Publicação: Estudo da utilização de algoritmos de deep-learning junto ao método dos elementos finitos para otimização de estruturas aeronáuticas reticuladas
Carregando...
Data
2022-06-29
Autores
Orientador
Sartorato, Murilo 
Coorientador
Pós-graduação
Curso de graduação
Engenharia Aeronáutica - CESJBV
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Trabalho de conclusão de curso
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
O presente trabalho se propõe a estudar o uso de técnicas de Deep Learning em conjunto com
o método dos elementos finitos para resolver e otimizar estruturas simples, bidimensionais,
treliçadas. Primeiramente, uma determinada geometria de treliça bidimensional com seções
transversais variáveis é escolhida como caso de estudo; em seguida, o método dos elementos
finitos é implementado usando a linguagem Python e usado para resolver o problema para uma
população gerada aleatoriamente de conjuntos de áreas de seções transversais e um para um par
de limites de deslocamento e tensão, que são gerados aleatoriamente dentro de um intervalo de
valores. São utilizadas diferentes estratégias para gerar as populações, algoritmos de soma zero
e diferentes distribuições estatísticas. Em seguida, uma rede é treinada para encontrar uma saída
binária que indica se algum limite de tensão e deslocamento previamente definido foi excedido.
Finalmente, essa rede treinada é usada como restrição para um algoritmo genético gerar famílias
de áreas otimizadas, com objetivo de utilizar uma segunda rede que terá como entrada um valor
para deslocamento máximo e tensão máxima e retornará as áreas otimizadas. Ao contrário da
primeira rede neural, esta segunda rede neural possui uma saída não binária, sua resposta são
os valores para as áreas que minimizam o peso da estrutura. A metodologia difere das
usualmente utilizadas na literatura ao aplicar duas redes treinadas independentementes ao invés
de uma. Para criar a arquitetura das redes, foram utilizadas as bibliotecas pré-implementadas
em Python Keras, Tensor-Flow e Scikit-Learn. A metodologia é então utilizada para testar a
influência de diferentes hiper parâmetros e diferentes estratégias de geração de população nas
razões de convergência e significância dos resultados.
Resumo (inglês)
The present work proposes to study the use of deep learning techniques in conjunction with the
finite element method to solve and optimize simple, two-dimensional, lattice structures. First,
a given two-dimensional truss geometry with variable cross-sections is chosen as a case study;
then the finite element method is implemented using the Python language and used to solve the
problem for a randomly generated population of sets of cross-sectional areas and one for a pair
of displacement and stress limits, which are randomly generated within a range of values.
Different strategies are used to generate the populations, zero-sum algorithms and different
statistical distributions. Next, a network is trained to find a binary output that indicates whether
any previously defined voltage and displacement thresholds have been exceeded. Finally, this
trained network is used as a constraint for a genetic algorithm to generate families of optimized
areas, in order to use a second network that will have as input a value for maximum
displacement and maximum stress and will return the optimized areas. Unlike the first neural
network, this second neural network has a non-binary output, its response is the values for the
areas that minimize the weight of the structure. The methodology differs from those usually
used in the literature by applying two independently trained networks instead of one. To create
the architecture of the networks, pre-implemented libraries in Python Keras, Tensor-Flow and
Scikit-Learn were used. The methodology is then used to test the influence of different
hyperparameters and different population generation strategies on the convergence and
significance ratios of the results.
Descrição
Idioma
Português
