-
شماره ركورد
31146
-
پديد آورنده
مصطفي شريفي دهجي
-
عنوان
طراحي بهينه سازه‌هاي خرپايي با در نظرگرفتن قيدهاي فركانسي ديناميكي با استفاده از مدل جايگزين مبتني بر يادگيري ماشين
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
كارشناسي ارشد مهندسي عمران - گرايش سازه
-
سال تحصيل
1400
-
تاريخ دفاع
1403/03/30
-
استاد راهنما
دكتر مجيد ايلچي قزاآن
-
استاد مشاور
/
-
دانشكده
عمران
-
چكيده
اين پژوهش به بررسي يك چارچوب تكاملي براي كشف بهينه‌ي كلي مي‌پردازد كه از يك رويكرد مبتني بر مدل جانشين و با استفاده از الگوريتم يادگيري ماشين XGBoost توسعه يافته است. در اين چارچوب كه از سه مرحله تكاملي تشكيل شده است، فرآيند بهينه‌سازي با نمونه‌برداري تطبيقي آغاز مي‌شود، در ادامه به‌روزرساني پوياي مرزها (DBU) اضافه مي‌شود و در نهايت با اضافه شدن مرحله پالايش چارچوب پيشنهادي به تكامل مي‌رسد. در مرحله نمونه‌برداري تطبيقي، فضاي طراحي به طور استراتژيك و مرحله به مرحله بررسي شده و در هر مرحله نمونه‌هاي جديد اضافه مي‌شوند تا مدل همواره در حال بهبود باشد. در مرحله DBU، با به‌روزرساني محدوده‌هاي طراحي بر اساس آخرين پيش‌بيني‌ها، مسير بهينه‌سازي به سوي مناطق اميدواركننده هدايت مي‌شود. در مرحله پالايش، روش پيشنهادي طراحي‌هاي به‌دست‌آمده را اصلاح مي‌كند؛ اضافه شدن پالايش و كامل شدن چارچوب پيشنهادي كشف بهينه كلي را تضمين مي‌كند. با توجه به اينكه در چارچوب پيشنهادي، روش DBU بر اساس مدل جانشين توسعه يافته (SMB)، اين چارچوب تكاملي DBU-SMB نامگذاري شده. روش پيشنهادي در اين مطالعه به الگوريتم فراابتكاري خاصي وابسته نيست؛ به همين خاطر براي اثبات كارايي اين روش، مسائل با استفاده از سه الگوريتم فراابتكاري مختلف مورد بررسي قرار گرفته‌اند كه انعطاف‌پذيري و استقلال روش پيشنهادي را نشان مي‌دهد. اين الگوريتم‌هاي فراابتكاري كه اخيراً معرفي‌شده‌اند؛ الگوريتم‌هاي AHA، EO و GEO هستند. براي نشان دادن كارايي روش پيشنهادي، چهار مسئله بهينه‌سازي بسيار غيرخطي مورد بررسي قرار گرفته است. اين بررسي‌ها كارايي روش DBU-SMB را در كشف طراحي‌هاي بهينه نشان مي‌دهد.
در انتها، نتايج بهينه‌سازي نشان مي‌دهد كه تعداد ارزيابي‌هاي تابع مورد نياز توسط روش پيشنهادي در مقايسه با زماني كه از روش DBU-SMB استفاده نمي‌شود، بين 93 تا 97 درصد كاهش مي‌يابد. علاوه بر اين، برخلاف روش‌هاي كلاسيك، روش پيشنهادي در مسئله‌هاي بزرگ مقياس در تله‌هاي بهينه محلي گير نمي‌كند كه اين امر منجر به كشف بهينه كلي مي‌شود. همچنين طراحي‌هاي به‌دست‌آمده با استفاده از روش DBU-SMB و بدون آن، بسيار نزديك به يكديگر هستند و در بسياري از موارد، انعطاف‌پذيري روش پيشنهادي منجر به كشف طراحي‌هاي سبك‌تر مي‌شود.
-
تاريخ ورود اطلاعات
1403/06/18
-
عنوان به انگليسي
Optimal design of truss structures considering dynamic frequency constraints using a surrogate model based on machine learning
-
تاريخ بهره برداري
6/19/2025 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
مصطفي شريفي دهجي
-
چكيده به لاتين
In this thesis, a new framework for global optimization is introduced. This framework evolves through adaptive sampling, which comprises a surrogate model and utilizes meta-heuristic algorithms to solve global optimization problems. The method unfolds in three progressive stages: adaptive sampling, Dynamic Boundary Updating (DBU), and refinement. In the first step, adaptive sampling strategically explores the design space, gathering important information to improve subsequent models. Incorporating DBU in the second step enhances consistency and guides the optimization towards promising regions in the parameter space. In the third step, refinement is added to iteratively improve the optimization results, ensuring a comprehensive exploration of the design space. The proposed method is named DBU-SMB, as it integrates dynamic boundary updating (DBU) within a surrogate model-based (SMB) framework. DBU-SMB does not rely on any specific machine learning model or meta-heuristic algorithm. Here, XGBoost is selected as the surrogate model, alongside recently introduced meta-heuristic algorithms including the Artificial Hummingbird Algorithm (AHA), Equilibrium Optimizer (EO), and Golden Eagle Optimizer (GEO). To showcase the effectiveness of our proposed approach, we explore four highly nonlinear and non-convex optimization problems. The results reveal a reduction of over 90% in the number of function evaluations when employing the DBU-SMB method compared to its absence. Moreover, unlike traditional methods, the proposed approach avoids entrapment in local optima for large-scale problems, leading to the discovery of superior solutions. This compelling evidence underscores the efficiency of the DBU-SMB method in achieving superior designs.
-
كليدواژه هاي فارسي
يادگيري ماشين , مدل جانشين , نمونه گيري تطبيقي , بهينه سازي سازه
-
كليدواژه هاي لاتين
machine learning , surrogate model , adaptive sampling , structural optimization
-
Author
Mostafa Sharifi Dahaji
-
SuperVisor
Dr. Majid Ilchi Ghazaan
-
لينک به اين مدرک :
