31618

طراحي بهينه سازه هاي اسكلتي با استفاده از الگوريتم هاي فراابتكاري با بكارگيري شبكه هاي عصبي بهبود يافته

دكتري

عمران-زلزله

1400

1403/08/27

دكتر علي كاوه

ندارد

عمران

در سالهاي اخير ، شبكه عصبي مصنوعي ( )ANNبه يكي از مدل هاي محبوب و مؤثر يادگيري ماشين تبديل شده است .شبكه هاي عصبي با داشتن يك توانايي منحصر به فرد براي رسيدگي به مشكلات بسيار پيچيده و پتانسيل پيش بيني نتايج دقيق بدون يك راه حل الگوريتمي تعريف شده، مي باشند. با اين حال ، ساختار و پارامترهاي ANNمعمولاً با تجربه انتخاب مي شوند. در اين مطالعه ساختار هاي جديدي از شبكه هاي عصبي ارائه گرديد كه از تركيب الگوريتم هاي فراابتكاري و شبكه هاي عصبي موجود ، ايجاد گرديدند. شبكه هاي عصبي مورد استفاده در اين تحقيق شامل ANFIS ،Radial Basis ،Feed Forwardهستند و همچنين الگوريتم هاي مورد استفاده، الگوريتم فراكاوشي ژنتيك، الگوريتم فراكاوشي ازدحام ذرات، الگوريتم فراكاوشي برخورد اجسام و همچنين الگوريتم فراكاوشي پيشرفته بهينه يابي برخورد اجسام هستند. اين شبكه هاي ايجاد شده براي پيش بيني مقاومت بتن مسلح با ،CFRPديوارهاي بنايي نيمه دوغاب شده، و تيرهاي با جان حفره دار در اين پايان نامه مورد بررسي قرار گفتند. نتايج نشان دهنده ي بهبود شبكه هاي عصبي ايجاد شده بود كه برترين نوع از شبكه هاي ايجاد شده معرفي گرديد. تشخيص برتري مدل هاي شبكه ها با معيارهاي ارزيابي كيفيت از جمله ميانگين مربعات خطا (𝐸𝑆𝑀،) ريشه ميانگين مربعات خطا (𝐸𝑆𝑀𝑅،) ميانگين خطاي مطلق (𝑀𝐴𝐸،) ميانگين درصد مطلق خطا (𝐸𝐴𝑃𝑀،) ميانگين خطاي مطلق نرمال شده (𝐴𝐸𝑀𝑁،) ريشه ميانگين مربعات خطاي نرمال شده (𝐸𝑆𝑀𝑅𝑁)و ضريب همبستگي (𝑅) استفاده شد. در ادامه ارائه يك روش گراف كارآمد براي تحليل بهينه ساختارهاي خرپا با استفاده از روش نيروها و مقايسه زمان محاسباتي با روش تغييرمكان انجام شد . به طور طبيعي ، نتايج بهينه سازي و صحت محاسبه براي هر دو روش يكسان است ، اما زمان محاسبه براي روش نيروها زماني كمتر است كه درجه نامعيني استاتيك ( )DSIاز درجه نامعيني سينماتيكي ( )DKIكوچكتر باشد. بهينه سازي با استفاده از الگوريتم ECBOدر MATLABانجام شده است

1403/09/03

Optimal design of skeletal structures using meta-heuristic algorithms via improved neural networks

1/1/1900 12:00:00 AM

In recent years, Artificial Neural Networks (ANN) have become one of the popular and effective models of machine learning. Neural networks possess a unique capability to handle very complex problems and the potential to predict accurate outcomes without a defined algorithmic solution. However, the structure and parameters of ANN are typically selected based on experience. This study presents new structures of neural networks that were created from the combination of metaheuristic algorithms and existing neural networks. The neural networks used in this research include Feed Forward, Radial Basis, and ANFIS, while the algorithms employed consist of Genetic Algorithm, Particle Swarm Optimization Algorithm, Colliding body Algorithm, and also an Enhanced colliding body Optimization Algorithm. These developed networks were examined for predicting the resistance of reinforced concrete with CFRP, semi-grouted masonry walls, and Cellular steel beams in this thesis. The results showed an improvement in the developed neural networks, with the top-performing type of network being identified. The superiority of the network models was determined using quality assessment criteria, including Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Normalized Mean Absolute Error (NMAE), Normalized Root Mean Squared Error (NRMSE), and Correlation Coefficient (R). Furthermore, an efficient graph method was presented for the optimal analysis of truss structures using the method of force, and computational time was compared with the method of displacements. Naturally, the optimization results and accuracy of calculations for both methods are the same, but the computational time for the method of forces is shorter when the degree of static indeterminacy (DSI) is less than the degree of kinematic indeterminacy (DKI). Optimization was performed using the ECBO algorithm in MATLAB.

شبكه عصبي , الگوريتم فراكاوشي , روش نيروها

neural network , metaheuristic algorithm , force of method

neda khavaninzadeh

dr.ali kaveh