دانلود پایان نامه بهینه سازی سازه های فضاکار تحت اثر بار دینامیکی با شرایط غیرخطی به کمک شبکه عصبی

بهینه سازی سازه های فضاکار تحت اثر بار دینامیکی با شرایط غیرخطی به کمک شبکه عصبی

 طرح بهینه سازه ها عبارت است از تعیین متغیرهای طراحی با روشی معین بطوریکه وزن سازه حداقل شود و همزمان قیود طراحی برقرار باشند. در طراحی بهینه سازه ها، تحلیل سازه در دفعات متوالی امری لازم است. بنابراین استفاده از روش های بهینه سازی متداول و روش های تحلیلی سر راست پیچیده بوده و در دفعات مکرر موجب افزایش قابل ملاحظه ای در حجم عملیات و زمان می گردد. هدف اساسی این پایان نامه، کاهش کلی حجم عملیات لازم جهت طراحی بهینه سازه های فضاکار با استفاده از نوعی شبکه عصبی موسوم به شبکه عصبی با ناظر اتوماتان می باشد. تلاش شده است تا شبکه های عصبی مناسبی را برای تحلیل هر سازه موردنظر آموزش داده شود و در بهینه سازی، جانشین تحلیل واقعی سازه شود. برتری شبکه های عصبی بر روش های دیگر، سرعت بسیار زیاد آنها در پاسخ دادن به داده هاست. شبکه عصبی مصنوعی، یک ساختار ریاضی است که بین مجموعه ای از اعداد ورودی و مجموعه ای از اعداد خروجی، یک نگاشت برقرار می کند، به گونه ای که بتوانیم از مجموعه m عضوی ورودی، به مجموعه n عضوی خروجی برسیم. اساس کار بر این است که ما در ابتدا از تعدادی داده و مواد خام موجود استفاده کرده و شبکه را با آنها آموزش می دهیم. داده های ما، یک دسته زوج شامل مجموعه ورودی و خروجی است که معمولاً از محاسبه یا از طریق تجربه و آزمایش بدست می آید. آموزش شبکه، یعنی دستیابی به شبکه و مشخصات آن، به نحوی که بتواند نگاشت مزبور را بین هر یک از داده های ورودی و داده خروجی مربوطه آن برقرار کند. این شبکه، پس از آموزش دیدن، می تواند به صورت ابزاری عمل کند که می تواند یک نگاشت را از هر ورودی جدید معرفی شده به شبکه برقرار کرده و از این طریق به خروجی نظیر آن، که همان جواب مسئله ما است، برسد. به عبارت دیگر، در اینجا نه با یک مدل ریاضی تحلیلی، بلکه با یک مدل ریاضی عددی مبتنی بر تجربیات قبلی سرو کار داریم.ترکیب مفاهیم شبکه های عصبی با تئوری اتوماتان، شبکه عصبی با نرخ یادگیری متغیر را شکل می دهد. در شبکه انتشار برگشتی معمولی به علت سرعت پایین آن آموزش دادن شبکه مشکل و احتیاج به زمان بیشتری دارد. با توجه به اینکه نرخ یادگیری در فرآیند آموزش نقش بسیار مهمی را بازی می کند، لذا انتخاب درست این مساله بسیار مهم است. بدلیل حساسیت نرخ یادگیری در این تحقیق از روشی جدید به نام نرخ یادگیری تطبیقی استفاده شده است. با توجه به اینکه بزرگ بودن نرخ یادگیری سبب ناپایداری شبکه و کوچک بودن آن سبب تنبلی شبکه می شود پس تعیین نرخ یادگیری بهینه از اهمیت زیادی برخوردار است و در این تحقیق برای مثالهای مختلف روند تغییرات نرخ یادگیری بررسی شده است. در این تحقیق همچنین برای جبران نقیصه ناپایداری شبکه ها از الگوریتم یادگیر اتوماتان بعنوان ناظر شبکه عصبی استفاده شده و به اهمیت و نقش آن در تربیت شبکه ها پرداخته شده است.