כיצד להשתמש Numpy ו-Sypy עבור מונטה קרלו סימלוציות בהנדסת סיכונים הנדסה

הבנה של מונטה קרלו סימלוציות בהנדסת סיכונים

סימולציה מונטה קרלו משמשת בדרך כלל כדי להעריך את הסיכון ואת אי הוודאות כי ישפיעו על תוצאות אפשרויות החלטה שונות. בהקשרים הנדסיים, שיטות מונטה קרלו משמשים נרחב בהנדסה לניתוח רגישות וניתוח פרוביביליסטי כמותי בעיצוב תהליכים.טכניקה חישובית רבת עוצמה זו הפכה חיונית עבור מהנדסים אשר צריכים לקחת בחשבון עבור עמידות ואי ודאות בניתוח שלהם.

סימולציה מונטה קרלו שונה ממודלים דטרמיניסטיים עם תוצאה אחת המבוססת על קלטות קבועות בגלל השימוש ב-Sampling אקראית כדי להניב מגוון של תוצאות אפשריות לשיפור הסיכון וההבנה הגמישות של התוצאות. במקום להסתמך על הערכות חד-נקודות שאולי לא ללכוד את הספקטרום המלא של תרחישים פוטנציאליים, שיטות מונטה קרלו מספקות מסגרת פרוביביליסטנטית המוכיחה את הסבירות של תוצאות שונות.

יכולת זו יעילה מאוד בתחומים כגון מימון, הערכת סיכונים והנדסה, שבו אי הוודאות ממלאת תפקיד דומיננטי בקבלת החלטות ועצימה.מניתוח מבני לתזמון פרויקטים, מאמינות ועד להעלאת עלויות, סימולציות מונטה קרלו הוכיחו את הערך שלהם על פני דיסציפלינות הנדסיות מגוונות.

למה Python, NumPy, ו-SysPy עבור מונטה קרלו סימלוט

פייתון התפתחה כשפה המועדפת לניתוח מחשוב מדעי והנדסה, בעיקר בשל המערכת האקולוגית הנרחבת של ספריות מחשוב מדעיות מודרניות ב Python, במיוחד SciPy ו- NumPy, מציעים כלים חזקים לייצר מספרים אקראיים (samples) ממגוון רחב של התפלגות הסתברות.הספרות אלה מספקות את היעילות החישובית הנדרשת עבור סימולציות בקנה מידה גדול תוך שמירה על קלות השימוש והקריאה.

מודול המספרי.רנון מיישם גנרטורים מספר פסאודו-רדום (PRNGs או RNGs, בקיצור) עם היכולת לצייר דגימות ממגוון של התפלגות הסתברות. פונקציונליות זו יוצרת את הבסיס של סימולציות מונטה קרלו, המאפשר למהנדסים מודל אי ודאות באמצעות התפלגות סטטיסטית המייצגת את יכולת החיים של העולם האמיתי.

אקראית הדגימה תחת כל סוג של סימולציה של תהליך סטוצ'יסטיק אם זה חלקיק דיפוזיה, תנועות מחירים מניות או מודלים של תופעות המציגות סוג של אקראיות לאורך זמן.היכולת לייצר ביעילות מיליוני דגימות אקראיות היא חיונית להשגת תוצאות סטטיסטיות אמין מניתוחי מונטה קרלו.

הגדרת סביבת Python שלך עבור מונטה קרלו ניתוח

לפני צלילה לסימולציות מונטה קרלו, אתה צריך להבטיח את סביבת Python שלך מוגדר כראוי עם הספריות הדרושות.תהליך ההתקנה הוא פשוט ודורש רק כמה חבילות חיוניות.

התקנת Libraries

כדי להתחיל לעבוד עם סימולציות מונטה קרלו ב Python, להתקין את NumPy ו-Sycipy אם הם כבר לא זמינים בסביבה שלך. פתח את המסוף או פקודה מהירה ולבצע את הפקודה הבאה:

(ב) ,0) , מיפוי מספרד (בפרק:0)

בעוד NumPy ו-Sy הם חיוניים עבור ההיבטים חישוביים, matplotlib מומלץ מאוד לדמיין את תוצאות הסימולציה שלך.ויזואליזציה מסייעת להבנת ההפצה של תוצאות ותקשורת ממצאים לבעלי העניין.

ייבוא Libraries and Basic

לאחר התקנת, לייבא את המודולים הדרושים בתסריט Python או ב-Jypyter המחבר:

(ב) ויקרא י"ד:2 ויקרא יט): "ה' ויקרא ויקרא יט' (בראשית כ"ד): "וַיָּבְתָּבְתָּבְתָּבְתָּבְתָּבְתָּבְתָּבְתָּבָר" (בראשית כ"ד).

ועידות ייבוא סטנדרטיות אלה משתמשות באפיות מקוצרות (np for NumPy, stats for SciPy's Dataמודול) המוכרות באופן נרחב בקהילת פייתון המדעית.מוסכמות אלה הופכות קוד לקריאה ותמציתי יותר.

הבנה של מספר אקראי

באופן כללי, משתמשים יצרו מקרה גנרטור עם ברירת מחדל rng וקוראים לשיטות השונות על זה כדי להשיג דגימות מהתפלגוות שונות.הגישה המודרנית לדור מספר אקראי ב NumPy משתמשת במחלקת הגנרטור, המספקת תכונות סטטיסטיות טובות יותר וביצועים בהשוואה לשיטות ישנות יותר.

