net/publication/321183417
CITATIONS READS
0 559
1 author:
Priyo Suprobo
Institut Teknologi Sepuluh Nopember
72 PUBLICATIONS 142 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
THE STUDY OF COLD-FORMED STEEL TRUSS CONNECTIONS CAPACITY: BOLT CONNECTION AND ADHESIVE CONNECTION View project
All content following this page was uploaded by Priyo Suprobo on 21 November 2017.
Priyo Suprobo
Jurusan Teknik Sipil FTSP-ITS
Iman Wimbadi
Jurusan Teknik Sipil FTSP-ITS
itspress
© 2017
ANALISA RESIKO DAN KEANDALAN
ISBN 978-602-0917-87-0
Anggota IKAPI
&HWDN(GLVL7DKXQ
&HWDN(GLVL7DKXQ
iii
Bab 8.APENDIKS CONTOH SOAL ........................................................................................... 61
8.1 UNCORRELATED NORMAL (Soal 6.7 Ang & Tang Vol.2) ..................................... 62
8.1.1 Deskripsi Soal .......................................................................................................... 62
8.1.2 Flowchart Cara Eksak (Ang-Tang vol.2)................................................................... 64
8.1.3 Penyelesaian (Mathcad) Cara Eksak (Ang-Tang vol.2) ............................................ 65
8.1.4 Penyelesaian (MATLAB) Cara Eksak (Ang-Tang vol.2) ............................................ 67
8.1.5 Flowchart Cara Matrik ............................................................................................ 72
8.1.6 Penyelesaian (Mathcad) Cara Matriks (Nowak) ..................................................... 74
8.1.7 Penyelesaian (MATLAB) Cara Matriks (Nowak) ...................................................... 76
8.2 UNCORRELATED NON-NORMAL.Contoh Soal 6.8 Ang & Tang Vol.2 ................. 79
8.2.1 Deskripsi Soal .......................................................................................................... 79
8.2.2 Flowchart Cara Eksak (Ang-Tang vol.2)................................................................... 81
8.2.3 Penyelesain (Mathcad) Cara Eksak (Ang-Tang vol.2).............................................. 83
8.2.4 Penyelesain (MATLAB) Cara Eksak (Ang-Tang vol.2) .............................................. 87
8.2.5 Flowchart Cara Matriks (Nowak) ............................................................................ 92
8.2.6 Penyelesaian (Mathcad) Cara Matriks (Nowak) ..................................................... 94
8.2.7 Penyelesaian (MATLAB) Cara Matriks (Nowak) ...................................................... 99
8.3 CORRELATED NORMAL, Contoh Soal 6.9 Ang & Tang Vol.2 .............................. 103
8.3.1 Deskripsi Soal ........................................................................................................ 103
8.3.2 Flowchart Cara Eksak (Ang-Tang vol.2)................................................................. 104
8.3.3 Penyelesaian (Mathcad) Cara Eksak (Ang-Tang vol.2) .......................................... 107
Example 6.9 buku Ang & Tang Vol.2 Conrrelated Normals ........................................ 107
Input parameter .................................................................................................................. 107
8.3.4 Penyelesaian (MATLAB) Cara Eksak (Ang-Tang vol.2) .......................................... 112
8.3.5 Flowchart Cara Matriks (Nowak) .......................................................................... 117
8.3.6 Penyelesaian (Mathcad) Cara Matriks (Nowak) ................................................... 119
8.3.7 Penyelesaian (MATLAB) Cara Matriks (Nowak) .................................................... 122
8.4 CORRELATED NON-NORMAL, Contoh Soal.6.10 Ang & Tang Vol.2 .................. 125
8.4.1 Deskripsi Soal ........................................................................................................ 125
iv
8.4.2 Flowchart Cara Eksak (Ang-Tang vol.2)................................................................. 126
8.5 Penyelesaian (Mathcad) Cara Eksak (Ang-Tang vol.2) ............................................... 129
8.5.1 Penyelesaian (MATLAB) Cara Eksak (Ang-Tang vol.2) .......................................... 137
8.5.2 Flowchart Cara Matriks (Nowak) .......................................................................... 143
8.5.3 Penyelesaian (Mathcad) Cara Matriks (Nowak) ................................................... 145
8.5.4 Penyelesaian (MATLAB) Cara Matriks (Nowak) .................................................... 150
8.6 SIMULASI MONTE CARLO, Contoh Soal 6.7 Ang & Tang Vol.2 .......................... 154
8.6.1 Simulasi Monte Carlo untuk Contoh Soal 6.7 ...................................................... 154
DISKUSI DAN KESIMPULAN ................................................................................................ 160
DAFTAR REFERENSI .............................................................................................................. 161
v
Daftar Gambar
Gambar 1.Kepadatan Probabilitas untuk Batasan Distribusi ........................................................................................7
Gambar 2.Balok diatas dua tumpuan dengan P terpusat .............................................................................................8
Gambar 3.Nilai Nominal Kapasitas dan Beban X dan Y ...............................................................................................11
Gambar 4.Probability Density Function (PDF) dari Kapasitas X dan Beban Y ..............................................................12
Gambar 5.CDF dan PDF berhubungan dengan Faktore Keamanan Z=X/Y ..................................................................13
Gambar 6.Teg.Kayu dan Ilustrasi Beban:PDF(a) dan CDF(b) berdistribusi Log Independen X dan Y ...........................15
Gambar 7.Batasan dari Kapasitas X dan beban Y .......................................................................................................16
Gambar 8.PDF dari Safety Margin S ............................................................................................................................19
Gambar 9.Teg.Kayu dan Ilustrasi : PDF(a) dan CDF(b) utk Safety Margin Normal Distr. X dan Y ...............................21
Gambar 10.Hubungan antara Beta Index dan Resiko .................................................................................................26
Gambar 11.(a) Vx/Vy=1,(b)Vx/Vy=2 dan (c)Vx/Vy=1/2 ...............................................................................................28
Gambar 12.Korelasi Koef. antara Kapasitas X dan Beban Y ........................................................................................31
Gambar 13.SDFS dari Kapasitas X dan Permintaan Y Ilustrasi Termal Sungai ............................................................32
Gambar 14.Failure State,Safe State and Limit State (Original) ...................................................................................37
Gambar 15.Failure State , Safe State dan Limit State (Normalized) ............................................................................38
Gambar 16.Non Linier Failure State ............................................................................................................................39
Gambar 17.Sket dari Dinding Vertikal dari Breakwater ..............................................................................................47
Gambar 18.Beam analogy dengan Point Estimate ......................................................................................................57
Gambar 19.Perbandingan Point Estimate dan simulasi dg koefisien variasi dari bearing kap faktor Y dari tnh .......58
Daftar Tabel
Tabel 1.Resiko Evaluasi utk Polusi Termal sungai dg Distr. Eksponensial (atas) .........................................................34
Tabel 2.Resiko Evaluasi utk Polusi Termal Sungai dg Distribusi Gamma .....................................................................35
Tabel 3.Evaluasi Keandalan dari Low-Head Run River Small Gydropower Plant .........................................................44
Tabel 4.Evaluasi Dari Sliding Resiko dari Dinding Vertikal Breakwater Pelabuhan .....................................................50
vi
PENGANTAR
Buku Edisi ke dua ini dibuat sehubungan edisi ke satu telah habis , juga ada sedikit
perbaikan redaksional dan cover . Buku ini bertujuan untuk membantu perkuliahan mahasiswa S-
2 Teknik Sipil ITS Jurusan Stuktur khususnya. Penulisan Buku diambilkan dari 2 (dua) Buku
Referensi [1] dan [2], Dari Referensi buku pertama [1] hanya diambilkan dari Bab 3 dan satu
contoh soal. Sedangkan dari Referensi buku kedua [2] diambilkan dari Bab 9 dimana dalam
pembahasannya ada 17 contoh soal tentang Rekayasa Sipil dan Lingkungan. Untuk itu kami
berterima kasih kepada mahasiswa yang mengikuti kelas pascasarjana (S2) tahun 2011 antara
lain, Sdr. Yudit Priambodo, Sdr. A Somad dan Sdr. Daniel Asmuruf yang telah membantu
dalam pembuatan diktat kuliah ini. Bahan berikutnya diambil dari kumpulan soal latihan yang
telah dilakukan mahasiswa Pasca Sarjana tahun sebelumnya. Contoh soal yang diambil dari buku
referensi yang digunakan ada beberapa soal yang sama , dilakukan dengan cara penyelesaian
yang berbeda. Juga dilakukan perhitungan simulasi contoh soal untuk menghitung keandalan
struktur. Secara khusus, mengucapkan terima kasih pada Sdr. Pamuda Suryadi yang mengikuti
Program S-3 Pasca Sarjana, pada tahun 2011 merangkum latihan-latihan soal yang pernah
dilakukan di S-2 sehingga melengkapi pembahasan dalam diktat ini dalam Apendiks.
Kritik dan saran yang membangun demi kesempurnaan buku diktat ini sangat kami nantikan.
Penyusun
1
Halaman ini sengaja dikosongkan.
2
Bab
Dalam penilaian keamanan sistem rekayasa sipil dan lingkungan, seseorang harus
mengevaluasi kemampuan sistem struktur yang dirancang untuk merespon kebutuhan proyek
atau untuk memenuhi tuntutan pengguna bangunan. Sistem struktur dapat gagal dalam
menjalankan fungsinya karena satu atau lebih alasan, seperti bahaya dan terjadinya kinerja yang
lebih rendah dari yang diperkirakan. Kegagalan bisa terjadi akibat terjadinya peristiwa runtuhnya
struktur utama. Sebagai contoh, Kerusakan bendungan dapat disebabkan oleh bencana banjir
yang bebannya melebihi dari nilai desain , atau memlibihi kemampuan atau Tahahan Bendungan,
yang menyebabkan bangunan failure (mengalami kegagalan). Meskipun untuk menjamin kinerja
sistem struktur dan keamanan bangunan terutama tugas insinyur, tingkat kecukupan yang
diterima atau risiko perlu diperhatikan dalam hal segi ekonomi dan kendala sosial. Oleh karena
itu, perencanaan dan desain rekayasa sistem mengharuskan biaya dan keuntungan analisa
dilakukan secara akurat dalam rangka untuk mencapai penilaian kinerja sistem dan keamanan.
Isu-isu sosial juga memainkan peran penting dalam analisa sistem rekayasa sipil dan lingkungan,
karena sistem ini lakan langsung berakibat pada masyarakat. Bukan tugas yang mudah untuk
mendefinisikan ketidak kemampuan sistem struktur untuk melakukan evaluasi yang memadai,
sehingga menyebabkan kegagalan. Misalnya dalam kasus bendungan dimana kegagalan bisa
terjadi. Contoh lain, jika bandara mengalami sesekali kemacetan lalu lintas, maka akan mampu
memuaskan setelah kondisi operasional yang menyebabkan kemacetan bisa diatasi, apalagi
bandara dapat mengalami kegagalan di masa depan. Dalam sebuah pabrik pengolahan air limbah,
kegagalan dapat terjadi secara bertahap. Semua keputusan ini melibatkan beberapa
ketidakpastian tambahan dalam definisi kinerja sistem dan keamanan, serta penilaian dari
pembuat keputusan, yang harus menyeimbangkan manfaat terhadap biaya.
Untuk menganalisis risiko kegagalan sistem, salah satu harus secara jelas mengidentifikasi
input ke sistem dan respon konsekuensinya. Dalam kasus bangunan, keamanan struktural
tergantung pada beban maksimum yang dapat dikenakan selama masa bangunan, dan juga pada
3
loadcarrying kapasitas, atau kekuatan, struktur atau komponennya. Karena prediksi beban
maksimum dan kekuatan sebenarnya dari struktur berdasarkan pada ketidakpastian, seseorang
tidak dapat menjamin keamanan mutlak, dan insinyur harus bergantung pada beberapa konsep
probabilistik menunjukkan kemungkinan bahwa kekuatan yang tersedia cukup akan menahan
maksimum beban selama masa bangunan. Dalam sistem pasokan air, kita harus membandingkan
permintaan air dari pengguna yang berbeda dengan sumber daya yang tersedia. Karena
permintaan mengalami fluktuasi, dan sumber daya air tunduk pada variabilitas alami,
probabilitas pasokan yang tersedia relatif terhadap permintaan memberikan kecukupan desain
sistem atau operasi. Keandalan didefinisikan hanya sebagai probabilitas keberhasilan di sebagian
besar terkait contoh yang diberikan sebelumnya.
Definisi yang lebih tepat dari keandalan adalah probabilistik penilaian kemungkinan bahwa
sistem akan melakukan cukup untuk jangka waktu tertentu waktu di bawah kondisi operasi yang
dikenal. Penerimaan dari tingkat keandalan tertentu harus dibahas dalam terang biaya ekonomi
dan sosial mungkin, dan manfaat. Resiko dan keandalan sistem didefinisikan sebagai probabilitas
kegagalan dan nonfailure atas masa yang ditentukan sistem.
Definisi : Risiko dan Keandalan. Risiko bahwa sistem tidak mampu memenuhi
permintaan didefinisikan sebagai probabilitas pf kegagalan selama masa yang ditentukan
berdasarkan sistem tertentu kondisi operasi. Keandalan sistem Struktur , dinotasikan dengan r,
adalah , r 1 p f .
Kemampuan sistem struktur untuk tampil di bawah persyaratan yang disyaratkan dapat
didefinisikan dengan menggunakan istilah yang berbeda, seperti kapasitas dan permintaan, beban
dan kekuatan, kekuatan dan ketahanan. Dalam bab ini, konsep dari X (beban) dan Y (kapasitas)
digunakan. Sebagai contoh, konsep ini dapat diterapkan untuk menggambarkan kapasitas
pendaratan dan penerbangan. Tingkat kedatangan untuk bandara, kapasitas daya dukung dari
medan dan beban yayasan, diijinkan dan dihitung menekankan, ukuran gorong-gorong dan
kedalaman aliran stormwater, kapasitas struktural dan beban gempa, kapasitas katup dan debit
banjir, dan diijinkan dan meramalkan biologi permintaan oksigen. Tujuan bab ini adalah untuk
menentukan ukuran keandalan dan untuk memeriksa berbagai jenis failure. Kita juga
mempelajari aspek ketidakpastian dari keandalan dari berbagai perspektif. Bagian terakhir adalah
dikhususkan untuk desain kehandalan.
4
Bab
5
ultimate, probabilitas yang lebih tinggi dari kejadian mungkin ditoleransi dalam batasan ini.
Namun, orang tidak dapat menggunakan struktur yang menghasilkan terlalu banyak lendutan,
getaran, dll
Umumnya, batasan menunjukkan margin keselamatan antara tahanan dan beban struktur.
Fungsi batasan, g(.), dan probabilitas kegagalan, Pf, dapat didefinisikan sebagai
݃ሺܺሻ ൌ ܴሺܺሻ െ ܵሺܺሻ (2.1)
ܲ ൌ ܲሾ݃ሺǤ ሻ ൏ Ͳሿ (2.2)
di mana R adalah tahanan dan S adalah beban sistem. Keduanya, R(.) dan S(.) adalah fungsi dari
variabel acak X. notasi g(.) < 0 menunjukkan wilayah kegagalan. Demikian juga, g(.) = 0 dan
g(.) > 0 menunjukkan masing-masing, kegagalan permukaan dan wilayah yang aman.
Mean dan deviasi standar dari batasan, g(.), dapat ditentukan dari definisi dasar mean dan
varians. Rata-rata dari g(.) adalah
ߤ ൌ ߤோ െ ߤௌ (2.3)
dimana, μR dan μS adalah masing-masing rata-rata dari R dan S. Dan standar deviasi dari g(.)
adalah
ߪ ൌ ඥߪோଶ ߪௌଶ െ ʹߩோௌ ߪோ ߪௌ (2.4)
dimana, ρRS adalah korelasi koefisien antara R dan S, dan σR dan σS masing-masing adalah
standar deviasi dari R dan S.
Indeks keselamatan atau indeks keandalan, β, didefinisikan sebagai
ఓ ఓೃ ିఓೄ
ߚൌ ൌ (2.5)
ఙ మ ାఙ మ ିଶఘ ఙ ఙ
ටఙೃ ೄ ೃೄ ೃ ೄ
jika tahanan dan beban adalah tidak berkorelasi (ρRS = 0), indeks keselamatan menjadi
ఓ ఓೃ ିఓೄ
ߚൌ ൌ (2.6)
ఙ మ ାఙ మ
ටఙೃ ೄ
Indeks keselamatan menunjukkan jarak rata-rata margin keselamatan dari g(.) = 0. Gambar
1 menunjukkan ilustrasi geometris dari indeks Keandalan dalam satu dimensional kasus. Ide di
balik indeks keselamatan adalah bahwa jarak dari ukuran lokasi μg ke permukaan batasan
memberikan suatu ukuran yang baik dari kehandalan. Jarak diukur dalam satuan skala
ketidakpastian parameter σg. Daerah yang diarsir pada Gambar 1 mengidentifikasi kemungkinan
kegagalan (resiko).
6
Gambar 1.Kepadatan Probabilitas untuk Batasan Distribusi
Untuk kasus khusus, tahanan, R, dan beban, S, diasumsikan secara distribusi normal dan
tidak berkorelasi. Fungsi batasan ini juga distribusi normal, karena g(.) adalah fungsi linier dari
R dan S. Jadi, fungsi kepadatan probabilitas dari fungsi batasan dalam hal ini adalah
ଶ
ଵ ଵ ିఓ
݂ ሺ݃ሻ ൌ ఙ ݁ ݔቈെ ଶ ൬ ൰ (2.7)
ξଶగ ఙ
ଵ ଵ
ܲ ൌ ିஶ ఙ ݁ ݔቂെ ଶ ߚ ଶ ቃ ݀݃
ξଶగ
ൌ ͳ െ Ȱሺߚሻ ൌ Ȱሺെߚሻ
dimana Φ(.) adalah fungsi distribusi kumulatif standar normal.
Untuk kasus multidimensi, generalisasi Persamaan 3.8 menjadi
ܲ ൌ ܲሾ݃ሺܺሻ Ͳሿ ൌ ǥ ݂ ሺݔଵ ǡ ǥ ǡ ݔ ሻ݀ݔଵ ǥ ݀ݔ (2.10)
dimana g(X) adalah fungsi batasan n-dimensi dan fX (x1, ..., xn) adalah menghubungkan
probabilitas fungsi kepadatan dari semua variabel acak yang relevan X.
Definisi lain yang terkenal dari analisis keandalan adalah faktor keamanan, F:
ோ
ܨൌ ௌ
(2.11)
7
kegagalan terjadi bila F = 1, dan jika diasumsikan faktor keselamatan secara normal
didistribusikan, indeks keselamatan diberikan oleh (45)
ఓಷ ିଵ
ߚൌ ఙಷ
(2.12)
Contoh 1
Gambar 2. dibawah menunjukkan perletakan sederhana
balok dibebani pada titik tengah dengan gaya terpusat P. Panjang balok adalah L, dan kapasitas
momen lentur pada setiap titik sepanjang balok adalah WT, dimana W adalah modulus plastis
penampang dan T adalah tegangan leleh. Semua keempat variabel acak P, L, W, dan T
diasumsikan independen yang distribusi normal. Nilai rata-rata P, L, W, dan T masing-masing
adalah 10 kN, 8 m, 100 x 10-6 m3, dan 600 x 103 kN/m2. Deviasi standar dari P, L, W, dan T
masing-masing adalah 2 kN, 0,1 m, 2 x 10-5 m3, dan 105 kN/m2. Fungsi batasan diberikan
sebagai.
݃ሺሼܲǡ ܮǡ ܹǡ ܶሽሻ ൌ ܹܶ െ ସ
Solusi untuk indeks keamanan, β, dan probabilitas kegagalan, Pf, untuk masalah ini.
Solusi:
Dari batasan yang diberikan,
ଵ
ߤ ൌ ߤௐ ߤ ் െ ߤ ߤ ൌ ͶͲ
ସ
ଵ ଶ
ߤଶ ൌ ቀߤௐ ߤ ் െ ߤ ߤ ቁ ൌ ͳͲͲ
ସ
ൌ ͳǤʹͷͲͳ
8
ଶ
ܧ ሾ݃ଶ ሿ ൌ ܧቀܹܶ െ ସ
ቁ ൨
ଶ ଶ ሻሺߪ ଶ ଶ ଵ ଶଵ ଶ ଶ ଶ
ൌ ሺߪௐ ߤௐ ் ߤ ் ሻ െ ଶ ߤௐ ߤ ் ߤ ߤ ଵ ሺߪ ߤ ሻሺߪ ߤ ሻ
R S
Flow capacity of a river bed Discharge of the river
Folw capacity of a sewage pipe Discharge of waste river
Bending resistance Existing bending moment
Permissible deflection of beam soil Stresses in soil due to external load
cohesion and shear strengthtraffic Intensity of traffic
capacity of a road junction
As a rule it is expected that the quantity on the left, the R variables, is at least as big as the
quantity on the right, the S variable, so that no failure ocours. In terms of the examples: the river
does not overflow its banks, the beam does not fail, the slope does not become unstable, the
traffic does not come to a standstill, there is no electrical power failure, etc. From the examples it
follows that such comparisons might consider a situation, or be a matter of time.
Cheking for structural safety, e.g.,traditionally follows deterministic patterns. In principle,
a defined value rd of the resistance of a structural component is derived from a number of
characteristics value. In a similar manner a defined value sd representing the actions affects is
derived from a number of characteristic value ofs of actions. In order to check for safety or
failure these two single values rd and sd are then compared.
The deterministic form of the safety condition reads:
rd > sd
Some times a conscientious engineer repeats such an analysis on order to test the
sensitivity of the result to variations of the input values. This is a step in the right directions, but
it is often cumbersome and does not result in a good overview.
9
In the probabilistic approach advocated here the quantities that influence the problem are
introduced as variables with their distribution types and their respective parameters. All load and
resistance factors are dispenced with. Their functions,however,is partially accounted for by so-
called model variables.
Using R and S as variables in the above sense, the normal or desired state can be
formulated as follows:
R>S
Or rearranged:
R-S>0
Failure accurs when:
R-S<0
In these expressions R and S are stochastic variables representing, in terms of structural
engineering, e.g.,the resistance of a section and the stress in this sections due to applied loads and
action,respectively.
