بهینه سازی وزن سازه فولادی به کمک روش شبکه عصبی مصنوعی

نوع مقاله : مقاله علمی-پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

2 کارشناسی ارشد، گروه مهندسی عمران، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران

چکیده

   بهینه سازی یکی از مهمترین مسایل مهندسی عمران می باشد. در این تحقیق از شبکه عصبی مصنوعی(ANN) به منظور بهینه سازه سازه های فولادی استفاده شده است. از شبکه عصبی چند لایه پرسپترون، یکی از پرکاربردترین شبکه­های عصبی، استفاده شده است. ساختارهای متفاوتی از شبکه عصبی مصنوعی با تعداد لایه­های پنهان مختلف و تعداد نرونهای متفاوت جهت دستیابی به بهترین معماری مدل شبکه عصبی مصنوعی مدلسازی شده­اند. مدلهای شبکه عصبی از موفقیت قابل قبولی در فرآیند بهینه سازی برخوردارند. در تمامی این مدلها از خواص ابعادی سازه ها استفاده شده است. مدلهایی که برای بهینه سازی استفاده شده­اند دارای چهار پارامتر ورودی هستند از یک پارامتر خروجی استفاده شده است. به­عنوان بانک اطلاعاتی از مجموعه بزرگی از مدلهای سازه ای انجام شده بهره گرفته شده است. در شبکه عصبی پرسپترون از شبکه­هایی با معماری مختلف با یک و دو لایه پنهان برای تعیین دقیق­ترین شبکه استفاده شده است. استخراج و ارایه روابط حاکم بر یک مدل شبکه عصبی به کاربر اطمینان بیشتری در استفاده از چنین مدلهایی داده، در نتیجه کاربرد چنین مدلهایی را در کارهای مهندسی تسهیل می­کند.

کلیدواژه‌ها


[1]- منهاج، م. ب، 1381، هوش محاسباتی جلد اول مبانی شبکه های عصبی، مرکز نشر دانشگاه امیر کبیر.
[2]-اسماعیل زاده، ا.، دشتی رحمت آبادی، م. ع.، 1394، بررسی تاثیر تغییر فاصله برشگیرها در تغییر مکان جانبی دیوارهای مرکب با استفاده از شبکه های عصبی مصنوعی، دانشگاه آزاد اسلامی واحد یزد.
[3]- Palomo, E. J. and Lopez-Rubio, E., 2016, Learning topologies with the growing neural forest, International Journal of Neural Systems, 26(3), 1650019 (21 pages).
[4]- Adeli, H. and Park, H. S., 1995, A neural dynamics model for structural optimization theory, Computers & Structures, 57(3), 383-390
[5]- Amezquita-Sanchez, J. P., Valtierra-Rodriguez, M., Aldwaik, M. and Adeli, H., 2016, Machine learning in structural engineering, Sharif University of Technology,Scientia Iranica, Transactions A: Civil Engineering, 27(6), 2645-2656.
[6]- Wang, Z., Guo, L. and Adjouadi, M., 2014, A generalized leaky integrate-and- re neuron model with fast implementation method, International Journal of Neural Systems, 24(5), 1440004 (15pages).