| Identificação de sistemas, COM 748, 2025-3
Profs. Thiago G Ritto <tritto@mecanica.ufrj.br>
Daniel A Castello <castello@mecanica.ufrj.br>
Plano do curso:
- modelagem computacional e incertezas
- identificação, calibração e problema inverso
- função objetivo e problema de otimização (identificação determinista)
- mínimos quadrados linear e não linear
- otimização: formulação, classificação e algoritmos (heurísticos e baseados em gradiente)
- abordagem bayesiana: conceitos básicos, prior, verossimilhança e posterior
- algoritmos: MCMC, SMCMC, ABC, ...
- filtro de Kalman e suas variações
- análise se sensibilidade e índices de SOBOL
- seleção de modelos
- exemplos e aplicações
- implementação computacional
- avaliação: listas e projeto
Listas:
Lista 1, entregar até 18/10
Lista 2, entregar até 01/11
Lista 3, entregar até 20/11
Lista 4, entregar até 06/12
Projeto:
Etapa I - Tema do projeto, 23/11
Etapa II - Revisão bibliográfica, 30/11
Etapa V - Apresentação do projeto final, 10/12
Etapa VI - Entrega do relatório*, 20/12
*O relatório deve conter (1) introdução (com breve revisão bibliográfica), (2) descrição do problema, (3) formulação do problema (incluindo parte de identificação), (4) análise de resultados, (5) conclusões, e (6) referências bibliográficas.
Forma de avaliação: 20% - Clareza, organização e coerência do texto. 15% - Descrição do problema de interesse. 20% - Formulação do problema. 15% - Qualidade da formatação do texto, das equações, e da lista de referências. 30% - Análise e coerência dos resultados.
Nota final = 0,4(Média Listas) + 0,6(Nota projeto)
- Castello e Ritto (2016), Quantificação de incertezas e estimação de parâmetros em dinâmica estrutural: uma introdução a partir de exemplos computacionais, SBMAC, clique aqui.
- Kaipio and Somersalo (2005), Statistical and Computational Inverse Problems, Springer, clique aqui.
- Silva (2006), Data analysis, a Bayesian Tutorial, Oxford, clique aqui.
- Aguirre (2014), Introdução à Identificação de Sistemas - Técnicas Lineares e não Lineares Aplicadas a Sistemas - Teoria e Aplicação, UFMG.
- Optimization, least-squares with scipy.optimize
- ABC for model selection and parameter estimation of drill-string bit-rock interaction models and stochastic stability
- Reinforcement learning and approximate Bayesian computation for model selection and parameter calibration applied to a nonlinear dynamical system
- Digital twin, physics-based model, and machine learning applied to damage detection in structures
- Kalman Filter (Welch, 2006)
- Sobol indices (Sobol, 2001)
- Sobol indices (Saltelli, 2010)
- Sobol indices (chapter)