10
Bab
Penilaian akan risiko dan keamanan sistem rekayasa sipil dan lingkungan secara tradisional
berdasarkan atas faktor keamanan yang diijinkan. Penilaian ini berdasarkan atas pengalaman
penilaian sebelumnya dari sistim struktur yang memiliki perilaku yang sama. Penilaian secara
konvensional dalam menentukan kemanan struktur dihitung berdasarkan atas ratio dari kapasitas
X* dibagai dengan Beban Y*, sebagai berikut:
x*
Z* (3.1)
y*
2
Sebagai contoh, jika tegangan yang diijinkan dalam balok kayu (X*) adalah 36 N / mm dan
2
stres desain (Y*) adalah 24 N / mm , seperti ditunjukkan pada Gambar 3, Faktor Keamanan
secara konvensional adalah 1,5.
11
Gambar 4.Probability Density Function (PDF) dari Kapasitas X dan Beban Y
Insinyur sebagai disainer jika dalam menentukan nilai faktor keamanan sebesar 1.5
dipandang sangat rendah, maka perlu melakukan disain ulang untuk meningkatkan factor
kemananan dengan cara meningkatkan kapasitas atau menurunkan Beban.
Pembebanan dari suatu sistim strtuktur diperoleh dari nilai Random dari beban-beban
antara lain beban angin, beban gempa akselerasi, aliran sungai, water table depth, permukaan air
laut, badai, suhu udara dan air dan beban polutan. Kapasitas nilainya tergantung pada
variabilitas karakteristik material, termasuk kekuatan bahan, konstruksi teknik, kesalahanan
pengujian, pengawasan inspeksi, dan kondisi lingkungan. Dalam mengevaluasi ketidakpastian
yang mempengaruhi baik pembebanan dan kapasitas, salah satu desain yang prototipe sistem
pada hipotesis model matematika berbasis fisik; ini memerlukan suatu penelitian yang cermat
dari rumus dan persamaan, dan asumsi mereka, yang digunakan untuk skala parameter model.
Untuk mengambil kasus ekstrim, seorang insinyur tidak seharusnya mengharapkan rumus
empiris yang sangat, yang dikembangkan pada saat pengetahuan tentang sistem agak langka,
untuk model dunia nyata dengan kehandalan mendekati 100%. Asumsi ini hanya dapat
dibenarkan setelah melakukan pengamatan berulang dari pertunjukan dari sejumlah besar
sistem serupa.
Karena nilai nominal baik kapasitas x* dan y* permintaan tidak dapat ditentukan dengan
pasti, fungsi kapasitas dan permintaan harus dianggap sebagai distribusi probabilitas, seperti
ditunjukkan pada Gambar. 3.2. Oleh karena itu, faktor keamanan seperti yang diberikan oleh
rasio Z = X / Y dari dua variabel acak X dan Y, juga merupakan variabel acak.
12
Definisi: Faktor Keamanan. Faktor keamanan sistem, diperlakukan sebagai variabel acak dan
didefinisikan sebagai Z = X / Y, adalah rasio antara X dan Y kapasitas permintaan sistem.
yang dapat ditafsirkan sebagai probabilitas kelangsungan hidup atau hanya kehandalan. Ketika
probabilitas gabungan distribusi X dan Y diketahui, keandalan sistem dapat dievaluasi dengan
menentukan CDF X / Y. Ada probabilitas nol kegagalan ( p f = 0) dan kehandalan 100% (r = 1)
Ymax X min
hanya jika permintaan maksimum tidak melebihi minimum kapasitas, sehingga dua
distribusi tidak tumpang tindih.
13
beban lognormal independen variates, dengan cara dan standar deviasi
P X , PY , dan V X , V Y ,
masing-masing. Dalam hal ini, faktor keamanan, Z = X / Y, juga lognormal variate, maka,
1 1
Pln Pln Pln(Y ) l n P X ln 1 VX2 ln PY ln 1 VY2 ,
(Z ) (X )
2 2
dimana VX V X / P X and VY V Y / PY adalah koefisien variasi dari X dan Y, masing-masing, dan
dimana rasio mX , mY mewakili faktor keamanan median. Karena ln (Z) biasanya didistribusikan
P1n Z V 1n Z P1n Z V 1n Z
dengan dan standar deviasi , variabel acak [ln (Z)- ]/ adalah memvariasikan
normal standar. Oleh karena itu, probabilitas kegagalan ditemukan menggunakan Eq. (3.2)
sebagai
§ ln1 Pln Z · § Pln Z ·
pf FZ 1 ) ¨ ¸ )¨ ¸
¨ V ln Z ¸ ¨ V ln Z ¸
© ¹ © ¹
§ ·
¨ ln mX / mY ¸,
1 )
x Y ¹
¨¨ ln 1 V 2 ln 1 V 2 ¸¸
©
Dimana ) (·) adalah nilai cdf dari Standart Normal Distribusi. Reliability Struktur adalah
, r = Pr[Z > 1] = 1 − FZ (1) = 1 − p f , is
§ ·
¨ ln mX / mY ¸
r )
x Y ¹
¨¨ ln 1 V 2 ln 1 V 2 ¸¸
©
Jadi, jika X dan Y adalah independen dan terdistribusi lognormally, keandalan merupakan fungsi
dari faktor median keselamatan dan σln standar deviasi (X / Y).
Pertimbangkan, misalnya, balok kayu yang kaku dengan rata-rata diperkirakan kekuatan
2
39,1 N / mm , dan koefisien variasi 25% . Jika balok dirancang untuk membawa beban
24.0N / mm2 , dengan koefisien variasi 15%, seseorang dapat menghitung probabilitas kegagalan
P X = 39,1
sebagai berikut. Karena sarana dan koefisien variasi kekuatan X dan Y beban N / mm2 ,
14
V X = 0,25,
P Y = 24,0 N/mm2, V = 0,15, masing-masing, dengan asumsi X dan Y adalah
Y
dimana
P Y kapasitas yang diharapkan dan P X permintaan yang digunakan. X dan Y (N/mm2)
Gambar 6.Teg.Kayu dan Ilustrasi Beban:PDF(a) dan CDF(b) berdistribusi Log Independen X dan Y
Definisi: faktor keamanan Tengah. Faktor keamanan sentral dari sebuah sistem, dilambangkan
dengan ζ, adalah rasio antara X dan Y yang diharapkan kapasitas permintaan sistem.
15
Misalkan seorang insinyur memberikan nilai nominal kapasitas kurang dari yang
diharapkan, katakanlah,
x* P X hX V X ,
(3.5a)
y* PY hY V Y ,
(3.5b)
hX
dimana dan hY adalah unit sigma fungsi masing-masing. Jika perkiraan ini dari x* dan y* yang
digunakan di rumus (3.1),
P X hX V X
z* , (3.6)
PY hY V Y
oleh karena itu, faktor utama melebihi faktor keamanan konvensional, ketika nilai-nilai positif
hX
dan hY diambil seperti biasa.
Pusat keselamatan faktor untuk sebuah stasiun pemompaan. Sebuah stasiun pompa
dirancang menggunakan faktor keamanan sebesar 1,8 z*, atau 9/5. Seorang insinyur mempunyai
tugas menilai keandalan sistem tanpa pengetahuan tentang kemungkinan fluktuasi kapasitas dan
16
permintaan. Oleh karena itu, koefisien variasi kapasitas dan permintaan yang diasumsikan sama
P X hX VX P X P X 1 hV 1 hV
z* ] .
PY hYVY PY PY 1 hV 1 hV
Insinyur lebih lanjut mengasumsikan bahwa berbagai kemungkinan dari V adalah 0.1 ≤ V
≤ 0.5, dan 0 ≤ h ≤ 1, sehingga rentang kemungkinan hV adalah 0 ≤ hV ≤ 0,5. Karena tidak ada
informasi lain yang tersedia mengenai saat-saat hV, prinsip entropi maksimum menunjukkan
bahwa hV dapat dimodelkan sebagai memvariasikan merata dengan E[hV] = 1/4, yang
17
Halaman ini sengaja dikosongkan.
18
Bab
Definisi: Keselamatan margin. Margin keamanan sistem didefinisikan sebagai perbedaan acak S
= X - Y antara X dan Y kapasitas permintaan sistem.
pf
Ketidakcukupan sistem untuk memenuhi permintaan, yang diukur dengan , terkait
dengan bagian dari distribusi dari margin keamanan dimana S mengambil nilai-nilai negatif,
yaitu bagian di mana S = X - Y ≤ 0. Jadi,
p f = Pr [(X - Y) ≤ 0] = Pr [S ≤ 0], (4.2)
19
dan keandalan yang sesuai
r = 1 - p f = Pr [(X - Y)> 0] = Pr [S> 0]. (4.3)
ketika distribusi probabilitas gabungan dari X dan Y diketahui, keandalan sistem dapat dievaluasi
dengan menentukan cdf dari X - Y.
masing-masing. Dalam hal ini, margin keselamatan, S = X - Y, ditampilkan dalam Contoh 3.60
untuk juga sebuah memvariasikan normal dengan
PS P X PY , V S2 V X2 V Y2
Karena S adalah terdistribusi normal dengan mean dan σS mikrodetik deviasi standar, variabel
acak (S - mikrodetik) /
V s adalah memvariasikan normal standar, dan keandalan struktur adalah
§ 0 PS · ª § PS · º § P P ·
r 1 FS 0 1 ) ¨ ¸ 1 «1 ) ¨ ¸ » )¨ X Y
¸,
© VS ¹ ¬ © V S ¹¼ ¨ V V 2
2 ¸
© X Y ¹
dimana Ф(·) menunjukkan cdf dari distribusi normal standar. Sebagai contoh, perhatikan lagi
balok kayu yang kaku dari Contoh 1, dan menganggap normal dan kekuatan independen X dan Y
beban. Probabilitas kegagalan dapat dihitung sebagai berikut.
Sejak
Seseorang
sehingga mikrodetik
20
9.775 3.6 2
1/2
PS 39.1 24.0 15.1 N/mm2 , and V S 2
10.42 N/mm2 .
§ 15.1 ·
pf FS 0 ) ¨ ¸ ) 1.450 .074,
© 10.42 ¹
yang menunjukkan kehandalan sinar 92,6%. Para PDFS X, Y, dan S diberikan dalam Gambar 9a,
dan CDFS yang sesuai diberikan pada Gambar 9b. Keandalan diperkirakan dari model normal
terlepas berbeda dari yang diperoleh dari lognormal independen model oleh hanya sekitar 2%.
Gambar 9.Teg.Kayu dan Ilustrasi : PDF(a) dan CDF(b) utk Safety Margin Normal Distr. X dan Y
Pada contoh di atas, itu ditampilkan dengan menggunakan fungsi pembangkit momen-
bahwa setiap linier Kombinasi dari dua variates terdistribusi normal independen itu sendiri
terdistribusi normal. Oleh karena itu, ketika X dan Y adalah terdistribusi normal, dan berkorelasi,
margin keselamatan S adalah memvariasikan normal dengan mean dan varians
PS P X PY ,
(4.4a)
V S2 V X2 2U XY V X V Y
V Y2 ,
(4.4b)
21
§ P X PY ·
pf )¨ ¸
¨ V X 2 U V V V Y2
2 ¸
© XY X Y ¹ (4.5)
dimana ) (·) menunjukkan cdf dari distribusi normal standar, sesuai
§ P X PY ·
r )¨ ¸
¨ V X2 2U V V V Y2 ¸
© XY X Y ¹ (4.6)
adalah keandalan terkait.
V 4 2 u 0.5 u 4 u 5 52
1/ 2 1/ 2
VS 2
X 2 U XY V X V Y V Y2 2
7.81 units.
22
kapasitas. Dengan asumsi bahwa kedua VX dan ρXY tidak berubah, kapasitas berarti μX harus
meningkat dengan faktor, sehingga
§ aP X PY ·
r 1 FS 0 ) ¨ ¸ 0.95
¨ a 2 P X2 VX2 2 U a VX P xV Y V Y2 ¸
© XY ¹
itu,
aP X PY
1.65,
a P V 2 U XY a VX P xV Y V Y2
2 2
X
2
X
20a 10 20a 10
1.65,
42 a 2 2 u 0.5 u 4 u 5 u a 52 16a 2 20a 25
yang menghasilkan a = 1,20. Ini berarti bahwa sumber baru harus menyediakan peningkatan
20% dalam ketersediaan air rata-rata dalam rangka untuk meningkatkan keandalan sistem irigasi
untuk 95%.
23
Halaman ini sengaja dikosongkan.
24
Bab
§ PS ·
E ¨ ¸.
©VS ¹ (5.1)
hal ini dapat ditafsirkan sebagai nilai unit sigma ( deviasi standar σs) jika S antara nilai rata-rata
margin keamanan E [S] = μs dan nilai kritis S = 0, seperti ditunjukkan pada Gambar. 4.1. Indeks
keandalan juga bisa didefinisikan merupakan kebalikan dari Koefisien Variasi dari Safety
Margin, sebagai
E 1 / VS
Definisi: Indeks Keandalan. Indeks Keandalan dari sistim, dilambangkan β, didefinisikan sebagai
rasio antara mean dan deviasi standar dari safety margin sistem.
yang dapat digunakan untuk analisis reliabilitas dengan β mengambil nilai 1-2.7, seperti
ditunjukkan dalam Gambar 10.
Sebagai contoh, dalam kasus balok kayu yang kaku, di mana X kekuatan dan Y adalah
variates beban normal dan independen,
PS 15.1
E 1.45,
VS 10.42
sehingga indeks keandalan adalah 1,451 unit Sigma. Pendekatan kekuatan yang sesuai
probabilitas kegagalan
p f # 2 u101.45 .071.
pf 1 ) 1.45 0.074,
nilai yang sebelumnya dihitung dari , sehingga kesalahan dalam kuasa
pendekatan hanya sekitar 3%.
Untuk mendapatkan indeks keandalan dalam hal dua momen pertama kapasitas dan fungsi
permintaan,
PS as PS P X PY , and V S2 V X2 2U XYV X V Y V Y2 . Demikian,
26
P X PY
E , (5.2)
V 2U
2
X XY V X V Y
V Y2
Dimana
U XY menunjukkan koefisien korelasi antara kapasitas dan permintaan. Dengan
and
r )E (5.4)
Pasokan air irigasi. Pertimbangkan lagi masalah irigasi Contoh 9.4. Indeks keandalan desain ini
adalah
ఓ ଵ
ߚ ൌ ቀ ೞ ቁ ൌ ቀǤ଼ଵቁ ൌ ͳǤʹͺǡ
ఙ ೞ
sehingga keandalan sistem adalah r = Φ(1.28) = 0.9. Jika keandalan yang lebih tinggi,
katakanlah, 95% adalah dicari, harusnya memiliki indeks
ߚ ൌ Φିଵ ሺͲǤͻͷሻ ൌ ͳǤͷǡ
untuk menyelidiki pengaruh korelasi, dapat diatur Pers. (5.2) dalam hal central faktor keamanan ,
sehingga memperoleh
ିଵ
ߚܸ௬ ൌ ǡ (5.5)
ඥఔ మ మ ିଶఘఔାଵ
di mana v = VX / VY, dan ρ = ρXY. Hubungan ini diplot pada Gambar. 5.2 untuk berbagai koefisien
korelasi, dan nilai-nilai dari v dari 1, 2, dan 1/2.
Perbandingan Gambar 11, menunjukkan bahwa pengaruh korelasi antara kapasitas dan
permintaan meningkat dengan menurunnya rasio v antara koefisien variasi kapasitas dan
permintaan. Dengan demikian, meningkatkan variabilitas relatif permintaan untuk bahwa dari
kapasitas meningkatkan korelasi. Untuk VX = Vy = V, Persamaan. (5.5) untuk menyederhanakan
ିଵ
ߚܸ ൌ (5.6)
ඥ మ ିଶఘାଵ
27
Gambar 11.(a) Vx/Vy=1,(b)Vx/Vy=2 dan (c)Vx/Vy=1/2
Kasus ini ditunjukkan pada Gambar. 5.2a. Pertimbangkan, misalnya, desain struktural
dengan V = 0.5, dan ζ = 2. Dari Pers. (5.6), salah satu telah βV # 0,45 untuk ρ = 0, βV # 0,33
untuk ρ = -1, dan βV = 1 untuk ρ = 1. Jika ρ = 0, diperoleh β = 0.45/0.5 = 0.9, yang berarti bahwa
risiko Kegagalan pf sama dengan pf = 1 - Φ(0,9) = 0.18. Untuk ρ = -1, maka β = 0.33/0.5 = 0.66,
menghasilkan pf = 1 - Φ(0,66) = 0.25. Untuk ρ = 1, β = 1/0.5 = 2, dan pf = 1 - Φ(2) = 0.02.
Besarnya perbedaan menyoroti pentingnya mengenali ketergantungan antara kapasitas dan
permintaan.
. Untuk mengukur koefisien korelasi antara kapasitas dan permintaan bukanlah tugas yang
mudah, karena tergantung pada banyak faktor. Misalnya, desain struktural sering mencerminkan
positif koefisien korelasi minimal ρ =0.5. Namun, dengan kapasitas dan permintaan positif
berkorelasi, desain perkiraan konservatif reliabilitas diperoleh bila mengabaikan
ketergantungan antara kedua; hasil ini dalam probabilitas kegagalan yang tinggi untuk struktur
28
dikenal sangat aman. Sebaliknya, perkiraan nonconservative diperoleh jika salah satu
berkorelasi negatif mengabaikan kapasitas dan permintaan meskipun hal ini
kesalahan secara substansial lebih rendah dari yang diperkenalkan oleh mengabaikan korelasi
positif.
Pasokan air irigasi. Pertimbangkan lagi masalah irigasi, dan mengasumsikan bahwa
korelasi antara kapasitas dan permintaan dapat diabaikan. Dengan asumsi bahwa ρXY = 0
menghasilkan
ߪ௦ ൌ ሺߪ௫ଶ ߪ௬ଶ ሻଵȀଶ ൌ ሺͶଶ ͷଶ ሻଵȀଶ ൌ ǤͶͲ units,
dan
ఓೞ ଵ
ߚൌ ൌ ൌ ͳǤͷǢ
ఙೞ Ǥସ
demikian, estimasi keandalan sistem adalah r = ф (1,56) = 0,94. Jika dibandingkan dengan
perkiraan semula dari 90%, hasil ini menggambarkan bahwa seorang insinyur yang mengabaikan
korelasi antara kapasitas dan permintaan dapat sampai pada kesimpulan menyesatkan bahwa
tujuan dari 95% keandalan dapat dicapai.
Satu dapat menggunakan Pers. (5.3) dan (5.4) untuk menghitung probabilitas kegagalan
dan nonfailure juga jika salah satu X atau Y atau keduanya tidak normal. Ini adalah latihan
sederhana untuk dua lognormal independen variates, seperti yang ditunjukkan dalam contoh
berikut
29
൬୶ ൰
୷
ݎൌ Φۇ ۊ
ටሺͳ ܸ௫ଶ ሻ ൫ͳ ܸ௬ଶ ൯
ۉ ی
Index keandalan adalah, dari persamaan (5.4),
୶
൬
୷ ൰൨ ߤ୪୬ሺ௭ሻ
ߚൌ ଵȀଶ
ൌ
ൣሺͳ ܸ௫ଶ ሻ ൫ͳ ܸ௬ଶ ൯൧ ߪ୪୬ሺ௭ሻ
dimana mX dan mY menyatakan median masing-masing dari X dan Y, Untuk kayu balok kaku
୫౮
൬ ൰ ൌ ߤ୪୬ሺ௭ሻ ൌ ͲǤͶͻ
୫౯
dan
ଵȀଶ
ߪ୪୬ሺ௭ሻ ൌ ൣሺͳ ܸ௫ଶ ሻ ൫ͳ ܸ௬ଶ ൯൧ ൌ ͲǤʹͺͺ
sehingga β = 0.469/0.288 = 1,628. Hasil ini dapat dibandingkan dengan nilai 1,451, yang
ditemukan di bawah asumsi independen dan kekuatan terdistribusi normal dan beban
Jika kapasitas dan permintaan yang variates lognormal, maka ln X dan ln Y adalah variates
normal.
Bentuk umum dari indeks keandalan ditemukan sebagai
ln mX / mY
E ,
ln 1 V 2
X ln 1 V 2U
Y
2
XY ln 1 V 2
X ln 1 V
Y
2
(5.7)
mX mY
dimana dan menyatakan median dari X dan Y, masing-masing. Memperkenalkan pusat
faktor keselamatan seperti dalam Persamaan. (5.5), dan dengan asumsi koefisien yang sama dari
variasi VX VY V , Eq. (5.7) untuk mengurangi
ln ]
E .
2 1 U ln 1 V 2
(5.8)
30
Kemudian, dari seri ekspansi ln 1 x x x 2 / 2 x3 / 3 ..., seseorang dapat perkiraan
ln
1 V dengan V
2
2
, sehingga
ln ]
VE . (5.9)
2 1 U
Gambar 5.3 menunjukkan E NOR / E LN 2 rasio sebagai fungsi dari faktor keamanan pusat ζ
untuk berbagai koefisien korelasi berkaitan kapasitas dan permintaan, di mana E NOR dihitung dari
variates menghasilkan nilai lebih kecil dari indeks keandalan dari variates lognormal. Meskipun
perbedaan ini kecil untuk korelasi negatif dan rasio tidak melebihi 7 / 10 untuk variates
berkorelasi, kehandalan indeks variates normal dan lognormal menyimpang dari satu sama lain
dengan cepat meningkat korelasi positif. Besarnya keandalan indeks tidak dikenal dalam banyak
kasus dan seperti yang terlihat di sini indeks dengan sendirinya tidak dapat memprediksi sangat
efektif kinerja dari sistem diselidiki, terutama untuk kapasitas berkorelasi dan permintaan.
Namun, indeks ini secara luas digunakan sebagai dasar untuk kinerja scaling di sipil teknik
praktek.
