Desvio Padro
q (KN/m) Tipo I de mximos
4 0.8
P

(KN) Normal
100 20
E
c
(KPa) Log-normal
2010
6
210
6
BB
1
(mm)
Normal
750 7.5
H
1
(mm)
Normal
1000 10
BB
2
(mm)

Normal
600 6
H
2
(mm)
Normal
800 8
BB
3
(mm)
Normal
450 4.5
H
3
(mm)
Normal
600 6
Para aplicar a metodologia proposta considerou-se que a malha de elementos finitos do
sistema estrutural, constitudo por um prtico com dois vos e vinte andares sujeito a
foras horizontais e verticais tem sessenta e trs ns e cem elementos (Figura 6.12).

61
P P P

1

2
1 2 4 5
6
3
1
7 8 9 1
1 1 1 1 1
1 1 1 1 2
2 2 2 2 2
2 2 2 2 3
3
3
4
8
11
14
17
20
23
26
29
32
35
38
41
44
47
50
53
56
59
62
6
5
7
12
15
18
21
24
27
30
33
36
39
42
45
48
51
54
57
60
63
9
10
13
16
19
22
25
28
31
34
37
40
43
46
49
52
55
58
3 3 3 3
3 3 3 3 4
4 4 4 4 4
4 4 4 4 5
5 5 5 5 5
5 5 5 5 6
6 6 6 6 6
6 6 6 6 7
7 7 7 7 7
7 7 7 7 8
8 8 8 8 8
8 8 8 8 9
9 9 9 9 9
9 9 9 9 100
2
8 m 8 m
2
0

4

m

q

Figura 6.12 Edifcio sujeito a foras verticais e horizontais.

226
As equaes que traduzem os estados limites de utilizao so dadas por:
( ) ( )
1 1 9 1 1 1 9
G X , , X L X , , X =
( ) ( )
2 1 9 2 2 1 9
G X , , X L X , , X =
onde
1
o deslocamento horizontal no n 63 e
2
o deslocamento horizontal no n 48.
Neste caso,
2
dado como uma proporo da altura do edifcio. Alm disso, L
1
e L
2
so
os limites de deformao de, respectivamente, 0.05 m e 1500 h m, sendo h a altura do
edifcio no ponto onde se vai estudar o deslocamento. A probabilidade de rotura dada
por:
( ) ( )
1 9
0
f
p P G X , , X = =

onde
G
G
= . Como
( )
1 1
1
,

e
( )
2 2
2
,

ento:
( )
1 1
1 1 9 1 G
E G X , , X L
= =

( )
1 1
2 2
1 1 9 G G
Var G X , , X
1 1

= =

=
( )
2 2
2 1 9 2 G
E G X , , X L
= =

( )
2 2
2 2
2 1 9 G G
Var G X , , X
2 2

= =

=
e assim neste caso
1
1
1
1
L
= e
2
2
2
2
L
= .
A cada uma das variveis em que a distribuio no normal aplicou-se a transformao
de caudas normais, considerando o ponto de dimensionamento igual ao valor mdio de
cada uma delas (
i
*
i X
x = ), de forma a obter variveis aleatrias normais equivalentes
(Tabela 6.20).
227
Tabela 6.20 Dados estatsticos das variveis aleatrias no normais do sistema estrutural com as respectivas
unidades de medida e resultados da aplicao da transformao de caudas normais.

Distribuio Original
*
i X
i
x =
q (KN/m) 4 0.8 4.142386 0.2
E

(KPa) 2010
6
210
6
20099262 0.1
15.000 e 100.000 amostras. Os resultados serviram para verificar se com mais amostras o
valor do ndice de fiabilidade seria significativamente diferente. Os resultados mostram
que as diferenas no so significativas pelo que basta utilizar 15000 amostras para obter
um resultado fivel e de uma forma mais rpida (Tabela 6.21).
A aplicao do mtodo proposto com a transformao de caudas normais fornece um valor
para relativamente prximo do obtido atravs do MMC. Desta forma, o mtodo proposto
(Portic) revela-se bastante eficiente no caso de se utilizar uma transformao de caudas
normais.
considerados.

Dist. LN e G
mx
(15 mil amostras)
Dist. LN e G
mx
(100 mil amostras)
Transformao
Caudas Normais
u (cm) 3.742 3.741 3.845
u
(cm) 0.778 0.770 0.789
CV 0.208 0.206 0.205
N 63
1.617 1.636 1.464
u (cm) 3.009 3.003 3.092
u
(cm) 0.618 0.614 0.630
CV 0.205 0.204 0.204
N 48
1.604 1.624 1.441

228
6.9 Prtico de trs vos e cinco andares sujeito a foras horizontais

Neste exemplo, adaptado de Liu e Der Kiureghian (1986a), vai analisar-se a fiabilidade de
um prtico com trs vos e cinco andares sujeito a foras nodais horizontais (Figura 6.13).
As ligaes entre as vigas e os pilares so consideradas rgidas. Este problema, j com
alguma complexidade, tambm foi analisado posteriormente por Bucher e Bourgund
(1990), novamente por Liu e Der Kiureghian (1989, 1991), Guan e Melchers (2001) e Wei
e Rahman (2007). Vai analisar-se o prtico quanto ao estado limite de utilizao. O
sistema estrutural apresentado na Figura 6.13 caracterizado por 21 variveis aleatrias
bsicas: trs cargas, dois mdulos de elasticidade, oito momentos de inrcia e oito reas;
sendo as suas distribuies e respectivos parmetros apresentados na Tabela 6.23. Alm
disso, existem correlaes entre as cargas, as propriedades dos materiais e as dimenses
dos elementos (Tabela 6.24).
Para aplicar a metodologia proposta considerou-se que a malha de elementos finitos do
sistema estrutural, constitudo por um prtico com trs vos e cinco andares sujeito a
foras horizontais, tem vinte e quatro ns e trinta e cinco elementos (Figura 6.13), sendo as
suas propriedades apresentadas na Tabela 6.22.

P
1
P
2
P
2
P
2
P
3
C
1
C
1
C
1
C
1
C
2
C
2
C
2
C
2
C
2
C
2
C
3
C
3
C
3
C
3
C
3
C
2
C
4
C
4
C
2
C
3
B
3
B
1
B
1
B
2
B
2
B
2
B
2
B
3
B
3
B
4
B
1
B
1
B
2
B
2
B
3
25 ft

30 ft

25 ft

12 ft

16 ft

1 2
31
4
5 6 7
8 9 10 11
12 13 14
15 16 17 18
19 20 21
22 23 24 25
26 27 28
29 30 32
33 34 35
3
24

1

2

3
4
5
6
7

8

9

10 11 12

13

14 15 16

17

18 19 20

21

22 23
12 ft

12 ft

12 ft

Figura 6.13 Sistema estrutural analisado.

229
Tabela 6.22 Propriedades dos elementos que constituem o sistema
estrutural.
BB
1
E
4
I
10
A
18
BB
2
E
4
I
11
A
19
BB
3
E
4
I
12
A
20
BB
4
E
4
I
13
A
21
C
1
E
5
I
6
A
14
C
2
E
5
I
7
A
15
C
3
E
5
I
8
A
16
C
4
E
5
I
9
A
17

Tabela 6.23 Dados estatsticos das variveis do sistema estrutural e respectivas
unidades de medida (adaptado de Liu e Der Kiureghian, 1986a).
Variveis Distribuio Mdia Desvio Padro
P
1
( ) Kips Tipo I de mximos 50 15
P
2
P
3
E
4
( )
2
Kips ft Normal 454000.00 40000.00
E
5
( )
2
Kips ft Normal 497000.00 40000.00
I
6
( )
4
ft
Normal 0.94 0.12
I
7
( )
4
ft
Normal 1.33 0.15
I
8
( )
4
ft
Normal 2.47 0.30
I
9 ( )
4
ft
Normal 3.00 0.35
I
10
( )
4
ft
Normal 1.25 0.30
I
11
( )
4
ft
Normal 1.63 0.40
I
12
( )
4
ft
Normal 2.69 0.65
I
13
( )
4
ft
Normal 3.00 0.75
A
14
( )
2
ft
Normal 3.36 0.60
A
15
( )
2
ft
Normal 4.00 0.80
A
16
( )
2
ft
Normal 5.44 1.00
A
17
( )
2
ft
Normal 6.00 1.20
A
18
( )
2
ft
Normal 2.72 1.00
A
19
( )
2
ft
Normal 3.13 1.10
A
20
( )
2
ft
Normal 4.01 1.30
A
21
( )
2
ft
Normal 4.50 1.50

230
Algumas das variveis aleatrias bsicas do sistema estrutural esto correlacionadas da
seguinte forma (Tabela 6.24):
Todas as cargas aplicadas ao sistema estrutural tm uma correlao de 0 5 . =
A rea das seces e o momento de inrcia de cada elemento do mesmo tipo esto
altamente correlacionados, tendo um coeficiente de correlao 0 95 . =
Os dois tipos de elasticidade tm um coeficiente de correlao 0 9 . =
Para tem-se:
i j
0 13
i j i j i j
A A I I I A
. = = =
As correlaes entre os restantes elementos so iguais a zero.

Tabela 6.24 Matriz de correlaes do sistema estrutural.
E
4
I
10
A
18
I
11
A
19
I
12
A
20
I
13
A
21
E
5
I
6
A
14
I
7
A
15
I
8
A
16
I
9
A
17
P
1
P
2
P
3
E
4
1 0 0 0 0 0 0 0 0 0.9 0 0 0 0 0 0 0 0 0 0 0
I
10
1 0.95 0.13 0.13 0.13 0.13 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A
18
1 0.13 0.13 0.13 0.13 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
I
11
1 0.95 0.13 0.13 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A
19
1 0.13 0.13 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
I
12
1 0.95 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A
20
1 0.13 0.13 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
I
13
1 0.95 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A
21
1 0 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
E
5
1 0 0 0 0 0 0 0 0 0 0 0
I
6
1 0.95 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
A
14
1 0.13 0.13 0.13 0.13 0.13 0.13 0 0 0
I
7
1 0.95 0.13 0.13 0.13 0.13 0 0 0
A
15
1 0.13 0.13 0.13 0.13 0 0 0
I
8
1 0.95 0.13 0.13 0 0 0
A
16
1 0.13 0.13 0 0 0
I
9
1 0.95 0 0 0
A
17
1 0 0 0
P
1
1 0.52 0.52
P
2
1 0.52
P
3
1

originais do problema para o sistema internacional (S. I.) Anexo 2.
A cada uma das foras P
1
, P
2
e P
3
, cujas distribuies no so normais, aplicou-se a
transformao de caudas normais, considerando o ponto de dimensionamento igual ao
231
valor mdio de cada uma das variveis (
i
i
x
*
X
= ). Alm disso, como tm distribuio de
Tipo I de mximos e so correlacionadas aplicou-se a transformao de Nataf de forma a
obter variveis normais equivalentes no correlacionadas (Tabela 6.24 e 6.25).
Tabela 6.25 Dados estatsticos das variveis aleatrias no normais do sistema estrutural com as respectivas
unidades de medida e resultados da aplicao da transformao de caudas normais.

Distribuio Original
*
i X
i
x =
P
1
(kN) 222.411 66.723 234.96 0.3
P
2
(kN)
133.447 53.379
143.48 0.4
P
3
(kN) 111.206 44.482
119.57 0.4
Neste problema vai estudar-se qual a probabilidade de o deslocamento horizontal no n 21
exceder os 6.096cm. A obteno do deslocamento horizontal
x
u passa pela construo de
uma matriz mn e da soluo de m equaes simultneas, onde m = 72 o nmero de
graus de liberdade da estrutura e n = 21 o nmero de variveis aleatrias bsicas. A
equao que traduz o estado limite de utilizao dada por:
( )
6 096
x
G u . cm u = .
A probabilidade de rotura dada por:
( ) [ ]
( ) 0
f
p P G U = =
onde
G
G
= . Como ( )
x u u
u , ento:
( ) [ ] 6 096
G u
E G U . = =
( ) [ ]
2 2
G u
Var G U
G u
= = =
e assim neste caso
6 096
u
u
.

= .

232
15000 e 100000 amostras. O objectivo deste ltimo caso foi o de verificar se com mais
amostras o valor do ndice de fiabilidade seria significativamente diferente. Os resultados
mostram o contrrio. As diferenas no so significativas pelo que basta utilizar 15000
A aplicao do mtodo proposto com as transformaes de caudas normais e de Nataf
fornece um valor para muito prximo do obtido atravs do MMC. Consequentemente, a
metodologia proposta (Portic) revela-se bastante eficiente mesmo em casos onde existe um
grande nmero de variveis aleatrias correlacionadas e de se terem de utilizar
transformaes de caudas normais e de Nataf.
Tabela 6.26 Resultados da aplicao dos dois mtodos aos vrios
casos considerados.

