Confiabilidade estrutural utilizando o m?todo de Monte Carlo e redes neurais.

A an?lise de confiabilidade estrutural em geral, por envolver um grande n?mero de vari?veis aleat?rias ou exigir uma grande quantidade de simula??es, se depara com a quest?o do custo computacional. Duas t?cnicas utilizadas para essa avalia??o s?o o m?todo de simula??o de Monte Carlo e os m?todos anal?ticos do tipo FORM/SORM. Os m?todos anal?ticos FORM e SORM podem apresentar problema de precis?o no c?lculo da probabilidade de falha. Em rela??o ao m?todo de Monte Carlo, embora sejam de f?cil implementa??o e absolutamente geral, o grande n?mero de simula??es pode exigir um tempo de processamento elevado, o que pode tornar sua aplica??o invi?vel. Nesse trabalho, foi utilizada uma rede neural treinada para substituir a solu??o do problema estrutural necess?rio a cada simula??o de Monte Carlo, com o objetivo de reduzir o custo computacional requerido na an?lise. As aplica??es realizadas proporcionaram bons resultados, com baixo custo computacional, o que atesta a viabilidade de sua aplica??o.Structural reliability analysis due to the great number of random variables or large number of simulations needed may result in a high computational cost. Two techniques largely used for structural reliability assess are Monte Carlo Simulation and the analytic methods FORM/SORM. These may present some inaccuracy in the assessment of the probability of failure. The Monte Carlo Method is easy to implement and absolutely general, but the great number of required simulations may result in high computational cost making the application impracticable. This work used a trained neural network to substitute the structural analysis needed for each Monte Carlo Simulation, in order to reduce the computational cost. The applications produced good results with low computational cost, certifying its application viability