Seperti yang dinyatakan sebelumnya, Pers. (5.3) dan (5.4) juga dapat digunakan untuk
mengevaluasi kegagalan dan probabilitas nonfailure jika baik X atau Y atau keduanya tidak
terdistribusi normal. Para prosedur yang biasa adalah untuk mengubah ini menjadi menyimpang
yang normal variates setara dengan menggunakan transformasi yang sesuai, seperti transformasi
31
Rosenblatt diperlihatkan berikut contoh; sesuai, dua atau lebih variabel acak didistribusikan
bersama-sama diubah dalam satu set dari dua atau lebih variates normal. Jadi, Persamaan. (5.2)
2
digunakan dalam hal berarti, varians, dan koefisien korelasi dari variates. yang normal setara
Namun, dalam rekayasa praktek uji kecukupan untuk konsep indeks keandalan umumnya
bergantung pada perbandingan dari indeks keandalan β dihitung dengan nilai yang
direkomendasikan.
Untuk periode dimana sungai menerima debit Y, Q dapat didekati dengan distribusi
eksponensial dengan rata-rata 40 m3/det, dan a = 5. Debit Y dan inflow Q sungai lanjut
diasumsikan menjadi variates independen. Masalahnya adalah didekati dengan menggunakan
transformasi univariat Rosenblatt dalam rangka untuk menentukan distribusi normal setara untuk
kapasitas tidak normal X. Karena X terdistribusi eksponensial dengan mean 40 / 5 = 8 m3/det,
݂௫ ሺݔሻ ൌ ൫భఴ൯݁ݔ൫െೣఴ൯ ൌ ͲǤͳʹͷሺെͲǤͳʹͷݔሻ
32
dan
ܨ௫ ሺݔሻ ൌ ͳ െ ሺെͲǤͳʹͷݔሻ
mean μX* dan deviasi standar σX* dari distribusi normal setara untuk kapasitas eksponensial X
diperoleh dari asumsi bahwa, pada titik kegagalan x*,
൫௫ ି כఓ כ൯
Ȱቂ ቃ ൌ ܨ ሺ כ ݔሻǡ
ఙכ
dimana Φ-1(ξ) menunjukkan quantile ke-ξ dari standar distribusi normal. Hal ini juga mengikuti
dari asumsi sebelumnya di titik kegagalan itu, dengan menyamakan probabilitas yang sesuai
kepadatan pada titik kegagalan,
ଵ ൫௫ ି כఓ כ൯
ቀ
ఙכ
ቁ߶ቂ ቃ ൌ ݂ ሺ כ ݔሻǡ
ఙכ
di mana φ (·) menunjukkan pdf dari variasi standar normal. Oleh karena itu,
థ൛షభ ሾ ሺଡ଼ כሻሿൟ
ߪ כൌ ሺ כሻ
Dengan substitusi,
థ൛షభ ሾଵିୣ୶୮ሺିǤଵଶହ୶ כሻሿൟ
ߪ כൌ ሾǤଵଶହୣ୶୮ሺିǤଵଶହ௫ כሻሿ
ǡ
dan
ߤ כൌ כ ݔെ ߪ כȰିଵ ሾͳ െ ሺെͲǤͳʹͷ כሻሿǡ
sedangkan μY = 2 m3/det, dan σY = 0.2 × 2 = 0.4 m3/det.
Karena titik kegagalan tidak diketahui, masalah ini diselesaikan dengan iterasi. Jika x* = 1
m3/det diambil sebagai nilai awal,
థ൛షభ ሾଵିୣ୶୮ሺିǤଵଶହൈଵሻሿൟ
ߪ כൌ ሾǤଵଶହ ୣ୶୮ሺିǤଵଶହൈଵሻሿ
థ൛షభ ሺǤଵଵ଼ሻൟ
ൌ
Ǥଵଵ
థሼሺିଵǤଵ଼଼ሻሽ
ൌ Ǥଵଵ
ൌ ͳǤͻǡ
dan
ߤ כൌ כ ݔെ ߪ כȰିଵ ሾͳ െ ሺെͲǤͳʹͷ ൈ ͳሻሿ ൌ ͳ െ ͳǤͻȰିଵሺͲǤͳͳͺሻ ൌ ͵ǤͳʹǢ
ini digunakan dalam Pers. (5.2) untuk mendapatkan, untuk kapasitas independen dan permintaan,
33
൫ఓି כఓೊ ൯ ሺଷǤଵଶିଶሻ
ߚൌ మ ାఙ మ ൯భȀమ
ൌ
ሺଵǤଽమ ାǤସమ ሻభȀమ
ൌ ͲǤͳ
൫ఙכ ೊכ
Untuk iterasi kedua, diambil x* = 1.5, yang menghasilkan β = 0,74. Seperti yang
ditunjukkan pada Tabel 5.1, prosedur ini kemudian diikuti sampai perbedaan antara dua
perkiraan berikutnya dari β diabaikan. Dengan demikian, salah satu memperoleh β = 0,76; yaitu
keandalan dari sistem r = Φ(0,76) ؆ 78%.
Satu juga dapat menggunakan pendekatan yang sama untuk distribusi kapasitas yang
berbeda dari eksponensial. Sebagai contoh, jika X adalah terdistribusi gamma dengan mean 8
m3/det, dan koefisien variasi adalah 1/√2 (lihat Gambar 13), parameter gamma pdf ditemukan,
dengan metode yang momen,
ଵ ଶ ଵ ଶ ଶ
ݎൌ ቀ ቁ ൌ ቀ ቁ ൌ ʹǡ ߣ ൌ
ఓ
ൌ ଼ ൌ ͲǤʹͷ݉ିଷ ݀݁ݐ
ξଶ
Ekponensial kapasitas,X
Rata-rata X = 8
Λ = 0.125
Proses iterasi
Titik kegagalan x* = 1.0 1.5 2.0 2.5 2.1 1.9
F(x*) = 0.1175 0.1710 0.2212 0.2684 0.2309 0.2114
f(x*) = 0.1103 0.1036 0.0974 0.0915 0.0961 0.0986
Φ [F(x*)] =
-1
-1.188 -0.950 -0.768 -0.618 -0.736 -0.802
ϕ{Φ-1[F(x*)]} = 0.197 0.254 0.297 0.330 0.304 0.289
Rata-rata X* = 3.12 3.83 4.34 4.73 4.43 4.25
Standar deviasi X* = 1.79 2.45 3.05 3.60 3.17 2.94
Kebutuhan normal Y
Rata-rata Y = 2
Standar deviasi Y = 0.4
Evaluasi indeks keandalan, β
= 0.61 0.74 0.76 0.75 0.76 0.76
Β
Keandalan : Φ(β) = 0.777
Resiko: 1- Φ(β) = 0.223
Tabel 1.Resiko Evaluasi utk Polusi Termal sungai dg Distr. Eksponensial (atas)
34
Tabel 2.Resiko Evaluasi utk Polusi Termal Sungai dg Distribusi Gamma
Gamma kapasitas,X
Rata-rata X = 8
Koefisien variasi X = 0.707
= 2
R
λ = 0.25
Proses iterasi
Titik kegagalan x* = 1.0 1.5 2.0 2.5 1.9 2.1
F(x*) = 0.0265 0.0550 0.0902 0.1302 0.0827 0.0979
f(x*) = 0.0487 0.0644 0.0758 0.0836 0.0738 0.0776
Φ-1[F(x*)] = -1.935 -1.598 -1.339 -1.125 -1.387 -1.294
ϕ{Φ-1[F(x*)]} = 0.061 0.111 0.163 0.212 0.152 0.173
Rata-rata X* = 3.44 4.26 4.87 5.35 4.76 4.98
Standar deviasi X* = 1.26 1.73 2.15 2.53 2.06 2.23
Kebutuhan normal Y
Rata-rata Y = 2
Standar deviasi Y = 0.4
Evaluasi indeks keandalan, β
β = 1.09 1.27 1.32 1.31 1.31 1.32
Keandalan : Φ(β) = 0.906
Resiko: 1- Φ(β) = 0.094
dan, untuk r = 2
௫ ఒమ
ܨ ሺݔሻ ൌ ܼ ଶିଵ ሺെߣܼሻܼ݀ ൌ ͳ െ ሺͳ ߣݔሻ݁ ିఒ௫
ሺଶሻ
Setelah beberapa iterasi, indeks keandalan diperoleh 1.32. Oleh karena itu, dari Persamaan. (5.4)
keandalan adalah sekitar 91%. Prosedur ini rinci dalam Tabel 5.2.
35
Halaman ini sengaja dikosongkan.
36
Bab
Z> 1, kegagalan negara oleh Z <1, dan negara membatasi oleh Z = 1. Margin of safety,
didefinisikan sebagai S = g (X, Y) = X - Y, adalah contoh lain negara ini, di mana S> 0 mewakili
negara aman, S <0 negara gagal, dan S = 0 negara membatasi. Keuntungan utama menggunakan
S bukan Z adalah bahwa S adalah fungsi linear, sedangkan Z adalah sangat nonlinear. Lebih
umum, kita dapat mendefinisikan fungsi kinerja g (X, Y) yang memberikan pembatasan
kepentingan negara dalam bentuk
g X ,Y 0, (6.1)
sehingga keamanan dan kegagalan sistem yang diwakili oleh dua daerah dalam pesawat (x, y)
seperti ditunjukkan pada Gambar 14, dipisahkan oleh g (X, Y) = X - Y = 0.
37
Definisi: Fungsi Kinerja . Fungsi kinerja sistem adalah acak fungsi g (X, Y) dari X kapasitas dan
permintaan kinerja sistem Y menjelaskan, terkait dengan yang mungkin kegagalan, atau negara
membatasi kepentingan, yang diberikan oleh g (X, Y) = 0.
Xc
X P x , (6.2a)
Vx
Yc
Y PY ,
(6.2b)
VY
for S = g(X, Y ) = X − Y = 0.
g X c, Y c V X X c V Y Y c P X PY 0, (6.3)
yang memberikan alternatif bentuk negara membatasi kepentingan. Jika koordinat dikurangi
sistem diperkenalkan seperti yang ditunjukkan pada Gambar 14, garis lurus yang dihasilkan oleh
ungkapan ini dipindahkan pada jarak yang sama dengan indeks keandalan β dari asal. Hal ini
c / a 2 b2
1/2
karena jarak terpendek dari titik asal ke sebuah kapak baris ax by c 0 adalah
(dari analitis geometri). Artinya,
P X PY
E ,
V X2 V Y2
yang merupakan indeks keandalan untuk variabel tidak berkorelasi [dari Persamaan. (6.2)].
konsep ini dapat diperpanjang untuk setiap fungsi kinerja dalam bentuk linier.
38
Untuk keadaan dimana g(X_, Y _) adalah non linier maka harga reliability index β adalah jarak
terpendek dari O ke garis limit state.
Secara umum limit state adalah fungsi dari kapasitas dan Beban , X1, X2, . . . , Xn, dapat
dinyatakan sebagai:
g X 1 , X 2 ,..., X n 0. (6.4)
Jika g(·) > 0 adalah kondisi aman ( safe state) dan g(·) < 0 kondisi failure state.
Dinyatakan sebagai
pf ³ ...³ f X1 ,..., X n X 1 ,..., X n dx1...dxn (6.5)
g X1 ,..., X n 0
Ukuran indeks keandalan dapat diambil sebagai jarak minimum dari kritis hypersurface
(dalam ruang koordinat multidimensi) ke asal, dengan memperluas Konsep kasus dua-dimensi.
Shinozuka (1983) menunjukkan bahwa jarak minimum adalah titik kegagalan yang paling
mungkin. Tergantung pada formulir diambil oleh kinerja fungsi, perhitungan yang diperlukan
untuk mendapatkan titik kegagalan mungkin agak rumit. Solusinya dapat dilakukan dengan
39
X X 22 ..... X n2
1/2
meminimalkan fungsi
2
1
, tunduk pada kendala g
X 1 , X 2 ,...., X n 0
,
3
dengan menggunakan Lagrange multipliers.
Jika g (•) dinyatakan dalam bentuk linier, katakanlah,
n
g X 1, ..., X n a0 ¦ ai X i , (6.7)
i 1
a
dimana i , i = 0,. . . , n adalah konstanta diketahui, indeks keandalan didefinisikan oleh
minimum jarak diberikan
a0 ¦ in 1 ai Pi
E , (6.8)
¦ ¦ n
i 1
n
j 1 i a a j UijV iV j
dimana
Pi dan V i menyatakan mean dan deviasi standar dari X i , masing-masing, dan Uij adalah
Xi Xj
koefisien korelasi antara dan . Untuk variates saling independen,
a0 ¦ in 1 ai Pi
E . (6.9)
¦ n 2
i 1 i a V i2
X3
dapat dimodelkan sebagai variates normal dengan cara berikut dan koefisienvariasi:
ߤଵ ൌ ͳԨ, ߤଶ ൌ ͳͷͲܹȀ݉ଶ ,ߤଷ ൌ ͳͲͲ݉݃Ȁ݉ଶ
dan
ܸଵ ൌ ͲǤͷ,
ܸଶ ൌ ͲǤ͵
ܸଷ ൌ ͲǤ
40
ߪଵ ൌ ͺԨ
ߪଶ ൌ ͶͷܹȀ݉ଶ
ߪଷ ൌ Ͳ݉݃Ȁ݉ଶ
Meskipun diamati bahwa suhu dan radiasi tidak berpengaruh pada konsentrasi
nutrisi sehingga ߩଵଷ ൌ ߩଶଷ ൌ Ͳ, saling mereka sangat berkorelasi dengan ߩଵଶ ൌ ͲǤͺ. para
fungsi keseimbangan
݃ሺܺଵ ǡ ܺଶ ǡ ܺଷ ሻ ൌ ܽ െ ሺܽଵ ܺଵ ܽଶ ܺଶ ܽଷ ܺଷ ሻ
dengan ܽ ൌ ͲǤͻ݉݃Ȁ݉³, ܽଵ ൌ ͲǤͲͺ݉݃Ȁሺ݉³ݔԨሻ, ܽଶ ൌ ͲǤͲͳ݉݃Ȁܹ݉ݔ, dan ܽଷ ൌ ͲǤͲʹ
lainnya variabel harus dimasukkan, seperti akuntansi untuk predasi dan pemborosan alam;
ini adalah termasuk dalam ܽ konstan karena kesulitan dalam memperkirakan secara terpisah.
Para Indeks keandalan adalah kemudian dihitung menggunakan Persamaan. (6.8). Pembilang
diberikan oleh
ܽ െ ሺܽଵ ߤଵ ܽଶ ߤଶ ܽଷ ߤଷ ሻ ൌ Ǥͻ െ ሺͲǤͲͺͳݔ ͲǤͲͳͳݔͷͲ ͲǤͲʹͲͲͳݔሻ ൌ ʹǤͳʹ
dan argumen dalam akar kuadrat dari penyebut adalah
ܽଵଶ ߪଵଶ ܽଶଶ ߪଶଶ ܽଷଶ ߪଷଶ ʹܽଵ ܽଶ ߩଵଶ ߪଵ ߪଶ ʹܽଵ ܽଷ ߩଵଷ ߪଵ ߪଷ ʹܽଶ ܽଷ ߩଶଷ ߪଶ ߪଷ
= 0.08² x 8² + 0.012² x 45² + 0.02² x 70² + 2 x 0.08 x 0.01 x 0.8 x 8 x 45 + 0 +0
=3.03
Jadi,
ଵǤଵଶ
ߚൌ ൌ ͳǤʹʹ
ξଷǤଷ
dan dari Persamaan. (5.4), r =Φ (1,22) = 0,89. Ini berarti ada peluang 89% bahwa tingkat
pertumbuhan positif dicegah. Oleh karena itu, risiko bahwa biomassa alga akan meningkat
sebesar 11%.
Jika negara membatasi fungsi g (•) adalah nonlinier, jarak dari kegagalan hypersurface
ke asal variates berkurang mungkin tidak unik. Oleh karena itu, untuk menemukan yang tepat
probabilitas kegagalan seseorang harus memecahkan integral dalam Pers. (6.5), yang umumnya
akan membutuhkan kuadratur beberapa numerik. Untuk mendapatkan solusi perkiraan satu dapat
menggunakan hyperplane bersinggungan dengan hypersurface itu. Jika permukaan kegagalan
yang tepat nonlinear adalah cembung ke asal, pendekatan akan konservatif, seperti yang
ditunjukkan pada Gambar. 6.3 di dua-dimensi kasus. Sebaliknya, jika permukaan cekung, maka
41
xif'
akan nonconservative, karena pendekatan terletak pada sisi aman. Dengan ini metode
di mana (dalam istilah geometris) yang αi s cosinus arah dari sumbu komponen. para
Nilai β diperlukan kemudian ditemukan dengan menggantikan sisi kanan Persamaan. (6.11)
xi s g x1 , x2 ,..., xn
untuk dalam fungsi kinerja sebagai berikut
g P1 D1V 1E , P2 D 2V 2 E ,..., Pn D nV n E 0 (6.12)
(6.12) untuk β, menggunakan nilai estimasi berarti. Pada setiap langkah satu perkiraan β, dan
xif Pi V iDi E ,
kemudian mengevaluasi kembali yang dan prosedur ini diulang sampai ada
konvergensi.
Rendah-kepala run-of-sungai kecil stasiun pembangkit listrik tenaga air. Kinerja ekonomi
dari serangan irigasi terletak di Balcad, Somalia, di sepanjang Sungai Wabe Shabelle dapat
ditingkatkan dengan menginstal sebuah stasiun tenaga air untuk memenuhi kebutuhan energi
lokal. Seorang insinyur memperkirakan permintaan listrik X3 600 kW² menjadi rata-rata, dengan
varians dari 3600 kW². Jika turbin turboaxial standar dipasang, output daya dapat diperkirakan
42
sebagai 7,5 X1X2, di mana debit X1 diukur dalam m³ / s dan X2 kepala hidrolik dalam m, dan 7,5
adalah akuntansi koefisien untuk gravitasi, densitas air, dan efisiensi keseluruhan yang
diinstalperalatan. Dengan demikian, kekuasaan diberikan dalam satuan kW. Meskipun debit rata-
rata 22 m³ / s dan kepala rata-rata 5.2 m yang tersedia, debit dan tergantung pada ketersediaan
kepala mengalir alami variabel, namun juga tunduk pada kendala penanganan serangan, yang
dioperasikan dengan prioritas untuk permintaan irigasi. Debit dan kepala dapat diasumsikan
untuk mandiri yang normal variates, X1 dan X2, dengan koefisien variasi 0,2, dan 0,15 masing-
masing. Dengan asumsi bahwa permintaan X3 dalam kW juga normal dan independen dari debit
dan kepala, insinyur keinginan untuk mengevaluasi keandalan tanaman. Jadi,
g (X1, X2, X3) = 7.5X1X2 - X3
adalah fungsi kinerja dari sistem tenaga air, dengan
ߤଵ ൌ ʹʹ݉ଷ Ȁݏ,ܸଵ ൌ ͲǤʹ,ߪଵ ൌ ͶǤͶ݉ଷ ȀݏǢ
ߤଶ ൌ ͷǤʹ݉Ȁݏ,ܸଶ ൌ ͲǤͳͷ,ߪଶ ൌ ͲǤͺ݉;
ߤଷ ൌ ͲͲܹ݇,ܸଷ ൌ ͲǤͳ,ߪଷ ൌ Ͳܹ݇Ǥ
Para turunan parsial dari fungsi kinerja sehubungan dengan setiap variabel dievaluasi
pada titik kegagalan ditentukan sebagai
డ డ డ௫ డ
డ′
ൌ ቀడ ቁ ൬ ൰ ൌ ቀడ ቁ ߪ
డ′
డ
ቀడ ′ ቁ ൌ Ǥͷܺଵ ߪଶ ǡ
మ
డ
ቀ ቁ ൌ െߪଷ ൌ െͲǡ
డయ′
x1 x2
Mengambil berarti sebagai nilai awal (yaitu, = 22 m³/s dan = 5,2 m) satu
memperoleh
డ
ቀ ቁ ൌ ǤͷݔͷǤʹݔݔͶǤͶ ൌ ͳͳǤ
డభ′
డ
ቀడ ′ ቁ ൌ ǤͷʹݔǤʹͲݔǤͺ ൌ ͳʹͺǤ
మ
డ
ቀ ቁ ൌ െͲǡ
డయ′
43
Oleh karena itu, bentuk Pers. (6.10),
ଵଵǤ
ߙଵ ൌ ൌ ͲǤͲ
ξସଽǡଵ
ଵଶ଼Ǥ
ߙଶ ൌ ൌ ͲǤͷͺ
ξସଽǡଵ
ߙଷ ൌ െ ൌ െͲǤʹͻ
ξସଽଵ
Tabel 3.Evaluasi Keandalan dari Low-Head Run River Small Gydropower Plant
Coefficient of Standard
Design data Unit Mean variation deviation
Normal discharge, X1 m3/s 22 0.20 4.4
Normal hydraulic head, X2 M 5.2 0.15 0.78
Normal power demand, X3 kW 600 0.10 60
Limiting state of interest is
g(X1, X2, X3) = 7.5X1X2 − X3 = 0
Iteration process
Initial x1f = 22.0 17.8 17.7 17.7
44
New x1f = 17.8 17.7 17.7 17.7
New x2f = 4.6 4.7 4.7 4.7
g(·) = 7.5x1f x2f - x3f = −4.5×10-5 7.5 × 10−6 1.7 × 10−5 1.8 × 10−5
45
7.5 (22 - 3.463β) (5.2 - 0.417β) - (600 + 18.48β) = 0,
yang menghasilkan β = 1,23. Iterasi lebih lanjut menunjukkan bahwa β = 1,23 adalah reliabilitas
yang dibutuhkan indeks, seperti yang ditunjukkan dalam Tabel 6.1. Oleh karena itu, keandalan
dari stasiun tenaga air adalah sekitar 89%, dan risiko yang terkait kegagalan adalah sekitar 11%.
Titik kegagalan yang paling mungkin terjadi untuk sebuah 623kW permintaan, keluarnya
17.7m3/s, dan kepala yang tersedia sebesar 4,7 m. sistem simulasi harus dilaksanakan untuk
menjelaskan korelasi antara kepala dan debit, dan untuk variabilitas efisiensi peralatan dengan
debit dan kepala (lihat La Barbera et al, 1983.). Dengan prosedur ini seseorang dapat
mengevaluasi jenis peralatan turboaxial standar harus diadopsi.
