A meta-model based procedure for the assessment of impact forces of dry granular masses on rigid barriers

A meta-model-based procedure has been grounded to assess the impact force of dry gran- ular masses on rigid barriers. The main aim of this study is to predict the maximum impact forces by taking advantage of machine learning and interpreting the data to de- normalise, refine, and optimise the empirical formula eq.4 [12] for the assessment of impact forces of dry granular masses on rigid barriers that have uncertainties between parame- ters of the system. In this thesis, the main aim is to apply uncertainty quantification in the framework of UQLab to overcome the behaviour of complex systems [44]; therefore, meta-modelling is implemented to develop surrogate models that are capable of represent- ing the behaviour of the system in the presence of uncertainties. Several meta-modelling techniques are implemented to enhance the accuracy of the prediction for the maximum impact forces and perform sensitivity analysis, offering valuable insight into the impor- tance of the system parameters. Since the empirical formulae are polynomial eq.4, the meta-models in this study were built by taking advantage of polynomial chaos expansion with different computational methods. Since the meta-models cannot estimate the for- mula, the integration of maximum impact forces with the Polyfit function took place to obtain the maximum impact formula. This refinement reduced the errors and calibrated the empirical formulae.

Un procedimento basato sul meta-modellazione è stato sviluppato per valutare la forza d’impatto delle masse granulari asciutte su barriere rigide. Lo scopo principale di questo studio è prevedere le forze d’impatto massime sfruttando il machine learning e interpretare i dati per denormalizzare, perfezionare e ottimizzare la formula empirica eq.4 [12] per la valutazione delle forze d’impatto delle masse granulari asciutte su barriere rigide, che presentano incertezze tra i parametri del sistema. In questa tesi, l’obiettivo principale è applicare la quantificazione dell’incertezza nel contesto di UQLab per superare il compor- tamento dei sistemi complessi [44]; pertanto, la meta-modellazione è implementata per sviluppare modelli surrogati capaci di rappresentare il comportamento del sistema in pre- senza di incertezze. Diverse tecniche di meta-modellazione sono implementate per miglio- rare l’accuratezza della previsione delle forze d’impatto massime e per eseguire l’analisi di sensibilità, offrendo preziose intuizioni sull’importanza dei parametri del sistema. Poiché le formule empiriche sono polinomiali eq.4, i meta-modelli in questo studio sono stati costruiti sfruttando l’espansione del caos polinomiale con diversi metodi computazionali. Poiché i meta-modelli non possono stimare la formula, l’integrazione delle forze d’impatto massime con la funzione Polyfit è avvenuta per ottenere la formula dell’impatto massimo. Questo perfezionamento ha ridotto gli errori e calibrato le formule empiriche.