1 / 48

Aplicação de Algoritmos Genéticos e Redes Neuronais à Optimização e Fiabilidade Estrutural

Aplicação de Algoritmos Genéticos e Redes Neuronais à Optimização e Fiabilidade Estrutural. Seminário no Âmbito do Projecto POCTI/ECM/36055/2000, Financiado pela Fundação para a Ciência e a Tecnologia. João Rocha de Almeida João Cardoso. FCT/UNL, Maio de 2004. Sumário.

gema
Télécharger la présentation

Aplicação de Algoritmos Genéticos e Redes Neuronais à Optimização e Fiabilidade Estrutural

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Aplicação de Algoritmos Genéticos e Redes Neuronais à Optimização e Fiabilidade Estrutural Seminário no Âmbito do Projecto POCTI/ECM/36055/2000, Financiado pela Fundação para a Ciência e a Tecnologia João Rocha de Almeida João Cardoso FCT/UNL, Maio de 2004

  2. Sumário • - Optimização Estrutural • - Algoritmos Genéticos • Fiabilidade Estrutural • - Método de Monte Carlo • Redes Neuronais • - Exemplos

  3. Algoritmos Genéticos Programação Matemática Elementos Finitos Optimização Estrutural Engloba um conjunto de teorias e métodos que procuram obter a estrutura que desempenha mais eficientemente as funções para as quais é projectada Conheceu grande desenvolvimento na década de 70 quando se interligaram algoritmos de Programação Matemática (Simplex, SLP, SQP) e Programas de Elementos Finitos Actualmente são muito utilizados Algoritmos Genéticos em vez de algoritmos de Programação Matemática

  4. Função Objectivo Vector das Variáveis de Projecto Constrangimentos normalizados Limites Laterais das Variáveis de Projecto Função Objectivo Variáveis de Projecto Constrangimentos Peso Custo Dimensões Forma Topologia Deslocamentos Tensões Frequências Formulação do problema de Optimização Estrutural Minimizar F(X) onde X = {X1,X2,,XN} verificando c(X)  0 e com Xmin  X  Xmax

  5. Pretende-se minimizar o Peso da estrutura (Função Objectivo) modificando as Áreas das secções transversais das vigas, X1 e X2 (Variáveis de Projecto) considerando que a tensão nas vigas não pode ultrapassar a tensão admissível do material (Constrangimento) e assumindo valores máximos e mínimos para X1 e X2 (Limites Laterais) Exemplo Duas vigas formando uma grelha Q= 175 kN/m L1= 2,54 m , L2= 3,05 m adm= 138 Mpa  = 77 kN/m3

  6. Soluções : X1= 151,0 cm2 X2= 46,0 cm2 Peso= 4035 N X1= 84,0 cm2 X2= 121,8 cm2 Peso= 4505 N X1= 35,2 cm2 X2= 164,4 cm2 Peso= 4556 N Domínio do Problema

  7. A maioria dos métodos desenvolvidos para resolver problemas de optimização procuram iterativamente no espaço das variáveis de projecto o ponto que minimiza a função objectivo verificando simultaneamente os constrangimentos. Essa pesquisa é feita com base no valor da função objectivo e dos constrangimentos e também dos seus gradientes em relação às variáveis de projecto A necessidade de calcular gradientes exige a continuidade das funções utilizadas, o que é uma limitação em alguns problemas. Por outro lado, os métodos baseados em gradientes tem muita dificuldade em lidar com funções que apresentem mínimos locais Um dos problemas em que não existe continuidade das funções corresponde ao problema de optimização com variáveis discretas

  8. X1 X2 Variáveis de Projecto X1 X2 ( 1, 1, 1, 0, 1, 0, 0, 1, 0, ...) Cromossoma . . . Codificação Genes Algoritmos Genéticos Baseados no trabalho original de Holland, que utilizou representações binárias das possíveis soluções de um problema e transformações destinadas a aperfeiçoar essas soluções de forma a atingir a solução óptima Procuram reproduzir no computador o processo de selecção natural das espécies e utilizam a terminologia da Genética