46
݃ሺܺଵǡ ܺଶ ǡ ܺଷ ǡ ܺସ ሻ ൌ ܺଵ ሺܺଶ െ ܽଵ ܺଷ ܺସሻ െ ܺଷ ሺܽଶ ܺସଶ ܽଷ ݔସ ሻ ൌ Ͳ
dimana memvariasikan tambahan X3 diperkenalkan untuk mewakili ketidakpastian yang
disebabkan oleh penyederhanaan diadopsi untuk model kekuatan Fv dinamis dan Rh, konstanta
a1, a2, dan a3 tergantung pada geometri sistem.
Sebuah unit lebar dinding vertikal yang terletak di La Spezia pelabuhan, Italia, dianggap,
dan semua variabel diasumsikan independen. Misalkan X1, X2, dan X3 yang variates normal
dengan berikut sarana dan koefisien variasi:
ߤଵ ൌ ͲǤͶǡߤଶ ൌ ͵ͶͲͲ݇ܰȀ݉ǡ ߤଷ ൌ ͳǡ
ܸଵ ൌ ͲǤͳͷǡܸଶ ൌ ͲǤͲͷ,ܸଷ ൌ ͲǤʹ
Analisis frekuensi badai parah di daerah studi menunjukkan bahwa X4 memiliki nilai ekstrim
Tipe I distribusi dengan mean ߤସ ൌ ͲǤͳͷ = 5,16 m , dan deviasi standarߪସ = 0,93 m. σ4 Berikut
metode Bagian 7.2, parameter skala dan lokasi cdf dari X4 yang
ξ
ߙ ൌ ቀ ቁ ߪସ ൌ ͲǤͺͲݔǤͻ͵ ൌ ͲǤ͵݉
గ
dan
b = ߤସ - 0.5772α = 5,16-0,5772 × 0,73 = 4,74 m.
Akhirnya, oleh akuntansi untuk profil bawah laut dan geometri dinding penahan
memperkirakan bahwa salah satu
a1 = 70, a2 = 17 m / kN, a3 = 145.
Dengan demikian, persamaan menjadi membatasi
47
݃ሺݔଵ ǡ ݔଶ ǡ ݔଷ ǡ ݔସ ሻ ൌ ݔଵ ݔଶ െ Ͳݔଵ ݔଷ ݔସ െ ͳݔଷ ݔସଶ െ ͳͶͷݔଷ ݔସ ൌ Ͳ
Turunan
డ
ቀడ ′ ቁ ൌ ሺݔଶ െ Ͳݔଷ ݔସ ሻߪଵ
భ
డ
ቀడ ′ ቁ ൌ ݔଵ ߪଶ
మ
డ
ቀడ ′ ቁ ൌ െሺͲݔଵ ݔସ െ ͳݔସଶ െ ͳͶͷݔସ ሻߪଷ ǡ
య
డ
ቀ ቁ ൌ െሺͲݔଵ ݔଷ െ ͵Ͷݔଷ ݔସ െ ͳͶͷݔଷ ሻߪସ ǡ
డర′
dimana x1, x2, x3, dan x4 adalah nilai-nilai dari variabel-variabel yang sesuai pada titik kegagalan.
Untuk iterasi pertama, satu mengambil berarti sebagai nilai awal. Karena X4 adalah
memvariasikan EV1, yang memvariasikan yang normal setara harus ditentukan, seperti yang
ditunjukkan pada Contoh 9.9. Jadi,
൛ఃషభ ൣிೣర ൫௫ర ൯൧ൟ ൛ఃషభ ൣிೣర ሺହǤଵሻ൧ൟ
ߪସ כൌ ൌ
ೣర ൫௫ర ൯ ೣర ሺହǤଵሻ
dan
ߤସ כൌ ݔସ െ ߪସିߔ כଵ ൣܨ௫ర ൫ݔସ ൯൧ ൌ ͷǤͳ െ ͲǤͺͺͻͲݔǤͳ ൌ ͷǤͲͲʹ
juga,
డ
ቀ
డభ′
ቁ ൌ ሺ͵ͶͲͲ െ ͲͳݔǤͲͲݔͷǤͲͲʹሻͲݔǤͲͻ ൌ ʹͻʹǤͺ
డ
ቀడ ′ ቁ ൌ ͲǤͶͳݔͲ ൌ ͳͲͺǤͺ
మ
డ
ቀ
డయᇲ
ቁ ൌ െሺͲͲݔǤͶݔͷǤͲͲʹ ͳݔͷǤͲͲʹଶ ͳͶͷݔͷǤͲͲʹሻͲǤʹ ൌ െʹͶǤͻ
డ
ቀడ ᇲ ቁ ൌ െሺͲͲݔǤͶͳݔǤͲͲ ͵ͶͳݔǤͲͲݔͷǤͲͲʹ ͳͶͷͳݔǤͲͲሻͲݔǤͺͺͻ ൌ െ͵ʹͲǤͲͳǡ
ర
48
ିଷଶǤଵ
ߙସ ൌ െ ൌ െͲǤͳͲ
ξଶହହହ
ହǤ଼ିହǤଶ
ܺସሺ௨ሻ ൌ ͶǤͶ െ ͲǤ͵ ቄെ݈݊Ȱ ቂ Ǥ଼଼ଽ
ቃቅ ൌ ͷǤͺͷ
Setelah iterasi lebih lanjut, seperti yang ditunjukkan pada Tabel 6.2, nilai ߚ= 1,352 diperoleh.
Karena tidak ada perubahan lebih lanjut, keandalan struktur diperkirakan sebagaiȰ (1,352) =
0,912. Ini berarti bahwa risiko geser sekitar 9%. Simulasi juga dapat memberikan solusi untuk
ini masalah, seperti yang terlihat dalam karya Franco et al. (1986) dan Burcharth (1994).
49
Tabel 4.Evaluasi Dari Sliding Resiko dari Dinding Vertikal Breakwater Pelabuhan
50
51
Halaman ini sengaja dikosongkan.
52
Bab
Solusi praktis lebih lanjut. Solusi alternatif bagi mereka yang disajikan dalam subbagian
sebelumnya dapat digunakan untuk menerapkan disederhanakan metode untuk penilaian
kehandalan. Ini termasuk First Order Second moment (FOSM) metode dan pendekatan yang
diperoleh oleh ekspansi deret Taylor dan estimasi titik untuk mengevaluasi momen pertama dan
kedua-urutan variates atau indeks keamanan. Meskipun solusi ini memiliki tingkat tertentu
ketidaktelitian dalam menggambarkan sistem prototipe, mereka memberikan hasil yang
memuaskan dalam banyak kasus. Metode ini Oleh karena itu cukup menarik untuk solusi dari
masalah rekayasa.
Sebuah model keandalan disederhanakan, pertama kali diperkenalkan dalam desain baja
struktural, hanya menggunakan nilai dan koefisien variasi untuk X dan Y resistansi beban dalam
tertentu membatasi negara untuk mendapatkan keandalan β indeks, yang dihitung sebagai
ln( P X / PY )
E| ,
VX2 VY2
(7.1)
5
terlepas dari jenis distribusi X dan Y.
Hasil ini sangat dekat dengan 1,628 ditemukan di bawah asumsi independen dan
lognormally didistribusikan kekuatan dan beban
53
Hilangnya akurasi karena pendekatan ini mungkin dapat diabaikan dalam beberapa kasus.
Para Pendekatan FOSM berguna ketika informasi yang tersedia di variabel desain tidak
yang cukup untuk mengevaluasi distribusi mereka marjinal dan bersama dengan tingkat yang
memuaskan akurasi. Metode ini banyak diterapkan untuk mengevaluasi keandalan sistem
individu komponen dalam rekayasa struktural. Sebagai contoh, Load dan Resustant Factor
Design (LRFD) spesifikasi untuk baja struktural bangunan dikembangkan dengan menilai
7.2 Soal 14 : LRFD (Load Resistant Factor Design/Faktor2 Beban dan Tahanan)
54
= 1,6 untuk beban hidup. Untuk kasus tertentu beban-ke-mati-beban hidup rasio 3, diharapkan
jumlah μY beban diambil
ݍௗ ݍ ൌ ሺ͵ ͳሻݍௗ ൌ Ͷݍௗ
VY
dan = 0,19. Dari persamaan negara membatasi, kolom nominal resistensi ݎ dihitung
sebagai
ሺଵǤଶାଵǤൈଷሻ
ݎ ൌ ൌ ǤͲݍௗ
Ǥ଼ହ
Persamaan. (7.1),
୪୬ሺǡȀସǤሻ
ߚ ൎ ξǤହమ ൌ ʹǤͻͺͺ
ାǤଵଽమ
55
koefisien n ~ seragam (0,02, 0,04). Juga, Y, S, n, dan W diasumsikan independen dari satu sama
lain. Penerapan ekspansi deret Taylor memberikan
E [ X ] =340 m, Var[ X ] =0.1208 m²
2
Jika Z ~ N (4 m, 0.05 m²) adalah maksimum menjelajahi, seseorang dapat menghitung
2
keandalan Indeks β bawah asumsi X ~ N (3.40 m, 0.35 m²) independen Z.
ସିଷǡସ
ߚ ൌ ሺǡହమ ൌ ͳǤͳ
ାǤଷହమ ሻΦ
Titik metode estimasi .Seperti dalam metode deret Taylor, metode estimasi titik (Rosenblueth,
1975) menyediakan perkiraan saat-saat fungsi dari variabel acak dari mereka yang mendasari
variabel tanpa membutuhkan spesifikasi distribusi probabilitas bersama mereka. hal ini mungkin
untuk mendekati masalah kehandalan dengan metode ini, yang tidak memerlukan derivatif
membatasi fungsi negara. Metode ini menguntungkan karena sulit atau tidak mungkin
untuk mengevaluasi derivatif ketika, misalnya, negara membatasi bunga diberikan sebagai fungsi
implisit atau dalam bentuk grafik atau sebagai solusi elemen hingga. Jika Z = g
X1 , X 2 ,..., X i ,..., X m menunjukkan variabel acak Z yang merupakan fungsi dari m acak
zk g P1 K1kV 1 , P2 K2 kV 2 ..., Pm KmkV m , (7.2)
m
k 1 ¦ 2i 2 1 Kik . (7.3)
i 1
56
2m
E ª¬ Z r º¼ ¦S
k 1
z ,
r
k k (7.4)
Sk 2 m , (7.5)
§ m1 m ·
Sk 2 m ¨ ¦ ¦ KikK jk Uij ¸ , (7.6)
© i 1 j i 1 ¹
2
E >Z @ ¦S z
k k 0.5 z1 z2 , (7.7)
k 1
2
Var > Z @ E ª¬ Z 2 º¼ E 2 > Z @ ¦S z 0.25 z1 z2
2 2
k k
k 1
=0.5 z z 0.25 z z
2
2
1
2
2 1 2
(7.8)
=0.25 z 2 z z z .
2
1 1 2
2
2
Dalam kasus satu dimensi, wawasan dari metode ini adalah diberikan oleh analogi yang
dapat dibentuk antara fungsi kepadatan probabilitas dan beban vertikal didistribusikan pada
hanya didukung balok kaku horisontal. Nilai yang diharapkan adalah analog dari pusat
pembebanan, dan deviasi standar memberikan informasi mengenai tendensi sentral
dan terserak dari memvariasikan. Rosenblueth (1975) menyarankan bahwa informasi ini dapat
diekstraksi dari analogi balok dengan balok kaku panjang b, seperti ditunjukkan pada Gambar.
57
7.4 Soal 16 : Daya dukung tanah
yang merupakan fungsi dari sudut gesekan X. Salah satu keinginan untuk mengevaluasi
bagaimana mean dan standar deviasi dari Y dipengaruhi oleh variabilitas dalam sudut gesekan.
Penerapan Persamaan. (7.2) hasil
ఓ ఙ
ݕଵ ൌ ݊ܽݐସ ቀͶͷ െ ቁ
ଶ ଶ
ఓ ఙ
ݕଶ ൌ ݊ܽݐସ ቀͶͷ ቁ
ଶ ଶ
di mana μ dan σ menyatakan mean dan deviasi standar dari X, masing-masing. titik ini estimasi
yang digunakan dalam Pers. (7.7) dan (7.8) untuk memperoleh
ߤ௬ ൌ ͲǤͷሾ݊ܽݐସ ሺͶͷ ɊȀʹሻ െ ߪȀʹ ݊ܽݐସ ሺͶͷ ߤȀʹ ߪȀʹሿ,
ߪ௬ଶ ൌ ͲǤʹͷሾ ଼݊ܽݐሺͶͷ ɊȀʹሻ െ ߪȀʹ ଼݊ܽݐሺͶͷ ߤȀʹ ߪȀʹሿ
െ݊ܽݐସ ሺͶͷ ɊȀʹሻ െ ߪȀʹ ݊ܽݐସ ሺͶͷ ߤȀʹ ߪȀʹሿ.
Sebagai contoh, jika μ = 25ι dan koefisien variasi adalah V = 0,2 (yaitu, σ = 5 ͼ), nilai dari μY =
6,580 dan σY²= 5,863 diperoleh, sehingga koefisien variasi diperkiraka
Gambar 19.Perbandingan Point Estimate dan simulasi dg koefisien variasi dari bearing kap faktor Y dari tnh
58
4
E >Z @ ¦S z
k k 0.25U z1 z4 0.25U z2 z3
k 1
=0.25U z1 z4 z2 z3
59
Sejak X3 ̱ N (600 kW, 60² kW²), dengan asumsi Z ̱ N (858 kW, 216.0² kW²)
memberikan keamanan marjin S = Z- ܺ͵ sebagai S ̱ N (258 kW, 224.22² kW²). Dari
Persamaan. (9.1.13) indeks keandalan β diperkirakan sebagai
ఓೞ ଶହ଼
ߚൌ ఙೞ
ൌ ଶଶସǤଶଶ ൌ ͳǤͳͷ.
Nilai ini dapat dibandingkan dengan β = 1.23 ditemukan dalam Contoh 11 dengan
menggunakan analisis pendekatan.
7.6 KOMENTAR
Pada bagian ini kita telah membahas beberapa konsep dasar dan kriteria dalam analisis
risiko dan kehandalan. Ini termasuk faktor keamanan, margin keamanan, indeks reliabilitas, dan
kinerja fungsi. Sebagai solusi alternatif kami telah memperkenalkan secondmoment orde
pertama (FOSM) metode untuk desain resistensi faktor, Taylor pendekatan deret, dan
metode titik estimasi.
60
Chapter
Pada suatu pekerjaan disain maupun evaluasi struktur, faktor keamanan (safety factor)
atau keandalan (reliability) merupakan besaran yang sering dipakai untuk mengkuantifikasi
tingkat keamanan. Safety Factor memberikan gambaran tingkat keamanan dengan pendekatan
deterministik, dimana ditentukan dengan sebuah rasio kapasitas dibandingkan dengan beban,
atau singkatnya rasio dari Supply/Demand. Reliability memberikan gambaran tingkat keamanan
dengan pendekatan probabilistik, dimana besaran yang diberikan berupa sebuah probabilitas
keamanan struktur. Keamanan itu sendiri dinyatakan dengan sebuah performance function yang
berupa selisih dari Supply dan Demand. Dengan demikian, reliability memberikan informasi
tingkat keamanan yang lebih komprehensif, tetapi memang memerlukan perhitungan yang lebih
kompleks jika dibandingkan safety factor. Buku ini ditulis dengan tujuan untuk mengenalkan
konsep perhitungan reliability dalam struktur.
Empat buah persoalan diulas dalam buku ini, yang diambil dari buku referensi (Ang &
Tang, vol.2). Empat persoalan tersebut berdasarkan sebuah contoh permasalahan lentur pada
struktur. Besaran keamanan dinyatakan dengan sebuah performance function g=YZ-M, dimana
Y, Z, dan M masing-masing adalah mutu material (tegangan), modulus penampang, dan momen
akibat beban yang ditinjau. Persoalan ini dipelajari dengan peninjauan yang mencakup variasi
jenis distribusi random variabel Y, Z, dan M serta korelasi diantaranya. Empat buah variasi yang
dibahas adalah persoalan Uncorrelated Normal, Uncorrelated non-Normal, Correlated Normal,
dan Correlated non-Normal.
Persoalan akan dibahas dengan 2 metode, yaitu advanced method eksak (Ang&Tang
vol.2), serta matrix method (Nowak). Setiap cara ini diulas dengan 2 alat bantu software, yaitu
Matlab untuk alat bantu simulasinya, serta Mathcad untuk contoh perhituangan detailnya. Hasil
61
menunjukkan bahwa kedua cara konvergen pada nilai reliability yang sama. Dalam ke-4 kasus,
matrix method menunjukkan laju konvergensi yang lebih baik.
Selain bermanfaat sebagai alat bantu belajar problem reliability struktur pada ke-4 kasus
yang disajikan, alat bantu yang ada tetap dapat dipakai untuk evaluasi problem reliability yang
lain. Alat bantuk yang ada cukup dimodifikasi atau diprogram ulang pada bagian definisi
performance function dan definisi ekivalensi fungsi-fungsi distribusi non-normalnya.
The fully plastic flexural capacity of a steel beam section may be given as YZ, where
Y= The yield strength of steel
Z= Section modulus of the section.
Then, if the applied bending moment at the pertinent section is M, the performance
function may be defined as
g(X)=YZ-M
Assume that the variables are uncorrelated (lihat Contoh Soal 6.9 for the effects of
correlations). Suppose a beam with ܻത = 40 ksi and ܼҧ = 50 in3 is subjected to ܯ
ഥ = 1000 in-kips;
and the corresponding c.o.v.’s are
ΩY = 0.125 ; ΩZ = 0.05 ; ΩM = 0.20
Determine the reliability of the beam.
Untuk membahas persoalan di atas, bab ini akan dibagi menjadi beberapa bagian. Mula-
mula akan dibahas penyelesaian dengan cara Advanced Method eksak dengan referensi
Ang&Tang. Penjelasan dimulai dengan penyajian diagram alir/flowchart penyelesaiannya untuk
62
memperjelas metode. Flowchart ini diteruskan dengan contoh penyelesaiannya menggunakan
alat bantu software Mathcad, yang akan menyajikan secara lengkap langkah demi langkah
sebagaimana terlihat pada flowchart.
Setelah penyesaian problem dipahami dengan baik dengan membaca flowchart dan sajian
dalam Mathcad, sebuah alat bantu simulasi ditulis dalam software Matlab. Alat bantu ini bersifat
Graphical User Interface (GUI) yang akan sangat mudah dioperasikan. Program akan tampil
dalam 1 buah window yang berisi komponen input data, serta tombol “Run” untuk menganalisa,
dengan output langsung di window berupa beta index, risk, dan reliability, serta sebuah output
file (yang namanya dapat ditentukan pengguna) yang akan berisi table detail iterasi proses
perhitungan yang ada. Hal ini sangat berguna untuk melihat konvergensi dari proses yang
dipelajari, sekaligus kontrol terhadap proses perhitungan besaran-besaran penting pada setiap
iterasinya. Pembahasan cara ke-2, yakni metode Matrix dengan referensi Nowak, dilakukan
dengan kronologis yang sama.
63
8.1.2 Flowchart Cara Eksak (Ang-Tang vol.2)
START
ߪܺ ݅ ൌ πܺ ݅ ܺത݅
߲݃ሺܺሻ
߲ܺ݅Ԣ
߲݃ሺܺሻ
߲݃ሺܺሻ
൬ ൰
߲ܺ݅Ԣ כ
ߙܺ כԢ ൌ
݅
߲݃ሺܺሻ ʹ
ඨσ ൬ ൰
߲ܺ݅Ԣ כ
64
1
כ
Hitung ݔ௨ dengan mensubstitusikan
2
YA
FINISH
dgdY '
DY ' : 0.745
dgdY '2 dgdZ '2 dgdM '2
dgdZ '
DZ ' : 0.298
dgdY ' dgdZ '2 dgdM '2
2
dgdM '
DM ' : 0.596
dgdY '2 dgdZ '2 dgdM '2
dgdY '
DY ' : 0.747
dgdY '2 dgdZ '2 dgdM '2
dgdZ '
DZ ' : 0.224
dgdY ' dgdZ '2 dgdM '2
2
dgdM '
DM ' : 0.626
dgdY '2 dgdZ '2 dgdM '2
66
ystar : Ybar DY ' V Y E 28.613
zstar : Z bar D Z ' V Z E 48.294
mstar : M bar D M ' V M E 1381.809
Interation number 3
dgdY ' : V Y zstar 241.469
dgdZ ' : V Z ystar 71.531
dgdM ' : V M 200
dgdY '
DY ' : 0.751
dgdY '2 dgdZ '2 dgdM '2
dgdZ '
DZ ' : 0.222
dgdY ' dgdZ '2 dgdM '2
2
dgdM '
DM ' : 0.622
dgdY '2 dgdZ '2 dgdM '2
pS 99.8852 % pF 0.1148 %
Berikut ini adalah contoh pemrograman dalam m-file dilakukan di bawah fungsi
pushbutton 1 (tombol Run pada cara pertama) seperti berikut ini.
