31537

كاربرد شبكه‌هاي عصبي مصنوعي در تنظيم پارامترهاي الگوريتم‌هاي فراكاوشي براي طراحي بهينه سازه‌هاي اسكلتي

دكتري

مهندسي عمران - سازه

1400

1403/08/22

پروفسور علي كاوه

-

مهندسي عمران

بهينه‌سازي يكي از موضوعات اساسي در علم و مهندسي بوده و الگوريتم‌هاي فراكاوشي به‌عنوان ابزارهاي قدرتمند در حل مسائل پيچيده شناخته مي‌شوند. با اين حال، عملكرد اين الگوريتم‌ها وابسته به تنظيم پارامترها مي‌باشد. اين پژوهش به بررسي كاربرد شبكه‌هاي عصبي مصنوعي در تنظيم پارامترهاي الگوريتم‌هاي فراكاوشي براي طراحي بهينه سازه‌هاي اسكلتي و كاربرد آن‌ها در آموزش شبكه‌هاي عصبي مي‌پردازد. در بخش نخست، چارچوبي تحت عنوان تنظيم چندمرحله‌اي پارامترها (MSPA) ارائه شده كه با تركيب الگوريتم‌هاي فراكاوشي، روش نمونه‌برداري ابرمكعب لاتين فراگير (XLHS) و يادگيري ماشين، به تنظيم سيستماتيك پارامترها پرداخته و كارايي الگوريتم‌ها را بهبود مي‌بخشد. اين روش ابتدا براي الگوريتم بهينه‌سازي ازدحام ذرات (PSO) و سپس الگوريتم بهينه‌سازي كركس‌هاي آفريقايي (AVOA) در مسائل بهينه‌سازي خرپاها و قاب‌هاي سازه‌اي به‌كار گرفته شد. نتايج به‌خوبي مويد آن است كه روش MSPA نقش موثري در بهبود عملكرد الگوريتم‌هاي PSO و AVOA در مواجهه با مسائل متنوع بهينه‌سازي ايفا مي‌كند. اين تأثير به‌ويژه در طراحي بهينه سازه‌هاي اسكلتي، از جمله مسائل پيوسته و گسسته، قابل مشاهده است. در بخش دوم، بار كمانش نهايي ستون‌هاي فولادي پرمقاومت (HSS)، به‌عنوان يكي از عوامل كليدي در پايداري سازه‌ها، پيش‌بيني شد. در ابتدا 114 مدل از ستون‌هاي متفاوت مورد تحليل غيرخطي قرار گرفته و سپس چهار الگوريتم فراكاوشي جهت بهينه‌سازي وزن‌ها و باياس‌هاي ANN بكار برده شد. نتايج نشان‌دهنده دقت قابل قبول مدل ANN جهت بيش‌بيني بار نهايي كمانش مي‌باشد.

1403/08/26

APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN METAHEURISTIC PARAMETER ADJUSTMENT FOR OPTIMAL DESIGN OF SKELETAL STRUCTURES

11/12/2025 12:00:00 AM

Optimization is a fundamental topic in science and engineering and metaheuristic algorithms are recognized as powerful tools for solving complex problems. However, the performance of these algorithms is considerably dependent on parameter tuning. This study investigates the application of artificial neural networks (ANNs) in parameter tuning of metaheuristic algorithms for the optimal design of skeletal structures, and also the use of metaheuristics in training ANNs. In the first part, a framework called Multi-Stage Parameter Adjustment (MSPA) is proposed which combines metaheuristic algorithms, Extreme Latin Hypercube Sampling (XLHS), and Machine Learning to systematically adjust parameters and enhance algorithm performance. This framework was initially applied to the Particle Swarm Optimization (PSO) algorithm and subsequently to the African Vultures Optimization Algorithm (AVOA) in optimizing truss and frame structures. The results demonstrate that MSPA improves the performance of PSO and AVOA when addressing diverse optimization problems. This improvement is particularly evident in the optimal design of skeletal structures, including both continuous and discrete optimization scenarios. In the second part, the ultimate buckling load of High Strength Steel (HSS) columns, a critical factor in structural stability, is predicted. Nonlinear analysis was performed on 114 different column models, and four metaheuristic algorithms were utilized to optimize the weights and biases of the ANN. The findings indicate the high accuracy of the ANN model in predicting the ultimate buckling load, showcasing its effectiveness for this critical structural parameter.

تنظيم چندمرحله‌اي پارامترها , الگوريتم‌هاي فراكاوشي , يادگيري ماشين , شبكه‌هاي عصبي مصنوعي , بهينه‌سازي سازه‌ها , سازه‌هاي اسكلتي

Mult-Stage Parameter Adjustment , Metaheuristic Algorithms , Machine Learning , Artificial Neural Networks , Structural Optimization , Skeletal Structures

Amir Eskandari

Prof. Ali Kaveh