הנה איך להתחיל עם מספר אקראי של גנרטור:

(ב) ⁇ ==========================ה')

פרמטר הזרע מבטיח התחדשות - שימוש באותה זרע יניב את אותו רצף של מספרים אקראיים.זה חיוני עבור debugging ואימות תוצאות הסימולציה שלך. אנו ממליצים להשתמש במספרים גדולים וייחודיים מאוד כדי להבטיח שהזרע שלך שונה מכל אחד אחר.זה תרגול טוב כדי להבטיח שהתוצאות שלך עצמאיות סטטיסטית משל עצמם, אלא אם כן אתה מנסה לשחזר את התוצאה שלהם.

יצירת דגימות אקראיות מ Probability Distributions

הבסיס של כל סימולציה מונטה קרלו הוא היכולת לייצר דגימות אקראיות המייצגות פרמטרים לא ברורים. בעיות הנדסיות שונות דורשות התפלגות הסתברות שונה כדי לעצב במדויק את אי הוודאות הבסיסית.

נורמלי (Gaussian) הפצה

ההפצה הרגילה, המכונה לעתים קרובות עקומת הפעמון, היא אולי ההפצה המתמשכת ביותר.זה שימושי במיוחד בהנדסה כאשר מודלים של שגיאות מדידה, ניצול סובלנות ייצור, או כל פרמטר המושפע על ידי גורמים אקראיים קטנים ועצמאיים רבים.

כדי ליצור דגימות מהתפלגות רגילה עם סטייה פשוטה וסטנדרטית:

(ב) ויקרא י"א): "[ה]" (בראשית כ"ד: ויקרא י"ד): "[2] ויקרא ויקרא ויקרא יט: ויקרא י"ד: ויקרא יט: ויקרא יט: ויקרא ויקרא יט"ד , ויקרא ויקרא ויקרא ויקרא יט"ד: , ויקרא , , ויקרא ויקרא ויקרא יט"ד"ד"ד"ד"ד"ד ,"ד"ד"ד ,"ד , , , , , , ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא יט,"ד ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא יט"ד: ויקרא יט: יט"ד: יט"ד ויקרא ויקרא יט

בדוגמה זו, אנו מייצרים 10,000 דגימות מהתפלגות רגילה במרכז 100 עם סטייה סטנדרטית של 15.ה-FLT:0loccioFLT:1 פרמטר מפרט את המשמעות (מיקום), בעוד FLT:2scaleFLT 3:2scaleuaFLT 3: מייצג את הסטייה הסטנדרטית (spread) מרמז כי נורמלי הוא יותר סביר להחזיר דגימות קרוב למשמעות, ולא אלה הרחוקים.

חלוקת מדים

החלוקה המדורה מחייבת הסתברות שווה לכל הערכים בטווח מוגדר.זה שימושי כאשר התחייבת אי ודאות, אך אין סיבה להאמין לכל ערך מסוים בטווח זה הוא יותר סביר מאשר אחר.

(ב) [15] ויקרא י"ד): "בְּהַּדָּבְהִיתִיתִיתִיתִיתִיתִיתִיתִיתִי" (במדבר כ"ד, כ"ד)

זה יוצר דגימות מבוזרות באופן אחיד בין 50 ל-150.כל ערך בטווח זה יש סיכוי שווה להיבחר.

הפצה נורמלית

ההפצה הגוינטית היא בעלת ערך מיוחד בערכת הסיכון להנדסה, משום שכמויות פיזיות רבות – כגון זמני כשלון, גדלים חלקיקים וחלוקות הכנסה – לאחר דפוס זה.משתנה מתחלק באופן טבעי אם ה- logarithm שלו מופץ בדרך כלל.

(ב) ויקרא י"א): "[דרוש מקור]" (ב' ויקרא י"ד: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

ההפצה הגוינטית היא תמיד חיובית ונכון, מה שהופך אותה מתאימה לכמויות דוגמנות שלא יכולות להיות שליליות ונטוות להיות בעלות ערכים גדולים מדי פעם.

הפצה חדשנית

ההפצה האקספוננציאלית מדגימה את הזמן בין אירועים בתהליך של פומפסון.בהנדסת, זה נפוץ מודל פעמים כשל, זמני המתנה, או משך בין אירועי תחזוקה.

(ב) ויקרא י"ד): "ה' (ב"ד)" (ב"ד) ,"ב)"ב[[1924]], [[1924]]]]]]]]

פרמטר הגודל מייצג את המשמעות של ההפצה. עבור הנדסת אמינות, זה יהיה תואם את הזמן הממוצע בין כישלונות (MTBF).

הפצה טרינגולרית

כאשר יש לך הערכות מומחה למינימום, סביר להניח, ערכים מקסימליים אבל נתונים מוגבלים, ההתפלגות המשולשת מספקת מודל פשוט אך יעיל.זה בשימוש נרחב בניהול פרויקטים והערכה עלות.

(ב) ויקרא י"ד): "[דרוש מקור]" (ב' ויקרא י"ד: ויקרא י"ד): "[5] ויקרא י"ד:5] ויקרא י"ד: ויקרא י"ד: ויקרא י"ד: ויקרא י"ד: ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא יט"ד"ד: ויקרא ויקרא ויקרא , יט, ויקרא ויקרא ויקרא ויקרא ויקרא יט, יט, ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא יט, יט,ד' יט"ד יט"ד' ויקרא ויקרא ויקרא יט, ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא יט"ד ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא יט: ויקרא יט: יט: ויקרא ויקרא יט:

ההתפלגות המשולשת מגיעה לשיאים בערכת מצב וירידה ליניארית לקראת גבולות המינימום והמקסימום.