67
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
clear;clc;
tagku=guidata(gcbo);
Ybar=str2num(get(tagku.edit1,'string'));
covY=str2num(get(tagku.edit2,'string'));
Zbar=str2num(get(tagku.edit3,'string'));
covZ=str2num(get(tagku.edit4,'string'));
Mbar=str2num(get(tagku.edit5,'string'));
covM=str2num(get(tagku.edit6,'string'));
niter=str2num(get(tagku.edit7,'string'));
SigY=covY*Ybar;SigZ=covZ*Zbar;SigM=covM*Mbar;
n=1;ystar=Ybar;zstar=Zbar;mstar=Mbar;
syms Y Z M;
gX=Y*Z-M;
%Creates output Table
nameout=get(tagku.edit10,'string');
fout = fopen(nameout,'w');
fprintf(fout,'Table E6.7 Summary of Iteration for Example 6.7 - Ang & Tang\n');
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
fprintf(fout,'Ite- Variable Assumed (delg/delXi`)* alphaxi* New xi*\n');
fprintf(fout,'ration Xi Failure \n');
fprintf(fout,'No. Point xi* \n');
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
while n<(niter+1)
delgYprime=SigY*zstar;
delgZprime=SigZ*ystar;
delgMprime=-SigM;
alphaYprime=delgYprime/sqrt(delgYprime^2+delgZprime^2+delgMprime^2);
alphaZprime=delgZprime/sqrt(delgYprime^2+delgZprime^2+delgMprime^2);
68
alphaMprime=delgMprime/sqrt(delgYprime^2+delgZprime^2+delgMprime^2);
syms bet;
ystarup=Ybar-alphaYprime*SigY*bet;
zstarup=Zbar-alphaZprime*SigZ*bet;
mstarup=Mbar-alphaMprime*SigM*bet;
gXX=subs(gX,{Y,Z,M},{ystarup,zstarup,mstarup});
gXX=[char(gXX),'=0'];
beta=solve(gXX,'bet');
beta=min(str2num(char(beta(1))),str2num(char(beta(2))));
fprintf(fout,' Y %7.2f %7.2f %7.3f %7.2f (+) %7.3f beta\n',...
ystar,delgYprime,alphaYprime,Ybar,-alphaYprime*SigY);
fprintf(fout,'%2d Z %7.2f %7.2f %7.3f %7.2f (+) %7.3f beta\n',...
n,zstar,delgZprime,alphaZprime,Zbar,-alphaZprime*SigZ);
fprintf(fout,' M %7.2f %7.2f %7.3f %7.2f (+) %7.3f beta\n',...
mstar,delgMprime,alphaMprime,Mbar,-alphaMprime*SigM);
fprintf(fout,' beta = %10.7f \n\n',beta);
ystarup=subs(ystarup,beta);
zstarup=subs(zstarup,beta);
mstarup=subs(mstarup,beta);
ystar=ystarup;
zstar=zstarup;
mstar=mstarup;
n=n+1;
end
set(tagku.edit8,'string',num2str(beta));
syms x;
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
pS=int(fx,x,-100,beta);
pS=char(pS);
pS=str2num(pS);pS=100*pS;
pF=100-pS;
69
set(tagku.edit9,'string',num2str(pF));
set(tagku.edit15,'string',num2str(pS));
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
fprintf(fout,'RISK from last iteration (pF %s) = %10.8f\n',char(37),pF);
fprintf(fout,'RELIABILITY from last iteration (pS %s) = %10.8f',char(37),pS);
fclose(fout);
Gambar 1.3. Window GUI alat bantu Matlab – Uncorrelated Normal (Ang & Tang)
Dalam menggunakan program ini, pengguna cukup mengubah besaran input, jumlah iterasi
yang diinginkan (default=1), default output file (default ex67a.txt untuk cara Ang & Tang dan
ex67b.txt untuk cara Nowak). Kemudian pengguna cukup menekan tombol “Run” untuk analisa
70
baik cara pertama maupun kedua (catatan : program Matlab ini sengaja menggabungkan 2 sub-
routine untuk ke-2 cara, agar pengguna dapat membandingkan hasil ke-2 dengan lebih mudah).
Contoh hasil untuk 3 iterasi dapat dilihat pada Gambar 1.3 dan Tabel 1.1.
Tabel 1.1. Output Hasil Program Matlab – Uncorrelated Normal (Ang & Tang)
Selanjutnya persoalan akan dibahas ulang dengan menggunakan metode ke-2 (cara Matrix
dengan referensi Nowak).
71
8.1.5 Flowchart Cara Matrik
START
ߪܺ ݅ ൌ πܺ ݅ ܺത݅ ; ߤܺ ݅ ൌ ܺത݅
2
כ݅ݔെ ߤܺ ݅
כ݅ݖൌ
ߪܺ ݅
ͳܩ
ܩ
ሼܩሽ ൌ ൞ ʹ ൢ
ڭ
݊ܩ
߲݃ሺܺሻ ߲݃ሺܺሻ
݅ܩൌ െ ൌെ ߪ
߲ܼ݅ ߲ܺ݅ ܺ ݅
כͳݖ
כݖ
ሼ כ ݖሽ ൌ ൞ ʹ ൢ
ڭ
כ݊ݖ
ሼܩሽ் ሼ כ ݖሽ
ߚൌ
ඥሼܩሽ் ሼܩሽ
ሼܩሽ
ሼߙሽ ൌ
ඥሼܩሽ் ሼܩሽ
כ כ
ݔ௨ ൌ ߤ ݖ௨ ߪ untuk ݅ ൌ ͳ ՜ ሺ݊ െ ͳሻ
2 כ
ݔ௨ כ
ൌ hitung dari ݃ሺݔ௨ )=0
FINISH
73
8.1.6 Penyelesaian (Mathcad) Cara Matriks (Nowak)
Interation number 1
ystar PY zstar PZ mstar PM
z1star : 0 z 2 star : 0 z3star : 5
VY VZ VM
d
G1 Y , Z , M : g Y , Z , M V Y o 5 Z
§ z1star · §0· dY
¨ ¸ ¨ ¸ d
zstar : ¨ z2 star ¸ ¨0¸ G 2 Y , Z , M : g Y , Z , M V Z o 2.5 Z
¨z ¸ ¨5¸ dZ
© 3 star ¹ © ¹ d
G 3 Y , Z , M : g Y , Z , M V M o 200
dM
§ G1 ystar , zstar , mstar · § 250`·
¨ ¸ ¨ ¸
Gstar : ¨ G2 ystar , zstar , mstar ¸ ¨ 100 ¸
¨G y , z ,m ¸ ¨ 200 ¸
© 3 star star star ¹ © ¹
§ 0.745 ·
Gstar T zstar Gstar ¨ ¸
E: 2.981 D := ¨ 0.298 ¸
Gstar T Gstar Gstar T Gstar ¨ 0.596 ¸
© ¹
z1starup : D 0 E 2.222 z2 starup : D1 E 0.889
ystarup : PY z1starup V Y 28.889 zstarup : PZ z2 starup V Z 47.778
74
Given g ystarup , zstarup , M 0 M:=P M m starup : Find M 1380.247
ystar : ystarup 28.889 z star : zstarup 47.778 m star : mstarup 1380.247
Interation number 2
ystar PY zstar PZ mstar P M
z1star : 2.222 z 2 star : 0.889 z 3star : 1.901
VY VZ VM
d
G1 (Y , Z , M ) : g Y , Z , M V Y o 5 Z
dY
§ z1star · § 2.222 ·
¨ ¸ ¨ ¸ G2 (Y , Z , M ) :
d
g Y , Z , M V Z o 2.5 Y
zstar : ¨ z2 star ¸ ¨ 0.889 ¸ dZ
¨z ¸ ¨ 1.901 ¸
© 3star ¹ © ¹ d
G3 (Y , Z , M ) : g Y , Z , M V M o 200
dM
§ G1 ystar , zstar , mstar · § 238.889 ·
¨ ¸ ¨ ¸
Gstar : ¨ G2 ystar , zstar , mstar ¸ ¨ 72.222 ¸
¨G y , z ,m ¸ ¨ 200 ¸
© 3 star star star ¹ © ¹
§ 0.747 ·
Gstar T zstar Gstar ¨ ¸
E: 3.05 D := ¨ 0.226 ¸
Gstar T Gstar Gstar T Gstar ¨ 0.625 ¸
© ¹
z1starup : D 0 E 2.278 z 2 starup : D1 E 0.689
ystarup : PY z1starup V Y 28.611 z starup : PZ z2 starup V Z 48.278
Given g ystarup , zstarup , M 0 M:=PM m starup : Find M 1381.273
ystar : ystarup 28.611 z star : zstarup 48.278 m star : mstarup 1381.273
Interation number 3
ystar PY zstar PZ mstar PM
z1star : 2.278 z 2 star : 0.689 z3star : 1.906
VY VZ VM
d
G1 Y , Z , M : g Y , Z , M V Y o 5 Z
dY
§ z1star · § 2.278 ·
¨ ¸ ¨ ¸ G2 Y , Z , M :
d
g Y , Z , M V Z o 2.5 Y
zstar : ¨ z2 star ¸ ¨ 0.689 ¸ dZ
¨z ¸ ¨ 1.906 ¸
© 3star ¹ © ¹ d
G3 Y , Z , M : g Y , Z , M V M o 200
dM
75
§ G1 ystar , zstar , mstar · § 241.392 ·
¨ ¸ ¨ ¸
Gstar : ¨ G2 ystar , zstar , mstar ¸ ¨ 71.527 ¸
¨G y , z ,m ¸ ¨ 200 ¸
© 3 star star star ¹ © ¹
§ 0.751 ·
Gstar T zstar Gstar ¨ ¸
E: 3.049 D := ¨ 0.222 ¸
Gstar T Gstar Gstar T Gstar ¨ 0.622 ¸
© ¹
z1starup : D 0 E 2.289 z 2 starup : D1 E 0.678
ystarup : PY z1starup V Y 28.555 z starup : PZ z2 starup V Z 48.304
Given g ystarup , zstarup , M 0 M:=PM m starup : Find M 1379.312
ystar : ystarup 28.555 z star : zstarup 48.304 m star : mstarup 1379.312
pS 99.8852 % pF 0.1148 %
Berikut ini adalah contoh pemrograman dalam m-file dilakukan di bawah fungsi
pushbutton 2 (tombol Run pada cara kedua) seperti berikut ini.
77
beta=(transpose(G)*xprime)/sqrt(transpose(G)*G);
alpha=G/sqrt(transpose(G)*G);
ypstar_up=alpha(1)*beta;
zpstar_up=alpha(2)*beta;
ystar_up=Ybar+ypstar_up*SigY;
zstar_up=Zbar+zpstar_up*SigZ;
mstar_up=ystar_up*zstar_up;
fprintf(fout,' Y %7.2f %7.2f %7.2f %7.3f %7.2f\n',...
ystar,ypstar,G1,alpha(1),ystar_up);
fprintf(fout,'%2d Z %7.2f %7.2f %7.2f %10.5f %7.3f %7.2f\n',...
n,zstar,zpstar,G2,beta,alpha(2),zstar_up);
fprintf(fout,' M %7.2f %7.2f %7.2f %7.3f %7.2f\n\n',...
mstar,mpstar,G3,alpha(3),mstar_up);
ystar=ystar_up;
zstar=zstar_up;
mstar=mstar_up;
n=n+1;
end
set(tagku.edit12,'string',num2str(beta));
syms x;
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
pS=int(fx,x,-100,beta);
pS=char(pS);
pS=str2num(pS);pS=100*pS;
pF=100-pS;
set(tagku.edit13,'string',num2str(pF));
set(tagku.edit16,'string',num2str(pS));
fprintf(fout,'------------------------------------------------------------------------------------------\n');
fprintf(fout,'RISK from last iteration (pF %s) = %10.8f\n',char(37),pF);
fprintf(fout,'RELIABILITY from last iteration (pS %s) = %10.8f',char(37),pS);
fclose(fout)
78
Contoh hasil untuk 3 iterasi dapat dilihat pada Gambar 1.3 dan Tabel 1.2.
Tabel 1.2. Output Hasil Program Matlab – Uncorrelated Normal (Nowak)
Suppose the random variables in Example 6.7 are nonnormal, with the following
distribution :
Y = Lognormal
Z = Lognormal
Z = Type I asymptotic extreme
Assume that the variables are uncorrelated (see Example 6.10 for the effect of
correlations).
79
Using the same statistics of the design variables as in Example 6.7, namely, ܻത = 40 ksi, π
= 0.125; ܼҧ = 50 in3, π = 0.05; ܯ
ഥ = 1000 in-kips, πெ = 0.20, determine the reliability of the
beam.
Untuk membahas persoalan di atas, bab ini akan dibagi menjadi beberapa bagian. Mula-
mula akan dibahas penyelesaian dengan cara Advanced Method eksak dengan referensi
Ang&Tang. Penjelasan dimulai dengan penyajian diagram alir/flowchart penyelesaiannya untuk
memperjelas metode. Flowchart ini diteruskan dengan contoh penyelesaiannya menggunakan
alat bantu software Mathcad, yang akan menyajikan secara lengkap langkah demi langkah
sebagaimana terlihat pada flowchart.
Setelah penyesaian problem dipahami dengan baik dengan membaca flowchart dan sajian
dalam Mathcad, sebuah alat bantu simulasi ditulis dalam software Matlab. Alat bantu ini bersifat
Graphical User Interface (GUI) yang akan sangat mudah dioperasikan. Program akan tampil
dalam 1 buah window yang berisi komponen input data, serta tombol “Run” untuk menganalisa,
dengan output langsung di window berupa beta index, risk, dan reliability, serta sebuah output
file (yang namanya dapat ditentukan pengguna) yang akan berisi table detail iterasi proses
perhitungan yang ada. Hal ini sangat berguna untuk melihat konvergensi dari proses yang
dipelajari, sekaligus kontrol terhadap proses perhitungan besaran-besaran penting pada setiap
iterasinya. Pembahasan cara ke-2, yakni metode Matrix dengan referensi Nowak, dilakukan
dengan kronologis yang sama.
80
8.2.2 Flowchart Cara Eksak (Ang-Tang vol.2)
START
ߪܺ ݅ ൌ πܺ ݅ ܺത݅
Case Lognormal
ߞܺ ݅ ൌ πܺ ݅
ͳ
ߣܺ ݅ ൌ ݈݊ሺܺത݅ ሻ െ ߞܺ ݅ ʹ
ʹ
ߪܺܰ݅ ሺ כ݅ݔሻ ൌ ݅ ܺߞ כ݅ݔ
ߤܺܰ݅ ሺ כ݅ݔሻ ൌ כ݅ݔ൫ͳ െ ݈݊ሺ כ݅ݔሻ ߣܺ ݅ ൯
81
1
Hitung ߪே ሺݔ כሻ & ߤே ሺݔ כሻ dengan substitusi
כ
߲݃ሺܺሻ ߲݃ሺܺሻ ே
ൌ ߪ
߲ܺᇱ ߲ܺ
డሺሻ
Hitung ൬ డᇲ
൰ dengan substitusi ܺ dengan
כ
ݔכ
ே
߲݃ሺܺሻ
൬ ൰
߲ܺᇱ כ
ߙ כᇲ ൌ
߲݃ሺܺሻ ଶ
ඨσ ൬ ൰
߲ܺᇱ כ
82
2
כ
Hitung ݔ௨ dengan mensubstitusikan
3
YA
FINISH
V Y : Ybar :Y 5
V Z : Z bar :Z 2.5
V M : M bar :Z 200
] Y : :Y 0.125 ] Z : :Z 0.05
1 1
OY : 1n Ybar ] Y 2 3.681 OZ : 1n Zbar ] Z 2 3.911
2 2
83
V YN ystar : ystar ] Y V ZN zstar : zstar ] Z
PYN ystar : ystar 1 1n ystar OY PZN zstar : zstar 1 1n zstar OZ
3 1 0.577
DM : 6.413 x 103 u M : M bar 910.023
6 VM DM
D
mstar u ª D m u e D M mstar uM º
FM mstar : e e f M mstar : D M e ¬« »¼
M M M star M
Interation number 1
e
0.5 x
2
I FM
N x : Given ³ N x dx FM mstar
23 10
N )FM
V MN : 191.219 P MN : mstar V MN )FM 966.125
f M mstar
dgdY'
α Y' 0.757
2 2 2
dgdY' dgdZ' dgdM'
dgdZ'
α Z' 0.303
2 2 2
dgdY' dgdZ' dgdM'
dgdM'
α M' 0.579
2 2 2
dgdY' dgdZ' dgdM'
84
Given
P y D
YN star Y' V YN ystar E P ZN zstar D Z ' V ZN zsatr E P MN D M ' V MN E
E : 1 E :=Find E 3.167
Updated failure point for next interation
Interation number 2
N )FM
V MN : 309.389 PMN : mstar V MN )FM 862.485
f M mstar
dgdY'
α Y' 0.462
2 2 2
dgdY' dgdZ' dgdM'
dgdZ'
α Z' 0.185
2 2 2
dgdY' dgdZ' dgdM'
dgdM'
α M' 0.868
2 2 2
dgdY' dgdZ' dgdM'
Given
P y D
YN star Y' V YN ystar E PZN zstar D Z ' V ZN zstar E PMN D M ' V MN E
85
E : 1 E :=Find E 2.801
Interation number 3
e
0.5x
2
)FM
N x : Given ³ N x dx=FM mstar
23 10
dgdY '
DY ' : 0.432
dgdY '2 dgdZ '2 dgdM '2
dgdZ '
DZ ' : 0.173
dgdY ' dgdZ '2 dgdM '2
2
dgdM '
DM ' : 0.885
dgdY '2 dgdZ '2 dgdM '2
Given
P y D
YN star Y' V YN ystar E PZN zstar D Z ' V ZN zstar E PMN D M ' V MN E
E : 1 E :=Find E 2.741
86
ystar : PYN ystar DY ' V YN ystar E 34.213
zstar : P ZN zstar D Z ' V ZN zstar E 48.769
mstar : P MN D M ' V MN E 1668.505
0.5x
2
E
e
f x : pS : ³ f x dx p F : 1 pS
23 10
pS 99.6935 % pF 0.3065 %
8.2.4 Penyelesain dengan program bantu (MATLAB) Cara Eksak (Ang-Tang vol.2)
Berikut ini adalah contoh pemrograman dalam m-file dilakukan di bawah fungsi
pushbutton 1 (tombol Run pada cara pertama) seperti berikut ini.
88
SigMN=phi/fM;miuMN=mstar-SigMN*i;
delgYprime=SigYN*zstar;
delgZprime=SigZN*ystar;
delgMprime=-SigMN;
alphaYprime=delgYprime/sqrt(delgYprime^2+delgZprime^2+delgMprime^2);
alphaZprime=delgZprime/sqrt(delgYprime^2+delgZprime^2+delgMprime^2);
alphaMprime=delgMprime/sqrt(delgYprime^2+delgZprime^2+delgMprime^2);
syms bet;
ystarup=miuYN-alphaYprime*SigYN*bet;
zstarup=miuZN-alphaZprime*SigZN*bet;
mstarup=miuMN-alphaMprime*SigMN*bet;
gXX=subs(gX,{Y,Z,M},{ystarup,zstarup,mstarup});
gXX=[char(gXX),'=0'];
beta=solve(gXX,'bet');
beta=min(str2num(char(beta(1))),str2num(char(beta(2))));
fprintf(fout,' Y %7.2f %7.3f %7.3f %8.3f %7.3f %7.2f (+)
%7.3f beta\n',...
ystar,SigYN,miuYN,delgYprime,alphaYprime,miuYN,-
alphaYprime*SigYN);
fprintf(fout,'%2d Z %7.2f %7.3f %7.3f %8.3f %7.3f %7.2f
(+) %7.3f beta\n',...
n,zstar,SigZN,miuZN,delgZprime,alphaZprime,miuZN,-alphaZprime*SigZN);
fprintf(fout,' M %7.2f %7.3f %7.3f %8.3f %7.3f %7.2f (+)
%7.3f beta\n',...
mstar,SigMN,miuMN,delgMprime,alphaMprime,miuMN,-
alphaMprime*SigMN);
fprintf(fout,' beta = %10.7f \n\n',beta);
ystarup=subs(ystarup,beta);
zstarup=subs(zstarup,beta);
mstarup=subs(mstarup,beta);
ystar=ystarup;
89
zstar=zstarup;
mstar=mstarup;
n=n+1;
end
set(tagku.edit8,'string',num2str(beta));
syms x;
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
pS=int(fx,x,-100,beta);
pS=char(pS);
pS=str2num(pS);pS=100*pS;
pF=100-pS;
set(tagku.edit9,'string',num2str(pF));
set(tagku.edit15,'string',num2str(pS));
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
fprintf(fout,'RISK from last iteration (pF %s) = %10.8f\n',char(37),pF);
fprintf(fout,'RELIABILITY from last iteration (pS %s) = %10.8f',char(37),pS);
fclose(fout);
Dalam menggunakan program ini, pengguna cukup mengubah besaran input, jumlah iterasi
yang diinginkan (default=1), default output file (default ex68a.txt untuk cara Ang & Tang dan
ex68b.txt untuk cara Nowak). Kemudian pengguna cukup menekan tombol “Run” untuk analisa
baik cara pertama maupun kedua (catatan : program Matlab ini sengaja menggabungkan 2 sub-
routine untuk ke-2 cara, agar pengguna dapat membandingkan hasil ke-2 dengan lebih mudah).
Contoh hasil untuk 3 iterasi dapat dilihat pada Gambar 2.4 dan Tabel 2.1.
Selanjutnya persoalan akan dibahas ulang dengan menggunakan metode ke-2 (cara Matrix
dengan referensi Nowak).
90
Berikut ini adalah contoh dari program yang telah dijalankan.
