Yapay sinir ağı kullanarak yapısal optimizasyon problemlerindeki çözüm süreçlerinin kısaltılması
Reducing the solution processes in structural optimization problems using neural networks
- Tez No: 875235
- Danışmanlar: DOÇ. DR. İBRAHİM AYDOĞDU, PROF. DR. NİYAZİ UĞUR KOÇKAL
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, İnşaat Mühendisliği, Engineering Sciences, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Mekanik Bilim Dalı
- Sayfa Sayısı: 94
Özet
Son yirmi yılda bilim dünyamıza ve günlük hayatımıza yoğun bir biçimde girmiş olan yapay zekâ çalışmaları aslında 1950'li yıllara dayanmaktadır. Keşfedildiği dönemdeki donanımsal imkansızlıkların günümüzde hızla giderilmesi, birçok alanda yapay zekâ çözümlerinin geliştirilmesini ve yaygınlaşmasını sağlamıştır. Bu ilerlemeler, matematiksel yoğunlukta ve çok tekrarlı olan algoritmaların daha hızlı bir biçimde çözülebilmesine olanak tanımıştır. Özellikle yapı optimizasyonu alanında geleneksel yöntemlerin hesaplama yoğunluğu, karmaşık yapıların analizini ve optimizasyonunu zorlaştırmaktadır. Yapı optimizasyonu, yapısal sistemlerin tasarım değişkenlerini belirleyerek belirli amaç fonksiyonlarını en üst düzeye çıkarmak veya belirli kısıtları karşılamak için kullanılır. Bu, yapıların mekanik performansını, enerji verimliliğini ve maliyet etkinliğini artırmada önemli bir rol oynar. Gelişen optimizasyon algoritmaları, daha hafif ve güçlü yapılar tasarlama imkânı sunarak daha karmaşık problemlere uygulanabilirlik sağlar. Meta-sezgisel yöntemler, yapı optimizasyonu için yaygın bir şekilde kullanılır ve yapıların performansını ve verimliliğini iyileştirmede etkilidir. Ancak, sonlu elemanlar yöntemi (FEM) gibi yapı analizi yöntemleriyle birlikte kullanıldığında çözüm süresi artabilir. Bu durum, FEM'in yapıların davranışını doğru bir şekilde modellemek için yoğun hesaplama gerektirmesinden kaynaklanır. Bu tez çalışmasında yapısal optimizasyon algoritmalarının işlem sürelerinin kısaltılması amaçlanmıştır. Bunun için optimizasyon algoritmalarının ortak ve en çok süre alan adımı olan“Değerlendirme Aşaması”'nın süre açısından iyileştirilmesi için bir yapay sinir ağı (YSA) geliştirilmiştir. Yapı analizi işleminin ana adımı olan deplasman hesapları esnasında oluşan sürelerin azaltılmasına odaklanmıştır. Geleneksel yöntemlerle yapılan deplasman hesaplamaları zaman alıcı ve karmaşık olabilirken, YSA ve optimizasyon algoritmalarının birleşimi sayesinde bu süreler önemli ölçüde azaltılabilmiştir. Çalışmada geliştirilen YSA tabanlı yaklaşım, geleneksel yöntemlerin sınırlamalarını aşarak daha hızlı ve verimli çözümler sunmayı hedeflemiştir. YSA-FEM çözümünün yapı problem tipinden bağımsız olması, farklı yapı türleri için de uygulanabilir bir çözüm sunmaktadır. Geliştirilen YSA tabanlı matrissiz yöntem, FEM analizi içerisinde en çok zaman ve bellek tüketen Gauss eliminasyon işlemlerini atlayarak deplasman vektörünü tahmin etmek üzerine kurulu bir mekanizmaya sahiptir. YSA'nın tahminlerini optimizasyon sürecine entegre etmek için üç yeni hibrit Biyocoğrafya Tabanlı Optimizasyon (BTO) arama yöntemi (YT-1, YT-2 ve YT-K) geliştirilmiştir. Bu yöntemler, YSA'nın tahminlerini stratejik noktalarda kullanarak optimizasyon sürecini yönlendirir ve daha hızlı yakınsama sağlamayı hedeflemesi için geliştirilmişlerdir. Çalışma kapsamında gerçekleştirilen testler, farklı yapı tipleri üzerinde YSA tabanlı yöntemin FEM'e kıyasla hesaplama süresinde önemli bir azalma sağladığını göstermiştir. YSA'nın doğruluk seviyesi FEM'e ulaşamasa da sunduğu hız avantajı, özellikle gerçek zamanlı uygulamalar veya hızlı tasarım yinelemeleri gerektiren senaryolarda önemli bir faktör haline gelmektedir. Bu bulgular, YSA tabanlı yöntemlerin yapısal optimizasyon için uygulanabilir ve verimli bir alternatif sunduğunu ve daha ileri araştırmalar için umut vadeden bir yol açtığını göstermektedir.