שימוש ב-SyPy לתפוצה נוספת

SciPy מספק מגוון רחב של התפלגוות ארוזות המספקות דגימה מהירה.עבור הפצה לא זמינה ישירות ב- NumPy, מודול הסטטיסטיים של SciPy מציע אוסף מקיף.We תשתמש בעיקר במודול ה- scipy.stats, המציע ממשק עקבי לעבודה עם התפלגות, כולל יצירת אדנים אקראיים (samples) באמצעות שיטת .vs)

לדוגמה, כדי ליצור דגימות מהתפלגות Weibull (שימושית באופן אנונימי בניתוח אמינות):

(ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

ההפצה של Weibull היא שימושית במיוחד עבור מודלים של שיעורי כישלונות שמשנים לאורך זמן, כגון " עקומת הבטקוב" בהנדסה אמינות.

יישום מונטה קרלו סימלציה עבור הערכת סיכונים הנדסית

עם היכולת לייצר דגימות אקראיות מכמה תפוצה, אנו יכולים כעת לבנות סימולציות מונטה קרלו שלמות כדי להעריך סיכונים הנדסיים.זרימת העבודה הכללית כוללת הגדרת פרמטרים לא בטוחים קלט, הפעלת הסימולציה פעמים מרובות עם קלטות אקראיות שונות, וניתוח ההפצה של הפלטים.

המונחים: Structural Load Analysis

שקול בעיה הנדסית מבנית שבה עלינו להעריך את הסיכון של קרן נכשלת תחת עומס.יכולתו של האמאם והעומס המיושם יש גם חוסר ודאות.

(ב) ויקרא י"ד:2 ויקרא יט): "ה' ויקרא ויקרא יט'" (בראשית כ"ד, כ"ד)

(ב) [15] ויקרא י"ד): "[דרוש מקור]" (ב"ד, כ"ד, כ"ד, ב"ד, ב"ד, ב"ד, ב"ד, ב"ד)

(ב) [15] ויקרא י"ד): "[דרוש מקור]" (בראשית כ"ד, כ"ד, כ"ד, כ"ח, כ"ח, כ"ח, כ"ד:

(ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) ,0) ,(ב) הסתברות: [התקבלות]: [=ה] [=ה]: [ה] [ה]] [ה]]] [ה]]] [ה'] [ה'] [ה'] [ה'] מ'''''[ה']']'[ה']

סימולציה זו מפעילה 100,000 צירים, בכל פעם שמצמציינת ערכים אקראיים עבור שניהם יכולת ועומס, ולאחר מכן חישוב אם מתרחשת כישלון.ההסתברות וכתוצאה מכך היא מספקת מדד סיכון כמותי המהווה את אי הוודאות בשני הפרמטרים.

דוגמה: Project Cost Estimation with Multiple Unknown Variables

ברמה גבוהה, סימולציה מונטה קרלו יכול ליידע מנהלי פרויקטים על נושאים כמו עלות estimations, שינויים בקנה מידה ותזמון. בואו יישם דוגמא מורכבת יותר הכוללת רכיבים מרובים עלות, כל אחד עם אי הוודאות שלו.

(ב) ,0) ,9 מרכיבים בעלי התפלגות שונה (FeloLT:2reaFLT 3:2cioFLT 3n simulations=500003

(ב) [15] ויקרא י"א): "[דרוש מקור]" (ב[[1924]]:2364 20 אלף]],364 20 אלף]],364 20 אלף]]

(ב) [ה]] [ה][דרוש מקור]] [ב]] [ה[[המאה ה-20]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]]]]]

(ב) [15] ויקרא י"ד): "ההתמ"ל (ב"ד): "ה' (ב"ה)" (ב)"ב)" (ב"ה)"ב"ה' (ב"ב)"ה' (ב"ב)"ה')"ב"ה' (ב')"ה')"ה', כ"ב')"ב'"ב'"ב' (ב')"ב')"ב', , ויקרא ויקרא , ויקרא ויקרא , , ויקרא ויקרא ויקרא כ"ב')

(ב) [ה]] [ה] [ה]] [ה]] [הההתחלקה] [הה]]] [הה]]] [הההתמדה] [ב]]]: [ההההתב"ה]: [ה'[2] [15]] [15]] [15][ה'[ה'[ה'], [15]]

(ב) [ה]הפרויקט הכולל עולה ב-1 בינואר:2
;2] ;2 [FLT 3:total cost=Work costs + material costs +ציוד costs + contingency costs]

(ב) [15] [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

[ה] [ה]] [ה] [ה]] [ה]] [ה]] [ה]] [ה]]] [ה]]][ה]]]][ה]]]]]][ה]]]][ה'[ה]] [ה'[ה']'[ה']'[ה']']'[ה']'[ה'[ה']']']'[ה']']'[ה'[ה']'[ה'[ה']'[ה'[ה'[ה'[ה']']'[ה'[ה']'[ה'[ה']']'[ה']']']'[ה'[ה'[ה']']'[ה']']']'[ה'[ה']']'[ה']'[ה']']'[ה'[ה']']'[ה'[ה'[ה'[ה']'[ה'[ה']']'[ה']']'[ה'[ה

סימולציה זו משלבת רכיבים רבים של עלויות לא ברורות, כל אחד מהם מודל להתפלגות הסתברות מתאימה.התוצאה היא הבנה מקיפה של חוסר הוודאות של הפרויקט הכולל.

ניתוח סטטיסטי מתקדם עם SciPy

לאחר שיצרת תוצאות סימולציה, SciPy מספק כלים סטטיסטיים חזקים לנתח ולפרש את הנתונים.ניתוחים אלה מסייעים לכמת אי ודאות ותמיכה בקבלת החלטות.

