شماره ركورد
31661
پديد آورنده
كسري لعل دهقاني
عنوان
طراحي بهينه برمبناي جانشين قابهاي فولادي سه بعدي نامنظم
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي عمران- مهندسي سازه
سال تحصيل
1400
تاريخ دفاع
1403/6/27
استاد راهنما
مجيد ايلچي قزاآن
استاد مشاور
/
دانشكده
دانشكده مهندسي عمران
چكيده
با پيشرفت سريع در طراحيهاي مهندسي و افزايش پيچيدگي مسائل، نياز به ابزارهاي بهينهيابي قدرتمندي كه قادر به مديريت مؤثر شبيهسازيهاي پيچيده و پرهزينه باشند، به شدت احساس ميشود. در اين راستا، بهينهيابي مبتني بر مدلهاي جانشين اهميت ويژهاي پيدا كرده است. اين مدلها بهعنوان پيشبيني كننده پاسخ مدلهاي اصلي عمل ميكنند و با كاهش تعداد شبيهسازيهاي لازم، زمان و هزينه محاسباتي را به طور چشمگيري كاهش ميدهند. براي بهبود رويكردهاي مؤثر در اين زمينه، يك مدل جانشين ناحيهاي تطبيقي همراه با معيار بهبوديافته محدودسازي كران پاييني اطمينان (ARECLCB)، معرفي شده است تا به چالشهاي محاسباتي موجود در مشكلات بهينهيابي مقيد بپردازد. اين روش بهصورت پويا بين دو مدل جانشين انتخاب ميكند: يكي بر پايه درخت تصميم جمعي و ديگري مبتني بر شبكههاي عصبي. اين انتخاب تطبيقي به مدل اجازه ميدهد كه به طور مؤثر بين بررسي دقيق مناطق محلي و ارزيابي گستردهتر مناطق كلي تعادل برقرار كند. اين استراتژي تطبيقي با ايجاد تعادل ميان اصلاح محلي و كاوش كلي، علاوه بر حفظ دقت مدل جانشين به طور قابلتوجهي زمان ارزيابي را نيز كاهش ميدهد. آزمايشهاي گسترده بر روي چندين مثال عددي نشان دادهاند كه مدل جانشين پيشنهادي، از نظر كارايي و اثربخشي، نسبت به رويكردهاي مشابه و غيرمشابه ديگر بسيار رقابتي است. همچنين عملكرد آن در طراحي بهينه دو قاب فولادي سه بعدي نامنظم مورد بررسي قرار گرفت. نتايج بهدستآمده نشان ميدهد كه اين روش نه تنها به طور ميانگين 1.6% كاهش وزني نسبت به ساير روشها ايجاد كرده، بلكه باعث كاهش زمان محاسباتي به ميزان 80% نيز شده است كه به طور قابلتوجهي پتانسيل خود را در حل مسائل مهندسي دنياي واقعي اثبات ميكند.
تاريخ ورود اطلاعات
1403/09/16
عنوان به انگليسي
Surrogate-based optimum design of 3D irregular steel frames
تاريخ بهره برداري
9/17/2025 12:00:00 AM
دانشجوي وارد كننده اطلاعات
كسري لعل دهقاني
چكيده به لاتين
The rapid progression in engineering design has intensified the need for robust optimization tools that can manage complicated simulations effectively. In response, the Adaptive Regional Enhanced Constrained Lower Confidence Bounding (ARECLCB) surrogate model has been introduced to address the computational challenges inherent in constrained optimization problems (COPs). This approach dynamically selects between two surrogate models, one based on decision tree ensembles and the other using neural networks, to effectively explore both local and global regions. The adaptive selection allows the chosen model to be trained either on elite samples for infilling in local regions or on all samples for broader exploration in global regions. This adaptive strategy balances local refinement with global exploration, significantly reducing evaluation time while maintaining high accuracy. Extensive testing on multiple numerical examples demonstrates that ARECLCB is highly competitive with recent algorithms in terms of efficiency and effectiveness. To further validate its capabilities, the ARECLCB model was applied to the lightweight design of two different 3D irregular steel frames. The results show that the proposed approach not only reduces the average weight by 1.6% compared to other methods, but also reduces the computational time by 80%. This, highlights the proposed approach potential in solving real-world engineering problems.
كليدواژه هاي فارسي
مدلهاي جانشين تطبيقي , شبكههاي عصبي , درخت تصميم جمعي , طراحي بهينه , نمونهبرداري پركننده
كليدواژه هاي لاتين
Adaptive Surrogate Models , neural networks , Decision Tree Ensembles , Design optimization , Infilling Sampling
Author
Kasra Lal Dehghani
SuperVisor
Dr. Majid Eilchi