Dist. G
mx
(15 mil amostras)
Dist. G
mx
(100 mil amostras)
Transformao
Caudas Normais
u (cm) 2.676 2.681 2.744
u
(cm) 0.913 0.934 0.910
CV 0.341 0.348 0.332
3.746 3.656 3.683

6.10 Concluses

A crescente evoluo dos meios computacionais, a disponibilidade cada vez maior e mais
variada de dados experimentais, o emprego de modelos de anlise mais realistas e a
utilizao mais frequente de padres estruturais menos comuns, tem aumentado a
necessidade de aplicar tcnicas de fiabilidade para a avaliao da segurana estrutural.
A aplicao de metodologias probabilsticas para resolver problemas estruturais
relacionados com incertezas e aleatorizao de forma a obter resultados fiveis tem sido
233
restringida pela dificuldade na caracterizao estatstica das variveis e, sobretudo, devido
necessidade de realizar inmeras simulaes para o mesmo problema estrutural. O
mtodo proposto, baseado em tcnicas de perturbao, avalia a incerteza do
comportamento estrutural com apenas uma nica anlise permitindo obter o valor mdio e
o desvio padro da resposta estrutural. Esta uma contribuio muito importante pois foi
possvel desenvolver uma metodologia extremamente eficiente que permite avaliar a
incerteza da resposta de sistemas estruturais tendo em conta os parmetros estatsticos das
variveis.
A implementao da tcnica aqui desenvolvida numa malha de elementos finitos requer
que se calcule a inversa da matriz de rigidez global do sistema estrutural, se obtenham as
derivadas parciais de algumas matrizes, como por exemplo as derivadas parciais da matriz
de rigidez global em ordem s variveis aleatrias bsicas do problema, e se efectuem
alguns produtos de matrizes para calcular a matriz de covarincias da resposta estrutural.
Alm disso, tambm foi introduzida a possibilidade de incluir correlaes entre variveis
aleatrias bsicas, sendo as informaes acerca das incertezas nas variveis definidas
apenas por dois parmetros (valor mdio e desvio padro).
O estudo dos vrios exemplos aqui apresentados ilustra a aplicabilidade e eficincia da
metodologia proposta. A comparao dos resultados obtidos com este mtodo e com outras
metodologias permitiram constatar a eficincia da tcnica proposta quando as distribuies
das variveis aleatrias bsicas so normais ou aproximadamente normais. Nos casos em
que as distribuies no so normais, os procedimentos de aproximao desenvolvidos
permitiram obter valores com erros pouco apreciveis. No entanto, para problemas no
lineares acentuados a eficincia dos resultados obtidos atravs do mtodo proposto no
pode ser garantida.

234
235

Captulo 7

Concluses e Sugestes para Investigaes Futuras

Na anlise de fiabilidade existem muitos mtodos distintos cuja aplicao est sempre
dependente de alguns factores. No entanto, existe um aspecto comum a todos eles que o
facto de precisarem sempre de uma avaliao repetitiva da resposta ou da funo de estado
limite para avaliar a incerteza associada resposta estrutural (Teigen et al., 1991a; Ghanem
e Spanos, 2003; Schenk e Schueller, 2005; Ditlevsen e Madsen, 2005). Por esse motivo
que, ao longo dos tempos, o desenvolvimento de mtodos de fiabilidade teve sempre em
mente a diminuio do nmero de simulaes. Nesta perspectiva pode dizer-se que se a
avaliao sobre a resposta podem utilizar-se, por exemplo:
Mtodo de Simulao de Monte Carlo Puro
Mtodos de Perturbao
Se for sobre a funo de estado limite podem usar-se, por exemplo:
Mtodo de Simulao de Monte Carlo Puro
Mtodo de Simulao de Monte Carlo utilizando Amostragem por Importncia
FORM
SORM
236
Mtodos de Superfcie de Resposta
Uma pergunta que se pode fazer se os mtodos FORM/SORM e outros relacionados
podem ser substitudos por outros mtodos. Hoje em dia a resposta normalmente no.
Isto porque a integrao numrica ainda est limitada a problemas de pequenas dimenses
(normalmente n<5). Quando a dimenso dos problemas aumenta os algoritmos existentes
no s envolvem um esforo numrico muito grande como tendem a produzir erros
numricos que no so detectveis.
Neste trabalho desenvolveu-se um mtodo de anlise da fiabilidade de sistemas estruturais
que inclui modelos de anlise de estruturas combinados com o mtodo probabilstico de
elementos finitos. As suas anlises permitem entrar em considerao com a variabilidade
dos diversos parmetros que influenciam o comportamento da estrutura, resultando no
clculo do ndice de fiabilidade. assim possvel analisar a segurana de uma estrutura de
uma forma significativamente mais rpida do que o necessrio para uma anlise usando o
mtodo de Monte-Carlo (utilizado como mtodo de referncia). De facto, a aplicao de
metodologias baseadas nas tcnicas de simulao de Monte Carlo, apesar da sua
simplicidade, tem custos computacionais bastante elevados em sistemas estruturais de
alguma complexidade, mesmo quando se utilizam tcnicas de reduo da varincia (Imai e
Frangopol, 2000; Schueremans e Gemert, 2003).
Na anlise de sistemas estruturais est sempre associado um determinado grau de risco
devido s incertezas envolvidas que importa controlar da forma mais rigorosa e eficiente
possvel. Estas surgem devido s variabilidades inerentes actividade humana, ao erro de
estimao dos modelos utilizados, variabilidade dos materiais, disperso das aces e
imperfeies geomtricas. Para avaliar de forma mais eficiente o risco associado
segurana estrutural em problemas de Engenharia Civil, descreve-se a formulao de um
mtodo de fiabilidade estrutural eficiente que conjuga tcnicas de perturbao com os
mtodos probabilsticos de elementos finitos. As variveis aleatrias bsicas do problema
estrutural so caracterizadas atravs dos seus valores mdios, desvios padro e coeficientes
de correlao que quantificam a dependncia entre essas variveis. A incerteza do
comportamento estrutural avaliada atravs da matriz de covarincias da resposta.
Apresenta-se ainda o procedimento usado para implementar este mtodo num programa de
elementos finitos. O programa computacional desenvolvido permite avaliar numa nica
Captulo 7 - Concluses e sugestes para investigaes futuras
237
anlise estrutural a resposta mdia e a sua disperso, definida em termos de foras ou de
deslocamentos. Desta forma, pode realizar-se uma anlise muito mais rpida quando
comparada com os mtodos mais frequentemente utilizados, baseados em tcnicas de
fiabilidade. Para demonstrar as potencialidades e a adequao da metodologia proposta
aplicou-se esta na avaliao da incerteza da resposta em diferentes estruturas. Para isso,
analisaram-se vrios exemplos cujos resultados foram comparados com os valores obtidos
atravs de metodologias alternativas propostas por outros autores e/ou com os valores
resultantes da aplicao do mtodo de simulao de Monte Carlo. Os resultados obtidos
so exactos para problemas com funo de resposta linear e quando a distribuio de cada
uma das variveis aleatrias normal ou quase normal. Continuam com rigor adequado
para problemas no lineares desde que a funo de resposta possa ser aproximada atravs
de uma combinao linear das variveis aleatrias bsicas envolvidas. Como o mtodo
proposto consiste numa aproximao de primeira ordem que utiliza somente os dois
primeiros momentos estatsticos (mdia e desvio padro) sem usar qualquer informao
acerca das distribuies das variveis aleatrias do problema, a preciso dos resultados no
pode ser garantida para problemas com acentuada no linearidade e distribuies no
normais. Nesses casos, o desenvolvimento de procedimentos apropriados para ter em conta
distribuies no normais e problemas no lineares efectuado de forma a obter resultados
com um grau de aproximao adequado.
Consequentemente, verifica-se que a metodologia proposta aplicvel a problemas de
fiabilidade estrutural com um grande leque de variaes, quer relativamente ao nmero de
variveis aleatrias, quer ao tipo de distribuies das variveis aleatrias assim como
forma da funo de estado limite; revelando-se bastante eficiente (permite avaliar numa
nica anlise estrutural a resposta mdia e a sua disperso, quer em termos de foras quer
de deslocamentos) no caso de problemas lineares e/ou onde a distribuio de cada uma das
variveis aleatrias normal ou quase normal. Alm disso, esta metodologia continua com
rigor adequado para problemas com variveis aleatrias bsicas correlacionadas e/ou com
distribuies no normais desde que se apliquem, respectivamente, transformaes de
Nataf e/ou de caudas normais.
Um dos aspectos que se pode vir a desenvolver no futuro relativamente metodologia
proposta neste trabalho comprovar a eficincia do mtodo desenvolvido e as suas
potencialidades na aplicao em modelos de anlise de estruturas mais avanadas, como
238
por exemplo modelos que tenham em conta o comportamento no linear dos materiais
assim como modelos que tenham em conta o comportamento dinmico das estruturas.

ANEXOS

241

Anexo 1

Software Desenvolvido

A1.1 Algoritmo

O algoritmo foi desenvolvido utilizando vrias subrotinas, podendo de uma forma mais
pormenorizada ser dividido nos seguintes passos:
1. UINPUT1U: l os parmetros de controlo (n. total de ns, n. total de barras, n. de ns
ligados ao exterior, n. de materiais, n. de propriedades por material, n. de ns por
barra, n. de graus de liberdade por n, n. de coordenadas por n, n. de variveis por
barra, n. total de variveis, n. de casos de carga e n. de combinaes) e verifica as
dimenses do problema.
2. UCHECKU: verifica os parmetros de controlo.
3. UINPUT2U: l a topologia da malha e as caractersticas das seces tipo (leitura das
ligaes nodais das barras e do n. do material, leitura das coordenadas dos ns, leitura
das ligaes ao exterior, leitura das propriedades das seces tipo e clculo do
comprimento e inclinao das barras).
4. UPLOTU: escrita de um ficheiro de desenho. Prepara ficheiros para Plotting utilizando
o Drawmesh. Malha inicial e deformada.
242
5. USTIFPTU: calcula a matriz de rigidez STIFK de cada barra no referencial global e
procede ao respectivo espalhamento na matriz global GSTIF, tendo em conta os
apoios ao exterior (graus de liberdade fixos).
6. Introduo das cargas (ICASE = 1, NCASE)
6.1 ULOADPTU: (Input-Cargas) Calcula o vector de solicitao global:
6.1.1 Identificam-se os parmetros definidores dos tipos de carga:
Carga concentrada nodal
Carga concentrada em barras
Carga distribuda trapezoidal
Carga trmica (variaes de temperatura)
Assentamento de apoio
6.1.2 Espalhamento da contribuio ELOAD de cada barra no vector de
solicitao global GLOAD.
6.2 UGAUSSU: Efectua a resoluo e retrosubstituio de Gauss.
6.3 UFORCESU: Calcula os esforos finais nas extremidades das barras.
6.4 UOUTPUTU: Escrita de resultados do caso de carga: Escreve deslocamentos, reaces e
esforos nas extremidades das barras.
6.5 UPLOTU: Escrita de um ficheiro de desenho: Prepara ficheiros para Plotting utilizando
o Drawmesh.
7. UCOMBINU: Clculo das combinaes dos casos de carga. L os factores de carga e
combina as aces.
8. Clculo das derivadas parciais da matriz de rigidez em ordem s variveis aleatrias
bsicas (NUMAT=1, NMATS)
8.1 USTIFdpEU, USTIFdpBU, USTIFdpHU, USTIFdpIU e USTIFdpAU: Clculo das derivadas parciais
em relao a EB
i
B, BB
i
B, HB
i
B, IB
i
B e AB
i
B da matriz de rigidez global da estrutura.
Anexo 1
243
8.2 USTIFdpLU: Clculo da derivada parcial em relao a L da matriz de rigidez global da
estrutura.
9. Se
( )
1 0 CV :
9.1 USTIFdpFU: Clculo da derivada parcial em relao a FB
i
B da matriz de rigidez global da
estrutura.
9.2 UINVKU: Clculo da inversa da matriz de rigidez global K.
9.3 UCuU: Determinao da matriz de covarincias dos deslocamentos CB
u
B das variveis do
sistema:
Clculo da matriz dos deslocamentos mdios U
Clculo do vector da distribuio das cargas FB
i
B para cada ICASE
Determinao dos vectores coluna
1 1
K F
K . .U. K . .

Determinao de CB
u
B
10. Se
( )
1 0 CV = :
10.1 UINVKMU: Determinao da matriz
M
K e da sua inversa
1
M
K

10.2 UCqU: Determinao da matriz de covarincias das foras CB
q
B das variveis do sistema:
Clculo da matriz dos deslocamentos mdios U
Determinao dos vectores coluna
1
M
K
K . .U.

