Navrhovaný projekt je zaměřen na pokročilou stochastickou analýzu betonových konstrukcí. V posledních letech je často využívána nelineární metoda konečných prvků, která je však velmi výpočetně náročná, tudíž je vhodné využít metody náhradní plochy odezvy (např. Polynomiální Chaos nebo umělé neuronové sítě) místo originálního matematického modelu. Pro spolehlivostní analýzu je kritická znalost statistických parametrů a rozdělení pravděpodobnosti materiálových parametrů, zvláště pak v případě kompozitních materiálů (např. beton). Naneštěstí, v praktických aplikacích jsou informace o materiálových parametrech omezené a tudíž je vhodné využít stochastickou identifikaci. Bayesovká statistika představuje pokročilou metodiku využitelnou pro již zmíněnou identifikaci stochastických parametrů s využitím apriorních informací (inženýrských znalostí).

Description in English
The proposed project is focused on advanced stochastic analysis of concrete structures. Nowadays, non-linear finite element method, which is highly computationally demanding, is used more frequently, therefore surrogate model (e.g. Polynomial Chaos Expansion or Artificial Neural Network) should be used for a stochastic analysis instead of original mathematical model. The knowledge of statistical parameters and probability distribution of material parameters is crucial for a reliability analysis, especially in case of composite materials (e.g. concrete). Unfortunately, in practical applications an information about material parameters is limited, therefore stochastic identification should be performed. Bayesian inference represents advanced method for the identification of stochastic parameters using prior information (engineering knowledge).

Keywords
Náhradní model; Bayesovská statistika; inverzní analýza; stochastická identifikace; spolehlivostní analýza

Key words in English
Surrogate model, Bayesian inference, Inverse analysis, Stochastic identification, Reliability analysis