Otimização baseada em confiabilidade. Otimização robusta multiobjetivo. Pórticos de concreto armado. Eficiência computacional. MEF. Python.

Tradicionalmente, os projetos de estruturas de concreto utilizam métodos semi-probabilísticos que aplicam fatores de segurança para compensar incertezas, aumentando as cargas e reduzindo as resistências. Embora isso garanta segurança e confiabilidade, os métodos probabilísticos oferecem uma abordagem mais abrangente ao quantificar a probabilidade de falha de uma estrutura. Neste trabalho, a otimização baseada em confiabilidade e a otimização robusta multiobjetivo baseada em confiabilidade foram aplicadas a uma estrutura plana linear de concreto armado. O estudo comparou a eficiência entre os procedimentos, considerando precisão, tempo de processamento, iterações, número de avaliações de funções e qualidade de distribuição de pontos de Pareto. A principal contribuição reside na investigação de diversas combinações de algoritmos para identificar o procedimento mais eficiente e robusto para otimização multiobjetivo sob incertezas em projetos de estruturas de concreto. Os métodos numéricos Reliability Index Approach (RIA), Perfomance Mensure Approach (PMA), Single Loop Approach (SLA) e Sequential Optimization and Reliability Assessment (SORA) foram acoplados com Weighted Sum (WS) e Normal-Boundary Intersection (NBI) para construir a fronteira de Pareto. A otimização utilizou Sequential Quadratic Programming (SQP) através da biblioteca Scipy. A análise estrutural empregou o Método dos Elementos Finitos (MEF) através do pacote CasPy. A análise de confiabilidade empregou First-Order Reliability Method (FORM) para RIA e PMA através do pacote Pystra. SLA e SORA utilizaram uma rotina FORM implementada por nós. O algoritmo HL-RF avaliou o Most Probable Point (MPP) e o método das diferenças finitas calculou derivadas numéricas. Quatro exemplos foram testados antes da aplicação principal. SLA e SORA apresentam excelentes resultados, sendo SLA o algoritmo mais eficiente. RIA e PMA tiveram desempenho inferior em tempo de processamento e número de avaliações de funções de estado limite. O NBI teve desempenho superior na qualidade da distribuição de pontos de Pareto em comparação ao WS.