Özet (Çeviri)
In the past twenty years, artificial intelligence (AI) research has significantly entered our scientific and daily lives, although its origins date back to the 1950s. The rapid resolution of hardware limitations from its discovery period has enabled the development and widespread use of AI solutions in many fields. These advancements have allowed algorithms, which are mathematically intensive and repetitive, to be solved more quickly. In particular, the computational intensity of traditional methods in structural optimization complicates the analysis and optimization of complex structures. Structural optimization involves determining the design variables of structural systems to maximize certain objective functions or meet specific constraints. This plays a crucial role in enhancing the mechanical performance, energy efficiency, and cost-effectiveness of structures. Advancing optimization algorithms provide the capability to design lighter and stronger structures, making them applicable to more complex problems. Metaheuristic methods are widely used for structural optimization and are effective in improving the performance and efficiency of structures. However, when used in conjunction with structural analysis methods such as the finite element method (FEM), the solution time can increase. This is due to the intensive computation required by FEM to accurately model the behavior of structures. This thesis aims to reduce the processing times of structural optimization algorithms. To achieve this, an artificial neural network (ANN) has been developed to improve the“Evaluation Phase,”which is the common and most time-consuming step of optimization algorithms. The focus is on reducing the time generated during the displacement calculations, which is the main step of the structural analysis process. While displacement calculations performed by traditional methods can be time-consuming and complex, the combination of ANN and optimization algorithms significantly reduces these times. The ANN-based approach developed in this study aims to offer faster and more efficient solutions by overcoming the limitations of traditional methods. The ANN-FEM solution is independent of the type of structural problem, providing an applicable solution for different types of structures. The ANN-based matrix-free method developed focuses on predicting the displacement vector by bypassing the Gauss elimination processes, which consume the most time and memory in FEM analysis. To integrate ANN predictions into the optimization process, three new hybrid Biogeography-Based Optimization (BBO) search methods (YT-1, YT-2, and YT-K) have been developed. These methods strategically use ANN predictions to guide the optimization process and aim for faster convergence. Tests conducted within the scope of the study showed that the ANN-based method significantly reduced computation time compared to FEM for different types of structures. Although the accuracy level of ANN does not reach FEM, its speed advantage becomes a significant factor, especially in scenarios requiring real-time applications or rapid design iterations. These findings demonstrate that ANN-based methods provide a viable and efficient alternative for structural optimization and open a promising path for further research.
Benzer Tezler
- Destek vektör regresyonu ile PID kontrolör tasarımı
Design of PID controller via support vector regression
KEMAL UÇAK
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLAY ÖKE
- Optimization of deep neural network architectures for the forest fire detection
Orman yangini tespitinde derin sinir aği mimarilerinin optimizasyonu
BERRİN SAVDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MÜŞTAK ERHAN YALÇIN
PROF. DR. HAZIM KEMAL EKENEL
- Design of stiffened plates using soft computing techniques
Esnek hesaplama teknikleri kullanarak takviyeli plakların tasarımı
MEHMET TOLGA GÖĞÜŞ
Doktora
İngilizce
2010
İnşaat MühendisliğiGaziantep ÜniversitesiMekanik Ana Bilim Dalı
DOÇ. DR. ABDÜLKADİR ÇEVİK
PROF. DR. MUSTAFA ÖZAKÇA
- Takviyeli panel yapıların burkulma ve burkulma sonrası davranışının yapay sinir ağları ile optimizasyonu
Optimization of buckling and post-buckling behavior of reinforced panel structures using artificial neural networks
ERTUĞRUL ÇAKIR
Yüksek Lisans
Türkçe
2024
Uçak Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
PROF. DR. ZAHİT MECİTOĞLU
- Determination of dimensional design parameters of pyramidal lattice core sandwiches by artificial neural network under bending load
Piramit birim hücreye sahip kafes yapı çekirdekli sandviç yapıların eğilme yükü altında yapay sinir ağı ile boyutsal tasarım parametrelerinin belirlenmesi
CEM ONAT KARAGÖZLÜ
Yüksek Lisans
İngilizce
2024
Makine MühendisliğiHacettepe ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. BARIŞ SABUNCUOĞLU
DOÇ. DR. ÜLKÜ ECE AYLI