Determinao de CB
q
B

244

INTRODUO DAS CARGAS
ICASE = 1, NCASE
NCOMB=0
CHECK
VERIFICA OS PARMETROS DE CONTROLO
STIFPT
MATRIZ DE RIGIDEZ GLOBAL
NCOMB0
INPUT 2
TOPOLOGIA DA MALHA
PLOT
FICHEIRO DE DESENHO
LOADPT (INPUT-CARGAS)
CRIAR VECTOR DE SOLICITAO GLOBAL
GAUSS
RESOLUO DO SISTEMA DE EQUAES
FORCES
CALCULA ESFOROS NOS EXTREMOS DAS BARRAS
OUTPUT
ESCRITA DE RESULTADOS DO CASO DE CARGA
PLOT
ESCRITA DE UM FICHEIRO DE DESENHO
IF
INPUT 1
PARMETROS DE CONTROLO
COMBIN
CLCULO DAS COMBINAES DE ACES
NUMAT = 1, NMATS
DP(1, NUMAT)=0 DP(1, NUMAT)0
STIFdpE
IF
NUMAT = 1, NMATS
STIFdpB
IF
NUMAT = 1, NMATS
STIFdpH
IF
Anexo 1
245

DPL=0 DPL0
STIFdpL
IF
CV(1)=0 CV(1)0
IF
INVKM
STIFdpF
INVK
Cq
Cu
NUMAT = 1, NMATS
STIFdpI
IF
DP(5, NUMAT)=0
IF
NUMAT = 1, NMATS
STIFdpA
DP(5, NUMAT)0
Figura A.1 Fluxograma do algoritmo de elementos finitos para a obteno da matriz de covarincias
relacionada com a resposta estrutural (deslocamentos ou foras).
246
A1.2 Ficheiro de dados

A1.2.1 Definio das variveis associadas ao dimensionamento

MPOIN = Nmero mximo de ns.
MELEM = Nmero mximo de barras ou elementos (vigas e colunas).
MMATS = Nmero mximo de tipo de materiais (reas, beto, ao, ).
MCASE = Nmero mximo de casos de carga.
MTOTV = Nmero mximo de graus de liberdade da estrutura.
NNODE = Nmero de ns de um elemento (1, 2).
NDOFN = Nmero de graus de liberdade/n.
NDIME = Nmero de dimenses do problema (X, Y) ou nmero de coordenadas/n.
NPROP = Nmero de propriedades dos materiais:
E = Mdulo de elasticidade
b = Base
h = Altura
I = Inrcia
A = rea
Alfa/C = Temperatura
NEVAB = Nmero de graus de liberdade de uma barra.
NTOTV = Nmero total de graus de liberdade da estrutura.
NMATS = Nmero de materiais distintos.
NUMAT = Nmero de materiais.
IPOIN = N onde se aplica a fora.
Anexo 1
247
IFFIX = Vector dos cdigos dos graus de liberdade nos ns (0-LIVRE, 1-FIXO, 2-
MOLA).
NVFIX = Nmero de valores (graus de liberdade da estrutura) fixos ou nmero de ns
ligados ao exterior.
NPOIN = Nmero total de ns da estrutura.
NELEM = Nmero total de barras ou elementos (vigas e colunas).
NCASE = Nmero de casos de carga.
NCOMB = Nmero de combinaes.
TLENG = Comprimento de cada elemento.
ANGLE = ngulo que cada elemento faz com os eixos do referencial global.
DDISP = U = Deslocamentos.
GLOAD = Carga global (foras nodais globais).
ELOAD = Carga aplicada em cada elemento (foras nodais/elemento).
REACT = Reaces.
BARRA = Nmero da barra ou do elemento (viga ou coluna).
MATNO = Nmero do material.
EXT.1 = Nmero do n da extremidade inicial da barra ou do elemento (viga ou coluna).
EXT.2 = Nmero do n da extremidade final da barra ou do elemento (viga ou coluna).

248
A1.2.2 Estrutura do ficheiro de dados

1
2
3
Linha
Ttulo (S se podem escrever palavras)

4 NPOIN, NELEM, NVFIX, NMATS, NCASE, NCOMB
5 Barra, MATNO, Ext. 1 = LNODS (I, J), Ext. 2 = LNODS (I, J)

(H tantas linhas quanto o nmero de barras)

N = Nmero do n, X = Coordenada do eixo do xx do n, Y

(H tantas linhas quanto o nmero de ns)
A origem do referencial escolhida no princpio e depois sempre fixo.

N
Nmero do n ligado ao
exterior onde se aplica a
fora (IPOIN)
, Cod.
Cdigo de 3 dgitos (JCODE)
(um para cada grau de
liberdade)
0 = Livre, 1 = Fixo, 2 = Mola
, Constantes de Mola
CMOLA(I)
Colocam-se 3 valores
separados, um correspondente
a cada grau de liberdade

(H tantas linhas quanto o nmero de ns ligados ao exterior)

Nmero do Material (NUMAT)
Elasticidade E (KPa), Base B (m), Altura H (m), Inrcia Ix (mP
4
P),
rea A (mP
2
P), Alfatemperatura (C), DPE (KPa), DPB (m), DPH (m),
DPI (mP
4
P), DPA (mP
2
P), DPAlfaT (C), DPL (m)

(H tantas linhas quanto o nmero de materiais diferentes (NMATS))
Anexo 1
249
U(apenas no Mtodo de Monte Carlo)U
E B H I A Alfa TLENG
DIST(1), DIST(2), DIST(3), DIST(4), DIST(5), DIST(6), DIST(7)
(Tipo de distribuio de cada varivel relacionada com os materiais)
( ) 1 17
N Normal
DIST i LN Lognormal , i , ,
G Gumbel de Mximos

= =
"
NCORR = Nmero de linhas ou colunas da matriz de correlaes.
(0 ou igual ao n. de linhas ou colunas da matriz de correlaes)
Se for 0: passa-se para a linha seguinte - Ttulo do caso de carga
Se for 0: na linha seguinte coloca-se a matriz de correlaes completa e
passa-se para a linha seguinte - Ttulo do caso de carga

Ttulo do caso de carga

1
IPNOD
Carga
Concentrada
Nodal
2
, IPBAR
Carga
Concentrada
em Barras
3
, IDIST ,
Carga
Distribuda
Trapezoidal
4
ITERM
Carga
Trmica
5
, ISETL ,
Assentamento
de Apoio
6
IWRIT
Flag de
escrita do
vector de
carga

(Parmetros de controlo)
0 = No
1 = Sim
Se Sim:
CV(ICASE) c.v. das foras aplicadas em cada ICASE
U(apenas no M.M.C.)U
DIST(ICASE+7) Tipo de distribuio (N, LN ou G) das foras em cada ICASE

1 Nmero de ns carregados (NPNOD)
Nmero do n, Mom. (KN.m), FB
y
B (KN), FB
x
B (KN)

(H tantas linhas quanto o nmero de ns carregados)
1
3
2
R
e
p
e
t
e
-
s
e

t
a
n
t
a
s

v
e
z
e
s

q
u
a
n
t
o

o

n
m
e
r
o

d
e

c
a
s
o
s

d
e

c
a
r
g
a

(
N
C
A
S
E
)

250
2 Nmero de cargas concentradas (NPBAR)
Barra , S(m) , Mom. (KN.m) , FB
y
B (KN) , FB
x
B (KN)
marca-se a distncia
da esq. para a dir. a
comear em 0

(H tantas linhas quanto o nmero de cargas)

3 Nmero de barras carregadas (NDIST)
Barra, a(m), c(m), PB
n1
B (KN), PB
n2
B (KN)

(H tantas linhas quanto o nmero de barras carregadas)

4 Nmero de barras com aco trmica (NTERM)
Barra, delt. tB
sup
B (C), delt. tB
inf
B (C)

(H tantas linhas quanto o nmero de barras com aco trmica)

5 Nmero de ns com deslocamentos prescritos (NSETL) assentamentos de
apoio
N, dB
1
B (rad), dB
2
B (m), dB
3
B (m)

(H tantas linhas quanto o nmero de ns com deslocamentos)

6 Se IWRIT = 1 (escreve o vector de solicitao Foras (cargas))
= 0 (no escreve)
c a
PB
n1
PB
n2
0
1 2
2.99 0.01
Ex. de 2 barras com 3m:
Anexo 1
251
Se h combinaes de aces: (NCOMB 0)
Ttulo
Factor de carga 1, Factor de carga 2,
(so constantes, ex: 1.5, 0.9, etc. tantas quanto o nmero de casos de carga (NCASE))

(H tantas linhas quanto o nmero de combinaes)
U(apenas na Metodologia Proposta)U
NVAR = Nmero de linhas ou colunas da matriz de correlaes.
Se no h correlaes NVAR = 0 e pra-se
Se h correlaes NVAR = n. de linhas ou colunas da matriz de correlaes
(Apresenta-se apenas a matriz diagonal superior com NVAR-1 colunas e
NVAR-1 linhas)
Ex: Se NVAR = 5, cuja matriz de correlao dada por:
1 0 1 0 2 0 3 0 4
0 1 1 0 5 0 6 0 7
0 2 0 5 1 0 8 0 9
0 3 0 6 0 8 1 0 1
0 4 0 7 0 9 0 1 1
. . . .
. . . .
. . . .
. . . .
. . . .

Colocam-se apenas os valores que esto dentro do tringulo (matriz diagonal
superior).

253

Anexo 2

Factores de Converso entre Vrias Unidades de Medida

A2.1 Tabela de Converso

O algoritmo foi desenvolvido utilizando vrias subrotinas, podendo de uma forma mais
originais dos problemas analisados para o sistema internacional (S. I.) utilizando para tal os
valores da Tabela A.2.
As transformaes com * so exactas. As que nada tm so aproximadas com um
determinado nvel de preciso.

254

Tabela A.2 Factores de converso entre vrias unidades de medida.
1 Kg fora
= 0.00980665 KN *
1
2
Kg fora cm = 98.0665 KPa *
1
2
cm = 0.0001
2
m *
1 psi = 6894.75729 Pa
1 lb = 4.448222 N
1 in = 0.0254 m *
1 in
2
= 0.00064516
2
m *
1 Polegada = 0.0254 m *
1 ft = 0.3048 m *
1 ft = 12 Polegadas *
1
2
ft = 0.09290304
2
m *
1
4
ft = 0.0086309748412416
4
m *
1 Kips
= 4448.222 N
1 KN = 1000 N *
1
2
KN m = 1 KPa *
1
2
Kips ft = 4 448222 0 09290304 . . KPa

