31264

بهينه سازي قاب هاي خمشي فولادي با استفاده از مدل هاي جايگزين مبتني بر يادگيري ماشين

كارشناسي ارشد

عمران-سازه

1401

1403/06/25

جناب آقاي دكتر وحيد بروجرديان

-

عمران

اين سوال كه چگونه روش‌هايي از حوزه هوش مصنوعي مي‌توانند به بهبود چارچوب‌هاي مرسوم براي بهينه‌سازي طراحي كمك كنند، در چند سال اخير مورد توجه قرار گرفته است. با انگيزه قابليت‌هاي مدل هاي جايگزين در تجزيه و تحليل طراحي بهينه، مدل‌هاي متفاوتي با هدف بهينه‌سازي پيشنهاد شده‌اند. مدل‌هاي جايگزين به طور گسترده به عنوان تقريبي از شبيه‌سازي‌هاي گران قيمت مبتني بر فيزيك براي كاهش بار محاسباتي در بهينه‌سازي طراحي سيستم هاي سازه اي استفاده شده‌اند. اين مطالعه استفاده از تكنيك هاي مدل‌سازي جايگزين پيشرفته را براي طراحي سيستم سازه اي براي رسيدگي به چالش‌هاي محاسباتي و در نتيجه افزايش كارايي طراحي ارائه مي‌كند. مطالعات مقايسه‌اي با روش‌هاي طراحي سازه موجود نشان داد كه به‌كارگيري مدل‌هاي جايگزين مي‌تواند به طور قابل‌توجهي كارايي طراحي را در عين حفظ دقت خوب بهبود بخشد. روش‌هاي بهينه‌سازي با استفاده از الگوريتم‌هاي فراابتكاري به طور گسترده در طراحي قاب فولادي براي بهبود روش طراحي سنتي ناكارآمد به دليل تنظيم مدل مكرر و تحليل مكانيكي عظيم استفاده شده‌اند. با اين حال، ويژگي جستجوي تصادفي آنها ممكن است به راحتي منجر به عملكرد ضعيف شود. در اين تحقيق، با تركيب الگوريتم‌هاي فراابتكاري و روش‌هاي يادگيري ماشين، يك روش بسيار يكپارچه مبتني بر آموزش مدل آنلاين، به‌روزرساني و فرآيند تنظيم پارامتر براي بهبود عملكرد الگوريتم بهينه‌سازي با فرم‌ها و پارامترهاي كلي پيشنهاد شده‌است. چنين روشي براي طراحي سازه اي هوشمند قاب هاي فولادي شامل سه مرحله معرفي مي شود. فرآيند بهينه‌سازي استاندارد براي جستجوي طراحي بهينه و جمع‌آوري همزمان داده‌هاي تحليل مكانيكي سازه انجام مي‌شود. سپس داده‌ها براي توليد و به‌روزرساني مدل‌هاي جايگزين پاسخ‌هاي ساختاري به‌صورت پويا اتخاذ مي‌شوند، در حالي كه يك ويژگي مهندسي مبتني بر تحليل و يك تكنيك تنظيم خودكار مدل براي بهبود دقت مدل استفاده مي‌شود. در نهايت، يك روش بسيار كارآمدتر براي به دست آوردن راه حل هاي بالقوه ارائه شده است كه براي بهبود نرخ همگرايي و عملكرد بهينه سازي استاندارد استفاده مي شود. در مقايسه با روش هاي بهينه سازي استاندارد ، روش پيشنهاديبراي سازه اي كه در مطالعات قبلي مورد بررسي قرار گرفته است، استفاده شده كه داراي طراحي‌هاي بهينه 19.03% سبك‌تر و زمان محاسباتي كاهش يافته تا 72% مي باشد. به عنوان يك نتيجه، روش پيشنهادي مي‌تواند به ايمني سازه‌اي و سود اقتصادي قاب‌هاي فولادي دست يابد، كه از نظر استحكام، نتايج بهينه و هزينه محاسباتي حتي در مسائل بهينه‌سازي در مقياس بزرگ قاب‌هاي پيچيده بسيار عالي است.

1403/07/16

Optimization of steel moment frames using surrogate models based on machine learning

1/1/1900 12:00:00 AM

The question of how methods from the field of artificial intelligence can help improve conventional frameworks for design optimization has received attention in recent years. Motivated by the capabilities of alternative models in optimal design analysis, different models have been proposed with the aim of optimization. Surrogate models have been widely used as approximations of expensive physics-based simulations to reduce the computational burden in the design optimization of structural systems. This study presents the use of advanced alternative modeling techniques for structural system design to address computational challenges and thereby increase design efficiency. Comparative studies with existing structural design methods showed that the use of alternative models can significantly improve design efficiency while maintaining good accuracy. Optimization methods using meta-heuristic algorithms have been widely used in steel frame design to improve the inefficient traditional design method due to repeated model adjustment and massive mechanical analysis. However, their random search feature may easily lead to poor performance. In this research, by combining meta-heuristic algorithms and machine learning methods, a highly integrated method based on online model training, updating and parameter setting process is proposed to improve the performance of the optimization algorithm with general forms and parameters. Such a method for intelligent structural design of steel frames is introduced including three steps. The standard optimization process is performed to search for the optimal design and simultaneously collect the mechanical analysis data of the structure. The data are then adopted to dynamically generate and update alternative models of structural responses, while an analytically-based engineering feature and an automatic model tuning technique are used to improve model accuracy. Finally, a much more efficient method for obtaining potential solutions is presented, which is used to improve the convergence rate and performance of the standard optimization. Compared to standard optimization methods, the proposed method has been used for the structure that has been investigated in previous studies, which has 19.03% lighter optimal designs and reduced computing time by 72%. As a result, the proposed method can achieve the structural safety and economic benefit of steel frames, which is excellent in terms of robustness, optimal results, and computational cost even in large-scale optimization problems of complex frames.

قاب هاي خمشي فولادي , يادگيري ماشين , مدل هاي جايگزين , بهينه سازي فراابتكاري

steel moment frames , machine learning , surrogate models , meta-heuristic optimization

Niloofar Shojaee

Dr.Vahid Boroojerdian