Gambar 2.4. Window GUI alat bantu Matlab – Uncorrelated non-Normal (Ang & Tang)
Tabel 2.1. Output Hasil Program Matlab – Uncorrelated Normal (Ang & Tang)
91
8.2.5 Flowchart Cara Matriks (Nowak)
START
݂ ሺݔ ሻ ൌ ߙ ݁ ݔ൬െߙ ൫ݔ െ ݑ ൯ െ ݁ ݔቀെߙ ൫ݔ െ ݑ ൯ቁ൰
1
Gambar 2.5. Flowchart Kasus 2 cara Nowak - Matrix
92
1
3
ܩଵ
ܩଶ
ሼܩሽ ൌ ൞ ൢ
ڭ
ܩ
߲݃ሺܺሻ ߲݃ሺܺሻ ே
ܩ ൌ െ ൌെ ߪ
߲ܼ ߲ܺ
ݖଵכ
כݖ
ሼ כ ݖሽ ൌ ൞ ଶ ൢ
ڭ
ݖכ
ሼܩሽ் ሼ כ ݖሽ
ߚൌ
ඥሼܩሽ் ሼܩሽ
ሼܩሽ
ሼߙሽ ൌ
ඥሼܩሽ் ሼܩሽ
2
Gambar 2.6. Flowchart Kasus 2 cara Nowak – Matrix (lanjutan 1)
93
2
כ כ
ݔ௨ ൌ ߤே ݖ௨ ߪே untuk ݅ ൌ ͳ ՜ ሺ݊ െ ͳሻ
3 כ
ݔ௨ כ
ൌ hitung dari ݃ሺݔ௨ )=0
YA
FINISH
Example 6.8 buku Ang & Tang Vol.2 Uncorrelated non-Normals-cara Matrix (Norwak)
Input parameter
V Y : Ybar :Y 5 PY : YBar 40
V Z : Zbar :Z 2.5 PZ : Zbar 50
V M : M bar :M 200 PM : M bar 1000
94
Ekivalensi ke distribusi normal
] Y : :Y 0.125 ] Z : :Z 0.05
1 1
OY : 1n Ybar ] Y 2 3.681 OZ : 1n Zbar ] Z 2 3.911
2 2
V YN ystar : ystar ] Y V ZN zstar : zstar ] Z
PYN ystar : ystar 1 1n ystar OY PZN zstar : zstar 1 1n zstar OZ
3 1 0.577
DM : 6.413 x 103 P M : M bar 910.023
6 MV DM
D M mstar uM ª D m u e D M mstar uM º
FM mstar : e e f M mstar : D M e ¬« »¼
M star M
ystar : PY 40 zstar : PZ 50
Given g ystar , zstar , M 0 M:=PM mstar : Find M 2000
Interation number 1
e
0.5x
2
)FM
N x : Given ³ N x dx FM mstar
23 10
N )FM
V MN : 528.855 P MN : mstar V MN )FM 352.809
f M mstar
ystar PYN ystar zstar PZN zstar
z1star : 0.063 z 2 star : 0.025
V YN ystar V ZN zstar
§ z1star · § 0.063 ·
mstar PMN ¨ ¸ ¨ ¸
z3star : 3.115 z star : ¨ z2 star ¸ ¨ 0.025 ¸
V MN ¨z ¸ ¨ 3.115 ¸
© 3star ¹ © ¹
95
d
G1 Y , Z , M : g Y , Z , M V YN ystar o 5.0 Z
dY
d
G2 Y , Z , M : g Y , Z , M V ZN z star o 2.5 Y
dZ
d
G3 Y , Z , M : g Y , Z , M V MN o 528.85464382630153
dM
§ 0.421 ·
Gstar T zstar Gstar ¨ ¸
E: 2.745 D := ¨ 0.169 ¸
Gstar T Gstar Gstar T Gstar ¨ 0.891 ¸
© ¹
Interation number 2
e
0.5x
2
)FM
N (x):= Given ³ N x dx=FM mstar
23 10
N )FM
V MN : 426.302 PMN : mstar V MN )FM 635.37
f M mstar
96
ystar PYN ystar zstar PZN zstar
z1star : 1.26 z 2 star : 0.469
V YN ystar V ZN zstar
§ z1star · § 1.26 ·
mstar PYN ystar ¨ ¸ ¨ ¸
z3star :
V MN
2.389 z star : ¨ z2 star ¸ ¨ 0.469 ¸
¨z ¸ ¨ 2.389 ¸
© 3star ¹ © ¹
d
G1 Y , Z , M : g Y , Z , M V YN ystar o 4.238192560505678 Z
dY
d
G2 Y , Z , M : g Y , Z , M V ZN z star o 2.4390554048404539 Y
dZ
d
G3 Y , Z , M : g Y , Z , M V MN o 426.30194176926722
dM
§ 0.43 ·
Gstar T zstar Gstar ¨ ¸
E: 2.74 D := ¨ 0.172 ¸
Gstar T Gstar Gstar T Gstar ¨ 0.886 ¸
© ¹
Interation number 3
97
0.5x
2
)FM
e
N (x):= Given ³ N x dx=FM mstar
23 10
N )FM
V MN : 431.664 PMN : mstar V MN )FM 622.453
f M mstar
§ z1star · § 1.178 ·
mstar PYN ¨ ¸ ¨ ¸
z3star :
V MN
2.428 z star : ¨ z2 star ¸ ¨ 0.471 ¸
¨z ¸ ¨ 2.428 ¸
© 3star ¹ © ¹
d
G1 Y , Z , M : g Y , Z , M V YN ystar o 4.281677684001625 Z
dY
d
G2 Y , Z , M : g Y , Z , M V ZN z star o 2.4387465761173914 Y
dZ
d
G3 Y , Z , M : g Y , Z , M V MN o 431.66409070833816
dM
§ 0.429 ·
Gstar T zstar Gstar ¨ ¸
E: 2.74 D := ¨ 0.172 ¸
Gstar T Gstar Gstar T Gstar ¨ 0.887 ¸
© ¹
98
Probability of Safe (pS) & Probability of Failure (pF)
0.5x
2
E
e
f x : pS : ³ f x dx p F : 1 pS
23 10
pS 99.6928 % pF 0.3072 %
Berikut ini adalah contoh pemrograman dalam m-file dilakukan di bawah fungsi
pushbutton 2 (tombol Run pada cara kedua) seperti berikut ini.
100
mpstar=(mstar-miuMN)/SigMN;
G1=-
diff(gX,Y)*SigYN;G1=subs(G1,{'Y','Z','M'},{ystar,zstar,mstar});G1=char(G1);G1=str2num(G1)
;
G2=-
diff(gX,Z)*SigZN;G2=subs(G2,{'Y','Z','M'},{ystar,zstar,mstar});G2=char(G2);G2=str2num(G2)
;
G3=-diff(gX,M)*SigMN;G3=subs(G3,{'Y','Z','M'},{ystar,zstar,mstar});
G=[G1;G2;G3];
xprime=[ypstar;zpstar;mpstar];
beta=(transpose(G)*xprime)/sqrt(transpose(G)*G);
alpha=G/sqrt(transpose(G)*G);
ypstar_up=alpha(1)*beta;
zpstar_up=alpha(2)*beta;
ystar_up=miuYN+ypstar_up*SigYN;
zstar_up=miuZN+zpstar_up*SigZN;
mstar_up=ystar_up*zstar_up;
fprintf(fout,' Y %7.2f %7.2f %7.2f %7.3f %7.2f\n',...
ystar,ypstar,G1,alpha(1),ystar_up);
fprintf(fout,'%2d Z %7.2f %7.2f %7.2f %10.5f %7.3f %7.2f\n',...
n,zstar,zpstar,G2,beta,alpha(2),zstar_up);
fprintf(fout,' M %7.2f %7.2f %7.2f %7.3f %7.2f\n\n',...
mstar,mpstar,G3,alpha(3),mstar_up);
ystar=ystar_up;
zstar=zstar_up;
mstar=mstar_up;
n=n+1;
end
set(tagku.edit12,'string',num2str(beta));
syms x;
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
101
pS=int(fx,x,-100,beta);
pS=char(pS);
pS=str2num(pS);pS=100*pS;
pF=100-pS;
set(tagku.edit13,'string',num2str(pF));
set(tagku.edit16,'string',num2str(pS));
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
fprintf(fout,'RISK from last iteration (pF %s) = %10.8f\n',char(37),pF);
fprintf(fout,'RELIABILITY from last iteration (pS %s) = %10.8f',char(37),pS);
fclose(fout);
Contoh hasil untuk 3 iterasi dapat dilihat pada Gambar 2.4 dan Tabel 2.2.
102
8.3 CORRELATED NORMAL, Contoh Soal 6.9 Ang & Tang Vol.2
8.3.1 Deskripsi Soal
Referensi : “Tabel 2.1. Output Hasil Program Matlab – Uncorrelated Normal (Ang &
Tang)”, Volume II. Decision, Risk, and Reliability. Alfredo H-S.ANG, Wilson H.TANG.
Example 6.9, halaman 365-368.
Consider the problem of Example 6.7 again. However, assume that the design random
variables Y and Z are now partially correlated with ߩǡ = 0.40. Again, the statistics of the
design variables are : ܻത = 40 ksi, π = 0.125; ܼҧ = 50 in3, π = 0.05; ܯ
ഥ = 1000 in-kips, πெ =
0.20, determine the reliability of the beam.
Untuk membahas persoalan di atas, bab ini akan dibagi menjadi beberapa bagian. Mula-
mula akan dibahas penyelesaian dengan cara Advanced Method eksak dengan referensi
Ang&Tang. Penjelasan dimulai dengan penyajian diagram alir/flowchart penyelesaiannya untuk
memperjelas metode. Flowchart ini diteruskan dengan contoh penyelesaiannya menggunakan
alat bantu software Mathcad, yang akan menyajikan secara lengkap langkah demi langkah
sebagaimana terlihat pada flowchart.
Setelah penyesaian problem dipahami dengan baik dengan membaca flowchart dan sajian
dalam Mathcad, sebuah alat bantu simulasi ditulis dalam software Matlab. Alat bantu ini bersifat
Graphical User Interface (GUI) yang akan sangat mudah dioperasikan. Program akan tampil
dalam 1 buah window yang berisi komponen input data, serta tombol “Run” untuk menganalisa,
dengan output langsung di window berupa beta index, risk, dan reliability, serta sebuah output
file (yang namanya dapat ditentukan pengguna) yang akan berisi table detail iterasi proses
perhitungan yang ada. Hal ini sangat berguna untuk melihat konvergensi dari proses yang
dipelajari, sekaligus kontrol terhadap proses perhitungan besaran-besaran penting pada setiap
iterasinya. Pembahasan cara ke-2, yakni metode Matrix dengan referensi Nowak, dilakukan
dengan kronologis yang sama.
103
8.3.2 Flowchart Cara Eksak (Ang-Tang vol.2)
START
1
Gambar 3.1. Flowchart Kasus 3 cara Ang &
104
1
߲݃ሺܻሻ
߲ܻ
డሺሻ
Hitung డ
padaݕכ
డሺሻ
ቀ ቁ = substitusi ܻ dengan
డ כ
߲݃ሺܻሻ
൬ ൰
߲ܻ כඥߣ
ߙ כ ൌ
߲݃ሺܻሻ ଶ
ඨσ ൬ ൰ ߣ
߲ܻ כ
105
2
כ
Hitung ݕ௨ dengan mensubstitusikan
כ כ
Transformasi ݕ௨ menjadi ݔ௨
כ כ
3 ݔ௨ =substitusi ܻ dengan ݕ௨
YA
FINISH
106
8.3.3 Penyelesaian (Mathcad) Cara Eksak (Ang-Tang vol.2)
Input parameter
V Y : Ybar :Y 5
V Z : Z bar :Z 2.5
V M : M bar :M 200
ª § Y1 · º § 3.5355339059327373 Y 1 3.5355339059327373 Y 2 ·
« ¨ ¸ » ¨ ¸
X Y1, Y 2, Y 3 : «V X T ¨ Y 2 ¸ P X » o ¨1.76776695296636865 Y 1 1.76776695296636865 Y 2 ¸
«¬ ¨Y 3 ¸ »¼ ¨© 200 Y 3 1000 ¸
© ¹ ¹
107
ª § Y1 · º § 3.5355339059327373 Y1 3.5355339059327373 Y2
X( Y1 Y2 Y3 ) σ X T Y2 μ X o ¨ 1.76776695296636865 Y1 1.76776695296636865 Y2
« ¨ ¸ »
« ¨ ¸ » ¨
¬ © Y3 ¹ ¼ © 200 Y3 1000
Interation number 1
g Y 1, Y 2, Y 3 : X Y 1, Y 2, Y 30 X Y 1, Y 2, Y 3 1 X Y 1, Y 2, Y 3 2
ystar Ybar zstar zbar mstar M bar
y pstar : 0 z pstar : 0 m pstar : 0
VY VZ VM
§ y pstar · §0·
¨ ¸ ¨ ¸
Ystar : T ¨ z pstar ¸
T
¨0¸
¨ ¸ ¨0¸
© m pstar ¹ © ¹
d
dgdY 1Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 12.49999999999997723 Y 1 247.4873734152916
dY 1
d
dgdY 2 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 12.49999999999997723 Y 2 106.066017177982
dY 2
d
dgdY 3 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 200
dY 3
dgdY 1star : dgdY 1Ystar0 , Ystar1 , Ystar2 o 247.487373415291611
dgdY 2star : dgdY 2 Ystar0 , Ystar1 , Ystar2 o 106.066017177982119
dgdY 3star : dgdY 3 Ystar0 , Ystar1 , Ystar2 o 200
dgdY1star O0,0
DY 1 : 0.804
dgdY1star 2 O0,0 dgdY 2star 2 O1,1 dgdY 3star 2 O2,2
dgdY 2star O1,1
DY 2 : 0.226
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
dgdY 3star O2,2
DY 3 : 0.549
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
108
Ystar1up E : DY 1 O0,0 E o 0.95186014511011890951
Ystar 2up E : DY 2 O1,1E o 0.17483145522430754964
Ystar 3up E : DY 3 O2,2 E o 0.54944225579475614 E
given
g E 0
E : 1 E :=Find E 2.871
§ 28.563 ·
¨ ¸
X Ystar1up E , Ystar 2up E , Ystar 3up E ¨ 46.056 ¸
¨1315.503 ¸
© ¹
Interation Number 2
g Y1, Y 2, Y 3 : X Y1, Y 2, Y 30 X Y1, Y 2, Y 31 X Y1, Y 2, Y 32
§ y pstar · § 2.733 ·
¨ ¸ ¨ ¸
Ystar : T T ¨ z pstar ¸ ¨ 0.502 ¸
¨ ¸ ¨ 1.578 ¸
© m pstar ¹ © ¹
109
d
dgdY 1Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 12.499999999999997723 Y 1 247.487373415291611
dY 1
d
dgdY 2 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 12.499999999999997723 Y 2 106.066017177982119
dY 2
d
dgdY 3 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 200
dY 3
dgdY1star : dgdY1Ystar0 , Ystar1 , Ystar2 o 213.32600892141262472
dgdY 2star : dgdY 2 Ystar0 , Ystar1 , Ystar2 o 112.34055351359254898
dgdY 3star : dgdY 3 Ystar0 , Ystar1 , Ystar2 o 200
given
g E 0
E : 1 E :=Find E 2.863
§ 28.893 ·
¨ ¸
X Ystar1up E , Ystar 2up E , Ystar 3up E ¨ 46.492 ¸
¨1343.282 ¸
© ¹
110
ystar : X Ystar1up E , Ystar 2up E , Ystar 3up E 0 28.893
zstar : X Ystar1up E , Ystar 2up E , Ystar 3up E 1 46.492
mstar : X Ystar1up E , Ystar 2up E , Ystar 3up E 2 1343.282
Interation Number 3
g Y1, Y 2, Y 3 : X Y1, Y 2, Y 30 X Y1, Y 2, Y 31 X Y1, Y 2, Y 32
§ y pstar · § 2.563 ·
¨ ¸ ¨ ¸
Ystar : T ¨ z pstar ¸
T
¨ 0.578 ¸
¨ ¸ ¨ 1.716 ¸
© m pstar ¹ © ¹
d
dgdY 1Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 12.499999999999997723 Y 1 247.487373415291611
dY 1
d
dgdY 2 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 12.499999999999997723 Y 2 106.066017177982119
dY 2
d
dgdY 3 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 200
dY 3
dgdY1star O0,0
DY 1 : 0.759
dgdY1star 2 O0,0 dgdY 2star 2 O1,1 dgdY 3star 2 O2,2
dgdY 2star O1,1
DY 2 : 0.261
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
dgdY 3star O2,2
DY 3 : 0.596
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
111
given
g E 0
E : 1 E :=Find E 2.863
§ 28.856 ·
¨ ¸
X Ystar1up E , Ystar 2up E , Ystar 3up E ¨ 46.477 ¸
¨1341.133 ¸
© ¹
pS 99.7901 % pF 0.2099 %
Berikut ini adalah contoh pemrograman dalam m-file dilakukan di bawah fungsi
pushbutton 1 (tombol Run pada cara pertama) seperti berikut ini.
112
covY=str2num(get(tagku.edit2,'string'));
Zbar=str2num(get(tagku.edit3,'string'));
covZ=str2num(get(tagku.edit4,'string'));
Mbar=str2num(get(tagku.edit5,'string'));
covM=str2num(get(tagku.edit6,'string'));
niter=str2num(get(tagku.edit7,'string'));
corYZ=str2num(get(tagku.edit10,'string'));
SigY=covY*Ybar;SigZ=covZ*Zbar;SigM=covM*Mbar;
Cprime=[1 corYZ 0;corYZ 1 0;0 0 1];
[T,lmd]=polyeig(Cprime);SigmaX=[SigY 0 0;0 SigZ 0;0 0
SigM];miuX=[Ybar;Zbar;Mbar];
syms Y1 Y2 Y3 bet;
X=SigmaX*T*[Y1;Y2;Y3]+miuX;
gX=simplify(X(1)*X(2)-X(3));
dgdY1=diff(gX,Y1);
dgdY2=diff(gX,Y2);
dgdY3=diff(gX,Y3);
n=1;
ystar=Ybar;zstar=Zbar;mstar=Mbar;
%Creates output Table
nameout=get(tagku.edit11,'string');
fout = fopen(nameout,'w');
fprintf(fout,'Table E6.9 Summary of Iteration for Example 6.9 - Ang & Tang\n');
fprintf(fout,'--------------------------------------------------------------------------------\n');
fprintf(fout,'Ite- Transformed Assumed (delg/delYi)* alphayi* New yi*\n');
fprintf(fout,'ration Variable Failure \n');
fprintf(fout,'No. Yi Point yi* \n');
fprintf(fout,'--------------------------------------------------------------------------------\n');
while n<(niter+1)
ypstar=(ystar-Ybar)/SigY;
zpstar=(zstar-Zbar)/SigZ;
113
mpstar=(mstar-Mbar)/SigM;
Ystar=transpose(T)*[ypstar;zpstar;mpstar];
y1star=Ystar(1);y2star=Ystar(2);y3star=Ystar(3);
delgY1=subs(dgdY1,y1star);
delgY2=subs(dgdY2,y2star);
delgY3=subs(dgdY3,y3star);
alphaY1=delgY1*sqrt(lmd(1))/sqrt(delgY1^2*lmd(1)+delgY2^2*lmd(2)+delgY3^2*lmd(3));
alphaY2=delgY2*sqrt(lmd(2))/sqrt(delgY1^2*lmd(1)+delgY2^2*lmd(2)+delgY3^2*lmd(3));
alphaY3=delgY3*sqrt(lmd(3))/sqrt(delgY1^2*lmd(1)+delgY2^2*lmd(2)+delgY3^2*lmd(3));
y1starup=-alphaY1*sqrt(lmd(1))*bet;
y2starup=-alphaY2*sqrt(lmd(2))*bet;
y3starup=-alphaY3*sqrt(lmd(3))*bet;
gXX=subs(gX,{Y1,Y2,Y3},{y1starup,y2starup,y3starup});
gXX=[char(gXX),'=0'];
beta=solve(gXX,'bet');
beta=min(str2num(char(beta(1))),str2num(char(beta(2))));
fprintf(fout,' Y1 %7.4f %8.3f %7.4f %8.4f beta\n',...
y1star,delgY1,alphaY1,-alphaY1*sqrt(lmd(1)));
fprintf(fout,'%2d Y2 %7.4f %8.3f %7.4f %8.4f beta\n',...
n,y2star,delgY2,alphaY2,-alphaY2*sqrt(lmd(2)));
fprintf(fout,' Y3 %7.4f %8.3f %7.4f %8.4f beta\n',...
y3star,delgY3,alphaY3,-alphaY3*sqrt(lmd(3)));
fprintf(fout,' beta = %10.7f \n\n',beta);
y1starup=subs(y1starup,beta);
y2starup=subs(y2starup,beta);
y3starup=subs(y3starup,beta);
ystarup=subs(X(1),{Y1,Y2,Y3},{y1starup,y2starup,y3starup});
zstarup=subs(X(2),{Y1,Y2,Y3},{y1starup,y2starup,y3starup});
114
mstarup=subs(X(3),{Y1,Y2,Y3},{y1starup,y2starup,y3starup});
ystarup=char(ystarup);ystarup=str2num(ystarup);
zstarup=char(zstarup);zstarup=str2num(zstarup);
mstarup=char(mstarup);mstarup=str2num(mstarup);
ystar=ystarup;
zstar=zstarup;
mstar=mstarup;
n=n+1;
end
set(tagku.edit8,'string',num2str(beta));
syms x;
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
pS=int(fx,x,-100,beta);
pS=char(pS);
pS=str2num(pS);pS=100*pS;
pF=100-pS;
set(tagku.edit9,'string',num2str(pF));
set(tagku.edit16,'string',num2str(pS));
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
fprintf(fout,'RISK from last iteration (pF %s) = %10.8f\n',char(37),pF);
fprintf(fout,'RELIABILITY from last iteration (pS %s) = %10.8f',char(37),pS);
fclose(fout);
Dalam menggunakan program ini, pengguna cukup mengubah besaran input, jumlah iterasi
yang diinginkan (default=1), default output file (default ex69a.txt untuk cara Ang & Tang dan
ex69b.txt untuk cara Nowak). Kemudian pengguna cukup menekan tombol “Run” untuk analisa
baik cara pertama maupun kedua (catatan : program Matlab ini sengaja menggabungkan 2 sub-
routine untuk ke-2 cara, agar pengguna dapat membandingkan hasil ke-2 dengan lebih mudah).
Contoh hasil untuk 3 iterasi dapat dilihat pada Gambar 3.4 dan Tabel 3.1. Selanjutnya persoalan
akan dibahas ulang dengan menggunakan metode ke-2 (cara Matrix dengan referensi Nowak).