Referncias Bibliogrficas

A
Altus E., E. Totry and S. Givli. 2005. Optimized functional perturbation method and morphology based
effective properties of randomly heterogeneous beams. ELSEVIER - International Journal of Solids
and Structures, n.42: 2345-2359
Ang, A. H. S. and W. H. Tang. 1975. Probability Concepts in Engineering Planning and Design. Volume 1 -
Basic principles, John Wiley & Sons, New York
Anjum, M. F.; T. Imran and A.-S. Khaled. 1997. Response surface methodology: a neural network approach.
European Journal of Operational Research, Vol. 101, pp. 6573
Au, S. K. and J. L. Beck. 1999. A new adaptive importance sampling scheme for reliability calculations.
Structural Safety, Vol. 21, pp. 135-158
Au, S. K., C. Papadimitrou and J. L. Beck. 1999a. Reliability of uncertain dynamical systems with multiple
design points. Structural Safety, Vol. 21, pp. 113-133
Augusti, G. ; A. Baratta e F. Casciati. 1984. Probabilistic Methods in Structural Engineering, Chapman and
Hall, New York
Ayyub, B. M. and M. M. Gupta. 1997. Uncertainty Analysis in Engineering and Sciences: Fuzzy Logic,
Statistics, and Neural Network Approach, Kluwer Academic Publishers, Boston, 370 pp.
Ayyub, B. M. 1998. Uncertainty Modelling and Analysis in Civil Engineering. CRC Press, Boca Raton,
Florida
B
Baecher, G. B. e T. S. Ingra. 1981. Stochastic FEM in settlement predictions. Journal of Geotechnical
Engineering, Vol. 107, n.4, pp. 449-463
Bailey, David H. and Richard E. Crandall. 2003. Random Generators and Normal Numbers, disponvel em
http://www.nersc.gov/~dhbailey/dhbpapers/bcnormal.pdf
255
Bathe, K. J. 1996. Finite Element Procedures, Prentice-Hall, New Jersey
Bauer, J. and W. Pula. 2000. Reliability with respect to settlement limit states of shallow foundations on
linearly deformable subsoil. Computers and Geotechnics, Vol. 26, No. 3-4, pp. 281-308
Benaroya, H. and M. Rehak. 1987. Finite element methods in probabilistic structural analysis: a selective
review. Appl. Mech. Rev., Vol. 41, No. 5, pp. 201213
Benjamin, J. R. and C. A. Cornell. 1970. Probability, Statistics and Decision for Civil Engineers, McGraw-
Hill Book Company, New York
Billings, S. A. and G. L. Zheng. 1995. Radial basis function network configuration using genetic algorithms.
Neural Networks, Vol. 8, No. 6, pp. 877-890
Biondini, F.; F. Bontempi e P. G. Malerba. 2004. Fuzzy reliability analysis of concrete structures. Computers
& Structures, Vol. 82, pp. 1033-1052
Bishop, C. M. 1994. Neural Networks and their applications, Review of Scientific Instruments, Vol. 65, No.
6, pp. 1803-1832
Bishop, C. M. 1995. Neural Networks for Pattern Recognition, Oxford University Press
Bjerager, P. 1988. Probability integration by directional simulation. Journal of Structural Engineering,
ASCE, Vol. 114, No. 8, pp. 1285-1302
Bjerager, P. and S. Krenk. 1989. Parametric sensitivity in first order reliability theory. Journal of
Engineering Mechanics, ASCE, Vol. 115, No. 7, pp. 1577-1582
Bjerager, P. 1990. On computational methods for structural reliability analysis. Structural Safety, Vol. 9, No.
2, pp. 79-96
Bleistein, N. and R. A. Handelsman. 1975. Asymptotic expansions of integrals. New York: Holt, Rinehart
and Winston, New York
Bolotin, V. V. 1965. Statistical methods in structural mechanics. Holden-Day Inc., London
Bose, N. K. and P. Liang. 1996. Neural network fundamentals with graphs, algorithms, and applications.
McGraw-Hill Series in Electrical and Computer Engineering, New York
Box, G. E. P. and K. B. Wilson. 1951. On the Experimental Attainment of Optimum Conditions. Journal of
the Royal Statistical Society, Series B, Vol. 13, pp. 1-38
Breitung, K. 1984. Asymptotic approximations for multinormal integrals. Journal of Engineering
Mechanics, ASCE, Vol. 110, No. 3, pp. 357-366
Breitung, K. 1989. Asymptotic approximations for probability integrals. Probabilistic Engineering
Mechanics, Vol. 4, No. 4, pp. 187-190
256
Breitung, K. and M. Hohenbichler. 1989. Asymptotic approximations for multivariate integrals with an
application to multinormal probabilities. Journal of Multivariate Analysis. Vol. 30, No. 1, pp. 8097
Breitung, K. 1991. Probability approximations by log likelihood maximization. Journal of Engineering
Mechanics, ASCE, Vol. 117, No. 3, pp. 457-477
Breitung, K. and L. Faravelli. 1996. Chapter 5: Response surface methods and asymptotic approximations. In
F. Casciati and J. B. Roberts editors, Mathematical models for structural reliability analysis. CRC
Press, New York
Breitung, K. 2001. Discussion on New approximations for reliability integrals. Journal of Engineering
Mechanics, ASCE, Vol. 127, No. 2, pp. 207
Brennan, D.; U. Akpan, I. Konuk and A. Zebrowski. 2001. Random Field Modelling of Rainfall Induced
Soil Movement. Martec Report No.: TR-01-02. Martec Limited, Advanced Engineering and
Research Consultants, Geological Survey of Canada, Terrain Sciences Division, Ottawa
Brenner, C. E. 1991. Stochastic finite elements (Literature review). Technical Report Internal working report
No. 35-91, Institute of engineering mechanics, University of Innsbruck, Austria
Brenner, C. E. and C. G. Bucher. 1995. A contribution to the SFE-based reliability assessment of nonlinear
structures under dynamic loading. Probabilistic Engineering Mechanics, Vol. 10, pp. 265-273
Broomhead, D. S. and D. Lowe. 1988. Multivariable function interpolation and adaptativo networks.
Complex Systems, Vol. 2, pp. 321-355
Bucher, C. 1988. Adaptive samplingan iterative fast Monte Carlo procedure. Structural Safety, Vol. 5, No.
2, pp. 119126
Bucher, C. 2003. Structural Reliability and Stochastic Finite Elements. NAFEMS Seminar: Use of
Stochastics in FEM Analyses, Institute of Structural Mechanics, Bauhaus-University, Weimar,
Germany
Bucher, C. 2005. Stochastic Analysis in Structural Optimization. Institute of Structural Mechanics, Bauhaus-
Universitat Weimar, Germany
Bucher, C. and U. Bourgund. 1990. A Fast and Efficient Response Surface Approach for Structural
Reliability Problems. Structural Safety, Vol. 7, No. 1, pp. 57-66
Bucher, C. and M. Macke. 2003. Stochastic Computational Mechanics. AMAS Lecture Notes, AMASart.cls,
Warsaw, pp. 1-58
C
Cai, G. Q. and I. Elishakoff. 1994. Refined second-order reliability analysis. Structural Safety, Vol. 14, pp.
267-276
257
Casciati, F., M. Grigoriu, A. Der Kiureghian, Y. K. Wen and T. Vrouwenvelder. 1997. Report of the
working group on dynamics. Structural Safety, Vol. 19, n.3, pp. 271-282
Cardaliaguet, P. and G. Euvrand. 1992. Approximation of a function and its derivatives with a neural
network. Neural Networks, Vol. 5, pp. 207-220
CEB, Comit Euro-International du Bton. 1988. General principles on reliability for structures. Bulletin
dInformation n. 191
Chang, C. C. and H. T. Y. Yang. 1991. Random vibration of flexible uncertain beam element. Journal of
Chang, T.-P. 1993. Dynamic finite element analysis of a beam on random foundation. Computers and
Structures, Vol. 48, No. 4, pp. 583-589
Chang, T.-P. and H. C. Chang. 1994. Stochastic dynamic finite element analysis of a nonuniform beam.
International Journal of Solids and Structures, Vol. 31, No. 5, pp. 587-597
Chang, T.-P. and H.-C. Chang. 1997. Perturbation method for probabilistic dynamic finite element analysis
of a rectangular plate. Mech. Struct. Mach., Vol. 25, No. 4, pp. 397415
Chaudhuri, A. and S. Chakraborty. 2006. Reliability of linear structures with parameter uncertainty under
non-stationary earthquake. Structural Safety, Vol. 28, pp. 231-246
Chen, X. and N. C. Lind. 1983. Fast probability integration by three parameter normal tail approximation.
Structural Safety, Vol. 1, pp. 269-276
Chen, S. H.; S. A. Billings, C. F. N. Cowan and P. W. Grant. 1990. Practical identification of narmax models
using radial basis functions. International Journal Control, Vol. 52, No. 6, pp. 1327-1350
Chen, S. H.; Z. S. Liu and Z. F. Zhang. 1992. Random vibration analysis of large structures with random
parameters. Computers and Structures, Vol. 51, No. 3, pp. 309-313
Chen, S. H.; S. A. Billings and P. W. Grant. 1992a. Recursive hybrid algorithm for nonlinear system
identification using radial basis function network. International Journal of Control, Vol. 55, No. 5,
pp. 1051-1070
Chen, T. and H. Chen. 1995. Approximation capability to functions of several variables, nonlinear functional
and operators by radial basis function neural networks. IEEE Transactions on Neural Networks,
Vol. 32, No. 6, pp. 904-910
Cheng, A. H. D. and C. Y. Yang editors. 1993. Computational Stochastic Mechanics. Elsevier Applied
science, Prentice Hall, Engelwood Cliffs, NJ
Choi, S.-K.; R. V. Grandhi and R. A. Canfield. 2004. Structural reliability under non-Gaussian stochastic
behaviour. Computers & Structures, Vol. 82, pp. 1113-1121
258
Connor, J. M. and B. Ellingwood. 1988. Reliability of nonlinear structures with seismic loading. Journal of
Structural Engineering, ASCE, Vol. 113, No. 5, pp. 1011-1028
Contreras, H. 1980. The stochastic finite element. Computers and Structures, Vol. 12, pp. 341-348
Cornell, A. C. 1969. A ProbabilityBased Structural Code. Journal Amer. Concrete Inst., Vol. 66, n. 12, pp.
974985
Cun, Y. L. 1985. Une procedure dapprentissage pour rseau seuil asymtrique. in In Cognitiva 85 : la
Frontire de lIntelligence Artificielle des Sciences de la Connaissance des Neurosciences, CESTA,
Paris, pp. 599-604
D
Dai, S.-H. and Ming-O Wang. 1992. Reliability Analysis in Engineering Applications. Van Nostrand
Reinhold, New York
Das, P. K. and Y. Zheng. 2000. Cumulative formation of response surface and its use in reliability analysis.
Probabilistic Engineering Mechanics,Vol. 15, No. 4, pp. 309315
Davids, Gordon B. e Thomas R. Hoffmann. 1983. FORTRAN77: A Structured, Disciplined Style. 2 Edio.
McGRAW-HILL, Singapore
Delgado, J. M. 2002. Avaliao de segurana de estruturas reticuladas com comportamento no linear
material e geomtrico. Dissertao para Doutoramento em Engenharia Civil, Faculdade de
Engenharia da Universidade do Porto, Porto
Dendrou, B. A. and E. N: Houstis. 1978. An Inference-Finite Element Model for Field Applications. Applied
Mathematical Modelling, Vol. 1, IPC Science and Technology Publications, Guildford, England
Deng, J.; Z. Q. Yue; L. G. Tham and H. H. Zhu. 2003. Pillar design by combining finite methods, neural
networks and reliability: a case study of the Feng Huangshan copper mine, China. International
Journal of Rock Mechanics & Mining Sciences, Vol. 40, pp. 585-599
Deng, J.; D. S. Gu; X. B. Li and Z. Q. Yue. 2005. Structural reliability analysis for implicit performance
function using artificial neural network. Structural Safety, ASCE, Vol. 25, No. 1, pp. 25-48
Deng, J. 2006. Structural reliability analysis for implicit performance function using radial basis function
network. International Journal of Solids and Structures, Vol. 43, pp. 3255-3291
Deodatis, G. 1989. Stochastic FEM sensitivity analysis of nonlinear dynamic problems. Probabilistic
Engineering Mechanics, Vol. 4, n. 3, pp. 135-141
Der Kiureghian, A. 1985. Finite element method in structural safety studies. in J. T.-P. Yao et al. Editors,
Structural Safety Studies, ASCE, New York, pp. 40-52
259
Der Kiureghian, A. 1987. Multivariate distribution models for structural reliability. in Transactions, the 9
th

