Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Analiza niepewności w inżynierii
Tok studiów:
2019/2020
Kod:
ZSDA-3-0083-s
Wydział:
Szkoła Doktorska AGH
Poziom studiów:
Studia III stopnia
Specjalność:
-
Kierunek:
Szkoła Doktorska AGH
Semestr:
0
Profil:
Ogólnoakademicki (A)
Język wykładowy:
Angielski
Prowadzący moduł:
dr hab. inż. Gallina Alberto (agallina@agh.edu.pl)
Dyscypliny:
Moduł multidyscyplinarny
Treści programowe zapewniające uzyskanie efektów uczenia się dla modułu zajęć

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.

Opis efektów uczenia się dla modułu zajęć
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Powiązania z KEU Sposób weryfikacji i oceny efektów uczenia się osiągniętych przez studenta w ramach poszczególnych form zajęć i dla całego modułu zajęć
Wiedza: zna i rozumie
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. SDA3A_W03, SDA3A_W02 Kolokwium,
Projekt,
Prezentacja,
Wykonanie ćwiczeń laboratoryjnych,
Wykonanie projektu,
Zaliczenie laboratorium
Umiejętności: potrafi
M_U001 Improving software programming skills and ability to integrate different simulation environments SDA3A_U06, SDA3A_U02 Wykonanie ćwiczeń laboratoryjnych,
Wykonanie ćwiczeń,
Wykonanie projektu
M_U002 Student is able to present his own work and justify his/her choices made in the execution of the work. SDA3A_U02 Prezentacja
Kompetencje społeczne: jest gotów do
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 SDA3A_K01 Wykonanie ćwiczeń laboratoryjnych
Liczba godzin zajęć w ramach poszczególnych form zajęć:
SUMA (godz.)
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
45 15 0 15 15 0 0 0 0 0 0 0
Matryca kierunkowych efektów uczenia się w odniesieniu do form zajęć i sposobu zaliczenia, które pozwalają na ich uzyskanie
Kod MEU Student, który zaliczył moduł zajęć zna i rozumie/potrafi/jest gotów do Forma zajęć dydaktycznych
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
Wiedza
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. + - - - - - - - - - -
Umiejętności
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. - - - + - - - - - - -
Kompetencje społeczne
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 - - + + - - - - - - -
Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 136 godz
Punkty ECTS za moduł 5 ECTS
Udział w zajęciach dydaktycznych/praktyka 45 godz
Przygotowanie do zajęć 30 godz
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 40 godz
Samodzielne studiowanie tematyki zajęć 15 godz
Egzamin lub kolokwium zaliczeniowe 1 godz
Dodatkowe godziny kontaktowe 5 godz
Szczegółowe treści kształcenia w ramach poszczególnych form zajęć (szczegółowy program wykładów i pozostałych zajęć)
Wykład (15h):
  1. Introduction

    • General concepts/definitions
    • Design and Modelling process
    • Uncertainty classification
    • Uncertainty descriptors
    • Uncertainty analyses

  2. Optimization

    • Local methods (Newton / Quasi Newton / Newton-Gauss / Neadler Mead / Pattern search)
    • Global methods (Simulating Annealing / Genetic Algorithm / Differential Evolution)

  3. Regression models

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

  4. Sensitivity analysis

    • Regression analysis
    • Morris method
    • Sobol method
    • Variance based methods
    • Other methods

  5. Reliability analysis

    • First order reliability method
    • Important sampling
    • Monte Carlo method

  6. Propagation of uncertainty

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

Ćwiczenia laboratoryjne (15h):
  1. Fundamentals of calculus of probability

    • Basic concepts
    • Discrete and continuous random variables
    • Fundamental properties
    • Conditional properties
    • Important distributions
    • Maximum likelihood estimator
    • Law of large numbers
    • Central limit theorem


    • Creation of MATALB scripts for testing properties of random theory
    • Creation of MATLAB scripts implementing learned methods

Ćwiczenia projektowe (15h):
  1. Development of the project

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

  2. Introduction to Dakota software

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

Pozostałe informacje
Metody i techniki kształcenia:
  • Wykład: Nie określono
  • Ćwiczenia laboratoryjne: Nie określono
  • Ćwiczenia projektowe: Nie określono
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

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

Zasady udziału w zajęciach:
  • Wykład:
    – Obecność obowiązkowa: Nie
    – Zasady udziału w zajęciach: Nie określono
  • Ćwiczenia laboratoryjne:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
  • Ćwiczenia projektowe:
    – Obecność obowiązkowa: Tak
    – Zasady udziału w zajęciach: Nie określono
Sposób obliczania oceny końcowej:

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:

Notes and presentations of the material presented in the lesson will be provided

Wymagania wstępne i dodatkowe, z uwzględnieniem sekwencyjności modułów :
  • Fundamentals of MATLAB
Zalecana literatura i pomoce naukowe:

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.
Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

Nie podano dodatkowych publikacji

Informacje dodatkowe:

Brak