115
Gambar 3.4. Window GUI alat bantu Matlab – Correlated Normal (Ang & Tang)
Tabel 3.1. Output Hasil Program Matlab – Correlated Normal (Ang & Tang)
116
8.3.5 Flowchart Cara Matriks (Nowak)
START
2
ݔ כെ ߤ
ݖ כൌ
ߪ
ܩଵ
ܩ
ሼܩሽ ൌ ൞ ଶ ൢ
ڭ
ܩ
߲݃ሺܺሻ ߲݃ሺܺሻ
ܩ ൌ െ ൌെ ߪ
߲ܼ ߲ܺ
1
Gambar 3.5. Flowchart Kasus 3 cara Nowak - Matrix
117
1
ݖଵכ
כݖ
ሼ כ ݖሽ ൌ ൞ ଶ ൢ
ڭ
ݖכ
ሼܩሽ் ሼ כ ݖሽ
ߚൌ
ඥሼܩሽ் ሾߩሿሼܩሽ
ሾߩሿሼܩሽ
ሼߙሽ ൌ
ඥሼܩሽ் ሾߩሿሼܩሽ
כ כ
ݔ௨ ൌ ߤ ݖ௨ ߪ untuk ݅ ൌ ͳ ՜ ሺ݊ െ ͳሻ
2 כ
ݔ௨ כ
ൌ hitung dari ݃ሺݔ௨ )=0
YA
FINISH
118
8.3.6 Penyelesaian (Mathcad) Cara Matriks (Nowak)
Contoh Soal 6.9 buku Ang & Tang vol. 2 Correlated normals-cara matrix (nowak)
Input parameter
V Y : Ybar :Y 5 PY : Ybar 40
V Z : Zbar : Z 2.5 P Z : Zbar 50
V M : M bar : M 200 PM : M bar 1000
§ 1 UYZ 0· § 1 0.4 0 ·
U : ¨¨ UYZ 1 0¸
¸ ¨
¨ 0.4 1 0 ¸
¸
¨ 0 0 1 ¸¹ ¨ 0 0 1 ¸¹
© ©
ystar : PY z star : PZ
Given g ystar , zstar , M 0 M:=PM mstar : Find M 2000
Interation number 1
d
G1 Y , Z , M : g Y , Z , M V Y o 5 Z
§ z1star · §0· dy
¨ ¸ ¨ ¸
zstar : ¨ z2 star ¸ ¨0¸ d
G 2 Y , Z , M : g Y , Z , M V Z o 2.5 Y
¨z ¸ ¨5¸ dZ
© 3star ¹ © ¹
d
G 3 Y , Z , M : g Y , Z , M V M o 200
dM
119
§ 0.797 ·
Gstar T zstar U Gstar ¨ ¸
E: 2.747 D := ¨ 0.549 ¸
Gstar T U Gstar Gstar T U Gstar ¨ 0.549 ¸
© ¹
Interation number 2
d
G1 Y , Z , M : g Y , Z , M V Y o 5 Z
§ z1star · § 2.189 · dy
¨ ¸ ¨ ¸
zstar : ¨ z2 star ¸ ¨ 1.509 ¸ G 2 Y , Z , M :
d
g Y , Z , M V Z o 2.5 Y
¨z ¸ ¨ 1.716 ¸ dZ
© 3star ¹ © ¹
d
G 3 Y , Z , M : g Y , Z , M V M o 200
dM
§ 0.777 ·
Gstar T zstar U Gstar ¨ ¸
E: 2.863 D:= ¨ 0.493 ¸
Gstar T U Gstar Gstar T U Gstar ¨ 0.597 ¸
© ¹
120
Interation number 3
d
G1 Y , Z , M : g Y , Z , M V Y o 5 Z
§ z1star · § 2.225 · dy
¨ ¸ ¨ ¸
zstar : ¨ z2 star ¸ ¨ 1.412 ¸ G 2 Y , Z , M :
d
g Y , Z , M V Z o 2.5 Y
¨z ¸ ¨ 1.71 ¸ dZ
© 3star ¹ © ¹
d
G 3 Y , Z , M : g Y , Z , M V M o 200
dM
§ 0.778 ·
Gstar T zstar U Gstar ¨ ¸
E: 2.863 D:= ¨ 0.492 ¸
Gstar T U Gstar Gstar T U Gstar ¨ 0.596 ¸
© ¹
0.5x
2
E
e
f x : pS : ³ f x dx p F : 1 pS
23 10
pS 99.7901 % PF 0.2099 %
121
8.3.7 Penyelesaian (MATLAB) Cara Matriks (Nowak)
Berikut ini adalah contoh pemrograman dalam m-file dilakukan di bawah fungsi
pushbutton 2 (tombol Run pada cara kedua) seperti berikut ini.
122
fprintf(fout,'------------------------------------------------------------------------------------------\n');
fprintf(fout,'Ite- Variable Assumed Assumed Gi beta alpha New xi*\n');
fprintf(fout,'ration Xi Failure Failure \n');
fprintf(fout,'No. Point xi* Point xi`* \n');
fprintf(fout,'------------------------------------------------------------------------------------------\n');
while n<(niter+1)
ypstar=(ystar-Ybar)/SigY;
zpstar=(zstar-Zbar)/SigZ;
mpstar=(mstar-Mbar)/SigM;
G1=-
diff(gX,Y)*SigY;G1=subs(G1,{'Y','Z','M'},{ystar,zstar,mstar});G1=char(G1);G1=str2num(G1);
G2=-
diff(gX,Z)*SigZ;G2=subs(G2,{'Y','Z','M'},{ystar,zstar,mstar});G2=char(G2);G2=str2num(G2);
G3=-diff(gX,M)*SigM;G3=subs(G3,{'Y','Z','M'},{ystar,zstar,mstar});
G=[G1;G2;G3];
xprime=[ypstar;zpstar;mpstar];
beta=(transpose(G)*xprime)/sqrt(transpose(G)*rho*G);
alpha=rho*G/sqrt(transpose(G)*rho*G);
ypstar_up=alpha(1)*beta;
zpstar_up=alpha(2)*beta;
ystar_up=Ybar+ypstar_up*SigY;
zstar_up=Zbar+zpstar_up*SigZ;
mstar_up=ystar_up*zstar_up;
fprintf(fout,' Y %7.2f %7.2f %7.2f %7.3f %7.2f\n',...
ystar,ypstar,G1,alpha(1),ystar_up);
fprintf(fout,'%2d Z %7.2f %7.2f %7.2f %10.5f %7.3f %7.2f\n',...
n,zstar,zpstar,G2,beta,alpha(2),zstar_up);
fprintf(fout,' M %7.2f %7.2f %7.2f %7.3f %7.2f\n\n',...
mstar,mpstar,G3,alpha(3),mstar_up);
ystar=ystar_up;
zstar=zstar_up;
123
mstar=mstar_up;
n=n+1;
end
set(tagku.edit13,'string',num2str(beta));
syms x;
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
pS=int(fx,x,-100,beta);
pS=char(pS);
pS=str2num(pS);pS=100*pS;
pF=100-pS;
set(tagku.edit14,'string',num2str(pF));
set(tagku.edit17,'string',num2str(pS));
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
fprintf(fout,'RISK from last iteration (pF %s) = %10.8f\n',char(37),pF);
fprintf(fout,'RELIABILITY from last iteration (pS %s) = %10.8f',char(37),pS);
fclose(fout);
Contoh hasil untuk 3 iterasi dapat dilihat pada Gambar 3.4 dan Tabel 3.2.
Tabel 3.2. Output Hasil Program Matlab – Uncorrelated non-Normal (Nowak)
124
8.4 CORRELATED NON-NORMAL, Contoh Soal.6.10 Ang & Tang Vol.2
8.4.1 Deskripsi Soal
Consider the same problem of Example 6.9, except that the variables are now distributed as
follows :
Y = Lognormal
Z = Lognormal
M = Type I asymptotic extreme
Determine the reliability of the beam.
Untuk membahas persoalan di atas, bab ini akan dibagi menjadi beberapa bagian. Mula-
mula akan dibahas penyelesaian dengan cara Advanced Method eksak dengan referensi
Ang&Tang. Penjelasan dimulai dengan penyajian diagram alir/flowchart penyelesaiannya untuk
memperjelas metode. Flowchart ini diteruskan dengan contoh penyelesaiannya menggunakan
alat bantu software Mathcad, yang akan menyajikan secara lengkap langkah demi langkah
sebagaimana terlihat pada flowchart.
Setelah penyesaian problem dipahami dengan baik dengan membaca flowchart dan sajian
dalam Mathcad, sebuah alat bantu simulasi ditulis dalam software Matlab. Alat bantu ini bersifat
Graphical User Interface (GUI) yang akan sangat mudah dioperasikan. Program akan tampil
dalam 1 buah window yang berisi komponen input data, serta tombol “Run” untuk menganalisa,
dengan output langsung di window berupa beta index, risk, dan reliability, serta sebuah output
file (yang namanya dapat ditentukan pengguna) yang akan berisi table detail iterasi proses
perhitungan yang ada. Hal ini sangat berguna untuk melihat konvergensi dari proses yang
dipelajari, sekaligus kontrol terhadap proses perhitungan besaran-besaran penting pada setiap
iterasinya. Pembahasan cara ke-2, yakni metode Matrix dengan referensi Nowak, dilakukan
dengan kronologis yang sama.
125
8.4.2 Flowchart Cara Eksak (Ang-Tang vol.2)
START
݂ ሺݔ ሻ ൌ ߙ ݁ ݔ൬െߙ ൫ݔ െ ݑ ൯ െ ݁ ݔቀെߙ ൫ݔ െ ݑ ൯ቁ൰
126
1
Hitung ߪே ሺݔ כሻ & ߤே ሺݔ כሻ dengan substitusi ݔכ
߲݃ሺܻሻ
߲ܻ
2
Gambar 4.2. Flowchart Kasus 4 cara Ang & Tang (lanjutan 1)
127
2
డሺሻ
Hitung డ
padaݕכ
డሺሻ
ቀ డ כ
ቁ = substitusi ܻ dengan ݕכ
߲݃ሺܻሻ
൬ ൰
߲ܻ כඥߣ
ߙ כ ൌ
߲݃ሺܻሻ ଶ
ඨσ ൬ ൰ ߣ
߲ܻ כ
128
3
כ
Hitung ݕ௨ dengan mensubstitusikan β
כ כ
Transformasi ݕ௨ menjadi ݔ௨
כ כ
ݔ௨ =substitusi ܻ dengan ݕ௨ padaሾܺሿ
4
YA
FINISH
V Y : Ybar :Y 5
V Z : Z bar : Z 2.5
V M : M bar : M 200
129
Ekivalensi ke distribusi normal
] Y : :Y 0.125 ] Z : :Z 0.05
1 1
OY : 1n Ybar ] Y 2 3.681 OZ : 1n Zbar ] Z 2 3.911
2 2
3 1 0.557
DM : 6.413 x 103 u M : M bar 910.023
6 VM DM
D
mstar u ª D m u e D M mstar uM º
FM mstar : e e f M mstar : D M e ¬« »¼
M M M star M
0.5 x
2
I FM
e
N x : Given ³ N x dx FM mstar
23 10
N )FM
V MN : 191.219 P MN : mstar V MN )FM 966.125
f M mstar
§ eigenvals C 0 0 0 · §1.4 0 0 ·
¨ ¸ ¨ ¸
O: ¨ 0 eigenvals C 1 0 ¸ ¨ 0 0.6 0 ¸
¨ 0 0 eigenvals C 2 ¸¹ ¨ 0 0 1 ¸¹
© ©
130
§ 0.707 0.707 0 · § PYN ystar · § 39.688 ·
¨ ¸ ¨ ¸ ¨ ¸
T : eigenvecs C ¨ 0.707 0.707 0 ¸ P XN : ¨ P ZN z star ¸ ¨ 49.937 ¸
¨ 0 0 1 ¸¹ ¨ P ¸ ¨ 966.125 ¸
© © MN ¹ © ¹
§ V YN ystar 0 0 · §5 0 0 ·
¨ ¸ ¨ ¸
V XN : ¨ 0 V ZN zstar 0 ¸ ¨ 0 2.5 0 ¸
¨ 0 0 V MN ¸¹ ¨ 0 0 191.219 ¸
© © ¹
§ Y1 ·
¨ ¸
X Y 1, Y 2, Y 3 : V XN T ¨ Y 2 ¸ P XN
¨Y 3 ¸
© ¹
§ y pstar · § 0.062 ·
mstar P MN ¨ ¸ ¨ ¸
m pstar : 0.177 Ystar : T T ¨ z pstar ¸ ¨ 0.027 ¸
V MN ¨ ¸ ¨ 0.177 ¸
© m pstar ¹ © ¹
d
dgdY 1Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 12.49999999999997723 Y 1 246.713975373368
dY 1
d
dgdY 2 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 12.49999999999997723 Y 2 106.39747348166
dY 2
d
dgdY 3 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 191.21858624663304
dY 3
131
dgdY1star O0,0
DY 1 : 0.815
dgdY1star 2 O0,0 dgdY 2star 2 O1,1 dgdY 3star 2 O2,2
dgdY 2star O1,1
DY 2 : 0.229
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
dgdY 3star O2,2
DY 3 : 0.532
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
Given
g E 0
E : 1 E :=Find E 2.971
§ 27.696 ·
¨ ¸
X Ystar1up E , Ystar 2up E , Ystar 3up E ¨ 45.802 ¸
¨1268.524 ¸
© ¹
Interation number 2
V YN ystar 3.462 V ZN zstar 2.29
PYN ystar 37.66 PZN zstar 49.761
FM mstar 0.90451 f M mstar 5.821 x 104
132
0.5 x
2
I FM
e
N x : Given ³ N x dx FM mstar
23 10
N )FM
V MN : 291.443 P MN : mstar V MN )FM 887.408
f M mstar
§ eigenvals C 0 0 0 · §1.4 0 0 ·
¨ ¸ ¨ ¸
O: ¨ 0 eigenvals C 1 0 ¸ ¨ 0 0.6 0 ¸
¨ 0 0 eigenvals C 2 ¸¹ ¨ 0 0 1 ¸¹
© ©
§ V YN ystar 0 0 · § 3.462 0 0 ·
¨ ¸ ¨ ¸
V XN : ¨ 0 V ZN zstar 0 ¸ ¨ 0 2.29 0 ¸
¨ 0 0 V MN ¸¹ ¨ 0 0 291.443 ¸¹
© ©
§ Y1 ·
¨ ¸
X Y 1, Y 2, Y 3 : V XN T ¨ Y 2 ¸ P XN
¨Y 3 ¸
© ¹
§ y pstar · § -3.258 ·
mstar P MN ¨ ¸ ¨ ¸
m pstar : 1.308 Ystar : T T ¨ z pstar ¸ ¨ 0.813 ¸
V MN ¨ ¸ ¨ 1.308 ¸
© m pstar ¹ © ¹
133
d
dgdY 1Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 7.9282724157437933119 Y 1 182.799791120985
dY 1
d
dgdY 2 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 7.9282724157437933119 Y 2 60.828802938355
dY 2
d
dgdY 3 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 291.44250282672522
dY 3
dgdY1star O0,0
DY 1 : 0.531
dgdY1star 2 O0,0 dgdY 2star 2 O1,1 dgdY 3star 2 O2,2
dgdY 2star O1,1
DY 2 : 0.149
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
dgdY 3star O2,2
DY 3 : 0.834
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
Given
g E 0
E : 1 E :=Find E 2.734
§ 32.679 ·
¨ ¸
X Ystar1up E , Ystar 2up E , Ystar 3up E ¨ 47.489 ¸
¨1551.878 ¸
© ¹
134
ystar : X Ystar1up E , Ystar 2up E , Ystar 3up E 0 32.679
zstar : X Ystar1up E , Ystar 2up E , Ystar 3up E 1 47.489
mstar : X Ystar1up E , Ystar 2up E , Ystar 3up E 2 1551.878
Interation number 3
V YN ystar 4.085 V ZN zstar 2.374
PYN ystar 39.03 PZN zstar 49.876
FM mstar 0.98382 f M mstar 1.029 x 104
e
0.5 x
2
I FM
N x : Given ³ N x dx FM mstar
23 10
N )FM
V MN : 392.699 PMN : mstar V MN )FM 711.493
f M mstar
§ eigenvals C 0 0 0 · §1.4 0 0 ·
¨ ¸ ¨ ¸
O: ¨ 0 eigenvals C 1 0 ¸ ¨ 0 0.6 0 ¸
¨ 0 0 eigenvals C 2 ¸¹ ¨ 0 0 1 ¸¹
© ©
§ V YN ystar 0 0 · § 4.085 0 0 ·
¨ ¸ ¨ ¸
V XN : ¨ 0 V ZN zstar 0 ¸ ¨ 0 2.374 0 ¸
¨ 0 0 V MN ¸¹ ¨ 0 0 392.699 ¸¹
© ©
§ Y1 ·
¨ ¸
X Y 1, Y 2, Y 3 : V XN T ¨ Y 2 ¸ P XN
¨Y 3 ¸
© ¹
135
§ 2.8884279233986422278 Y 1 2.8884279233986422278 Y 2 39.0296173412 ·
¨ ¸
X Y 1, Y 2, Y 3 simplify o ¨ 1.6789819702579000042 Y 1 1.6789819702579000042 Y 2 49.8764937462 ¸
¨ 392.69897319749879 Y 3 711.49318014201856 ¸
© ¹
g Y1, Y 2, Y 3 : X Y1, Y 2, Y 30 X Y1, Y 2, Y 31 X Y1, Y 2, Y 32
§ y pstar · § -1.81 ·
mstar P MN ¨ ¸ ¨ ¸
m pstar : 2.14 Ystar : T ¨ z pstar ¸
T
¨ 0.388 ¸
V MN ¨ ¸ ¨ 2.14 ¸
© m pstar ¹ © ¹
d
dgdY 1Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 9.6992368115515739931 Y 1 209.594681079541
dY 1
d
dgdY 2 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 9.6992368115515739931 Y 2 78.534633435529
dY 2
d
dgdY 3 Y 1, Y 2, Y 3 : g Y 1, Y 2, Y 3 o 392.6989731974s9879
dY 3
dgdY1star O0,0
DY 1 : 0.496
dgdY1star 2 O0,0 dgdY 2star 2 O1,1 dgdY 3star 2 O2,2
dgdY 2star O1,1
DY 2 : 0.139
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
dgdY 3star O2,2
DY 3 : 0.857
dgdY1star 2 O0,0 dgdY 2star 2O1,1 dgdY 3star 2O2,2
Given
136
g E 0
E : 1 E :=Find E 2.663
§ 33.686 ·
¨ ¸
X Ystar1up E , Ystar 2up E , Ystar 3up E ¨ 47.734 ¸
¨1607.984 ¸
© ¹
0.5x
2
E
e
f x : pS : ³ f x dx p F : 1 pS
2.3 10
pS 99.6132 % pS 0.3868 %
Berikut ini adalah contoh pemrograman dalam m-file dilakukan di bawah fungsi
pushbutton 1 (tombol Run pada cara pertama) seperti berikut ini.
137
covY=str2num(get(tagku.edit2,'string'));
Zbar=str2num(get(tagku.edit3,'string'));
covZ=str2num(get(tagku.edit4,'string'));
Mbar=str2num(get(tagku.edit5,'string'));
covM=str2num(get(tagku.edit6,'string'));
niter=str2num(get(tagku.edit7,'string'));
corYZ=str2num(get(tagku.edit10,'string'));
Cprime=[1 corYZ 0;corYZ 1 0;0 0 1];
[T,lmd]=polyeig(Cprime);
sitaY=covY;sitaZ=covZ;
lambdaY=log(Ybar)-0.5*sitaY^2;
lambdaZ=log(Zbar)-0.5*sitaZ^2;
SigM=covM*Mbar;
alfa=pi/sqrt(6)/SigM;u=Mbar-0.577/alfa;
n=1;ystar=Ybar;zstar=Zbar;mstar=Mbar;
%SigY=covY*Ybar;SigZ=covZ*Zbar;SigM=covM*Mbar;
%Creates output Table
nameout=get(tagku.edit11,'string');
fout = fopen(nameout,'w');
fprintf(fout,'Table E6.10 Summary of Iterative Calculation for Example 6.10 - Ang &
Tang\n');
fprintf(fout,'------------------------------------------------------------------------------------------\n');
fprintf(fout,'Ite- Basic Assumed SigNXi miuNXi Assumed
(delg/delYi)* alphayi* New yi*\n');
fprintf(fout,'ration Variable Failure Failure \n');
fprintf(fout,'No. Xi Point xi* Point yi* \n');
fprintf(fout,'------------------------------------------------------------------------------------------\n');
while n<(niter+1)
SigYN=ystar*sitaY;miuYN=ystar*(1-log(ystar)+lambdaY);
SigZN=zstar*sitaZ;miuZN=zstar*(1-log(zstar)+lambdaZ);
FM=exp(-exp(-alfa*(mstar-u)));
138
fM=alfa*exp(-alfa*(mstar-u)-exp(-alfa*(mstar-u)));
syms x;
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
atas='7186705221432913/36028797018963968*pi^(1/2)*2^(1/2)*erf(1/2*2^(1/2)*x)';
bawah='7186705221432913/36028797018963968*pi^(1/2)*2^(1/2)*erf(1/2*2^(1/2)*(-100))';
pers=[atas,'-',bawah,'=',num2str(FM)];
i=solve(pers,x);i=char(i);i=str2num(i);
phi=subs(fx,x,i);
SigMN=phi/fM;miuMN=mstar-SigMN*i;
SigmaX=[SigYN 0 0;0 SigZN 0;0 0 SigMN];miuX=[miuYN;miuZN;miuMN];
syms Y1 Y2 Y3 bet;
X=SigmaX*T*[Y1;Y2;Y3]+miuX;
gX=simplify(X(1)*X(2)-X(3));
dgdY1=diff(gX,Y1);
dgdY2=diff(gX,Y2);
dgdY3=diff(gX,Y3);
ypstar=(ystar-miuYN)/SigYN;
zpstar=(zstar-miuZN)/SigZN;
mpstar=(mstar-miuMN)/SigMN;
Ystar=transpose(T)*[ypstar;zpstar;mpstar];
y1star=Ystar(1);y2star=Ystar(2);y3star=Ystar(3);
delgY1=subs(dgdY1,y1star);
delgY2=subs(dgdY2,y2star);
delgY3=subs(dgdY3,y3star);
alphaY1=delgY1*sqrt(lmd(1))/sqrt(delgY1^2*lmd(1)+delgY2^2*lmd(2)+delgY3^2*lmd(3));
alphaY2=delgY2*sqrt(lmd(2))/sqrt(delgY1^2*lmd(1)+delgY2^2*lmd(2)+delgY3^2*lmd(3));
alphaY3=delgY3*sqrt(lmd(3))/sqrt(delgY1^2*lmd(1)+delgY2^2*lmd(2)+delgY3^2*lmd(3));
y1starup=-alphaY1*sqrt(lmd(1))*bet;
y2starup=-alphaY2*sqrt(lmd(2))*bet;
139
y3starup=-alphaY3*sqrt(lmd(3))*bet;
gXX=subs(gX,{Y1,Y2,Y3},{y1starup,y2starup,y3starup});
gXX=[char(gXX),'=0'];
beta=solve(gXX,'bet');
beta=min(str2num(char(beta(1))),str2num(char(beta(2))));
fprintf(fout,' Y %7.2f %7.4f %7.3f %8.4f %8.3f %7.4f
%8.4f beta\n',...
ystar,SigYN,miuYN,y1star,delgY1,alphaY1,-alphaY1*sqrt(lmd(1)));
fprintf(fout,'%2d Z %7.2f %7.4f %7.3f %8.4f %8.3f %7.4f
%8.4f beta\n',...
n,zstar,SigZN,miuZN,y2star,delgY2,alphaY2,-alphaY2*sqrt(lmd(2)));
fprintf(fout,' M %7.2f %7.4f %7.3f %8.4f %8.3f %7.4f
%8.4f beta\n',...
mstar,SigMN,miuMN,y3star,delgY3,alphaY3,-alphaY3*sqrt(lmd(3)));
fprintf(fout,' beta = %10.7f \n\n',beta);
y1starup=subs(y1starup,beta);
y2starup=subs(y2starup,beta);
y3starup=subs(y3starup,beta);
ystarup=subs(X(1),{Y1,Y2,Y3},{y1starup,y2starup,y3starup});
zstarup=subs(X(2),{Y1,Y2,Y3},{y1starup,y2starup,y3starup});
mstarup=subs(X(3),{Y1,Y2,Y3},{y1starup,y2starup,y3starup});
ystarup=char(ystarup);ystarup=str2num(ystarup);
zstarup=char(zstarup);zstarup=str2num(zstarup);
mstarup=char(mstarup);mstarup=str2num(mstarup);
ystar=ystarup;
zstar=zstarup;
mstar=mstarup;
n=n+1;
end
set(tagku.edit8,'string',num2str(beta));
syms x;
140
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
pS=int(fx,x,-100,beta);
pS=char(pS);
pS=str2num(pS);pS=100*pS;
pF=100-pS;
set(tagku.edit9,'string',num2str(pF));
set(tagku.edit16,'string',num2str(pS));
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
fprintf(fout,'RISK from last iteration (pF %s) = %10.8f\n',char(37),pF);
fprintf(fout,'RELIABILITY from last iteration (pS %s) = %10.8f',char(37),pS);
fclose(fout);
Berikut ini adalah contoh dari program yang telah dijalankan.
