Рабочая программа методы решения научно технических задач в строительстве

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «БРАТСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ» ФАКУЛЬТЕТ МАГИСТЕРСКОЙ ПОДГОТОВКИ КАФЕДРА СТРОИТЕЛЬНОГО МАТЕРИАЛОВЕДЕНИЯ И ТЕХНОЛОГИИ Отчет по лабораторным работам № 1-2 по дисциплине «Методы решения научно-технических задач в строительстве» (вариант №5) Выполнил студент гр. ФПСм-18: _____________ А.В.

Шестаков подпись Проверил доцент, к. т. н.: _____________ Т.А. Лебедева подпись Братск 2019 Содержание Лабораторная работа №1. Статистические методы. Оценка эмпирического распределения случайной величины 3 Теоретическая часть лабораторной работы №1 4 Практическая часть лабораторной работы №1 3 Лабораторная работа №2.

Построение многофакторных зависимостей различного вида по экспериментальным данным 6 Теоретическая часть лабораторной работы №2 6 Практическая часть лабораторной работы №2 9 Список использованных источников 12 Лабораторная работа №1. Статистические методы.

Законодательная и нормативная база строительной отрасли, техническое регулирование в строительстве

Оценка эмпирического распределения случайной величины Цель работы: получение навыков оценки закономерностей распределения случайных величин при решении практических задач. Нормативные документы: ГОСТ Р 50779.10-2000 (ИСО 3534.1-93) Статистические методы. Вероятность и основы статистики. Термины и определения ГОСТ Р ИСО 5479-2002 Статистические методы.

Проверка отклонения распределения вероятностей от нормального распределения ГОСТ Р 50779.11-2000 (ИСО 3534.2-93) Статистические методы. Статистическое управление качеством. Термины и определения ГОСТ Р 50779.30-95 Статистические методы. Приемочный контроль качества. Общие требования ГОСТ Р 8.736-2011 Государственная система обеспечения единства измерений (ГСИ).

Измерения прямые многократные. Методы обработки результатов измерений. Основные положения. ГОСТ Р 27.004-2009. Надежность в технике.

Модели отказов Теоретические сведения: Значение законов распределения случайных величин при решении практических задач. Критерии нормальности распределения случайных величин. Порядок исключения резко выделяющихся значений. Оценка случайной величины и среднеквадратическое отклонение.

Задание для лабораторной работы: Построить функцию распределения по индивидуальным эмпирическим данным. Произвести оценку соответствия эмпирической и теоретической функций распределения. Произвести оценку случайной величины с определением статистических показателей (по заданию).

Теоретическая часть лабораторной работы №1 1. Значение законов распределения случайных величин при решении практических задач Закон распределения полностью характеризует случайную величину с вероятностной точки зрения. Однако при решении многих практических задач достаточно знать лишь некоторые числовые параметры, выражающие наиболее характерные свойства (черты) закона распределения случайной величины.

Такие числа носят название числовых характеристик случайной величины. Математическим ожиданием (или средним значением) M(X) (или mX) дискретной случайной величины X называется сумма произведений всех ее возможных значений на соответствующие вероятности этих значений.

