A comparative evaluation of artificial neural networks and polynomial chaos kriging methods in terms of accuracy and computational efficiency for structural reliability analyses
Yapay sinir ağları ve polinom kaos kriging yöntemlerinin yapısal güvenirlik analizlerinde doğruluk ve hesaplama verimliliği açısından karşılaştırmalı değerlendirilmesi
- Tez No: 991349
- Danışmanlar: PROF. DR. ENGİN AKTAŞ
- Tez Türü: Yüksek Lisans
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İzmir Yüksek Teknoloji Enstitüsü
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapısal sistemlerde var olan belirsizlikler, doğru güvenilirlik analizlerinin yapılmasını zorunlu kılmaktadır. FORM ve SORM gibi yaklaşık yöntemler etkili olmakla birlikte, yüksek boyutlu problemlerde türevlere ihtiyaç duyulması nedeniyle önemli sınırlamalarla karşı karşıya kalmaktadırlar. Bu zorluklar, doğruluk kayıplarına yol açmaktadır. Bu zorlukların üstesinden gelmek için simülasyon tabanlı örnekleme yöntemleri geliştirilmiştir. Ancak bu yöntemler, düşük hata olasılığı (PoF) değerleri için çok sayıda örnek gerektirir ve bu da hesaplama yükünü önemli ölçüde artırır. Bu çalışmada, Crude-Monte Carlo simülasyonu (CMCS), Yarı-Monte Carlo simülasyonu (QMCS) ve Latin Hiperküp Örneklemesi (LHS) olmak üzere üç örnekleme yöntemi, seçilen yapısal örnekler üzerinde test edilmiş ve karşılaştırılmıştır. Ayrıca, çalışmada yapısal problemlere iki farklı metamodel yaklaşımı olan Yapay Sinir Ağları (YSA) ve hibrit Polinom Kaos-Kriging (PCK) yöntemi uygulanmıştır. Bu metamodel yaklaşımları için gerekli veri seti QMCS örnekleme yöntemi kullanılarak elde edilmiştir. Yapay sinir ağı modellerinin eğitimi, Bayes Düzenlemesi kullanılarak gerçekleştirilmiştir. Çalışmanın sonunda, güvenilirlik analizinde CMCS, QMCS ve LHS yöntemlerinin avantajları ve dezavantajları tartışılmıştır. Çalışmada yer alan örnek yapılara uygulanan YSA ve PCK modellerinin arıza olasılığı (PoF), tahmin doğruluğu ve hesaplama performansı değerlendirilmiş ve yapısal güvenilirlik problemlerine uygulanmalarındaki güçlü ve zayıf yönleri tartışılmıştır. Ayrıca, standart Polinom Kaos-Kriging yaklaşımının performansını hızlandırmak ve optimize etmek için ayrı bir PCK yöntemi geliştirilmiştir. Bu model, YSA ve klasik PCK ile doğruluk ve hesaplama performansının karşılaştırmalı çalışmasına dahil edilmiştir.
Özet (Çeviri)
Uncertainties inherent in structural systems necessitate accurate reliability analyses. While approximate methods such as FORM and SORM are effective, they face significant limitations due to the need for derivatives in high-dimensional problems. These challenges lead to accuracy losses. Simulation-based sampling methods have been developed to overcome these challenges. However, these methods require large numbers of samples for small probability of failure (PoF) values, significantly increasing the computational load. In this study, three sampling methods Crude-Monte Carlo simulation (CMCS), Quasi-Monte Carlo simulation (QMCS), and Latin Hypercube Sampling (LHS) were tested and compared on selected structural examples. In addition, two different metamodel approaches Artificial Neural Networks (ANN) and a hybrid Polynomial Chaos-Kriging (PCK) method were applied to the structural problems in the study. The dataset required for these metamodel approaches was obtained using the QMCS sampling method. Training of the artificial neural network models was performed using Bayesian Regularization. At the end of the study, the advantages and disadvantages of the CMCS, QMCS, and LHS methods in reliability analysis were discussed. The probability of failure (PoF), prediction accuracy, and computational performance of the ANN and PCK models on sample structures were evaluated, and their strengths and weaknesses in applying them to structural reliability problems were discussed. In addition, a separate PCK method was developed to accelerate and optimize the performance of the standard Polynomial Chaos-Kriging approach. This model was included in the comparative study of accuracy and computational performance with ANN and classical PCK.
Benzer Tezler
- Afet yönetimi odaklı hücresel ağ kapsama performansı için mekansal yapay zeka tabanlı model önerisi
Geospatial artificial intelligence (GeoAI) based model proposal for cellular network coverage performance with a focus on disaster management
GÜZİDE MİRAY PERİHANOĞLU
- Frequency domain control strategies for efficient operation of experimental canal system
Deneysel kanal sisteminin verimli çalışması için frekans alanı tabanlı kontrol stratejileri
BUSE TACAL UCUN
Doktora
İngilizce
2024
Yıldız Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
Yükleniyor...
- Makine Öğrenmesi tabanlı yazılım maliyet tahmini yöntemlerinin karşılaştırmalı analizi
A comparive analysis of machine learning based software cost estimation methods
MUAZ GÜLTEKİN
- Kısıtlı veri ile yorulma çatlağı ilerleme hızı tahmini: Yapay ve fizik bilgili sinir ağlarının karşılaştırmalı analizi
Fatigue crack growth rate prediction with limited data: A comparative analysis of artificial and physics-informed neural networks
AZİM HASANOV
- Meme MRG'de saptanan kitle dışı kontrastlanmaların benign ve malign ayrımında radyolojik bulgularla doku analizi bulgularının makine öğrenimi yöntemleriyle değerlendirilmesi ve segmentasyon tabanlı 3 boyutlu evrişimsel sinir ağlarıyla karşılaştırılması
Evaluation of radiological and texture analysis findings using machine learning methods in the differentiation of benign and malignant non-mass enhancements detected on breast MRI and comparison with segmentation-based three dimensional convolutional neural networks
SERHAT AKIŞ