  9. O conjunto de cromossomas constituindo a população de uma determinada geração é combinada através de operadores para dar origem à população da geração seguinte, que contém indivíduos melhor adaptados, de acordo com uma função de mérito A aplicação de um algoritmo genético envolve : 1- Codificação das variáveis de projecto 2- Definição da função de mérito 3- Definição de operadores que alterem o conteudo dos cromossomas : Selecção - escolhe os índividuos de uma geração que deverão fazer parte da geração seguinte Cruzamento - combina os genes de dois cromossomas pais para dar origem a dois cromossomas filhos distintos dos progenitores Mutação - altera de forma aleatória os genes de um cromossoma

  10. Pretende-se minimizar o peso da estrutura escolhendo os perfis mais adequados numa tabela com 16 perfis W (Optimização discreta) considerando que o deslocamento horizontal no topo deve ser inferior aadm 8 4 4 8 4 4 23 7 22 24 3 3 8.473 kN 20 7 19 21 3 3 7.264 kN 17 6 16 18 2 2 6.054 kN 14 6 13 15 2 2 4.839 kN 8 x 3.048 m 11 5 10 12 1 1 3.630 kN 3.048 m 8 5 7 9 1 1 2.420 kN 5 4 6 1.210 kN 2 1 3 Exemplo Pórtico plano Forças verticais em todos os nós de 444,8 kN Forças horizontais indicadas adm= 5,08 cm E= 200 GPa 8 grupos de elementos

  11. Tabela de perfis W27X84 W24X68 W21X62 W21X44 W18X46 W18X35 W16X31 W16X26 W14X38 W14X26 W12X40 W12X16 W10X39 W10X33 W8X31 W8X18 Cromossoma ( 4, 6, 8, 12, 10, 6, 8, 8 ) W16x26 W12x16 W12x16 W16x26 W12x16 W12x16 W16x26 W16x26 W16x26 W16x26 W16x26 W16x26 W18x35 W18x35 W18x35 W18x35 W18x35 W18x35 W14x26 W21x44 W21x44 W14x26 W21x44 W21x44 Peso : 31,72 kN

  12. Trabalho Desenvolvido - I Problema : Dada uma estrutura constituída por um conjunto N de componentes, descobrir qual a solução óptima que corresponderá a usar um número K de perfis normalizados na sua construção, a escolher entre um número M de perfis disponíveis Solução : Cromossoma composto. Os primeiros K genes constituem índices na tabela de perfis disponíveis. Os restantes N ( 1 por cada grupo de componentes ) referem-se a um dos K genes iniciais. Cada cromossoma define uma solução para o problema

  13. Cromossoma W16x26 W16x26 W16x26 W16x26 W16x26 W16x26 W16x26 W16x26 W16x26 W16x26 W16x26 W16x26 W18x35 W16x31 W16x31 W18x35 W16x31 W16x31 W18x35 W18x35 W18x35 W18x35 W18x35 W18x35 Tabela de perfis W27X84 W24X68 W21X62 W21X44 W18X46 W18X35 W16X31 W16X26 W14X38 W14X26 W12X40 W12X16 W10X39 W10X33 W8X31 W8X18 Exemplo pórtico plano ( 6, 7, 8, | 1, 2, 3, 3, 1, 1, 3, 3 ) K= 3  Peso : 31,96 kN

  14. K Solução p1 Solução p2 Volume (m3) Peso (kN) 1 6 6, 6, 6, 6, 6, 6, 6, 6 0.4860 37,43 2 6, 8 6, 6, 8, 8, 6, 6, 8, 8 0.4242 32,67 3 6, 7, 8 6, 7, 8, 8, 6, 6, 8, 8 0.4150 31,96 5 4, 6, 8, 10, 12 4, 6, 8, 12, 10, 6, 8, 8 0.4119 31,72

