Module also offered within study programmes:
General information:
Name:
Uncertainty analysis in engineering
Course of study:
2019/2020
Code:
RIME-2-221-WM-s
Faculty of:
Mechanical Engineering and Robotics
Study level:
Second-cycle studies
Specialty:
Wytwarzanie mechatroniczne
Field of study:
Mechatronic Engineering
Semester:
2
Profile of education:
Academic (A)
Lecture language:
English
Form and type of study:
Full-time studies
Responsible teacher:
dr hab. inż. Gallina Alberto (agallina@agh.edu.pl)
Module summary

The course gives students insight into the problem of uncertainty explaining what tools can be adopted to work in a condition of limited knowledge by theoretical and practical work.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence: is able to
M_K001 Awareness of the responsibility for own work and readiness to comply with the rules of team work and accepting responsibility for tasks performed collectively IME2A_U02, IME2A_K02 Execution of laboratory classes,
Involvement in teamwork
Skills: he can
M_U001 Improving software programming skills and ability to integrate different simulation environments IME2A_U14, IME2A_U10, IME2A_U07, IME2A_U05, IME2A_U11 Execution of laboratory classes
M_U002 Student is able to present his own work and justify his/her choices made in the execution of the work. IME2A_U03, IME2A_U05, IME2A_U04 Presentation
Knowledge: he knows and understands
M_W001 Awareness of the importance of uncertainty analysis in engineering problems. Understanding of the most common non-deterministic methods and optimization methods used in engineering. IME2A_W07, IME2A_W03, IME2A_W04 Completion of laboratory classes,
Execution of a project,
Execution of laboratory classes
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
45 15 0 15 15 0 0 0 0 0 0 0
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Social competence
M_K001 Awareness of the responsibility for own work and readiness to comply with the rules of team work and accepting responsibility for tasks performed collectively - - + + - - - - - - -
Skills
M_U001 Improving software programming skills and ability to integrate different simulation environments - - + - - - - - - - -
M_U002 Student is able to present his own work and justify his/her choices made in the execution of the work. - - - + - - - - - - -
Knowledge
M_W001 Awareness of the importance of uncertainty analysis in engineering problems. Understanding of the most common non-deterministic methods and optimization methods used in engineering. + - - - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 135 h
Module ECTS credits 5 ECTS
Udział w zajęciach dydaktycznych/praktyka 45 h
Preparation for classes 30 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 55 h
Contact hours 5 h
Module content
Lectures (15h):
  1. Overview of uncertainty descriptors

    • Random variables. fuzzy numbers, interval analysis
    • Uncertainty analyses: uncertainty quantification, sensitivity analysis, reliability analysis, robustness analysis

  2. Sensitivity analysis

    • Regression analysis
    • Morris’ method
    • Sobol method
    • Other methods

  3. Optimization

    • Local methods
    • Global methods

  4. Regression models

    • Linear regression
    • Bayesian linear regression
    • Gaussian process linear regression
    • Neural Networks

  5. Reliability analysis

    • First order reliability method
    • Important sampling

  6. Propagation of uncertainty

    • Analytical method
    • First Order Second Moment
    • Monte Carlo method
    • Sampling strategies

Project classes (15h):
Development of the project

  • Selection of the model and analysis
  • Implementation in DAKOTA or MATLAB
  • Presentation of results

Laboratory classes (15h):
  1. Calculus of probability

    • Basic concepts
    • Discrete and continuous random variables
    • Fundamental properties
    • Conditional properties
    • Important distributions
    • Maximum likelihood estimator

  2. MATLAB labs

    • Description of specific MATLAB commands and toolboxes
    • Creation of scripts for uncertainty propagation

  3. Introduction of Dakota software

    • Fundamentals of Dakota
    • Getting started
    • Interfacing with external softwares

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Project classes: Studenci wykonują zadany projekt samodzielnie, bez większej ingerencji prowadzącego. Ma to wykształcić poczucie odpowiedzialności za pracę w grupie oraz odpowiedzialności za podejmowane decyzje.
  • Laboratory classes: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Project classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują prace praktyczne mające na celu uzyskanie kompetencji zakładanych przez syllabus. Ocenie podlega sposób wykonania projektu oraz efekt końcowy.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Method of calculating the final grade:

At the mid of the course a short test on “Calculus of Probability” will be held.
This gives 30% of the final grade.

The 60% of the final grade is given by the group’s project. In the assessment of the project the following aspects will be considered:

  • Participation to the project
  • Presentation of the project
  • Additional questions given at the project’s presentation

The remaining 10% of the final grade is provided by the student’s attendance.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Prerequisites and additional requirements:
  • Fundamentals of MATLAB
Recommended literature and teaching resources:

Basic:

  • Notes provided by the lecturer:
    Additional:
  • Grinstead, Introduction to probability
  • Meyers and Montgomery, Applied statistics and probability for engineers
  • Bishop, Pattern recognition and machine learning.
Scientific publications of module course instructors related to the topic of the module:

Additional scientific publications not specified

Additional information:

Subject web-site : http://home.agh.edu.pl/~agallina/?UNCERTAINTY_ANALYSIS_IN_ENGINEERING_%28UA%29