Professional Documents
Culture Documents
Monte Carlo Simulation
Monte Carlo Simulation
W) (1) Beide Groflen B und W unterliegen in der Regel stochastischen Binflissen und hiingen von einer Reihe von Parametern, z.B. Betriebsweise, Materialeigen- schafien, Umgebungseinflissen usw. in komplizierter Weise ab. Bezeichnet man mit fg(6) und mit fy(w) die entspre- chenden Dichtefunktionen, so liBt sich die Ausfall wahrscheinlichkeit Q in der Form eines Doppelinte- gals darstellen gemi8 Q Fal f Sul) oj (5.2) Die Zusammenhiinge sind geaphisch in einem soge- nannten Warner-Diagramm, Bild 17, dargestellt. Die Ausfallwahrscheinlichkeit Q entspricht dem schraf- fierten Uberlappungsbereich unterhalb der zwei Dich- tefunktionen f(b) und fiy(w). ‘Ale Ractte vrbehatan © Versin Deutch Ingerour, Disseldot 1998 Sind die GréBen B und W normalvertelt, so lat sich die Bezichung (5.2) geschlossen ldsen, In diesem Fall ergibt sich fiir Q die Bezichung 1 7 —— ee du (53) vai ) wobei B und W bzw. oj und aj) die entsprechenden Erwartongnwere bw. Varanzen der Zfalsgr8en 8 tnd W badeuten Q Bei den meisten praktischen Anwendungen sind aller- dings die Verteilungsdichtefunktionen f(b) und fy() nicht explizit bekannt. Es liegen vielmebr in der Rezel analytische Funktionen b= gp leryXay- + +5 Xm) = Gal) und (54) + Yd = gwd) Gul die den funktionalen Zusommenhang der GréBen B und W von den oben erwihnten zufiilligen EinfluBfak- toren Xjj 1=1,2,..., m baw. Yip 11,2, 05 0 festlegen, sowie die zugchérigen Dichtefunktionen fy (x) und f,(y) vor. Bei vollstindiger Unabhiingiokeit der GréBen X; bzw. ¥; nehmen letztere die Gestalt F409) = [facso 65) baw. A = Fawn 66) wobei fy ()5 1 = 1,2... .,mund f,(y)s1= 1,2... .57 die Dichtefunktionen der BinzelgrBen bedeuten, In solchen Fallen empfiehlt es sich, die Ausfallwabr- seheinlichkeit Q mittels eines Monte-Carlo-Verfahrens zuberechnen, Sein schematischer Ablaufist in Bild 18 dargestellt Zuerst werden innerhalb des j-ten Durchlaufs die Realisierungen X= (XY,XY,..., XY) und YP" (YY, YY... ¥!2) mittels der bekannten Transforma- 0 ow Bild 17. Das Warner Diagramm: Dichtefunktionen der Gelastung ‘nd Widerstandsfahigkeit einer Swuktur ‘Ausfallwaheschoinlchkeit:schratfiorter Boreich,‘Ale Rachteverbehaton © Verein Deutscher Ingenio, Disseldor 1099, VDI4008 Blatt6 — — 29— [signe dor Graton amg) ana | f(t die age ‘pigton Vektron ind Ye [Generirung dor Voktoren bei nd wer ce Voretungsiemerano Jpn fd und fy te) eis 8 We imran in E —s aia = 0i Bild 18, Schematschor Abia eines Monte-Carlo-Verfahvens 2ut Bevochnung der mecharischen Austalivalscheinichkeit Q tionsmethoden gemaf den Dichtefunktionen f,() und. fe(2) generiert. Durch Einsetzen in die Beziehungen (5.4) werden anschlieBend die zugehorigen Werte BP und I gebildet. Jedesmal wenn die Ungleichung BO > W erfllt ist, wird ein Zahler um 1 ethoht. ‘Nach N durchgefiihrten Durchliiufen liefert die GréBe @ sn zis eine erwartungstreue Schiitzung fiir die gesuchte Aus- fallwahrscheinlichkeit Q Beziiglich der statistischen Sicherheit dieses Ergebnis- ses kOnnen die Ausfiihrungen des Abschnitts (2.2) voll tibernommen werden, Pihrt man eine zufillige Indikatorfunktion 6(X, ¥) ein mit der Eigenschaft 1 falls b«x) > wQ) dix) = (58) 0 sonst s0 liefert das oben beschriebene Monte-Carlo-Schema cine Schiitzung des Erwartungswertes von 5( Es gilt niimlich O=E OK} = ff Sey Feld Se) dx - dy 69) ‘Michte man schlieBlich zwecks einer Varianzreduktion gewichtete Dichtefunktionen einfiihren, so miiften letz~ tere die Eigenschaft haben, den Uberlappungsbereich aus Bild 17 zu vergréBern. Dies liebe sich durch kiinstliche Verminderung der Wahrscheinlichkeit ho- her Widerstandsfihigkeitswerte bzw. durch kiinstliche Erhéhung der Wahrscheinlichkeit hoher Belastungs- werte erreichen, Beispie! Bei einem Druckbehiilter, dessen Berstwahrscheinlich- keitzu berechnen ist, bedingt ein eventueller Kthlungs- ausfall einen Druckanstieg sowie die