  15. Partição regular do domínio em sub-domínios, cada qual contendo uma sub-população Evolução isolada de cada sub-população para o óptimo que ocorre no sub-domínio Processo de adaptação automática da partição do domínio às características do problema que se pretende resolver Processo de transferência de elementos entre sub-populações, permitindo enriquecer as regiões de elevado potencial onde é mais provável que existam óptimos, em detrimento das regiões sem interesse Trabalho Desenvolvido - II Problema : Obter vários mínimos globais ou um mínimo global e vários mínimos locais, quando estes ocorram na função a optimizar Solução :

  16. Função Branin RCOS (BRC)

  17. Função Branin RCOS (BRC)

  18. Exemplo : duas vigas formando uma grelha

  19. Fiabilidade Estrutural A verificação da segurança de uma estrutura implica: S<R, onde S representa a acção e R a resistência Tanto S como R dependem de diversas variáveis aleatórias, X1,...,Xn

  20. [ ] òò ò = £ = P P g ( X , X , , X ) 0 ... f ( x , x , , x ) dx dx dx ... ... ... c 1 2 n X , X , , X 1 2 n 1 2 n K 1 2 n £ g ( X , X , , X ) 0 ... 1 2 n f ( x , x , , x ) ... X , X , , X 1 2 n ... 1 2 n Função de estado limite: g(X1,...,Xn) = R – S A violação do estado limite é definida pela condição g( X1, X2, ..., Xn)  0 e a probabilidade de colapso, Pc , pode ser formalmente expressa pela equação: onde (x1, x2, ..., xn) são ocorrências das variáveis aleatórias e é a função conjunta de densidade de probabilidade

  21. A fiabilidade de uma estrutura pode também ser medida pelo índice de fiabilidade,, que representa a distância do ponto de rotura mais provável à origem, no espaço (R, S) de coordenadas normalizadas Conhecendo b, a probabilidade de colapso é dada por: onde  é a função distribuição normal padrão

  22. Permite obter uma estimativa da probabilidade de colapso, N 1 å = P I ( X , X , , X ) ... c 1 2 n N (1) = i 1 I ( X , X ,... , X ) 1 2 n £ ì 1 se g ( X , X , , X ) 0 onde ... é uma função definida por 1 2 = n I ( X , X , , X ) í ... 1 2 n > 0 se g ( X , X , , X ) 0 ... î 1 2 n de acordo com a equação (1), N amostras independentes de valores das variáveis aleatórias são obtidas com base nas distribuições de probabilidade dessas variáveis e a função de estado limite é calculada para cada amostra. Designando por NHo número de casos em que ocorreu o colapso, a probabilidade de colapso da estrutura é aproximada por : N = H P c N Método de Monte Carlo

  23. Método probabilístico exacto, ou de nível 3 (cf. Eurocódigo 1), onde a probabilidade de colapso é avaliada a partir da distribuição conjunta de probabilidade das variáveis associadas às acções e às resistências Permite avaliar a probabilidade de colapso de um sistema em que se consideram simultaneamente várias funções de estado limite Requer um modelo estatístico de todas as variáveis aleatórias envolvidas Tempo de cálculo muito elevado Para estados limites últimos ( 104  PC 106 ) é necessário avaliar g(X)entre 105 e 107 vezes para obter resultados com uma aproximação aceitável A aplicação do método de Monte Carlo apresenta as seguintes Vantagens : Desvantagens :

  24. Técnica de inteligência artificial inspirada no funcionamento dos neurónios biológicos Redes Neuronais

  25. Neurónio artificial introduzido por McCulloch e Pitts (1943) x 1 w O uso de redes neuronais tem vindo a generalizar-se em vários domínios, entre os quais a mecânica estrutural e em particular a fiabilidade de estruturas m1 x 2 w S m2 f ( ) s m w x m3 3 . . w . mL x b L m