International Conference on Structural Mechanics in Reactor Technology, Vol. M, Lausanne,
Switzerland, pp. 373-379
Der Kiureghian, A. 1989. Measures of structural safety under imperfect states of knowledge. Journal of
Der Kiureghian, A. 1996. Structural reliability methods for seismic safety assessment: a review. Engineering
Structures, Vol. 18, n. 6, pp. 412-424
Der Kiureghian, A. and P.-L. Liu. 1986. Structural Reliability Under Incomplete Probability Information.
Journal of Engineering Mechanics, ASCE, Vol. 112, pp. 85104
Der Kiureghian, A., H.-Z. Lin e S.-J. Hwang. 1987. Second-order reliability approximations. Journal of
Engineering Mechanics; Vol. 113, n.8, pp. 1208-1225
Der Kiureghian, A. e J. B. Ke. 1988. The stochastic finite element method in structural reliability.
Probabilistic Engineering Mechanics, Vol. 3, n. 2, pp. 83-91
Der Kiureghian, A. and M. D. Stefano. 1991. Efficient algorithm for second order reliability analysis.
Journal of Engineering Mechanics, ASCE, Vol. 117, No. 12, pp. 2904-2923
Der Kiureghian, A.; C. C. Li and Y. Zhang. 1991. Recent developments in stochastic finite elements. in R.
Rackwitz and P. Thoft-Christensen editors, Proceedings of 4th IFIP WG 7.5 conference, Munich,
Germany, pp. 19-38
Der Kiureghian, A. and T. Dakessian. 1998. Multiple design points in first and second order reliability.
Structural Safety, Vol. 20, No. 1, pp. 37-49
Dey, A. and S. Mahadevan. 1988. Ductile structural system reliability analysis using adaptive importance
sampling. Structural Safety, Vol. 20, No. 2, pp. 137-154
Di Paola, M.; A. Pirotta and M. Zingales. 2004. Stochastic dynamics of linear elastic trusses in presence of
structural uncertainties (virtual distorsion approach). Probabilistic Engineering Mechanics, Vol. 19,
No. 1-2, pp. 41-51
Ditlevsen, O. 1973. Structural reliability and the invariance problem. Res. Rep. No. 22, Solid Mechanics
Division, University of Waterloo, Ontario, Canada
Ditlevsen, O. 1979a. Generalized Second Moment Reliability Index. Journal of Structural Mechanics, Vol.
7, n. 4, pp. 435-451
Ditlevsen, O. 1979b. Narrow Reliability Bounds for Structural Systems. Journal of Structural Mechanics,
Vol. 7, n. 4, pp. 453-472
260
Ditlevsen, O. 1981a. Uncertainty modeling with applications to multidimensional civil engineering systems.
McGraw-Hill, New York
Ditlevsen, O. 1981b. Principle of Normal Tail Approximation. Journal of the Engineering Mechanics
Division, ASCE, Vol. 107, EM6, pp. 1191-1208
Ditlevsen, O. 1982. Principle of Normal Tail Approximation - Errata. Journal of the Engineering Mechanics
Division, ASCE, Vol. 108, EM3, pp. 579-581
Ditlevsen, O. 1985. Comments on First-order second-moment approximation in reliability of structural
systems: critical review and alternative approach, by Krzysztof Dolinski. Structural Safety, Vol. 3,
pp. 59-61
Ditlevsen, O. and P. Bjerager. 1986. Methods of Structural Systems Reliability. ELSEVIER - Structural
Safety, Vol. 3, pp. 195-229
Ditlevsen, O.; R. E. Melchers and H. Gluver. 1990. General multi-dimensional probability integration by
directional simulation. Computers & Structures, Vol. 36, No. 2, pp. 355-368
Ditlevsen, O. 1995. Discretization of random fields in beam theory. in Proceedings of 7
th
International
Conference of Applications of Statistics and Probability in Civil Engineering
Ditlevsen, O. 1996. Dimension reduction and discretization in stochastic problems by regression method. in
F. Casciati and B. Roberts editors, Mathematical Models for Structural Reliability Analysis, CRC
Mathematical Modelling Series, Vol. 2, pp. 51-138
Ditlevsen, O. and H. O. Madsen. 2005. Structural Reliability Methods. Monograph, Coastal, Maritime and
Structural Engineering, Department of Mechanical Engineering, Technical University of Denmark,
disponvel em http://www.mek.dtu.dk/staff/od/books.htm
Dolinski, K. 1983. First-order second-moment approximation in reliability of structural systems: critical
review and alternative approach. Structural Safety, Vol. 1, pp. 211-231
E
Eibl, J. e B. Schmidt-Hurtienne. 1991. General outline of a new safety format. New developments in non-
linear analysis methods. CEB Bulletin dInformation, Vol. 229, pp. 33-48
Elishakoff, I. 1995a. Essay on uncertainties in elastic and viscoelastic structures: from A. M. Freudenthal's
criticisms to modern convex modeling. Computers and Structures, Vol. 56, n.6, pp. 871-895
Elishakoff, I. 1995b. Random vibration of structures: a personal perspective. Applied Mechanics Reviews,
Vol. 48, n.12, pp. 809-825
Elishakoff, I. 1998. Three versions of the finite element method based on concepts of either stochasticity,
fuzziness, or anti-optimization. Applied Mechanics Reviews, Vol. 51, n. 3, pp. 809-825
261
Elishakoff, I. 1999. Probabilistic Theory of Structures. 2 Edio, Dover Publications, Mineola, New York
Elishakoff, I. 2000. Possible limitations of probabilistic methods in engineering. Applied Mechanics Reviews,
Vol. 53, n.2, pp. 19-36
Elishakoff, I.; Y. J. Ren and M. Shinozuka. 1995. Some exact solutions for the bending of beams with
spatially stochastic properties. International Journal of Solids and Structures, Vol. 32, No. 16, pp.
2315-2327
Elishakoff, I.; Y. J. Ren and M. Shinozuka. 1995a. Improved finite element method for stochastic structures.
Chaos, Solitons & Fractals, Vol. 5, No. 5, pp. 833-846
Engelund, S. and R. Rackwitz. 1993. A benchmark study on importance sampling techniques in structural
reliability. Structural Safety, Vol. 12, n.4, pp. 255-276
F
Faber, M. H. 2001. Methods of Structural Reliability Theory an Introduction. Lecture Notes on Risk and
Reliability in Civil Engineering, Swiss Federal Institute of Technology
Faber, M. H. e M. G. Stewart. 2003. Risk assessment for civil engineering facilities: critical overview and
discussion. Reliability Engineering & System Safety, Vol. 80, pp. 173-184
Falsone, G. and N. Impollonia. 2002. A new approach for the stochastic analysis of finite element modelled
structures with uncertain parameters, Comput. Methods Appl. Mech. Engrg, Vol. 191, No. 44, pp.
50675085
Falsone, G. and N. Impollonia. 2003. Erratum to A new approach for the stochastic analysis of finite
element modelled structures with uncertain parameters [Comput. Methods Appl. Mech. Engrg. 191
(44) (2002) 50675085]. Comput. Methods Appl. Mech. Engrg., Vol. 192, No. 16-18, pp. 2187-
2188
Falsone, G. and N. Impollonia. 2004. About the accuracy of a novel response surface method for the analysis
of finite element modeled uncertain structures. Probabilistic Engineering Mechanics, Vol. 19, pp.
53-63
Faravelli, L. 1989. Response Surface Approach for Reliability Analysis. Journal of Engineering Mechanics,
ASCE, Vol. 115, No. 12, pp. 2763-2781
Faravelli, L. 1992. Structural reliability via response surface. In N. Bellomo and F. Casciati editors,
Proceedings of the IUTAM symposium on Nonlinear Stochastic Mechanics, Springer Verlag,
Heidelberg, pp. 213-223
Fenton, A. G. and E. H. Vanmarcke. 1990. Simulation of random fields via local average subdivision.
Journal of Engineering Mechanics, Vol. 116, No. 8
262
Ferry-Borges, J. e M. Castanheta. 1985. Structural Safety. Curso 101, Laboratrio Nacional de Engenharia
Civil, Lisboa
Field, R. V. 2002. Numerical methods to estimate the coefficients of the polynomial chaos expansion. in
Proceedings of the 15
th
ASCE Engineering Mechanics Conference, Columbia University, New
York, pp. 1-7
Fiessler, B., H. J. Neumann and R. Rackwitz. 1979. Quadratic limit states in structural reliability. Journal of
Finch, S. R. 2003. Mathematical Constants. England: Cambridge University Press, Cambridge
Flood, I. and N. Kartam. 1994. Neural networks in civil engineering. I: Principles and Understanding."
Journal of Computing in Civil Engineering, ASCE, Vol. 8, No. 2, pp. 131-148
Flood, I. and N. Kartam. 1994a. Neural networks in civil engineering. II: Systems and application. Journal of
Comp. in Civil Engineering, ASCE, Vol. 8, No. 2, pp. 149-162
Foschi, R. O.; H. Li and J. Zhang. 2002. Reliability and performance-based design: a computational
approach and applications. Structural Safety, Vol. 24, pp. 205-218
Frangopol, D. M.; Y.-H. Lee and K. William. 1996. Nonlinear finite element reliability analysis of concrete.
Frangopol, D. M. and K. Imai. 2000. Geometrically nonlinear finite element reliability analysis of structural
systems. II: applications. Computers & Structures, Vol. 77, No. 6, pp. 693-709
Freudenthal, A. M. 1945. The safety of structures. Transactions of ASCE, pages 125-159
Freudenthal, A. M. 1956. Safety and the probability of structural failure. Transactions of ASCE, Vol. 121,
pp. 1137-1197
Freudenthal, A. M., J. M. Garrelts e M. Shinozuka. 1966. The analysis of structural safety. ASCE, Journal of
Structural Division, Vol. 92, ST2
G
Gagarin, N.; I. Flood and P. Albrecht. 1994 Computing Truck Attributes with Artificial Neural Networks.
Journal of Computing in Civil Engineering, Vol. 8, No. 2, pp. 179-200
Garrett, J. H. J. 1994. Where and why artificial neural networks are applicable in civil engineering. Journal
of Computing in Civil Engineering, ASCE, Vol. 8, No. 2, pp. 129130
Gayton, N., J. M. Bourinet and M. Lemaire. 2003. CQ2RS: a new statistical approach to the response surface
method for reliability analysis. Structural Safety, Vol. 25, No. 1, pp. 99-121
263
Gayton, N., A. Mohamed, J. D. Sorensen, M. Pendola e M. Lemaire. 2004. Calibration methods for
reliability-based design codes. Structural Safety, Vol. 26, pp. 91-121
Gentle, J. E. 1998. Numerical Linear Algebra for Applications in Statistics. Springer-Verlag, Berlin
Gentle, J. E. 2002. Random Number Generation and Monte Carlo Methods. 2 Edio. Springer-Verlag,
Berlin.
Ghanem, R. G. 1999. Ingredients for a general purpose stochastic finite elements implementation. Computer
Methods in Applied Mechanics and Engineering, Vol. 168, pp. 19-34
Ghanem, R. G. and P. D. Spanos. 1990. Polynomial chaos in stochastic finite elements. Journal of Applied
Mechanics, Vol. 57, No. 1, pp. 197-202
Ghanem, R. G. e P. D. Spanos. 1991. Spectral stochastic finite-element formulation for reliability analysis.
Journal of Engineering Mechanics, ASCE, Vol. 117, n. 10, pp. 2351-2372
Ghanem, R. G. e P. D. Spanos. 1991a. Stochastic Finite Elements: A Spectral Approach. Springer, Berlin
Ghanem, R. G. e P. D. Spanos. 2003. Stochastic Finite Elements: A Spectral Approach. Courier Dover
Publications, New York
Girosi, F. and T. Poggio. 1990. Networks and the best approximation property. Biological Cybernetics, Vol.
63, pp. 169-176
Goh, A. T. C. 1995. Back-propagation neural networks for modelling complex systems. Artificial
Intelligence in Engineering, UK: Elsevier Science Limited, vol. 9, pp. 143151
Goh, A. T. C. and F. H. Kulhawy. 2003. Neural network approach to model the limit state surface for
reliability analysis. Canadian Geotechnical journal, Vol. 40, No. 6, pp. 1235-1244
Golub, Gene H. and Charles F. VanLoan. 1996. Matrix Computations. 3 Edio. Johns Hopkins University
Press, Baltimore
Gomes, H. M. and A. M. Awruch. 2004. Comparison of response surface and neural network with other
methods for structural reliability methods. Structural Safety, Vol. 26, No. 1, pp. 49-67
Gourdon, X. and P. Sebah. 2003. A Collection of Formulae for the Euler Constant, disponvel em
http://numbers.computation.free.fr/Constants/Gamma/gammaFormulas.pdf
Gourdon, X. and P. Sebah. 2004. The Euler Constant: , disponvel em
http://numbers.computation.free.fr/Constants/Gamma/gamma.html
Gouva, M. M. e L. D. B. Terra. 1999. Avaliao e melhoria da margem de colapso de tenso utilizando rede
neural artificial. IV Congresso Brasileiro de Redes Neurais, SP, Brasil, pp. 130-135
264
Grasa, J., J. A. Bea, J. F. Rodrguez e M. Doblar. 2006. The perturbation method and the extended finite
element method. An application to fracture mechanics problems. Fatigue Fract. Engineering Mater.
Struct., Vol. 29, pp. 581-587
Grigoriu, M. 1983. Methods for approximate reliability analysis. Structural Safety, Vol. 1, pp. 155-165
Grigoriu, M. 1984. Crossings of non-Gaussian translation processes. Journal of Engineering Mechanics,
Vol. 110, No. 4, pp. 610-620
Grigoriu, M. 1995. Applied non-Gaussian processes. Examples, theory, simulation, linear random vibration
and MATLAB solutions. Englewood Cliffs: Prentice-Hall
Grossenberg, S. 1982. Studies of the Mind and Brain. Holland: Reidel Press, Drodrecht
Guan, X. L. and R. E. Melchers. 1997. Multitangent-plane surface method for reliability calculation. Journal
of Engineering Mechanics, Vol. 123, No. 10, pp. 996-1002
Guan, X. L. and R. E. Melchers. 2000. A parametric study on the response surface method. In 8
th
ASCE
Speciality Conference on Probabilistic Mechanics and Structural Reliability. ASCE, New York
Guan, X. L. and R. E. Melchers. 2001. Effect of response surface parameter variation on structural reliability
estimation. Structural Safety, Vol. 23, No. 4, pp. 429-444
H
Hagan, M. T.; H. B. Demuth and M. Beale. 1996. Neural network design. Boston: PWS
Haldar, A. e S. Mahadevan. 2000. Probability, Reliability and Statistical Methods in Engineering Design.
John Wiley & Sons, New York
Haldar, A. e S. Mahadevan. 2000a. Reliability Assessment Using Stochastic Finite Element Analysis. John
Wiley & Sons, New York
Handa, K. e K. Anderson. 1981. Application of finite element methods in the statistical analysis of structures.
Third International Conference on Structural Safety and Reliability, Norway, pp. 409-417
Harbitz, A. 1983. Efficient and accurate probability of failure calculation by use of the importance sampling
technique. in: Proceedings of the 4th International Conference on App. of Statistics and Prob. in
Soils and Structural Engineering, ICASP-4, Pitagora Editrice Bologna, pp. 825836
Hardy, R. L. 1971. Multiquadric equations of topography and other irregular surfaces. Journal of Geophysics
Research, Vol. 76, pp. 1905-1915
Hasofer, A. M. and N. C. Lind. 1974. Exact and invariant second-moment code format. Journal of the
Engineering Mechanics Division, ASCE, Vol. 100, EM1, pp. 111121
265
Haugh, M. 2004. The Monte Carlo Framework, Examples from Finance and Generating Correlated Random
Variables. Monte Carlo Simulation: IEOR E4703
Haukaas, T. and A. Der Kiureghian. 2004. Finite Element Reliability and Sensitivity Methods for
Performance-Based Earthquake Engineering. PEER Report 2003/14, Pacific Earthquake
Engineering Research Center, College of Engineering, University of California, Berkeley
Havil, J. 2003. Gamma: Exploring Eulers Constant. Princeton, NJ: Princeton University Press
Haykin, S. 1999. Neural Networks: A Comprehensive Foundation, second edition, Prentice Hall, New Jersey
Hebb, D. 1949. The Organization of Behaviour. JohnWiley, New York
Henriques, A. A. R. 1998. Aplicao de novos conceitos de segurana no dimensionamento do beto
estrutural. Dissertao para Doutoramento em Engenharia Civil, Faculdade de Engenharia da
Universidade do Porto, Porto
Henriques, A. A. R. 2006. Avaliao eficiente da incerteza estrutural aplicando tcnicas de perturbao.
Revista Portuguesa de Engenharia de Estruturas, No. 55, pp. 5-13
Hisada, T. e S. Nakagiri. 1981. Stochastic finite element method developed for structural safety and
reliability. in Proceedings, Third International Conference on Structural Safety and Reliability,
Trondheim, Norway, pp. 395-408
Hisada, T. e S. Nakagiri. 1985. Role of the stochastic finite element method in structural safety and
reliability. in Proceedings, 4th International Conference on Structural Safety and Reliability, Kobe,
Japan, pp. 385-394
Hisada, T. e H. Noguchi. 1989. Development of a nonlinear stochastic FEM and its application. In: AH-S
Ang, M. Shinozuka, G. I. Schueller, editors. Structural Safety and Reliability. Proceedings of the
5th International Conference on Structural Safety and Reliability, San Francisco: ASCE, pp. 1097-
1104
Hohenbichler, M. e R. Rackwitz. 1981. Non-normal dependent vectors in structural safety. J. Engineering
Mechanics Div., ASCE, Vol. 107, EM6, pp. 1227-1237
Hohenbichler, M., S. Gollwitzer, W. Kruse and R. Rackwitz. 1987. New light on first- and second-order
reliability methods. Structural Safety, Vol. 4, pp. 267-284
Hohenbichler, M. and R. Rackwitz. 1988. Improvements of Second-Order Reliability Estimates by
Importance Sampling. Journal of Engineering Mechanics, ASCE, Vol. 114, No. 12, pp. 2195-2199
Holcomb, T. and M. Morari. 1991. Local training for radial basis function networks: towards solving the
hidden unit problem. Proceedings of American Control Conference, pp. 2331-2336
Hong, H. P. 1999. Simple Approximations for Improving Second-Order Reliability Estimates. Journal of
Engineering Mechanics, Vol. 125, No. 5, pp. 592-595
266
Hopfield, J. J. 1982. Neural networks and physical systems with emergent collective computational abilities.
Proc. Natl. Acad. Sci., Vol. 79, pp. 2554-2558
Hornik, K.; M. Stinchcombe and H. White. 1989. Multi-layer feed-forward networks are universal
approximators. Neural Networks, Vol. 2, pp. 359-368
Hornik, K.; M. Stinchcombe and H. White. 1990. Universal approximation of an unknown mapping and its
derivatives using multi-layer feed-forward networks. Neural Networks, Vol. 3, pp. 551-560
Huh, J. and A. Haldar. 2002. Seismic reliability of nonlinear frames with PR connections using systematic
RSM. Probabilistic Engineering Mechanics, Vol. 17, pp. 177-190
Hurst, Rex L. and Robert E. Knop. 1972. Algorithm 425: Generation of Random Correlated Normal
Variables [G5]. ACM Vol. 15, n.5, pp. 355-357
Hurtado, J. E. and A. H. Barbat. 1998. Monte Carlo techniques in computational stochastic mechanics.
Archives of Computational Methods in Engineering, Vol. 5, No. 1, pp. 3-30
Hurtado, J. E. and D. A. Alvarez. 2001. Neural network-based reliability analysis: a comparative study.
Computer Methods in Applied Mechanics and Engineering, Vol. 191, No. 1-2, pp. 113-132
Hurtado, J. E. 2002. Analysis of one-dimensional stochastic finite elements using neural networks.
Probabilistic Engineering Mechanics, Vol. 17, pp. 35-44
Hurtado, J. E. 2004. An examination of methods for approximating implicit limit state functions from the
viewpoint of statistical learning theory. Structural Safety, Vol. 26, No. 3, pp. 271-293
I
Ibrahim, R. A. 1987. Structural dynamics with parameter uncertainties. Applied Mechanics Reviews, Vol. 40,
No. 3, pp. 309-328
Igusa, T. and A. Der Kiureghian. 1988. Response of uncertain systems to stochastic excitation. Journal of
Imai, K. e D. M. Frangopol. 2000. Geometrically nonlinear finite element reliability analysis of structural
systems. I: theory. Computers & Structures, Vol. 77, No. 6, pp. 677-691
Impollonia, N. and A. Sofi. 2003. A response surface approach for the static analysis of stochastic structures
with geometrical nonlinearities. Computer Methods in Applied Mechanics and Engineering, Vol.
192, No. 37-38, pp. 4109-4129
Iwan, W. D. and H. Jensen. 1993. On the dynamic response of continuous systems including model
uncertainty. Journal of Applied Mechanics, ASME, Vol. 60, pp. 484-490
267
J
Jacobs, R. A. 1988. Increased rates of convergence through learning rate adaptation. Neural Networks, Vol.
1, pp. 295-307
Johnson, E. A.; R. B. Corotis and G. I. Schueller. 2001. Computational challenges and breakthroughs: A
panel discussion. in R. B. Corotis, G. I. Schueller and M. Shinozuka editors, 8th International
Conference on Structural Stability and Reliability (ICOSSAR 01). Swets and Zeitinger
K
Karunanithi, Nachimuthu; William J. Grenney, Darrell Whitley and Ken Bovee. 1994. Neural Networks for
River Flow Prediction. Journal of Computing in Civil Engineering, Vol. 8, No. 2, pp. 201-220
Katafygiotis, L. S. and J. L. Beck. 1995. A very efficient moment calculation method for uncertain linear
dynamic systems. Probabilistic Engineering Mechanics, Vol. 10, No. 2, pp. 117-128
Kaviori, S. N. and V. Venkata Subramanian. 1993. Using fuzzy clustering with ellipsoidal units in neural
networks for robust fault classification. Computers & Chemical Engineering, Vol. 17, No. 8, pp.
765-784
Kharmanda, G., A. Mohamed e M. Lemaire. 2002. Efficient reliability-based design optimization using a