Entstehung eines explosionsfihigen Gasgemisches. Die Wahrscheinlich- keit fiir den Kiihlungsausfall sei mit P, bezeichnet. Unterstellt man letzteres fir den Zeitpunkt fo, so soll der Ziindzeitpunkt T gleichverteilt im Intervall (to, ,) sein, Die bei der Ziindung entstehende Druckbelastung, B laBt sich zu B=X\(D°X; angeben, wobei X(T) den zum Ztindzeitpunkt T herschenden Ausgangsdruck im Behiilter und X den Druckiiberhéhungsfaktor infolge der Explosion bedeu- tet. Der Zusammenhang zwischen Ausgangsdruck und Ziindzeitpunkt soll linear gemi der Beziehung silt) = illo x = (ge (t= t6) angenommen werden. Die Verteilungen des Uberhdhungsfaktors X, sowie der Widerstandsfihigkeit W des Behilters gegen Ber- sten sollen Gauiverteilungen gema Sx, a und Sul) ow 2a gleichgesetzt werden. Die gesuchte Berstwahrscheinlichkeit Q 1i8t sich dann sgemill Bezichung (5.9) angeben 2 O-Py I J J 5x3.) Srl “Se, Ca) “Sv dt dx, + dw Eine Auswertung dieser Beziehung mit dem Monte- Carlo-Schema aus Bild 18 unter Zugrundelegung der Eingangsdaten P, = 10~*, to ~ ty = 40, xy (fo) = 3,3 bar, x; (ty) = Sbar, Xz =3,5,0x,=03,W = 14,3 bar, ‘y= 0,38 bar liefert fir die gesuchte Berstwahrschein- lichkeit die Schatzung (N= 100) @ = (5 + 0,5) 10"-30- — VDI4008 Blatt 6 Formelzeichen AB zufillige Ereignisse AB Durchschnitt (Schnittmenge) von A und B Komplement von A a wird durch b erkkirt Erwartungswert der Zufallsva- riablen © Verteilungsdichtefunktion (Ver- teilungsfunktion) der Zufallsva- riablen 3, Index © wird oft ge- iret Jol) (Fol) Vertcilungsdichtelunktion (Ver- teilungsfunktion) des Zufallsvek- tors Q= (Qy.2,. 4 OR) rs Komponente eines Systems (kK) Indexmenge von intakten Kom- ponenten, d.b. x =0 fiir 1e(K) ®) Indexmenge von ausgefallenen Komponenten, dh. x, = 1 fir ie(R) MDA, mittlere Systemausfallzeit in (0, 7) MIT, mittlere Systemlebensdauer (mean time to failure) P(A) Wahrscheinlichkeit des (Zufalls-) Ereignisses A P(A/B) bedingle Wahrscheinlichkeit von A.unter B an Ausfallwahrscheinlichkeit in (0,7) uy Unverfiigharkeit (Nichtverfig- barkeit) zum Zeitpunkt T un mittlere Unverfiigbarkeit in 07 Zustandsvariablen Zustandsvektor XA) Konjunktion von x, und x) x, Zufallsvariable mit dem Werte- vorrat x, xo Realisierung der Zufallsva- riablen X im j-ten Simulations- durchlauf = Erwartungswertschiitzung der Zufallsgrfe 5 erweiterte Strukturfunktion Varianz der ZufallsgrBe = tunmégliches Ereignis grote ganze Zahl i mit i< a ‘Ale Rachie vorbehalten © Versa Deutscher Ingeneute, Dosseldor 1999, ‘Schrifttum [1]. Zielinski, R Erzeugung von Zufallszablen. Leipeig: VEB Fachbuchvetl. 1978 [2] MeGrath, EJ. ea for Effient Monte-Carlo. Simulation, ORNL-RSIC-38, California 1975 [3] Hammersley, J.M., and B.C. Handscomb: Monte Carlo ‘Methods, Methuen's Monographs on Applied Probability and Statistics, London 1964 [A]. Spanier, J, and E.M. Gelbond: Monte Carlo Principles and Neutron Transport Problems. Addison-Wesley Publishing Company, Reading, Mass 1969 [5] Ermakow, S.M.: Die Monte-Carlo-Methode und verwandte Fragen, Berlin: VEB FachbuetverL. 1975 [6] Camarinopoulos, L: Anwendung von Monte-Carlo-Verlaheen zur Ermittlang von Zaverlssigkeitsmerkmalen technischer Systeme. ILR-Ber. 1, Berlin: 1976 [7 Nogel, P: A Monte-Carlo Method to Compute Fault Tree Probabilities. System Safety Symposium, Seattle 1965 [8]. GrafiHenning/Stange: Formeln und Tabellen der mathemati- sehen Statistik, Berlin: Springer 1966 [9] Fiss, at Wabrscheinlicbkeitsrechaung und mathematische Statistik. Berlin: VEB Fachbuchver. 1976 Weitere Fachliteratur Hengariner, W.,u-R. Theodorescu:Binfrung in die Monte-Ca ‘Methode. Minchen: Carl Hanser Verlag 1977 Hartley, H.0- Statistical Methods for Digital Computers. New ‘York: Wiley 1977, pp. 16134 Andrews, D. F, et al: Robust Estimates of Location. Survey and ‘Advances. Princeton/NJ: Princeton University Press 1972 Rubinstein, RY: Simulation and the Monte Carlo Method, New York: Wiley 1981,