חישוב אמון אינטרוולים

מרווחי ביטחון מספקים טווח שבו הערך האמיתי צפוי ליפול עם הסתברות מוגדרת.עבור תוצאות מונטה קרלו, מרווחי ביטחון עוזרים לתקשר את אי הוודאות בהערכות שלך.

(ב) ,0) מ-[[1924]]

(ב) [17] [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) ⁇ :0) ביטחון interval= סטטינים.t.interval (ביטחון level, מעלות freedom, loc=sample mean, scale=sample se)uaFLT 1

[01:0] הדפסה (f)95% אמון אינטרוול: ביטחון עצמי (interval) [:0f] ל-$[עריכת קוד מקור]

חישוב זה משתמש בהפצת ה- t כדי להסביר את אי הוודאות המפיצה.הרווחה של ביטחון אומרת לנו שאנחנו יכולים להיות 95% בטוחים שהעלות האמיתית נופלת בטווח הרצוי.

ניתוח Percentile Analysis

"הפקידות הן קריטיות להערכת סיכונים, כי הן עונה ישירות על שאלות כמו "מה המחיר שאנחנו צריכים להיות 90% ביטחון שלא נתגבר על זה?"

(ב) [[1924]]]]]] [[1924]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]], [[1924]]]], [[1924]]]]]]]]]]

[ה] [ה]] [ה]][ה]][ה]][ה]][ה]][ה]]][ה]][ה]]][ה]]]][ה]]][ה]]][ה]][ה'] ב'[ה'[ה'], ב'[ה'[ה'], ב'[ה'[ה'], ב'[ה'[ה'], ב'[ה'[ה'], ב'[ה'[ה'[ה'], ב'[ה'[ה'[ה'] ב'[ה'[ה'[ה'] ב'] ב'] ב'] ב'] ב'[ה'[ה'[ה'[ה'] ב'] ב'] ב'[ה'[ה'] ב'[ה'[ה'] ב'] ב'[ה'] ב'[ה'] ב'[ה'[ה'[ה'[ה'] ב'[ה'] ב'] ב'[ה'[ה'] ב'[ה'

ערך P90 חשוב במיוחד בהערכה של סיכון הנדסי - הוא מייצג הערכה שמרנית שמהווה את רוב התוצאות השליליות האפשריות, תוך התעלמות רק מהתרחישים הקיצוניים ביותר.

אחריות של Exceeding Threshold

לעתים קרובות, מהנדסים צריכים לדעת את ההסתברות כי סף מסוים יהיה עלה על פני השטח.זה פשוט לחשב תוצאות מונטה קרלו.

(ב) [17] [17] [17] [17] , [17] , [17] , [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) ,0) ,(ב) , כאשר התקציב עולה: $ [mean overrun:,0f])

ניתוח זה מספק תובנות ניתנות לפעולה לניהול סיכונים, עוזר לבעלי העניין להבין הן את הסבירות ואת גודלן של העלילות הפוטנציאליות.

מיפוי נאותות ו Goodness-of-Fit Tests

לפעמים אתה רוצה לאפיין את תוצאות הסימולציה שלך על ידי התאמתם להתפלגות הסתברות ידועה.

(ב) [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) התפלגות רגילה: = $ [FET]: .0fff; ⁇ =$ std:,0f]

(ב) [ה]] [ה]] ב[ה]] ב[[1924]], [[1924]], [[1924]]]]]], [[1924]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]]

(ב) [15] ,9) , [15] , [17] , [17] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

מבחן קולמוגורוב-סנסו מסייע לקבוע אם תוצאות הסימולציה שלך עוקבות אחר הפצה מסוימת.ערך נמוך (בדרך כלל < 0.05) מציע שהמידע לא מתאים להתפלגות ההנחה היטב.

תוצאות חיפוש: Monte קרלו Simulation

הדמיה יעילה היא חיונית לתקשורת מונטה קרלו תוצאות לבעלי העניין.ספריית ההזדופוטוליב של פייתון מספקת יכולות מרשימות.

המונחים: Probability Density

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) [17] , [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

ה-ITG הזה מראה את ההפצה של תוצאות אפשריות, עם קווים אנכיים סימון סטטיסטיקות מפתח.נורמליזציה הדחיסות מבטיחה את האזור הכולל תחת ה-Hetogram שווה 1, מה שהופך אותו דומה לתפקודי צפיפות ההסתברות.

תפקוד הפצה מפונקטיבי (CDF)

מזימה CDF היא שימושית במיוחד עבור הערכת סיכונים, כי היא מראה ישירות את ההסתברות לא לעלות על ערך מסוים.

(ב) [[1924]]]]]]]] [[1924]]]]]] [[1924]]]]]]]]]]]] [[1924]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]

ה- CDF מאפשר לבעלי העניין לקרוא במהירות את ההסתברות לכל רמה של עלויות, מה שהופך אותו כלי מצוין לתכנון תקציב ותקשורת סיכונים.

Tornado Diagram for Sרגישות ניתוח

תרשים קרורדו מראה כי למשתנה קלט יש את ההשפעה הגדולה ביותר על הפלט, עוזר עדיפות מאמצי הקטנת הסיכון.

(ב) [[1924]]]]]] [[1924]]]]]] [[1924]]]]]]]] [[1924]]]]]]]] [[1924]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]], [[1924]]]]]]

(ב) ויקרא י"ד): "בְּהַּדָּבְהִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיא" (ב"ב, ).