hybrid space with application to finite element analysis. Structural Multidisc. Optimization, Vol. 24,
pp. 233-245
Kijawatworawet, W.; H. J. Pradlwarter and G. S. Schueller. 1998. Structural reliability estimation by
adaptive importance directional sampling. in: Proceedings ICOSSAR 97, Balkema, pp. 891897
Kim, S. H. and S. W. Na. 1997. Response Surface Method using Vector Projected Sampling Points.
Kleiber, M. e T. D. Hien. 1992. The Stochastic Finite Element Method. John Willey & Sons Ltd, New York
Kohonen, T. 1987. Self-Organization and Associative Memory. 2nd Edition, Springer
Kovacs, Z. L. 1996. Redes Neurais Artificiais: Fundamentos e Aplicaes. SP Livraria da Fsica Editora,
So Paulo
Koyluoglu, H. U.; S. R. K. Nielsen and A. S. Cakmak. 1995. Stochastic dynamics of nonlinear structures
with random properties subject to stationary random excitation. Technical Report Paper No 133,
Department of Building technology and structural engineering, Aalborg University, Denmark
L
Laranja, R. e J. de Brito. Maio 2003. Fiabilidade estrutural e formatos de verificao da segurana.
Ingenium. 2 Srie. n. 75: 69-74.
268
Lastiri, C. P. e R. M. O. Pauletti. 2004. Aplicao de Redes Neurais Artificiais Engenharia de Estruturas.
in: XXXI Jornadas Sud-Americanas de Ingenieria Estructural, FIUNC, Mendoza, Argentina
Lawrence, M. A. 1987. Basis random variables in finite element analysis. International Journal for
Numerical Methods in Engineering, Vol. 24, pp. 1849-1863
Lawrence, M. A. 1989. An introduction to reliability methods. in Computational Mechanics of Probabilistic
and Reliability Analysis, eds. W. K. Liu and T. Belytschko. Computational Mechanics of
Probabilistic and Reliabiliry Analysis, Elmepress International, Lausanne, Switzerland, pp. 9-46
Lee, S. and M. K. Rhee. 1991. A gaussian potential function network with hierarchically serf-organizing
learning. Neural Networks, Vol. 4, pp. 207-224
Li, C.-C. and A. Der Kiureghian. 1993. Optimal discretization of random fields. Journal of Engineering
Mechanics. Vol. 119, No. 6, pp. 11361154
Li, X. 1996. Simultaneous approximations of multivariate functions and derivatives by neural networks with
one hidden layer. Neurocomputing, Vol. 12, pp. 327-343
Liu, P.-L. and A. Der Kiureghian. 1986. Multivariate distribution models with prescribed marginals and
covariances. Probabilistic Engineering Mechanics, Vol. 1, pp. 105112
Liu, P.-L. e A. Der Kiureghian. 1986a. Optimization Algorithms for Structural Reliability Analysis. Report
No. UCB/SESM-86/09. Department of Civil Engineering, Division of Structural Engineering and
Structural Mechanics, University of California, Berkeley, CA
Liu, P.-L. e A. Der Kiureghian. 1988. Optimization Algorithms for Structural Reliability, in Proceedings,
Joint ASME/SES Applied Mechanics and Engineering Sciences Conference, pp. 185-196, Berkeley,
CA
Liu, P.-L. e A. Der Kiureghian. 1989. Finite-element reliability methods for geometrically nonlinear
stochastic structures. Report No. UCB/SEMM-89/05. Department of Civil Engineering, University
of California, Berkeley, CA
Liu, P.-L. and A. Der Kiureghian. 1991. Optimization Algorithms for Structural Reliability. Structural
Safety, Vol. 9, n. 3, pp. 161-177
Liu, P.-L., and A. Der Kiureghian. 1991a. Finite element reliability of geometrically nonlinear uncertain
structures. Journal of Engineering Mechanics, ASCE, Vol. 117, No. 8, pp. 18061825
Liu, P.-L. and K. G. Liu. 1993. Selection of random field mesh in finite element reliability analysis. Journal
of Engineering Mechanics, ASCE, Vol. 119, No. 4, pp. 667-680
Liu, Y. W. and F. Moses. 1994. A sequential response surface method and its application in the reliability
analysis of aircraft structural systems. Structural Safety, Vol. 16, pp. 39-46
269
Liu, W. K.; T. Belytschko and A. Mani. 1986. Random field finite elements. International Journal for
Numerical Methods in Engineering, Vol. 23, No. 10, pp. 1831-1845
Liu, W. K.; T. Belytschko and A. Mani. 1986a. Probabilistic finite elements for non linear structural
dynamics. Computational Methods in Applied Mechanics and Engineering, Vol. 56, No. 1, pp. 61-
81
Liu, W. K.; A. Mani and T. Belytschko. 1987. Finite element methods in probabilistic mechanics.
Probabilistic Engineering Mechanics, Vol. 2, No. 4
Liu, W. K.; G. H. Besterfield and T. Belytschko. 1988. Variational Approach to Probabilistic Finite
Elements, ASCE, Journal of Engineering Mechanics, Vol. 114, No. 12, pp. 2115-2133
Liu, W. K.; T. B. Belytschko and G. H. Besterfield. 1989. Probabilistic finite element method. in
Computational Mechanics of Probabilistic and Reliability Analysis, eds. W. K. Liu and T.
Belytschko. Elmepress International, Lausanne, pp. 115-140
Liu, W. K.; T. Belytschko and Y. J. Lua. 1992. Stochastic computational mechanics for aerospace structures.
in S. N. Atluri editor, Progress in Astronautics and Aeronautics, AIAA, volume 146, pp. 245-278
Liu, W. K., T. Belytschko e Y. J. Lua. 1995. Probabilistic Structural Mechanics Handbook: Theory and
Industrial Applications, 4 Edio, Springer-Verlag, New York
Loeve, M. 1977. Probability Theory, 4
th
edition, Springer-Verlag, New York
Long, M. W. and J. D. Narciso. 1999. Probabilistic Design Methodology for Composite Aircraft Structures.
Report No. DOT/FAA/AR-99/2. U. S. Department of Transportation, Federal Aviation
Administration, Office of Aviation Research, Washington
M
Madsen, H. O.; S. Krenk e N. C. Lind. 2006. Methods of Structural Safety. 2 edio. Dover Publications,
Mineola, New York
Maes, M. A.; Ph. Geyskens and K. Breitung. 1993a. MAIS: Monte Carlo Asymptotic Importance Sampling
for reliability analysis. University of Calgary
Maes, M. A.; K. Breitung and D. J. Dupois. 1993b. Asymptotic Importance Sampling. Structural Safety, Vol.
12, n.3, pp. 167-186
Mahadevan, S. e P. Raghothamachar 2000. Adaptive simulation for system reliability analysis of large
structures. Comput. Struct., Vol. 77, n.6, pp. 725-734
Mai-Duy, N. and T. Tran-Cong. 2003. Approximation of function and its derivatives using radial basis
function networks. Applied Mathematical Modelling, Vol. 27, No. 3, pp. 197-220
270
Manohar, C. S. and R. A. Ibrahim. 1999. Progress in structural dynamics with stochastic parameter
variations 1987-1998. Applied Mechanics Reviews, Vol. 52, No. 5, pp. 177-197
Manohar, C. S.; S. Adhikari and S. Bhattacharyya. 1999. Statistical energy analysis of structural dynamical
systems. Technical Report DST Report, Project No. III 5(1)/95-ET, Department of Civil
Engineering, Indian Institute of Science
Marek, P.; J. Brozzetti, M. Gustar and P. Tikalsky. 2003. Probabilistic Assessment of Structures using Monte
Carlo Simulation: Background, Exercises and Software. 2 Edio. Institute of Theoretical and
Applied Mechanics, Academy of Sciences of the Czech Republic, Praha
Masters, T. 1993. Practical Neural Network Recipes in C++. Academic Press, San Diego
Matthies, H. G.; C. E. Brenner, C. G. Bucher and C. G. Soares. 1997. Uncertainties in Probabilistic
Numerical Analysis of Structures and Solids-Stochastic Finite Elements. ELSEVIER - Structural
Safety, Vol. 19, n.3: 283-336
Matthies, H. G. and C. Bucher. 1999. Finite Elements for Stochastic Media Problems. ELSEVIER
Computer Methods in Appl. Mech. and Engineering. Vol. 168, pp. 3-17
McDonald, D. B.; W. J. Grantham and W. L. Tabor. 2000. Response surface model development for
global/local optimization using radial basis functions. in: 8
th
Symposium on Multidisciplinary
Analysis and Optimization (AIAA 2000-4776), 6-8, Long Beach, CA
Melchers, R. E. 1989. Improved importance sampling methods for structural reliability calculations. in A.
H.-S. Ang, M. Shinozuka and G. I. Schueller editors, Proceedings of the 5th International
Conference on Structural Safety and Reliability (ICOSSAR'89), ASCE, New York, pp. 1185-1192
Melchers, R. E. 1990. Radial importance sampling for structural reliability. Journal of Engineering
Mechanics, ASCE; Vol. 116, No. 1, pp. 189203
Melchers, R. E. 1990a. Search-based importance sampling. ELSEVIER - Structural Safety, Vol. 9, No. 2, pp.
117128
Melchers, R. E. 1999. Structural Reliability Analysis and Prediction. 2 edio. John Wiley & Sons,
Chichester
Melchers, R. E. 2001. Assessment of existing structures-approaches and research needs. Journal of
Structural Engineering, ASCE, Vol. 127, n.4, pp. 406-411
Melchers, R. E., M. Ahammed and C. Middleton. 2003. FORM for discontinuous and truncated probability
density functions. Structural Safety, Vol. 25, pp. 305-313
Mendenhall, W. and T. Sincich. 1995. Statistics for Engineering and the Sciences. 4 Edio. Englewood
Cliffs, NJ: Prentice-Hall
271
Menezes, R. C. R. and G. I. Schueller. 1996. On structural reliability assessment considering mechanical
model uncertainties. in H. G. Natke and Y. Ben Haim editors, Proceedings of the International
workshop on Uncertainty: models and measures, Lambrecht, Germany, pp. 173-186
Micchelli, C. A. 1986. Interpolation of scattered data: Distance matrices and conditionally positive definite
functions. Constructive Approximation, Vol. 2, pp. 11-22
Mnguez, R.; A. J. Conejo and A. S. Hadi. 2006. Non Gaussian State Estimation in Power Systems. in
Proceedings of International Conference on Mathematical and Statistical Modeling, pp. 1-23
Moarefzadeh, M. R. and R. E. Melchers. 1999. Directional importance sampling for ill-proportioned spaces.
Moody, J. and C. J. Darken. 1989. Fast learning in networks of locally tuned processing units. Neural
Computation, Vol. 1, pp. 281-294
Muller, B. and J. Reinhardt. 1991. Neural networksAn introduction. New York: Springer-Verlag
Musavi, M. T.; W. Ahmed; K. H. Chan; K. B. Faris and D. M. Hummels. 1992. On the training of radial
basis function classifiers. Neural Networks, Vol. 5, pp. 595-603
Muscolino, G.; G. Ricciardi and N. Impollonia. 2000. Improved dynamic analysis of structures with
mechanical uncertainties under deterministic input. Probabilistic Engineering Mechanics. Vol. 15,
No. 2, pp. 199212
Myers, R. H. and D. C. Montgomery. 1995. Response Surface Methodology. John Wiley & Sons, Inc., New
York
N
Nakagiri, S. and T. Hisada. 1982. Stochastic finite element method applied to structural analysis with
uncertain parameters. in: Proceedings of the International Conference on Finite Element Methods,
Aechen, Germany, pp. 206211
Nakagiri, S., H. Takabatake e S. Tani. 1987. Uncertain eigenvalue analysis of composite laminated plates by
the stochastic finite element method. Journal of Engineering for Industry, ASME, Vol. 109, pp. 9-12
Nash, J. C. 1990. Compact Numerical Methods for Computers; Linear lgebra and Function Minimisation.
2 Edio. England: Adam Hilger, Bristol
Natrella, M. 2005. Extreme Value Distributions. Engineering Statistics Handbook. NIST/SEMATECH.
8.1.6.3, disponvel em http://www.itl.nist.gov/div898/handbook/apr/section1/apr163.htm
Nelder, J. A. 1966. Inverse polynomials, a useful group of multifactor response function, Biometrics, Vol.
22, pp. 128141
272
Neves, L. A. C., P. J. S. Cruz e A. A. R. Henriques. 2002. SFEM reliability of steel frames. Eurosteel -
Coimbra: 1531-1540
Nie, J. and B. R. Ellingwood. Directional methods for structural reliability analysis. Structural Safety, Vol.
22, pp. 233-249
Nieuwenhof, B. Van den and J.-P. Coyette. 2002. A perturbation stochastic finite element method for the
time-harmonic analysis of structures with random mechanical properties. in Proceedings of Fifth
World Congress on Computational Mechanics, Eds.: H. A. Mang, F. G. Rammerstorfer, J.
Eberhardsteiner, Vienna, Austria, pp. 1-10
Nowak, A. S. and K. R. Collins. 2000. Reliability of structures. McGraw-Hill, Singapore
O
Oakley, D. R., R. H. Sues and G. S. Rhodes. 1998. Performance optimization of multidisciplinary
mechanical systems subject to uncertainties. Probabilistic Engineering Mechanics, Vol. 13, No. 1,
pp. 15-26
Olsson, A., G. Sandberg and O. Dahlblom. 2003. On Latin hypercube sampling for structural reliability
analysis. ELSEVIER - Structural Safety, Vol. 25, pp. 47-68
P
Pandya, A. S. and R. B. Macy. 1995. Pattern Recognition with Neural Networks in C++. CRC Press and
IEEE Press, Florida Atlantic University, Florida
Papadimitriou, C., J. L. Beck and L. S. Katafygiotis. 1995. Asymptotic expansions for reliabilities and
moments of uncertain dynamic systems. Tech. Rep. EERL 95-05, California Institute of Technology,
Pasadena, California
Papadimitriou, C., J. L. Beck and L. S. Katafygiotis. 1997. Asymptotic expansions for reliability and
moments of uncertain systems. Journal of Engineering Mechanics, ASCE, Vol. 123, No. 12, pp.
1219-1229
Papadrakakais, M., V. Papadopoulos and N. D. Lagaros. 1996. Structural reliability analysis of elastic-plastic
structures using neural networks and Monte Carlo simulation. Computer Methods in Applied
Mechanics and Engineering, Vol. 136, No. 1-2, pp. 145-163
Papoulis, A. 1984. Probability, Random Variables and Stochastic Processes. 2 Edio. MacGraw-Hill, New
York
Park, J. and I. Sandberg. 1993. Approximation and radial-basis-function networks. Neural Computation,
Vol. 5, pp. 305-316
273
Pettit, C. L.; R. A. Canfield and R. Ghanem. 2002. Stochastic analysis of an aeroelastic system. in
Proceedings of the 15th ASCE Engineering Mechanics Conference, Columbia University, New
York
Phoon, K. K.; S. T. Quek; Y. K. Chow and S. L. Lee. 1990. Reliability analysis of pile settlement. Journal of
Geotechnical Engineering, Vol. 116, No. 11
Plouffe, S. 2000. Table of Current Records for the Computation of Constants, disponvel em
http://pi.lacim.uqam.ca/eng/records_en.html
Poggio, T. and F. Girosi. 1990. Network for approximation and learning. Proceedings of the IEEE, Vol. 78,
No. 9, pp. 1481-1497
Polidori, D. C., J. L. Beck and C. Papadimitriou. 1999. New approximations for reliability integrals. Journal
Polidori, D. C., J. L. Beck and C. Papadimitriou. 2001. Closure to New approximations for reliability
integrals. Journal of Engineering Mechanics, ASCE, Vol. 127, No. 2, pp. 207-209
Powell, M. J. D. 1987. Radial basis functions for multivariable interpolation: a review. in J. C. Mason and
M. G. Cox, Editors, Algorithms for Approximation, Oxford: Clarendon Press, pp. 143-167
Press, W. H.; B. P. Flannery, S. A. Teukolsky e W. T. Vetterling. 1992. Numerical Recipes in FORTRAN:
The Art of Scientific Computing. 2. Edio. Cambridge, England: Cambridge University Press
R
Rackwitz, R. and B. Fiessler. 1978. Structural Reliability Under Combined Random Load Sequences.
Computers & Structures, Vol. 9, pp. 489-494
Rackwitz, R. 1998. Computational techniques in stationary and non-stationary load combination. Journal of
Structural Engineering, ASCE, Vol. 25, n.1, pp. 1-20
Rackwitz, R. 2000. Reliability analysis past, present and future. in Proceedings of 8th ASCE Speciality
Conference on Probabilistic Mechanics and Structural Reliability.
Rackwitz, R. 2001. Reliability analysis-a review and some perspectives. Structural Safety, Vol. 23, pp. 365-
395
Rajashekhar, M. R. and B. R. Ellingwood. 1993. A New Look at the Response Surface Approach for
Reliability Analysis. Structural Safety, Vol. 12, No. 3, pp. 205-220
Rajashekhar, M. R. and B. R. Ellingwood. 1995. Reliability of reinforced-concrete cylindrical shells. Journal
of Structural Engineering, ASCE, Vol. 121, No. 2, pp. 336-347
274
Rajpal, P. S.; K. S. Shishodia and G. S. Sekhon. 2006. An artificial neural network for modelling reliability,
availability and maintainability of a repairable system. Reliability Engineering and System Safety,
Vol. 91, pp. 809819
Ranganathan, R. 1999. Structural reliability analysis and design. Jaico Publishing House, Mumbai
Rao, V. B. and H. V. Rao. 1995. C++ Neural networks and fuzzy logic. 2 edio, MIS:Press, New York
Reddy, J. N. 1993. An Introduction to the Finite Element Method. 2 edio, MacGraw-Hill, Singapore
Reh, S.; J.-D. Beley, S. Mukherjee and E. H. Khor. 2006. Probabilistic finite element analysis using ANSYS.
ELSEVIER - Structural Safety, Vol. 28: 17-43
Ricotti, M. E. and E. Zio. 1999. Neural network approach to sensitivity and uncertainty analysis. Reliability
Engineering and System Safety. Vol. 64, pp. 5971
Righetti, G. e K. Harrop-Williams. 1988. Finite element analysis of random soil media. Journal of
Geotechnical Engineering, Vol. 114, n.1, pp. 59-75
Rohatgi, V. K. and A. K. Md. E. Saleh. 2001. An Introduction to Probability and Statistics. 2 edio. John
Wiley & Sons, New York
Romero, V. J., L. P. Swiler and A. A. Giunta. 2004. Construction of response surfaces based on progressive
lattice sampling experimental designs with application to uncertainty propagation. Structural Safety,
Vol. 26, No. 2, pp. 201-219
Rosenblatt, M. 1952. Remarks on a Multivariate Transformation. The Annals of Mathematical Statistics, Vol.
23, n. 3, pp. 470-472
Rosenblatt, F. 1962. Principles of Neurodynamics. Spartan Books, Washington, DC
RSA, 1984. Regulamento de segurana e aces para estruturas de edifcios e pontes. Decreto-Lei n. 349-
C/83, Casa da Moeda
Rubinstein, R. Y. 1981. Simulation and the Monte Carlo Method. John Wiley & Sons, New York
Rumelhart, D. E. and J. L. McClelland. 1986. Parallel Distributed Processing: Explorations in the
Microstructure of Cognition. Vol. 1: Foundations, MIT Press, Cambridge, MA
Rumelhart, D. E.; G. E. Hinton and R. J. Williams. 1986a. Learning internal representations by error
propagation. in D. E. Rumelhart, J. L. McClelland and the PDP research group, Editors, Parallel
Distributed Processing, Vol 1: Foundations, MIT Press, Cambridge, Massachusetts, pp. 318362
Rumelhart, D. E.; G. E. Hinton and R. J. Williams. 1986b. Learning representations by back-propagating
errors. Nature, Vol. 323, pp. 533536
275
Rumelhart, D. E.; R. Durbin, R. Golden and Y. Chauvin. 1995. Backpropagation: the basic theory. in Y.
Chauvin and D. E. Rumelhart, Editors, Backpropagation: Theory, Architectures, and Applications,
Hillsdale, NJ: Lawrence Erlbaum, pp. 134
S
Santosh, T. V.; Gopika Vinod, R. K. Saraf, A. K. Ghosh and H. S. Kushwaha. 2007. Application of artificial
neural networks to nuclear power plant transient diagnosis. Reliability Engineering and System
Safety, Vol. 92, pp. 1468-1472
Sasaki, T. 2001. A neural network-based response surface approach for computing failure probabilities. in:
R. B. Corotis, G. I. Schueller and M. Shinozuka (editors), 8
th
International Conference on
Structural Safety and Reliability (ICOSSAR2001), USASchenk, C. A. e G. I. Schueller. 2005.
Uncertainty Assessment of Large Finite Element Systems. Springer, Berlin Heidelberg New York
Schevenels, M.; G. Lombaert and G. Degrande. 2004. Application of the stochastic finite element method for
Gaussian and non-Gaussian systems. in Proceedings of ISMA, pp. 3299-3313
Schueller, G. I. and R. Stix. 1987. A critical appraisal of methods to determine failure probabilities.
Structural Safety, n. 4: 239-309
Schueller, G. I. 1997. A state-of-the-art report on computational stochastic mechanics. Probabilistic
Engineering Mechanics, Vol. 12, n. 4, pp. 198-231
Schueller, G. I. 1998. Structural reliabilityrecent advances. in: Proceedings of 7th ICOSSAR97, Kyoto,
Balkema, Rotterdam, pp. 333
Schueller, G. I. 2001. Computational stochastic mechanics - recent advances. Comput. Struct., Vol. 79, n.
22-25, pp. 2225-2234
Schueremans, L. and D. Van Gemert. 2003. System reliability methods using advanced sampling techniques.
in T. Bedford and P. Van Gelder editors. Safety and Reliability, Proceedings of the Esrel 2003
Conference, Maastricht, The Netherlands, pp. 1425-1432
Schueremans, L. and D. Van Gemert. 2005. Benefit of splines and neural networks in simulation based
structural reliability analysis. Structural Safety, Vol. 27, pp. 246261
Segal, I. E. 1938. Fiducial distribution of several parameters with applications to a normal system. Proc.
Cambridge Philosophical Society, Vol. 34, pp. 41-47
Shao, S. and Y. Murotso. 1997. Structural reliability analysis using neural networks. Japanese Society in
Mechanical Engineering (JSME) International Journal, Series A, Vol. 40, No. 3, pp. 242-246
Shinozuka, M. 1983. Basic analysis of structural safety. Journal of Structural Engineering, ASCE, Vol. 109,
n.3, pp. 721-740
276
Shinozuka, M. 1991. Freudenthal lecture: Developments in structural reliability. in Proceedings of 5
th

