Kafes sistemlerin eşzamanlı boyut, şekil ve topoloji optimizasyonunda bir vekil model olarak yapay sinir ağları

Abstract

Metasezgisel yöntemler, basitlikleri ve gradyansız hareket operatörleri nedeniyle optimizasyon problemlerinde optimuma yakın çözümler sağlayan modern yöntemler olarak popüler hale gelmiştir. Öte yandan, optimuma yakın bir çözüm bulmak için çoğunlukla çok fazla sayıda tasarım adayının değerlendirilmesini gerektirmektedirler. Popülasyon tabanlı metasezgisellerin yapısal optimizasyonda önemli ölçüde başarılı olduğu iyi bilinmektedir. Bir yapısal optimizasyon süreci sırasında, her bir aday, dikkate alınan yapısal kısıtlamaları karşılayıp karşılamadığının belirlenebilmesi için bir yapısal analiz yazılımına gönderilir. Sonuç olarak, bu optimizasyon süreci, günümüzün gelişmiş bilgisayarlı hesaplama teknolojilerinde bile problemin boyutuna ve karmaşıklığına bağlı olarak hesaplama açısından pahalı ve zaman alıcıdır. Yapay Sinir Ağı tabanlı vekil model, karmaşık problemlerin doğrusal olmayan yapılarını yakalayabilir ve çok fazla hesaplama çabası olmadan son derece zor problemlerde bile hassas yapısal analiz tahminleri sağlayabilmektedir. Bu tez çalışmasında, yapısal optimizasyon süreçlerinin hesaplama maliyetlerini azaltmak için Yapay Sinir Ağı tabanlı vekil destekli bir optimizasyon prosedürü sunulmaktadır. Sayısal deneyler, popüler üç kafes sistem problemi üzerinde eş zamanlı boyut, şekil ve topoloji optimizasyonu üzerinden gerçekleştirilmiştir. Önerilen vekil model destekli yapısal optimizasyon prosedürü, olağan metasezgisel optimizasyon süreci ile elde edilen sonuçlarla karşılaştırılmış ve sunulan yöntemin performansı tartışılmıştır.

The metaheuristics have become popular as modern methods that provide near-optimum solutions to the optimization problems because of their simplicity and gradient-free movement operators. On the other hand, they mostly require evaluation of a significant number of design candidates to locate a near-optimal solution. It is well known that population-based metaheuristics are significantly successful in structural optimization. During a structural optimization process, each candidate is sent to a structural analysis software to determine whether it satisfies the considered structural constraints. As a result, these optimization process is computationally expensive and time consuming depending on the size and complexity of the problem even in today's advanced soft computing technologies. The artificial neural network based surrogate assistance is able to capture nonlinear structures of complex problems and provide sensitive estimates even in extremely difficult problems without too much computational effort. This study presents an optimization procedure with an artificial neural network-based surrogate assistance to reduce the computational cost of the structural optimization processes. Numerical experiments were performed on the popular three truss problems by simultaneous size, shape and topology optimization. The proposed surrogate model-assistant structural optimization procedure is compared with the results obtained by the pure metaheuristic optimization process and the performance of the presented method is discussed