Организация и планировании в строительстве

Если дискретная случайная величина X принимает конечное число значений x1, x2, . , xn, то ее математическое ожидание M(X) находится по формуле n M ( X ) = ∑ xi pi (3) i=1 Если же дискретная случайная величина X принимает бесконечное число значений, то ∞ M ( X ) = ∑ xi pi , (4) i=1 при этом математическое ожидание существует, если ряд в правой части этой ∞ формулы абсолютно сходится, т. е. сходится ряд ∑ xi pi . i=1 Математическое ожидание непрерывной случайной величины X с плотностью вероятности ϕ(x) , находится по формуле +∞ M ( X ) = ∫ xϕ(x)dx , (5) −∞ при этом математическое ожидание существует, если интеграл в правой части равенства абсолютно сходится. Дисперсией (рассеянием) D(X) (или DX) случайной величины X называется математическое ожидание квадрата отклонения случайной величины от ее математического ожидания: D( X ) = M ( X − mX )2 . Из определения вытекает часто используемая формула: D( X ) = M ( X )2 − mX2 . Если X — дискретная случайная величина, то ее дисперсия вычисляется по формуле: n n D( X ) = ∑(xi − mX )2 pi , (т. е. D( X ) = ∑ xi2 pi − mX2 ) (6) i=1 i=1 в случае конечного числа значений, принимаемых случайной величиной X, и по формуле ∞ ∞ D( X ) = ∑(xi − mX )2 pi , (т. е. D( X ) = ∑ xi2 pi − mX2 ) (7) i=1 i=1 в случае счетного числа значений.

Если X — непрерывная случайная величина с плотностью ϕ(x) , то +∞ +∞ D( X ) = ∫(x − mX )2 ϕ(x)dx (или D( X ) = ∫ x2ϕ(x)dx − mX2). (8) −∞ −∞ Средним квадратическим отклонением случайной величины X называется величина σX = D( X ). Среднее квадратическое отклонение есть мера рассеяния значений случайной величины около ее математического ожидания. 2. Критерии нормальности распределения случайных величин Критерии нормальности — это группа статистических критериев, предназначенных для проверки нормальности распределения.

Критерии нормальности являются частным случаем критериев согласия. Тестирование данных на нормальность часто является первым этапом их анализа, так как большое количество статистических методов исходит из предположения нормальности распределения изучаемых данных. Пример 1: Пусть необходимо проверить гипотезу о равенстве средних значений в двух независимых выборках.

Для этой цели подходит критерий Стьюдента. Но применение критерия Стьюдента обосновано, только если данные подчиняются нормальному распределению. Поэтому перед применением критерия необходимо проверить гипотезу о нормальности исходных данных.

Пример 2: Проверка остатков линейной регрессии на нормальность — позволяет проверить, соответствует ли применяемая модель регрессии исходным данным. 3. Порядок исключения резко выделяющихся значений Совокупность полученных экспериментальных данных часто имеет значения, резко выделяющиеся относительно других, что приводит к постановке вопроса об их исключении из дальнейшей обработки.

Причиной появления таких данных может быть изменение условий проведения опыта в момент наблюдения, ошибочная регистрация параметра (по вине оператора) и т.п. Независимо от причин получения резко выделяющихся данных они могут существенно исказить числовые характеристики.

С другой стороны, при необоснованном исключении таких данных числовые характеристики также будут искажены. Самый надежный метод определения возможности исключения резко выделяющихся данных — это анализ условий, при которых они были получены.

Если условия существенно отличаются от стандартных (или установленных по плану эксперимента), то данные необходимо исключить из дальнейшей обработки независимо от их величины. Если определение существенности изменения условий эксперимента невозможно или представляет большие трудности, то используют статистический метод исключения данных, сущность которого заключается в следующем: находят в совокупности максимальную и минимальную величины и определяют расчетные значения критерия Смирнова-Граббса: Сравниваем полученные значения с табличным VТ , если VR max или VR min больше VТ, то соответствующее значение Yi необходимо исключить из совокупности Таким образом полученные значения не исключаем.

4. Оценка случайной величины и среднеквадратическое отклонение Для оценки случайных величин используются среднее значение и ее дисперсия. В настоящее время разработаны способы оценки статистических характеристик случайной величины, в качестве которых обычно используют среднеквадратические отклонения (СКО) разностей измеренных и расчетных значений от аппроксимирующего полинома и погрешности временного типа в сеансе измерений.