(ב) ויקרא י"א): "[ה]" (ב"ד, כ"ד): "[ה]" (ב"ב], ב"ד, ב"ד, ב':2" (ב"ד) ,"ב"ד:"ד:5 ויקרא י"ד:5 ויקרא י"ד:

(ב) [[1924]]]]]] [[1924]]]]]] [[1924]]]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]]]]], [[1924]]]]]]]]]]]]]]

ויזואליזציה זו מגלה מיד אילו מרכיבים עולים מניעים את חוסר הוודאות ביותר עלות הפרויקט הכוללת, המנחה את איפה להתמקד מאמצי ניהול סיכונים.

שיטות מונטה קרלו מתקדמות להנדסת יישומים

שילוב של שחיתות בין משתנים

במערכות הנדסה אמיתיות, פרמטרים לא בטוחים הם לעתים קרובות מתואמות.לדוגמה, עלויות החומר ועלויות העבודה עלולות להגדיל גם במהלך תקופות של ביקוש גבוה. Ignoring מתאםים אלה יכול להוביל לסיכון מופרז.

NumPy מספק את הפונקציה הרב-variate normal עבור יצירת דגימות מתואמים:

(ב) [15] ויקרא י"ד): "ה' אלקים" (ב) [17], ויקרא י"ד): "[ה' ויקרא כ' 500 אלף, 250000], # עבודה ועלויות חומריות"

גישה זו מבטיחה כי כאשר עלויות העבודה גבוהות, עלויות החומר נוטות להיות גבוהות, כמו גם, לשקף את הקשר בין משתנים אלה בעולם האמיתי.

Hypercube Sampling for Improved Efficiency

Hypercube Sampling (LHS) היא טכניקת הפחתת שומנים שיכולה להשיג תוצאות מדויקות יותר עם פחות דגימות מאשר תקן מונטה קרלו.

(ב) ויקרא י"א: ויקרא י"ד:

Hypercube Sampling מבטיח כיסוי טוב יותר של חלל קלט, לעתים קרובות מספק יותר הערכות יציבות עם פחות סימולציות בהשוואה לדגימה אקראית סטנדרטית.

זמן-Dependent Simulations

הערכות סיכון הנדסיות רבות כרוכות בתהליכים מתפתחים לאורך זמן.בניגוד לגישות מסורתיות המייצרות נקודות קצה סטטיות, שיטות שלנו מודלים מודלים מחלחלים השפעות באמצעות שינוי זמן והתאמות הסתברות דינמיות, ותופסות כיצד מתרחשים אירועים סיכונים משנים את התזמון והסיכוי של סיכונים הבאים.

הנה דוגמה לסימולציה של אמינות תלויה בזמן:

(ב) [15] [15] [17] , [17] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) [ה] [ה]] [ה]]] [ה]] [ה]]: [ה][דרוש מקור]] [=ה], [=ה], [=ה]], [=ה], [=]ה'], [=ה']

(ב) שיעור הפחתת (הופנה מהדף ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) ויקרא י"ד): "[ה] ויקרא ויקרא יט:2 ויקרא יט:2 ויקרא יט: ויקרא יט" (בראשית כ"ד, כ"ד): "ה' ויקרא יט" (בראשית כ"ד:5 ).

(ב) [[1924]]]]]] [[1924]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]

[ה] [ה]] [ה]]][ה]]][ה]][ה]]][2] ויקרא: [ה]] ב[ה][ה]]][ב]]][2] [15][32]

סוג זה של סימולציה הוא ערך עבור תכנון תחזוקה וניתוח עלות מחזור חיים.

יישום אמיתי בעולם בהנדסת סיכונים הנדסה

ניתוח אחריות

הערכת סיכונים והערכה בטיחות בבנייה של הגשר מבוצעת באופן נרחב על ידי סימולציה מונטה קרלו.האי הוודאות במספר פרמטרים מוערכת, המוביל למחקר מקיף יותר מאשר בעת שימוש בטכניקות ⁇ סטיות. מהנדסי סטרקטל משתמשים בשיטות מונטה קרלו כדי להעריך את ההסתברות של כשל תחת שילובים עומסים שונים, חשבונאות לאי-ודאות בתכונות החומריות, ממדים גאומטריים וסביבתיים.

ניתוח מקיף של אמינות מבנית עשוי לכלול:

כוח חומרי פנוי (כוח דחוס, כוח תשואות פלדה)
חסרונות גיאומטריים וסובלנות בנייה
אי-וודאויות (עומסים רעים, עומסי חיים, עומסי רוח, עומסים סיסמיים)
חוסר ודאות במודל בשיטות ניתוח מבני
השפעות על החיים של המבנה

פרויקט Project Process Analysis

זוהי טכניקה המבוצעת פעמים רבות (מאות או אלפי טבלאות) כדי להבין את יכולת ההחלמה של תהליך ו לכמת אותו. בניהול פרויקטים, סימולציה מונטה קרלו עוזרת לחזות תאריכי השלמה ריאליים על ידי מודלים של אי ודאות בתקופות של משימות.

ניתוח סיכון לוח זמנים כרוך בדרך כלל:

הגנה על התפלגות הסתברות לכל משך משימה
מודלים של תלות בין משימות
זיהוי נתיב קריטי וריאציות על פני סימולציות
חישוב ההסתברות של מפגש אבני דרך מפתח
קביעת לוח הזמנים המתאים

בקרת איכות ייצור

השיטה יכולה גם ליישם בקרת איכות, אופטימיזציה עיצובית, שינויים קו הייצור ועוד.מונטה קרלו סימולציות לעזור ליצרנים להבין את ההשפעה של תהליך פנויות על איכות המוצר ולקבוע סובלנות מתאימה.