International Conference on Structural Safety and Reliability, (ICOSSAR'89), ASCE, New York, pp.
1-20
Shinozuka, M. and G. Dasgupta. 1986. Stochastic finite element methods in dynamics. in Proceedings, 3
rd

ASCE EMD Specialty Conference on Dynamic Response of Structures, University of California at
Los Angeles, Los Angeles, CA, pp. 44-54
Shinozuka, M. and G. Deodatis. 1988. Response Variability of Stochastic Finite Element Systems. Journal
of Structural Engineering, ASCE, Vol. 114, No. 3, pp. 499-519
Shinozuka, M. and F. Yamazaki. 1988. Stochastic finite element analysis: an introduction. in S. T.
Ariaratnam, G. I. Schueller, and I. Elishakoff editors, Stochastic structural dynamics: Progress in
theory and applications. Elsevier Applied Science Publishers Ltd, London
Shinozuka, M. and G. Deodatis. 1991. Simulation of stochastic processes by spectral representation. Applied
Mechanics Reviews, Vol. 44, pp. 191-203
Shinozuka, M. and G. Deodatis. 1996. Simulation of multidimensional Gaussian stochastic fields by spectral
representation. Applied Mechanics Reviews, Vol. 49, pp. 29-53
Sobczyk, K.; S. Wedrychowicz and B. F. Spencer. 1996. Dynamics of structural systems with spatial
randomness. International Journal of Solids and Structures, Vol. 33, No. 11, pp. 1651-1669
Spanos, P. D. and R. G. Ghanem. 1989. Stochastic finite element expansion for random media. ASCE,
Journal of Engineering Mechanics, Vol. 115, No. 5, pp. 10351053
Spanos, P. D. and B. A. Zeldin. 1998. Monte Carlo treatment of random fields: A broad perspective. Applied
Mechanics Reviews, Vol. 51, n. 3, pp. 219-237
Sudret, B. and A. Der Kiureghian. 2000. Stochastic Finite Element Methods and Reliability: A State-of-the-
Art Report. Report No. UCB/SEMM-2000/08. Department of Civil & Environmental Engineering,
Division of Structural Engineering, Mechanics and Materials, University of California, Berkeley
Sudret, B. and A. Der Kiureghian. 2002. Comparison of finite element reliability methods. Probabilistic
Engineering Mechanics, Vol. 17, pp. 337-348
T
Teigen, J. G.; D. M. Frangopol; S. Sture e C. A. Felippa. 1991a. Probabilistic FEM for nonlinear concrete
structures. I: Theory. J. Struct. Engrg., ASCE, Vol. 117, n. 9: 2674-2689
Teigen, J. G.; D. M. Frangopol; S. Sture e C. A. Felippa. 1991b. Probabilistic FEM for nonlinear concrete
structures. II: Applications. J. Struct. Engrg., ASCE, Vol. 117, n.9: 2690-2707
277
Thoft-Christensen, P. and Murotsu, Y. 1986. Application of structural systems reliability theory. Springer-
Verlag, Berlin
Thomos, G. C. e C. G. Trezos. 2006. Examination of the probabilistic response of reinforced concrete
structures under static non-linear analysis. ELSEVIER - Engineering Structures, Vol. 28: 120-133
Tivive, F. H. C. and A. Bouzerdoum. 2005. Efficient training algorithms for a class of shunting inhibitory
convolutional neural networks. IEEE Transactions on Neural Networks, Vol. 16, No. 3, pp. 541-556
Tsai, Chung-Huei and Deh-Shiu Hsu. 2002. Diagnosis of Reinforced Concrete Structural Damage Base on
Displacement Time History using the Back-Propagation Neural Network Technique. Journal of
Computing in Civil Engineering, Vol. 16, No. 1, pp. 49-58
Tvedt, L. 1984. Two Second-Order Approximations to the Failure Probability. A/S Veritas Research Report,
Hovik, Norway
Tvedt, L. 1985. On the Probability Content of a Parabolic Failure Set in a Space of Independent Standard
Normally Distributed Random Variables. A/S Veritas Research Report, Hovik, Norway
Tvedt, L. 1988. Second-Order Probability by an Exact Integral. A/S Veritas Research Report, Hovik,
Norway
Tvedt, L. 1990. Distribution of quadratic forms in normal space: application to structural reliability. Journal
V
Vanmarcke, E. H. 1977. Probabilistic modelling of soil profiles. Journal of Geotechnical Engineering, Vol.
103, n. 11, pp. 1227-1246
Vanmarcke, E. H. 1983. Random Fields: Analysis and Synthesis, The MIT Press Cambridge, Massachusetts
Vanmarcke, E. H. and M. Grigoriu. 1983. Stochastic finite element analysis of simple beams. Journal of
Vanmarcke, E. H., M. Shinozuka, S. Nakagiri, G. I. Schueller e M. Grigoriu. 1986. Random fields and
stochastic finite elements. Structural Safety, Vol. 3, n. 3, pp. 143-166
Vanmarcke, E. H. 1988. Random Fields: Analysis and Synthesis, The MIT Press, London, England
Veiga, Jos M. G. C.; A. A. R. Henriques e J. M. Delgado. 2006. An efficient evaluation of structural safety
applying perturbation techniques. III European Conference on Computational Mechanics, Lisboa,
Springer, 126
Veneziano, D. 1974. Contributions to second moment reliability theory. Res. Rep. R74-33, Department of
Civil Engineering, MIT, Massachusetts
278
Veneziano, D. 1979. New index of reliability. Journal of the Engineering Mechanics Division, ASCE, Vol.
105, EM2, pp. 277-296
Vogt, M. 1993. Combination of radial basis function neural networks with optimized vector quantization.
Proceedings of IEEE International Conference on Neural Networks, Vol. 3, pp. 1841-1846
W
Wall, F. J. and G. Deodatis. 1994. Variability response functions of stochastic plane stress/strain problems.
Warnes, R. M.; J. Glassey; A. G. Montague and B. Kara. 1998. Application of radial basis function and
feedforward artificial neural networks to the Escherichia coli fermentation process.
Neurocomputing, Vol. 20, pp. 67-82
Watrous, R. L. 1987. Learning algorithms for connectionist networks: Applied gradient methods of nonlinear
optimization. in First IEEE International Conference on Neural Networks, San Diego, Vol. 2, pp.
619-627
Wei, D. and S. Rahman. 2007. Structural reliability analysis by univariate decomposition and numerical
integration. Probabilistic Engineering Mechanics, Vol. 22, pp. 27-38
Weisstein, Eric W. 2006. Cholesky Decomposition. From MathWorld-A Wolfram Web Resource, disponvel
em http://mathworld.wolfram.com/CholeskyDecomposition.html
Weisstein, Eric W. 2006. Extreme Value Distribution. From MathWorld-A Wolfram Web Resource,
disponvel em http://mathworld.wolfram.com/ExtremeValueDistribution.html
Wen, Y. K. 1990. Structural load modeling and combination for performance and safety evaluation.
Elsevier, Amsterdam
Werbos, P. J. 1994. The Roots of Backpropagation. John Wiley and Sons, Inc., New Yok
Widrow, B. 1987. The original adaptive neural net broom-balancer. in Proceedings of the IEEE
International Symposium on Circuits and Systems. Philadelphia, PA, pp. 351-357
Widrow, B. 1987a. Adaline and Madaline: plenary speech. in Proceedings of 1
st
IEEE International
Conference of Neural Networks, San Diego, The IEEE Inc., Piscataway, NJ, pp. 143-158
Widrow, B. and M. A. Lehr. 1990. Thirty years of adaptive neural networks: Perceptron, Madaline and
backpropagation. Proc. IEEE, Vol. 78, pp. 1415-1442
Wong, F. S. 1984. Uncertainties in dynamic soil-structure interaction. Journal of Engineering Mechanics,
ASCE, Vol. 110, No. 2, pp. 308-324
Wong, F. S. 1985. Slope reliability and response surface method. Journal of Geotechnical Engineering,
ASCE, Vol. 111, No. 1, pp. 32-53
279
Wu, Y.-T. and P. H. Wirsching. 1987. New algorithm for structural reliability estimation. Journal of
X
Xiu, D. and G. Karniadakis. 2002. The WienerAskey polynomial chaos for stochastic differential equations.
SIAM. Journal of Sci. Comput., Vol. 24, No. 2, pp. 619644
Xu, L.; A. Krzyzak and E. Oja. 1993. Rival penalized competitive learning for clustering analysis, rbf net,
and curve detection. IEEE Transactions on Neural Networks, Vol. 4, No. 4, pp. 636-649
Y
Yamazaki, F. and M. Shinozuka. 1988. Digital generation of non-Gaussian stochastic fields. Journal of
Yamazaki, F., M. Shinozuka and G. Dasgupta. 1988. Neumann Expansion for Stochastic Finite Element
Analysis. Journal of Engineering Mechanics, ASCE, Vol. 114, No. 8, pp. 1335-1354
Yao, James T. P. 1985. Safety and Reliability of Existing Structures. Pitman Publishing Limited, London
Yao, T. H.-J. and Y.-K. Wen. 1996. Response Surface Method for Time-Variant Reliability Analysis.
Journal of Structural Engineering, ASCE, Vol. 122, pp. 193-201
Yu, X., K. K. Choi e K.-H. Chang. 1997. A mixed design approach for probabilistic structural durability.
Structural Optimization, Vol. 14, pp. 81-90
Z
Zeldin, B. A. and P. D. Spanos. 1998. On random field discretization in stochastic finite elements. Journal of
Applied Mechanics, ASME, Vol. 65, No. 2, pp. 320327
Zhang, J. e B. Ellingwood. 1996. SFEM for reliability of structures with material nonlinearities. Journal of
Structural Engineering, ASCE, Vol. 122, n.6: 701-704
Zhao, Y. G., T. Ono and H. Idota. 1999. Response uncertainty and time-variant reliability analysis for
hysteretic mdof structures. Earthquake Engineering and Structural Dynamics, Vol. 28, pp. 1187-
1213
Zhao, Y.-G. and T. Ono. 1999a. A general procedure for first/second-order reliability method
(FORM/SORM). Structural Safety, Vol. 21, No. 2, pp. 95-112
Zhao, Y.-G. and T. Ono. 1999b. New approximations for SORM: Part I. Journal of Engineering Mechanics,
ASCE, Vol. 125, No. 1, pp. 79-85
Zhao, Y.-G. and T. Ono. 1999c. New approximations for SORM: Part II. Journal of Engineering Mechanics,
ASCE, Vol. 125, No. 1, pp. 86-93
280
Zhao, G. 1996. Reliability theory and its applications for engineering structures. Dalian: Dalian University of
Technology Press
Zheng, Y. and P. K. Das. 2000. Improved response surface method and its application to stiffened plate
reliability analysis, Engrg. Struct., Vol. 22, No. 5, pp. 544551
Zhu, W. Q.; Y. J. Ren and W. Q. Wu. 1992. Stochastic FEM based on local averages of random vector
fields. Journal of Engineering Mechanics, Vol. 118, No. 3, pp. 496-511