Однако задача оценки случайной величины фу до сих пор остается нерешенной. Среднеквадратическое отклонение — в теории вероятностей и статистике наиболее распространённый показатель рассеивания значений случайной величины относительно её математического ожидания. Обычно указанные термины означают квадратный корень из дисперсии случайной величины, но иногда могут означать тот или иной вариант оценки этого значения. Среднеквадратическое отклонение определяется как квадратный корень из дисперсии случайной величины, измеряется в единицах измерения самой случайной величины и используется при расчёте стандартной ошибки среднего арифметического, при построении доверительных интервалов, при статистической проверке гипотез, при измерении линейной взаимосвязи между случайными величинами. Практическая часть лабораторной работы №1 Таблица 1 – Упорядоченные исходные данные 79,92623 100,5737 108,3103 111,3656 116,6218 123,4369 126,3926 130,9969 133,3445 142,0689 83,68004 101,0576 108,5182 111,9671 117,519 123,5161 126,4184 131,0072 134,2055 142,185 85,18325 101,2387 108,5365 112,8831 117,8545 124,0972 127,3449 131,0354 135,6014 142,7645 88,76332 102,3172 109,342 113,3558 118,1825 124,3005 127,6219 131,4831 135,6254 142,8075 89,88818 102,8057 109,4986 113,6544 119,8018 124,6785 127,7778 131,5785 136,9667 142,8506 93,7731 104,4372 110,0008 113,9113 120,149 125,0472 128,1617 131,9854 138,6762 143,442 94,33001 104,4414 110,2409 114,5488 121,3405 125,2305 128,487 131,9992 140,196 143,8819 94,46301 104,6255 110,267 114,7877 121,6123 125,3613 128,7755 132,0642 140,8848 147,548 98,76128 106,6134 110,3899 115,1617 122,5604 125,9614 128,814 132,7014 141,1719 154,4635 99,40171 106,8114 111,1334 115,8656 123,1182 126,1566 129,1748 133,1827 142,0372 155,1148 Таблица 2 – Описательная статистика данных выборки Среднее 120,5621556 Стандартная ошибка 1,606806989 Медиана 123,2775304 Мода #Н/Д Стандартное отклонение 16,06806989 Дисперсия выборки 258,18287 Эксцесс -0,307284942 Асимметричность -0,280987319 Интервал 75,18858183 Минимум 79,92622898 Максимум 155,1148108 Сумма 12056,21556 Счет 100 Ошибки репрезентативности асимметрии и эксцесса определяются по формулам (2.1) и (2.2) соответственно: m_A=√(6/n)=√(6/100)=0,24 (2.1) m_E=2*√(6/n)=2*√(6/100)=0,49 (2.2) Принцип определения нормальности-ненормальности распределения: ├ (|-0,28|

Вход для пользователей

Восстановление пароля

Пожалуйста, укажите электронный адрес или номер телефона, который вы использовали при регистрации. Вам будет отправлено письмо со ссылкой на форму изменения пароля или SMS сообщение с новым паролем.

Источник: fenix.help

Методы решения научно-технических задач в строительстве

Программа дисциплины

• ОПК-1 Способен решать задачи профессиональной деятельности на основе использования теоретических и практических основ, математического аппарата фундаментальных наук
• УК-2 Способен управлять проектом на всех этапах его жизненного цикла
• УК-3 Способен организовывать и руководить работой команды, вырабатывая командную стратегию для достижения поставленной цели

• Задать вопрос
• Сообщить об ошибке Ctrl + Enter —>
• Обращения граждан

RSSЮУрГУ на YouTube ЮУрГУ-ТВ на AllRussiaTV ЮУрГУ в ТвиттереЮУрГУ ВКонтакте Телеграм-канал ЮУрГУ

Источник: www.susu.ru

Методы решения научно-технических задач в строительстве

В процессе проектирования и строительства специалистам не раз приходится справляться с решением как типовых, так и оригинальных задач. Для решения технических задач используются как общепринятые и универсальные методы, такие как синтез, дедукция, аналогия, сравнение, моделирование, так и предметно-специализированные.

Научно-техническая задача – это задача, решаемая с помощью общепринятых научных методов предметного уровня, к таким задачам относятся инженерные расчеты, применяемые в строительстве.

