33381

طراحي بهينه سازه هاي فضاكار با در نظر گرفتن سختي اتصالات با استفاده از مدل جايگزيني مبتني بر يادگيري ماشين

كارشناسي ارشد

مهندسي عمران

1400

1403/07/15

مجيد ايلچي قزاآن

ندارم

مهندسي عمران

در اين پژوهش، طراحي بهينه سازه‌هاي فضاكار با در نظر گرفتن سختي اتصالات با استفاده از مدل جايگزيني مبتني بر يادگيري ماشين، مورد بررسي قرار گرفته است. سازه‌هاي فضاكار، گروهي از سازه‌هاي سه‌بعدي هستند كه به‌طور مؤثري قيود فني، اقتصادي، اصول ايمني و ملاحظات زيباشناختي را تلفيق مي‌كنند. در فرآيند معمول طراحي اين سازه‌ها، اتصالات به‌طور ايده‌آل صلب يا مفصلي در نظر گرفته مي‌شوند. با اين حال، رفتار واقعي اتصالات اغلب به حالت نيمه‌صلب نزديك‌تر است و چشم‌پوشي از اين رفتار واقعي مي‌تواند منجر به افزايش وزن يا هزينه در طراحي سازه شود. طراحي سازه با اتصالات صلب موجب افزايش هزينه به دليل اين نوع از اتصالات مي‌شود. از طرفي ديگر طراحي سازه با اتصالات مفصلي باعث استفاده از مقاطع بزرگ‌تر براي اعضاء ميشود و در نتيجه مي‌تواند وزن سازه را افزايش دهد. از اين رو، طراحي سازه‌هاي فضاكار با اتصالات نيمه‌صلب علاوهبر اينكه رفتار واقعي‌تري را در نظر مي‌گيرد، مي‌تواند به كاهش وزن سازه و بهينه‌سازي طراحي كمك كند. با توجه به اينكه 15٪ تا 45٪ از وزن كل سازه‌هاي فضاكار را اتصالات تشكيل مي‌دهند، در اين پژوهش برخلاف بسياري از مسائل بهينه‌سازي وزن سازه، وزن اتصالات نيز در محاسبه تابع هدف لحاظ شده است. طراحي بهينه سازه‌هاي فضاكار با در نظر گرفتن سختي اتصالات، به دليل هزينه‌هاي محاسباتي بالا ممكن است چالش‌برانگيز باشد. از اين رو در اين مطالعه براي كاهش هزينه محاسباتي، از يك مدل جايگزيني مبتني بر الگوريتم يادگيري ماشين XGBoost استفاده شده است. از آنجايي كه دقت و كارايي مدل‌هاي جايگزيني به‌شدت به كيفيت و تعداد نمونه‌هاي توليدشده براي آموزش مدل وابسته است و توليد تعداد زياد نمونه هزينه‌بر است، در اين پژوهش از يك روش يادگيري فعال نوين براي نمونه‌برداري و بروزرساني متوالي مدل جايگزيني بهره گرفته شده است. نتايج بدست آمده نشان دهنده اين است كه مدل جانشيني مورد نظر با تعداد تحليل‌ كمتري نسبت به الگوريتم فراابتكاري ECBO، قادر به يافتن جواب بهينه ميباشد. با توجه به نتايج طراحي بهينه بدست آمده، سازه‌هاي فضاكار داراي اتصالات نيمه‌صلب، به ترتيب به طور ميانگين 4.25٪ و 14.48٪ وزن كمتري نسبت به سازه‌هاي داراي اتصالات مفصلي و سازههاي داراي اتصالات صلب دارند.

1404/02/21

optimal design of space structures considering joint stiffness using a machine learning based surrogate model

1/1/1900 12:00:00 AM

In this study, the optimal design of space structures with semi-rigid joints is investigated using a surrogate model based on machine learning. Space structures are a class of structures that exhibit dominant three-dimensional behavior, effectively integrating technical constraints, economic factors, safety principles, and aesthetic considerations. In the typical design process of space structures, joints are ideally assumed to be either rigid or pinned for simplicity. However, the real behavior of joints in space structures is often closer to semi-rigid, and these idealized assumptions neglect the interactions between elements and connections. Designing structures with near-rigid connections leads to increased steel consumption in the connections, resulting in higher overall weight. On the other hand, using pinned joints increases the need for larger member sections, which can also lead to an increase in the structure's weight. Therefore, designing space structures with semi-rigid joints, which account for the realistic behavior of the joints, can contribute to reducing the structure’s weight in the optimal design. Considering that 15% to 45% of the total weight of steel space structures comes from the joints, this study, unlike many optimization problems, includes the weight of the joints in the objective function. The optimal design of space structures, considering the stiffness of the connections, incurs high computational costs when dealing with large-scale models. To manage these computational costs, a surrogate model based on the XGBoost machine learning algorithm is employed in this study. Since the accuracy and performance of surrogate models are highly influenced by the quality of the generated samples, and generating a large number of samples is computationally expensive, a novel active learning approach is adopted in this study for sequential sampling and updating of the surrogate model. The numerical results show that space structures with semi-rigid joints have 4.25% and 14.48% less weight compared to structures with pinned and rigid joints, respectively. Additionally, the surrogate model used in this study can find the optimal solution with fewer analyses compared to the ECBO metaheuristic algorithm

سازه هاي فضاكار , بهينه سازي , سختي اتصالات , مدل جانشيني , يادگيري فعال

Space structures , joints stiffness , Optimization , Surrogate models , active learning

sevim rahimbakhshkhiabani

majid ilchighazaan