Ingénierie mécanique en contexte incertain : des approches classiques à quelques développements récents / sous la direction de Christian Gogu
Item type | Current library | Call number | Status | Date due | Barcode | |
---|---|---|---|---|---|---|
![]() |
La bibliothèque de l'ESPCI Salle de lecture | MS-009 (Browse shelf(Opens below)) | Available | MS-009 |
Bibliogr. en fin de chapitres. Index
"Considérer le contexte incertain en ingénierie mécanique dans le but d’améliorer les performances des futurs produits ou systèmes apparaît désormais comme un avantage compétitif, voire une nécessité pour garantir une exigence de sûreté de plus en plus élevée. Ingénierie mécanique en contexte incertain traite de la modélisation, de la quantification et de la propagation d’incertitudes. Il étudie également la prise en compte des incertitudes dans l’analyse de la fiabilité et dans l’optimisation sous incertitudes. Le spectre des méthodes présentées va des approches classiques aux développements plus récents et les méthodologies sont illustrées par des exemples concrets dans des domaines variés de la mécanique (génie civil, génie mécanique et mécanique des fluides).Cet ouvrage s’adresse aussi bien à un public de chercheurs que d’ingénieurs s’intéressant à la thématique du traitement des incertitudes en ingénierie mécanique." 4e de couverture
Partie 1. Modélisation, quantification et propagation d’incertitudes Chapitre 1, Modélisation des incertitudes Chapitre 2, Caractérisation et modélisation probabiliste de milieux hétérogènes Chapitre 3, Propagation d’incertitudes à l’échelle de structures de génie civil vieillissantes Chapitre 4, Réduction d’incertitudes en analyse multidisciplinaire basée sur une étude de sensibilité par chaos polynomial Partie 2. Prise en compte des incertitudes : analyse de fiabilité et optimisation sous incertitudes Chapitre 5, Estimation de probabilité d’événements rares Chapitre 6, Méthodes adaptatives basées sur le krigeage pour l’évaluation de probabilités de défaillance : focus sur les méthodes AK Chapitre 7, Analyse de sensibilité globale ciblée pour la fiabilité en présence d’incertitudes sur les paramètres de distribution Chapitre 8, Optimisation multi-objectif stochastique : un algorithme de descente