Çerçeve sistemlerin derin öğrenme kütüphaneleri yardımı ile optimizasyonu

Abstract

Günümüzde tasarımlar deneme yanılma metotlarına dayalı yapılmaktadır. Deneme yanılma metotları ile kısıtları sağlayan ekonomik taşıyıcı sistem tasarımları sunmak neredeyse imkânsızdır; bu yüzden yapısal optimizasyona ihtiyaç duyulur. Yapısal optimizasyon problemlerinin çoğu doğrusal değildir ve ayrık tasarım değişkenleri kullanılmaktadır. Bu tür yapısal optimizasyon problemlerinin klasik yöntemler ile çözülmesi güçtür. Geleneksel yöntemlerle modellenmesi ve çözülmesi zor olan optimizasyon problemlerinin çözümünde metasezgisel algoritmaların kullanımı yakın zamanlarda çok yaygınlaşmıştır. Metasezgisel algoritmaların dezavantajı ise; optimize edilecek yapının büyüklüğüne ve karmaşıklığına bağlı olarak optimizasyon sürecinin günler, haftalar hatta aylar sürebilmesidir. Bu çalışmada yapay sinir ağlarının gözetimli öğrenme modeli kullanılarak yapısal optimizasyon süreçlerini hızlandırılması amaçlanmıştır. Gözetimli öğrenme modeli ile eğitilmiş yapay sinir ağları problem çözmek için önceden alınan kararlardan veya tecrübelerden faydalanmaktadır. Toplanan veri doğrultusunda oluşturulan vekil model eğitilerek; sonuçlar taklit edilmektedir. Vekil modelin çalışma mekanizması aday tasarımların ayrı ayrı gerilme ve şekil değiştirme bilgisini tahmin etmek yerine bu iki kısıtın ihlali sonucunda atanan ceza değerlerinin toplamını tahmin ettirme temeline dayanmaktadır. Sunulan yöntemin başarısı literatürde mevcut olan üç adet yapısal optimizasyon problemi üzerinde test edilmiştir. Elde edilen bilgiler ışığında, sunulan yöntemin kısıtların daha serbest olduğu (incelenen problemlere nazaran daha esnek) problemler için uygun olduğu sonucuna varılmıştır.

Nowadays, structures are designed based on trial and error methods. It is almost impossible to present economical structural system designs that meet the considered constraints with trial and error methods; therefore, structural optimization is needed. Most of the structural optimization problems are nonlinear and discrete design variables should be used. Such structural optimization problems are difficult to solve with classical methods. The use of metaheuristic algorithms has been widely used in the solution of optimization problems that are difficult to model and solve with traditional methods. The disadvantage of metaheuristic algorithms is that the optimization process can take days, weeks or even months, depending on the size and complexity of the structure to be optimized. Accelerating the structural optimization processes by using artificial neural networks and supervised learning is the subject of the thesis. Supervised learning benefits from the experiences and the decisions taken to learn the advanced ANN problem. The collected data is emulated by the creation of a surrogate model. The working mechanism of the surrogate model used in this study is not to separetely predict the stress and strain information of the design candidates. It is based on estimating the penalty values assigned as a result of the violation of these two constraints. The success of the presented method has been tested on three structural optimization problems available in the literature. When the results obtained are examined, it was concluded that the presented method is suitable for problems where the constraints are soft.