16943

طراحي بهينه مبتني بر قابليت اطمينان سازه ها با استفاده از الگوريتم هاي يادگيري ماشين

1403

دكتر مجيد ايلچي قزاآن

در طراحي سازه‌ها، ايمني و هزينه دو معيار متناقض اصلي طراحي هستند كه طراحان بايد به طور هم‌زمان آن‌ها را رعايت كنند. وجود عدم قطعيت در كميت‌هاي فيزيكي يكي از مؤثرترين عوامل در سطح قابليت اطمينان يك طراحي است. پس، بهينه‌سازي قطعي نمي‌تواند منجر به طراحي بهينه شود. طراحي بهينه‌ بر مبناي قابليت اطمينان (RBDO ) يك ابزار مفيد است كه از نظريه قابليت اطمينان براي ارائه يك طراحي مقرون‌به‌صرفه با سطح اطمينان قابل‌قبول براي قيود احتمالاتي استفاده مي‌كند. عملكرد RBDO به نحوه مديريت حلقه‌هاي بهينه‌سازي قطعي، تحليل قابليت اطمينان و فرآيند ارزيابي آن بستگي دارد. يك استراتژي سنتي حل اين مسائل، روش دو حلقه‌اي است كه در آن، حلقه بيروني مسئول بهينه‌سازي قيود قطعي است، در حالي كه حلقه دروني كه مسئول تحليل قابليت اطمينان است، كه با محاسبه احتمال خرابي بر اساس توابع حدي از پيش تعريف‌شده، مقدار متغيرهاي تصادفي را ارزيابي مي‌كند. به دليل نياز به انجام تحليل قابليت اطمينان در هر حلقه داخلي و تعداد زياد فراخواني تابع، هزينه‌هاي محاسباتي آن مي‌تواند بسيار بالا باشد. براي بهبود كارايي، دو نوع روش متفاوت پيشنهاد شده است؛ كه شامل روش‌هاي تك حلقه و روش‌هاي جداشده (تفكيكشده) ميباشد. هدف اصلي تحليل قابليت اطمينان، محاسبه احتمال خرابي در ارتباط با تابع حالت حدي است. براي آن ميبايست انتگرال چندبعدي حل شود؛ كه مي‌تواند بسيار پيچيده و حتي غيرممكن باشد. اين مسائل باعث توسعه روش‌هاي جايگزين براي تخمين احتمال خرابي شده‌اند؛ از جمله روش‌هاي شبيه‌سازي و روش‌هاي مبتني بر گراديان ميباشند. تحليل قابليت اطمينان با روش قابليت اطمينان مرتبه اول به دو رويكرد مختلف انجام مي‌شود. روش شاخص قابليت اطمينان كه به دنبال يافتن محتمل‌ترين نقطه خرابي در سطح حدي است كه كمترين فاصله را از مبدأ دارد و روش اندازه‌گيري عملكرد كه به دنبال يافتن نقطه هدف حداقل عملكرد در سطح قابليت اطمينان از پيش تعيين‌شده يا هدف است. روشهاي يادگيري ماشين در مواجهه با توابع عملكرد غيرصريح و غيرخطي، كه حل عددي آن‌ها بسيار پرهزينه است، راه‌حلي كارآمد ارائه مي‌دهند. يكي از رويكردهاي نوين در زمينه اين موضوع، به‌ كارگيري مدل‌هاي جايگزين مبتني بر يادگيري ماشين است كه به ‌عنوان مدل تقريبي براي تخمين سطح حدي سازه‌ها عمل مي‌كنند. نتيجه آن، كاهش قابل توجه در زمان و هزينه محاسباتي در عين حفظ دقت بالاي نتايج است كه از اين مزيت آن ميتوان براي حل مسائل قابليت اطمينان كمك گرفت. اين مطالعه، جنبههاي مختلف مسائل در زمينه طراحي بهينه مبتني بر قابليت اطمينان سازه‌ها را بررسي ميكند. به مزايا و معايب وخلاهاي موجود در روشهاي تحليل قابليت اطمينان پرداخته ميشود. در بحث روشهاي اندازهگيري عملكرد، رويكرد هاي مختلف به ويژه روشهاي مبتني بر الگوريتمهاي يادگيري ماشين مورد مقايسه قرار ميگيرند.

11/16/2025 12:00:00 AM

89903

1404/09/30

Reliability-based design optimization of structures using machine learning algorithms

طراحي بهينه مبتني بر قابليت اطمينان , قابليت اطمينان سازه , يادگيري ماشين , نقطه هدف عملكرد , مدل جايگزين

Reliability-Based Design Optimization , Structural Reliability , Machine Learning , Most Probable Point , Surrogate Model