Gambar 4.5. Window GUI alat bantu Matlab – Correlated non-Normal (Ang & Tang)
141
Dalam menggunakan program ini, pengguna cukup mengubah besaran input, jumlah iterasi
yang diinginkan (default=1), default output file (default ex610a.txt untuk cara Ang & Tang dan
ex610b.txt untuk cara Nowak). Kemudian pengguna cukup menekan tombol “Run” untuk analisa
baik cara pertama maupun kedua (catatan : program Matlab ini sengaja menggabungkan 2 sub-
routine untuk ke-2 cara, agar pengguna dapat membandingkan hasil ke-2 dengan lebih mudah).
Contoh hasil untuk 3 iterasi dapat dilihat pada Gambar 4.5 dan Tabel 4.1.
Tabel 4.1. Output Hasil Program Matlab – Correlated non-Normal (Ang & Tang)
142
8.5.2 Flowchart Cara Matriks (Nowak)
START
ߪܺ ݅ ൌ πܺ ݅ ܺത݅ ; ߤܺ ݅ ൌ ܺത݅
143
1
ܩଵ
ܩ
ሼܩሽ ൌ ൞ ଶ ൢ
ڭ
ܩ
߲݃ሺܺሻ ߲݃ሺܺሻ ே
ܩ ൌ െ ൌെ ߪ
߲ܼ ߲ܺ
ݖଵכ
כݖ
ሼ כ ݖሽ ൌ ൞ ଶ ൢ
ڭ
ݖכ
ሼܩሽ் ሼ כ ݖሽ
ߚൌ
ඥሼܩሽ் ሾߩሿሼܩሽ
2
Gambar 4.7. Flowchart Kasus 4 cara Nowak – Matrix (lanjutan 1)
144
2
ሾߩሿሼܩሽ
ሼߙሽ ൌ
ඥሼܩሽ் ሾߩሿሼܩሽ
כ כ
ݔ௨ ൌ ߤே ݖ௨ ߪே untuk ݅ ൌ ͳ ՜ ሺ݊ െ ͳሻ
3 כ
ݔ௨ כ
ൌ hitung dari ݃ሺݔ௨ )=0
YA
FINISH
Example 6.7 buku Ang & Tang Vol.2 Uncorrelated Normals – cara Matrix (Norwak)
Input parameter
145
V Y : Ybar :Y 5 PY : Ybar 40
V Z : Zbar :Z 2.5 P Z : Zbar 50
V M : M bar :M 200 PM : M bar 1000
§ 1 UYZ 0· § 1 0.4 0 ·
U : ¨¨ UYZ 1 0¸
¸ ¨
¨ 0.4 1 0 ¸
¸
¨ 0 0 1 ¸¹ ¨ 0 0 1 ¸¹
© ©
] Y : :Y 0.125 ] Z : :Z 0.05
1 1
OY : 1n Ybar ] Y 2 3.681 OZ : 1n Zbar ] Z 2 3.911
2 2
3 1 0.577
DM : 6.413 x 103 u M : M bar 910.023
6 VM DM
D
mstar u ª D m u e D M mstar uM º
FM mstar : e e f M mstar : D M e «¬ »¼
M M M star M
Interation number 1
e
0.5 x
2
I FM
N x : Given ³ N x dx FM mstar
23 10
146
N )FM
V MN : 528.855 P MN : mstar V MN )FM 352.809
f M mstar
§ z1star · § 0.063 ·
mstar P MN ¨ ¸ ¨ ¸
z3star : 3.115 z star : ¨ z2 star ¸ ¨ 0.025 ¸
V MN ¨z ¸ ¨ 3.115 ¸
© 3star ¹ © ¹
d
G1 Y , Z , M : g Y , Z , M V YN ystar o 5.0 Z
dY
d
G2 Y , Z , M : g Y , Z , M V ZN z star o 2.5 Y
dZ
d
G3 Y , Z , M : g Y , Z , M V MN o 528.85464382630153
dM
§ 0.475 ·
Gstar T zstar U Gstar ¨ ¸
E: 2.67 D := ¨ 0.328 ¸
Gstar T U Gstar Gstar T U .Gstar ¨ 0.867 ¸
© ¹
Interation number 2
147
0.5 x
2
I FM
e
N x : Given ³ N x dx FM mstar
23 10
N )FM
V MN : 406.099 PMN : mstar V MN )FM 682.142
f M mstar
§ z1star · § 1.394 ·
mstar PMN ¨ ¸ ¨ ¸
z3star :
V MN
2.24 z star : ¨ z2 star ¸ ¨ 0.896 ¸
¨z ¸ ¨ 2.24 ¸
© 3star ¹ © ¹
d
G1 Y , Z , M : g Y , Z , M V YN ystar o 4.167605110416086 Z
dY
d
G2 Y , Z , M : g Y , Z , M V ZN ystar o 2.3874498428160116 Y
dZ
d
G3 Y , Z , M : g Y , Z , M V MN o 406.09902289104133
dM
§ 0.488 ·
Gstar T zstar U Gstar ¨ ¸
E: 2.662 D := ¨ 0.337 ¸
Gstar T U Gstar Gstar T U .Gstar ¨ 0.859 ¸
© ¹
148
Interation number 3
0.5 x
2
I FM
e
N x : Given ³ N x dx FM mstar
23 10
N )FM
V MN : 412.286 PMN : mstar V MN )FM 668.137
f M mstar
§ z1star · § 1.3 ·
mstar PMN ¨ ¸ ¨ ¸
z3star :
V MN
2.286 z star : ¨ z2 star ¸ ¨ 0.896 ¸
¨z ¸ ¨ 2.286 ¸
© 3 star ¹ © ¹
d
G1 Y , Z , M : g Y , Z , M V YN ystar o 4.21680161994592775 Z
dY
d
G2 Y , Z , M : g Y , Z , M V ZN ystar o 2.3874332661429321 Y
dZ
d
G3 Y , Z , M : g Y , Z , M V MN o 412.2864158844136
dM
§ 0.487 ·
Gstar T zstar U Gstar ¨ ¸
E: 2.662 D := ¨ 0.336 ¸
Gstar T U Gstar Gstar T U .Gstar ¨ 0.86 ¸
© ¹
149
ystarup : PYN ystar z1starup V YN ystar 33.751
zstarup : P ZN zstar z2 starup V ZN zstar 47.754
pS 99.6118 % pF 0.3882 %
Berikut ini adalah contoh pemrograman dalam m-file dilakukan di bawah fungsi
pushbutton 2 (tombol Run pada cara kedua) seperti berikut ini.
clear;clc;
tagku=guidata(gcbo);
Ybar=str2num(get(tagku.edit1,'string'));
covY=str2num(get(tagku.edit2,'string'));
Zbar=str2num(get(tagku.edit3,'string'));
covZ=str2num(get(tagku.edit4,'string'));
Mbar=str2num(get(tagku.edit5,'string'));
covM=str2num(get(tagku.edit6,'string'));
niter=str2num(get(tagku.edit12,'string'));
corYZ=str2num(get(tagku.edit10,'string'));
rho=[1 corYZ 0;corYZ 1 0;0 0 1];
syms Y Z M;
gX=Y*Z-M;
sitaY=covY;sitaZ=covZ;
lambdaY=log(Ybar)-0.5*sitaY^2;
lambdaZ=log(Zbar)-0.5*sitaZ^2;
150
SigM=covM*Mbar;
alfa=pi/sqrt(6)/SigM;u=Mbar-0.577/alfa;
n=1;
ystar=Ybar;zstar=Zbar;
mstar=ystar*zstar;
%Creates output Table
nameout=get(tagku.edit15,'string');
fout = fopen(nameout,'w');
fprintf(fout,'Table E6.10 Summary of Iterative Calculation for Example 6.10 - Nowak
(Matrix)\n');
fprintf(fout,'------------------------------------------------------------------------------------------\n');
fprintf(fout,'Ite- Variable Assumed Assumed Gi beta alpha New xi*\n');
fprintf(fout,'ration Xi Failure Failure \n');
fprintf(fout,'No. Point xi* Point xi`* \n');
fprintf(fout,'------------------------------------------------------------------------------------------\n');
while n<(niter+1)
%followings are already transformed to normal distributions
SigYN=ystar*sitaY;miuYN=ystar*(1-log(ystar)+lambdaY);
SigZN=zstar*sitaZ;miuZN=zstar*(1-log(zstar)+lambdaZ);
FM=exp(-exp(-alfa*(mstar-u)));
fM=alfa*exp(-alfa*(mstar-u)-exp(-alfa*(mstar-u)));
syms x;
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
atas='7186705221432913/36028797018963968*pi^(1/2)*2^(1/2)*erf(1/2*2^(1/2)*x)';
bawah='7186705221432913/36028797018963968*pi^(1/2)*2^(1/2)*erf(1/2*2^(1/2)*(-
100))';
pers=[atas,'-',bawah,'=',num2str(FM)];
i=solve(pers,x);i=char(i);i=str2num(i);
phi=subs(fx,x,i);
SigMN=phi/fM;miuMN=mstar-SigMN*i;
ypstar=(ystar-miuYN)/SigYN;
151
zpstar=(zstar-miuZN)/SigZN;
mpstar=(mstar-miuMN)/SigMN;
G1=-
diff(gX,Y)*SigYN;G1=subs(G1,{'Y','Z','M'},{ystar,zstar,mstar});G1=char(G1);G1=str2num(G1)
;
G2=-
diff(gX,Z)*SigZN;G2=subs(G2,{'Y','Z','M'},{ystar,zstar,mstar});G2=char(G2);G2=str2num(G2)
;
G3=-diff(gX,M)*SigMN;G3=subs(G3,{'Y','Z','M'},{ystar,zstar,mstar});
G=[G1;G2;G3];
xprime=[ypstar;zpstar;mpstar];
beta=(transpose(G)*xprime)/sqrt(transpose(G)*rho*G);
alpha=rho*G/sqrt(transpose(G)*rho*G);
ypstar_up=alpha(1)*beta;
zpstar_up=alpha(2)*beta;
ystar_up=miuYN+ypstar_up*SigYN;
zstar_up=miuZN+zpstar_up*SigZN;
mstar_up=ystar_up*zstar_up;
fprintf(fout,' Y %7.2f %7.2f %7.2f %7.3f %7.2f\n',...
ystar,ypstar,G1,alpha(1),ystar_up);
fprintf(fout,'%2d Z %7.2f %7.2f %7.2f %10.5f %7.3f %7.2f\n',...
n,zstar,zpstar,G2,beta,alpha(2),zstar_up);
fprintf(fout,' M %7.2f %7.2f %7.2f %7.3f %7.2f\n\n',...
mstar,mpstar,G3,alpha(3),mstar_up);
ystar=ystar_up;
zstar=zstar_up;
mstar=mstar_up;
n=n+1;
end
set(tagku.edit13,'string',num2str(beta));
syms x;
152
fx=1/(sqrt(2*pi))*exp(-0.5*x^2);
pS=int(fx,x,-100,beta);
pS=char(pS);
pS=str2num(pS);pS=100*pS;
pF=100-pS;
set(tagku.edit14,'string',num2str(pF));
set(tagku.edit17,'string',num2str(pS));
fprintf(fout,'-----------------------------------------------------------------------------------------\n');
fprintf(fout,'RISK from last iteration (pF %s) = %10.8f\n',char(37),pF);
fprintf(fout,'RELIABILITY from last iteration (pS %s) = %10.8f',char(37),pS);
fclose(fout);
Contoh hasil untuk 3 iterasi dapat dilihat pada Gambar 4.5 dan Tabel 4.2.
153
8.6 SIMULASI MONTE CARLO, Contoh Soal 6.7 Ang & Tang Vol.2
8.6.1 Simulasi Monte Carlo untuk Contoh Soal 6.7
Sebagai pembanding alternatif, cara pendekatan simulasi Monte Carlo dilakukan untuk
menyelesaikan persoalan Example 6.7 seperti pada Bab I. Cara ini mempunyai keunggulan dapat
menyelesaikan persoalan-persoalan dengan performance function yang rumit, tetapi sifatnya
berupa pendekatan. Keakuratan simulasi Monte Carlo dapat ditingkatkan dengan menggunakan
simulasi random variable dengan populasi yang besar.
Pada kasus example 6.7, didapatkan beta indeks sekitar 3.05, yang mempunyai Risk =
0.1148%. Secara kasar, Risk tersebut sangat kecil kemungkinannya untuk terjadi, sehingga
diperlukan jumlah populasi yang sangat besar untuk dapat mensimulasikan problem dengan baik.
Untuk penjelasan metode simulasi Monte Carlo ini, kasus example 6.7 akan dikerjakan dengan
beberapa kasus modifikasi :
Pemilihan input tersebut sengaja disesuaikan untuk mensimulasikan kasus dengan Risk
sekitar 10% (untuk kasus A), Risk sekitar 5% (untuk kasus B) dan Risk sekitar 0.13% (untuk
kasus C). Untuk ke-3 kasus ini, digunakan beberapa percobaan jumlah populasi yang masing-
masing disimulasikan sebanyak 20 kali. Gambar-gambar berikut ini adalah hasil analisanya yang
disajikan secara grafis. Simulasi dilakukan dengan software Microsoft Excell dengan fasilitaa
macro dalah bahasa Visual Basic yang dapat dilihat pada Lampiran.
154
Gambar 5.1. Simulasi Monte Carlo kasus A
155
Gambar 5.3. Simulasi Monte Carlo kasus C
Berikut adalah Tabel hubungan jumlah simulasi dengan durasi simulasi serta standar
deviasi untuk berbagai beta index (risk) untuk ke-3 kasus yang dikerjakan. Tabel tersebut berlaku
untuk spesifikasi komputer AMD Athlon(tm) 64 X2 Dual Core Processor 4800+999MHz,
2GB of RAM.
Tabel 5.1. Ringkasan Data Statistik Hasil Simulasi Kasus A,B, Dan C.
156
Untuk 2 2” 1.671 4.185×10-2
kisaran 5 5” 1.661 2.484×10-2
10 9” 1.651 1.909×10-2
Risk=5% 50 50” 1.654 1.068×10-2
100 1’52” 1.658 4.769×10-3
500 9’22” 1.658 1.960×10-3
Kasus C 10 13” 3.084 9.128×10-2
Untuk 20 26” 3.080 5.656×10-2
kisaran 50 1’01” 3.103 3.762×10-2
100 1’48” 3.089 2.640×10-2
Risk=0.13 200 4’01” 3.083 1.693×10-2
% 500 10’55” 3.085 9.259×10-3
1000 21’33” 3.083 7.425×10-3
Pada ke-3 kasus, dapat dilihat, bahwa simulasi Monte Carlo merupakan cara pendekatan.
Dari masing-masing populasi, setiap percobaan simulasi akan menghasilkan beta indeks yang
berbeda. Akan tetapi dengan bertambahnya populasi, beta indeks yang hasil simulasi mempunyai
deviasi yang semakin kecil. Untuk kasus A, terlihat bahwa jumlah simulasi sekitar 50 ribu sudah
menunjukkan hasil yang baik. Penambahan jumlah simulasi setelah itu, sudah tidak
menunjukkan peningkatan akurasi yang signifikan. Sedangkan pada kasus B, dan C, penggunaan
jumlah simulasi 500 ribu dan 1 juta masih terus menunjukkan perbaikan standar deviasi dari
hasil-hasilnya. Tentunya untuk mendapatkan hasil dengan standar deviasi yang sudah konvergen,
diperlukan jumlah simulasi yang lebih besar lagi.
Pada pengkajian lebih lanjut, dapat pula dilihat hubungan antara Safety Factor (non-
probabilistic approach) dengan Beta Index (probabilistic approach) dengan menggunakan
metode simulasi maupun advanced method (cara iterasi seperti yang dijelaskan pada bab-bab
sebelumnya). Pada ketiga kasus tersebut, hubungan itu dapat dilihat pada Gambar 5.4. Dari
Gambar 5.4 dapat dilihat bahwa hasil dari Simulasi Monte Carlo memiliki harga beta index yang
lebih besar dengan factor berkisar 1.7 hingga 1.9 kali lipat.
157
Hubungan SF dan Beta Index
3.5
3 3.083
2.5
Beta Index
2
1.658 1.593
1.5 Simulasi
1.275 Advanced Method
1 0.972
0.741
0.5
0
1.100 1.200 1.300 1.400 1.500
Safety Factor
Terlepas dari perbedaan cara advanced method dan simulasi, jika safety factor
dibandingkan dengan beta index, didapatkan Tabel dan Gambar berikut ini.
158
Safety Factor vs Beta Index
6
5
4
Beta Index
3
Zbar_variabel
2
1 Mbar_variabel
0
0 1 2 3 4 5
Safety Factor
Dapat dilihat bahwa hubungan hubungan 2 variabel tersebut adalah berbanding lurus
tetapi tidak linier. Perubahan variable modulus penampang (Z) maupun momen (M), tidak
mempengaruhi hubungan antara ke-2 variabel. Lebih lanjut dapat diamati bahwa batas bawah
dari nilai-nilai safety factor dan beta index, berturut-turut adalah 1.0, dan 0.0 dimana merupakan
batas antara aman (safe) dan gagal (fail).
159
DISKUSI DAN KESIMPULAN
Dari 4 kasus yang dibahas masing-masing dengan dua cara seperti yang dijelaskan pada
bab-bab sebelumnya, beberapa poin yang dapat didiskusikan dan disimpulkan adalah sebagai
berikut :
1. Terdapat kesalahan minor pada referensi Ang & Tang yang berupa kesalahan substitusi
minor pada nilai besaran yang ada. Namun kesalahan hanya bersifat redaksional/tulisan saja,
karena pada perhitungan langkah selanjutnya, hasil menyatakan bahwa nilai yang benar
terpakai dalam perhitungan.
2. Kedua metode dalam ke-4 kasus yang ditinjau mampu menghasikan penyelesaian yang
identik.
3. Kecepatan konvergensi pada cara matrix (referensi Nowak) tampak lebih cepat
dibandingkan cara eksak (referensi Ang & Tang).
4. Dengan flowchart dan alat bantu Matlab yang sudah dibuat cukup general, problem
assessment pada kenyataannya dapat disimulasikan juga. Modifikasi programming alat
bantu cukup dengan mengubah fungsi performance (g(X)) saja.
5. Untuk menyelesaikan persoalan-persoalan dengan fungsi performance g(X) yang rumit,
terdapat metode alternatif yaitu cara simulasi. Cara simulasi yang sering dikenal adalah
metode Monte Carlo.
6. Pada Metode Simulasi Monte Carlo, semakin besar beta index, untuk mendapatkan hasil
simulasi dengan standar deviasi tertentu, akan memerlukan jumlah populasi yang semakin
besar pula.
7. Terdapat perbedaan hasil antara advanced method dan metode simulasi Monte Carlo,
dimana hasil dari Simulasi Monte Carlo mempunyai kecenderungan hasil lebih besar
sebanyak 1.7 hingga 1.9 kali lipat.
160
DAFTAR REFERENSI
Andrey S.Nowak and Kevin R.Collins. (2000). Reliability of Structures. Mexico,Milan,New Delhi:
Mc Graw Hill.
Nathabandu T,Kottegoda ,Renzo Rosso. (2010). Applied Statistics for Civil and Environmental
Engineers. United Kingdom: John-Wiley and Son.
R.Ranganathan. (1990). Reliability Analysis and Design of Structures. New DElhi,New York:
McGraw-Hill.
Tang, A. a. (1989). Reliability Engineering Planning and Design. Bandung: Wile and Son.
Daftar Indeks
A K
acak, 5, 7, 11, 12, 16, 17, 28, 33, 42, 43, 52 keamanan, 2
kinerja, 2
B
R
beta, 59, 65, 66, 73, 74, 76, 85, 86, 97, 98, 99, 100, 111,
112, 121, 122, 124, 139, 140, 151, 152, 153, 154, 156, rekayasa, 2
157, 158, 159, 160 Risiko, 2
D S
deviasi, 5, 12, 17, 19, 21, 22, 26, 29, 31, 36, 38, 43, 51, 53, simulasi, 1, 42, 52, 59, 76, 100, 124, 154, 156, 157, 158,
54, 55, 156, 157, 160 160
F V
failure, 3, 35, 62, 63, 70, 72, 80, 81, 82, 83, 92, 104, 106, variabel, 5, 7, 11, 12, 16, 17, 28, 34, 36, 37, 39, 42, 43, 44,
107, 109, 117, 129, 131, 134, 136, 146 50, 52, 57, 159
variabilitas, 3, 10, 19, 23, 42, 54
variates, 12, 17, 18, 19, 21, 22, 26, 27, 28, 29, 36, 37, 39,
43, 49, 55
161