יישומים כוללים:

ניתוח ערימה של ערימה עבור Assemblies
תהליכי ניהול
תחזית הריבית
אופטימיזציה של אסטרטגיות בדיקה
ניתוח 6 Sigma ושיפור יוזמות

הנדסה וניהול תכנון

שיטות מונטה קרלו משמשות רבות בהנדסת אמינות כדי מודלים כשלים במערכת, לוחות זמנים של תחזוקה אופטימיזציה, להעריך דרישות חלקי חילוף.מהנדסים יכולים לדמות את ההתנהגות של מערכות מורכבות עם רכיבים מרובים, כל אחד מהם יש התפלגות כשל משלו.

יישומים מרכזיים כוללים:

תחזית אמינות מערכת לסדרת ותצורה מקבילים
תזמון תחזוקה מונע
חלקי ספאר מלאי אופטימיזציה
עלויות המלחמה estimation
ניתוח עלויות מחזור החיים

הערכת סיכונים סביבתיים ובטיחות

שיטות מונטה קרלו משמשות בעיקר בשלושה כיתות בעיות נפרדות: אופטימיזציה, שילוב מספרי, ודור לא חד-מיניפור אקראי פנוי, זמין עבור מודלים עם אי-ודאות משמעותית קלט, למשל הערכות סיכון עבור תחנות כוח גרעיניות.מהנדסים סביבתיים משתמשים בסימולציות מונטה קרלו כדי להעריך סיכונים מחשיפה מזיהום contaminant, להעריך אסטרטגיות נית, ולנבא השפעות סביבתיות.

יישומים כוללים:

תחבורה ריכוזית מדגימה במימים
מודל הפיזור האיכותי של Air Qualityפיזור
הערכת הסיכון לבריאות האדם מחשיפה כימית
ניתוח בטיחות גרעיני
אסון טבע משפיע על הערכת

Best Practices for Monte קרלו סימלציה בהנדסה

קביעת מספר הסימולציות של

אחת השאלות הנפוצות ביותר היא: "כמה סימולציות אני צריך?", התשובה תלויה הדיוק הנדרש ואת רמות ההסתברות של עניין.ניתוח ההתכנסות מגלה מאפיין חשוב של סימולציה מונטה קרלו: הערכות נקודה נוטות לייצב במהירות יחסית, תוך השגת דיוק סטטיסטי גבוה דורשות דיוק משמעותי יותר התנגשויות.זה מדגים מדוע הפעלת 20,000 הטורים המלאים היה מתאים - זה מבטיח התכנסות אמינה ומדהימהירה.

הנחיות כלליות:

עבור הערכות גסות: 1,000 - 10,000 סימולציות
ניתוח הנדסי סטנדרטי: 10,000 - 100,000 סימולציות
עבור ניתוח אירועים גבוה או אירוע נדיר: 100,000 - 1 000 + סימולציות
עבור estimating קיצוניות (P99, P99.9): עלייה בגודל המדגם באופן יחסי

אתה יכול להעריך התכנסות על ידי מעקב אחר האופן שבו הנתונים הסטטיסטיים המרכזיים משתנים ככל שאתה מגדיל את מספר הסימולציות:

(ב) ויקרא י"ד): "בְּבְּבְהִיתִיתִיא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא הוּא

(ב) [[1924]]]]]] [[1924]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]

(ב) [[1924]]]]]] [[1924]]]]]] [[1924]]]]]]]] [[1924]]]]]]]] [[1924]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]

בחירת התפלגות יעילות

בחירת התפלגות ההסתברות הנכונה עבור כל פרמטר לא ברור היא קריטית לתוצאות מדויקות.ההפצה צריכה לשקף את אי הוודאות האמיתית בפרמטר המבוסס על נתונים או שיפוט מומחה זמין.

הנחיות לבחירת הפצה:

(ב) התפלגות מדרגה ראשונה: 0 ;0) ,(Normal DistributionFLT:1: השתמש כאשר מסד נתונים מתקבץ סימטרי סביב משמעות ללא גבולות קשים (שגיאות חישוביות, ממדים בייצור)
(FLT:0) הפצה נורמלית של תפוצה: שימוש בכמויות חיוביות שהן מועדות כראוי (זמני חירום, הכנסה, גודל חלקיקים)
(הופנה מהדף ההרחבה של ההרחבה:0) ,(Uniformation DistributionFLT:1: השימוש בכל הערכים בטווח סבירות שווה (חוסר מידע בגבולות ידועים)
(ב) התפלגות תפוצה של טאראנגולרית (Triangular DistributionFLT:1: השתמש כאשר יש לך מינימום, סביר להניח, והערכות מקסימליות (תרחישים שיפוטיים ⁇ )
(FLT:0) חלוקת אחריות (Exponential DistributionFLT:1: השתמש בזמן בין אירועים עצמאיים (זמן לכישלון עבור שיעור סיכונים קבוע)
(FLT:0) הפצת תפוצה של Weibullrea DistributionFLT:1: שימוש בזמני כשל עם שינוי שיעורי סיכון (ניתוח אחריות)
(ב) ,0) התפלגות בטא: שימוש בפרופורציות או באחוזים הקשורים בין 0 ל-1

אימות מודל הסימולציה שלך

לפני שהסתמכות על תוצאות סימולציה לקבלת החלטות, לאמת את המודל שלך:

(ב) ,0) בדיקות ציניות: בדוק את התוצאות נופלות בטווחים סבירים מבחינה גופנית
(ב) ,0) ,העברת מקרים קיצוניים שבהם התוצאות ידועות
(FLT:0)Comparison withalytic SolutionsFLT:1: כאשר זמין, השוו את תוצאות מונטה קרלו עם פתרונות סגורים
(FLT:0Sרגישות ניתוח FLT:1): ודא כי שינוי הפרמטרים משפיע על הפלט בדרכים הצפויות
(ב) [ה]: [ה], [ה], [ה], [ה], [ה], [ה],] [ה], [ה], [ה],]] [ה], [ה],] יש לעמיתים לבחון את הנחות המודל שלך ואת יישום המימוש שלך.