281

Texto Integral1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Texto Integral1

Uploaded by

Copyright:

Available Formats

Mtodos de Anlise das Incertezas na Verificao

da Segurana Estrutural em Engenharia Civil

Mtodos de Anlise das Incertezas na Verificao da Segurana Estrutural em Engenharia Civil

= ou -1. Um exemplo a funo

tambm atravs da rede.

chama-se matriz triangular superior ou matriz triangular direita.

Existem diversas tcnicas para calcular a decomposio de Cholesky. Normalmente so

onde a funo distribuio condicional de (

, x < < + (4.11)

, x < < + (4.19)

, x < < + (4.20)

= , x < < + (4.25)

= , x < < + (4.29)

uma funo indicatriz dada por:

, sem que para isso seja

X o vector correspondente simulao j constitudo

a matriz dos desvios

(5.23) d-nos um valor para . Esta matriz

obtm-se a partir da matriz

definida em (5.35) substituindo os

uma matriz identidade) calculada a matriz

obtm-se a partir da matriz K definida em (5.45) substituindo os parmetros

Como K/Q = 0, para obter os elementos da coluna correspondente contribuio da

uma matriz identidade) calculada a

1.453 - Zhao (1996)

= com valor mdio

Ttulo (S se podem escrever palavras)

You might also like