Вопросы, касающиеся прочности конструкций, технологии изготовления, монтажа, теплотехники и инженерного снабжения относятся к научно-техническим задачам, для решения которых специалисты используют утвержденные сводами правил, ГОСТ, методики расчета. Таким образом обеспечивается качество проекта.

Методы решения научно-технических задач рассматриваются в курсе одноименной дисциплины. В нем изучаются вопросы разработки инновационных строительных материалов, возможности для совершенствования производственных процессов, обслуживание специальной строительной техники, моделирование процессов в конструкциях, возникающих при разных условиях эксплуатации, осуществляется проведение экспериментов, сбор и обработка результатов испытаний.

Рисунок 1. Рисунок 1. Проведение расчетов. Автор24 — интернет-биржа студенческих работ

К примеру, перед специалистом стоит задача — защита жилого дома от подтопления. Для ее решения потребуется собрать исходные данные (габариты дома, уровень грунтовых вод (УГВ), тип, класс и состав грунтов, район строительства и выполнить ряд действий:

«Методы решения научно-технических задач в строительстве»
Готовые курсовые работы и рефераты
Решение учебных вопросов в 2 клика
Помощь в написании учебной работы

1. На основании исходных данных определить целесообразный вариант дренажной системы, учитывающей характер грунтов и конструктивные особенности объекта.
2. Исходя из климатического района, глубины грунтовых вод назначить глубину заложения дренажа и его конструкцию.
3. Разработать проект профиля и плана дренажа и составить гидрологический расчет.

В результате проделанной работы запроектированная дренажная система должна стать решением поставленной научно-технической задачи и обеспечивать защиту жилого дома от подтопления.

К примерам других научно-технических задач в строительстве можно отнести:

• задача оптимального распределения рабочих на объектах методом динамического программирования;
• задача оптимизации железобетонного элемента (работающего на косое внецентренное сжатие) итерационным методом;
• решение транспортной задачи методом потенциалов;
• определение оптимального сечения изгибаемого элемента из клееной древесины;
• проектирование солнечного коллектора для системы отопления и горячего водоснабжения жилого дома.

Типовая схема решения научно-технических задач

В общем виде схему решения задач можно описать следующим образом:

1. Анализ объекта, сбор исходных данных, содержательная постановка задачи.
2. Концептуальная и математическая постановка задачи, составление модели.
3. Качественный анализ разработанной модели и проверка ее корректности.
4. Выбор методов, которые позволят выполнить расчет и найти решение.
5. Поиск решения аналитическим методом или разработка алгоритма для написания программы.
6. Проверка предложенного решения.

Подобная схема применима к стандартным проблемам, в том же случае, когда требуется решить творческую задачу, следует применять другие методики (мозговой штурм, метод ассоциаций, ТРИЗ и другие). В таком случае вероятность найти нестандартное, но эффективное решение гораздо выше. Также для решения творческих задач применяют интуитивный, систематический и упорядоченный поиск.

В рамках студенческих занятий изучаются различные методы и примеры задач, которые позволят будущим специалистам быстро находить ответы в сложной рабочей ситуации. Большинство задач, решаемых каждый день проектировщиками относятся к научно-техническим задачам, их сложность может быть разной, но всегда требуется внимательный учет всех исходных данных и всесторонний анализ ситуации. Проектирование объекта — это длительный процесс, зачастую принятые ранее решения пересматриваются, уточняются и меняются, объем ограничивающих факторов и новых данных растет как снежный ком и в этом потоке информации важно уметь выявлять ключевые характеристики. Специалист, владеющий различными методиками, может быстро оценить несколько вариантов действий и предложить наиболее целесообразный вариант. С учетом высокой степени цифровизации и автоматизации расчетов, производимых инженерами, главной компетенцией, отличающей грамотного сотрудника, будет являться знание методики проведения расчета.

Источник: spravochnick.ru