מסמכים והגבלות

תיעוד מקיף הוא חיוני לניתוחי מונטה קרלו.

מקור ורציונלי לכל התפלגות הסתברות
התכתבות בין משתנים לבין הצדקה שלהם
כל הנחות מפשטות
מגבלות המודל
רגישות לתוצאות להנחה מרכזית
זרע אקראי המשמש לשיפור

שיתוף תוצאות ל-Stakemakers

תקשורת יעילה של תוצאות מונטה קרלו דורשת תרגם מידע פרוביביליסטי לתובנות ניתנות להפעלה:

השתמש בעזרה חזותית (היסטרמות, CDFs, דיאגרמות קרורדו) כדי להפוך את התוצאות לנגישות
אחוזות מפתח נוכחיות (P10, P50, P90) ולא רק ערכים
תוצאות בסיסיות מבחינת שאלות רלוונטיות
הסבר על טווחי אי הוודאות וההשלכות שלהם
להימנע מבעלי עניין בולטים עם פרטים טכניים מופרזים
לספק המלצות ברורות המבוססות על הניתוח

מלכודות נפוצות וכיצד להימנע מהם

התעלמות מהשחיתות

בהנחה עצמאות כאשר משתנים למעשה מתואמות יכולים להמעיט באופן משמעותי בסיכון.תמיד לשקול אם פרמטרים לא בטוחים עשויים להיות קשורים ומודלים מתאםים במפורש כאשר הם קיימים.

שימוש ב-Inappropriate Distributions

העברת נתונים להתפלגות נורמלית כאשר היא למעשה מחוסמת או כבולה יכולה להוביל לתוצאות לא מציאותיות. קח זמן להבין את האופי של כל פרמטר לא ברור ולבחור תפוצה בהתאם.

גודל הדגימה

הפעלת סימולציות מעטות מדי מייצרת תוצאות לא יציבות, במיוחד עבור אחוזים קיצוניים.תמיד לבדוק התכנסות ולהשתמש בגדלים מדגם נאותים לדרישות הדיוק שלך.

מודל ללא ספק

סימולציות מונטה קרלו לכימות אי ודאות פרמטר אבל לא מהוות מודל לאי ודאות - האפשרות שהמודל המתמטי שלך עצמו אינו נכון או לא שלם.הכרה במגבלה זו ולבחון מספר פורמולות מודל כאשר מתאים.

חוסר יכולת

רמת ביטחון של 90% אינה אומרת שיש סיכוי של 90% שהערך האמיתי נמצא בטווח הקצר – כלומר אם תחזור על הניתוח פעמים רבות, 90% מהרווחים המחושבים מכילים את הערך האמיתי.

אופטימיזציה של ביצועים עבור גדול-Scale Simulations

כאשר מנהלים מיליוני סימולציות, יעילות חישובית הופכת חשובה.ה דגימה זו היא הפצה ספציפית ונכתבת כדי לעשות שימוש במהירות של C, קוד פיתון אופטימלי ואת נהלי הדגימה היעילים ביותר.כאן אסטרטגיות לשיפור הביצועים:

וקטוריזציה

תמיד להשתמש בפעולות הווקטורנטיות של NumPy ולא לולאות פייתון:

(ב) [17] (ב) ויקרא י"ד): "[ה]: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(ב) [[1924]]]]]] [[1924]]]]]] [[1924]]]]]]]] [[1924]]]]]]]]]] [[1924]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]] [[1924]]]]]]]]]]]]]]]]]]]]]]]]

פעולות מאוישות הן בדרך כלל 10-100 פעמים מהר יותר מאשר לולאות שוות ערך.

שימוש ב-Nupy's Broadcasting

כללי השידור של NumPy מאפשרים פעולות יעילות על מערך של צורות שונות ללא לולאות מפורשות:

(ב) [ה]] [ה]] [ה]] [ה]] [ה]] [ה]][ה]]][ה]]][ה]]][ה]]]][ב]]][ה]][ה]][ה]]][ה[דרושה] [ה]] [ה[ה]]]] [ה[ה[[ה[[ה[[המאה ה-20]]]]]]]]]], ב[[ה[[ה[[המאה ה[[המאה ה-20]],]],]],]],]],]],]],]],]],]],]],]],]],]],]],]],]], [[1924]],]],]],]],]], [[1924]], [[ה[[1924]],]], [[1924]],]],]],]],]], [[ה[[1924]], [[ה[[1924]],]],]],]], [[1924]], [[ה[[1924]], [[ה[[1924]], [[ה[[1924]]]], [[1924]]]]]]]]]]]]]]]]]]]]]]]]]]

עיבוד מקבילים

עבור סימולציות אינטנסיביות חישוביות, לשקול עיבוד מקבילים:

(ב) ויקרא י"ד:2 ויקרא יט): "בְּהַבְהִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִיתִי" (בראשית כ"ד, כ"ד)

(ב) [17] ויקרא ויקרא יט): ויקרא ויקרא ויקרא יט: ויקרא יט: ויקרא יט): ויקרא ויקרא ויקרא ויקרא ויקרא:5 ויקרא יט: ויקרא יט"ד ויקרא ויקרא יט"ד ויקרא ויקרא יט"ד ויקרא ויקרא יט"ד' ויקרא ויקרא יט, יט ויקרא ויקרא יט יט יט יט"ד"ד"ד יט"ד"ד יט יט יט ויקרא ויקרא ויקרא יט ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא יט"ד ויקרא ויקרא יט יט"ד' יט"ד' יט"ד' ויקרא ויקרא ויקרא ויקרא יט יט"ד ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא ויקרא יט"ד': יט"ד' (בראשית י"ד

קבלת תוצאות מונטה קרלו להחלטות

הערך האולטימטיבי של סימולציה מונטה קרלו הוא כיצד הוא מודיע החלטות.שיטה זו מאפשרת לך להעריך באופן כמותי את ההשפעה של הסיכון, ומאפשר תחזית מדויקת יותר ובסופו של דבר, קבלת החלטות טובה יותר תחת אי ודאות.

החלטות מבוססות סיכון קריטריה

השתמש בתוצאות סימולציה כדי לקבוע קריטריונים של החלטות:

(ב) ,0) ערך מוסף: בחרו באפשרות עם התוצאה הטובה ביותר
(ב) תוצאות משקל (ב) תוצאות משקל על ידי ההסתברות וההשלכות שלהם
(ב) ⁇ :0) , ⁇ ⁇ : קבלו החלטות בהתבסס על P90 או על הערכות שמרניות אחרות
(ב) ,0) ,הסיכוי לתוצאות שליליות נשאר מתחת לרמות מקובלות.

ערך ניתוח מידע

סימולציות מונטה קרלו יכולות לעזור לקבוע אם איסוף מידע נוסף הוא ראוי.על ידי השוואת הערך הצפוי של החלטות עם וללא מידע מושלם על פרמטרים לא בטוחים, אתה יכול לכמת את הערך של צמצום אי הוודאות באמצעות בדיקות, סקרים או מחקר.

אופטימיזציה תחת Unquity

שילוב סימולציה מונטה קרלו עם אלגוריתמים אופטימיזציה כדי למצוא פתרונות חזקים המבצעים היטב על פני מגוון של תרחישים לא בטוחים.גישה זו היא בעלת ערך במיוחד עבור אופטימיזציה עיצוב ובעיות הקצאת משאבים.

משאבים ולמידה נוספת

כדי להעמיק את ההבנה של שיטות מונטה קרלו בהערכה של סיכון הנדסי, לשקול לחקור את המשאבים האלה:

(ב) [ה]התיעוד] של ה-[[1790]]: ה-[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]]]]]]
(ב) [15] , [15] , תלמוד בכתובות הסתברות ותפקודים סטטיסטיים ב-FLT:2https: Docscipy.org/doc/scipy/reference/references.html LT 3
(ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(ב) [ה]ה-[דרוש מקור]: [ה]: [ה]] [ה]]: [ה], [ה], [ה], [ה], [ה]]]], [ההההתמ"ל], [ה]"ה'[דרוש מקור]" (ה']"ב',"ה'.

מסקנה

סימולציה מונטה קרלו הפך כלי חיוני להערכת סיכונים הנדסיים, מתן מסגרת קפדנית של אי הוודאות הקוונטית ותמיכה בקבלת החלטות המונעת על ידי נתונים.הם יכולים לספק פתרונות דומים לבעיות מורכבות מדי לניתוח מתמטי.על ידי מינוף ספריות נופי פייתון ו-SysPy, מהנדסים יכולים ליישם ביעילות ניתוחים מתוחכמים מונטה קרלו כי היו לא מעשיים רק לפני כמה עשורים.

המפתח לסימולציה מוצלחת של מונטה קרלו הוא ניסוח מודל זהיר, בחירת הפצה מתאימה, גודל מדגם הולם ותקשורת ברורה של תוצאות.זה נובע מהעובדה כי השיטה יכולה לנהל משתנים רבים לייצר תוצאות פרוביביליסטיות, מה שהופך אותו שימושי במיוחד בקבלת החלטות בפרויקטים מורכבים לבניית גשר עבור המהנדסים ומנהל הפרויקט כדי להתאים את העיצובים ולבצע אסטרטגיות הקטנת סיכונים יעילות.

ככל שהכוח החישובי ממשיך להגדיל את כלי התוכנה להיות מתוחכמים יותר, שיטות מונטה קרלו ישחקו תפקיד גדול עוד יותר בפרקטיקה הנדסית.מהנדסים שמפקחים על טכניקות אלה יהיו מצוידים טוב יותר בתכנון מבנים בטוחים יותר, לנהל פרויקטים מורכבים, מערכות אופטימיזציה ולקבל החלטות מושכלות בפני אי הוודאות.

בין אם אתה מעריך את האמינות המבנית, הערכת עלויות הפרויקט, ניתוח איכות הייצור, או הערכה של סיכונים סביבתיים, השילוב של NumPy ו-Sy מספק פלטפורמה חזקה, גמישה ויעילה עבור סימולציה מונטה קרלו. על ידי ביצוע התרגילים הטובים ביותר המפורטים במדריך זה ושיקום מתמיד מיומנויות המודל שלך, אתה יכול לרתום את מלוא הפוטנציאל של שיטות מונטה קרלו כדי לשפר את הערכת הסיכון הנדסי ולהוביל תוצאות טובות יותר בפרויקטים שלך.