  26. Rede neuronal multicamada ( 3 x 4 x 3 ) S f ( ) 1 w 11 2 w 2 x 11 s S f ( ) 1 = 1 1 w 12 1 b 1 2 1 w w 12 13 2 w 2 13 w 1 w 14 2 S b 21 f ( ) 1 1 w 2 w 22 21 1 w 2 w 2 s x 23 S 22 f ( ) 2 2 = 1 b 2 2 w 1 w 23 31 2 w 24 1 w S f ( ) 32 2 b 2 2 w 1 w 31 2 w 33 32 2 w 1 w 2 1 33 s b x 41 S f ( ) 3 3 3 = 1 w 42 2 w 34 1 w S f ( ) 43 2 b 3 1 b 4

  27. O tempo necessário para calcular o valor das funções que uma rede neuronal multicamada aprendeu é muito reduzido O cálculo corresponde apenas a algumas operações matriciais

  28. O processo de obter os coeficientes wmk e bm de forma que a rede neuronal possa representar uma função designa-se por treino da rede O treino mais comum, treino supervisionado, consiste em arbitrar valores iniciais para os coeficientes e em seguida ajustar esses valores de forma a minimizar o erro entre as saídas obtidas pela rede e o resultado exacto da função Para proceder assim, é necessário construir um conjunto de treino, com valores das variáveis de entrada e os correspondentes valores da função. Após o treino, a rede deve ser testada com um conjunto de teste Neste trabalho utilizou-se um algoritmo misto, minimizando-se inicialmente o erro com um algoritmo genético e em seguida com um algoritmo de gradientes conjugados

  29. Exemplo Função analítica F(X,Y) = 0,3 + ( 2 Sin( X ) Cos ( Y ) + Sin ( X Y ) ) / 6 com X  [3.5 , 5.5] e Y  [2.0 , 4.0] Conjunto de treino com 14 x 14 = 196 pontos Conjunto de teste com 32 x 32 = 1024 pontos

  30. s1 Erro treino,E  máx (%)  médio (%) t (h:m:s) 1 1,5510-2 114 21 00:00:01 6 7,1510-4 32 3,9 00:02:30 12 9,2210-5 26 1,1 00:29:11 18 5,4910-6 2,5 0,38 02:09:32 24 1,7910-6 1,9 0,35 06:36:48 30 1,1910-6 1,5 0,23 18:32:06 36 1,9710-7 0,93 0,095 41:02:08 Medidas do erro Resultados do treino

  31. Cargas permanentes – 0,5 kN/m2 correspondente ao peso próprio da estrutura acrescido do revestimento da cobertura e da fachada Sobrecarga – 2 kN/m2, correspondente a uma utilização normal Vento – considera-se uma pressão dinâmica do vento igual a 0,456 kN/m2 Trabalho Desenvolvido - III Utilização da rede neuronal para aprender o comportamento da estrutura Pórtico intermédio de uma nave industrial com 20x10x4 m Espaçamento de 5 m entre pórticos semelhantes Definição das acções segundo o Eurocódigo 1, considerando-se os seguintes valores característicos :

  32. Função Descrição H  L2/150 Deslocamento horizontal máximo do pilar V  L1/300 Deslocamento vertical máximo da viga Resistência à flexão composta com compressão do pilar Resistência à flexão composta com compressão da viga considerando a possibilidade de encurvadura lateral Funções de estado limite • Um pórtico com pilares HEA 260 e uma viga HEA 300 verifica a segurança aos estados limites. Os deslocamentos e esforços de dimensionamento são : • H = 1,32 mm ; V = 16,8 mm • NSd(Pilar)=98,6 kN (topo do pilar direito – secção C) • My,Sd(Pilar) = 122,5 kNm (topo do pilar direito – secção C) • NSd(Viga)=46,7 kN (extremidade direita – secção C) • My,Sd(Viga) = 122,5 kNm (extremidade direita – secção C)

  33. Variável Distribuição Média Desvio Padrão Coefic. Variação Valor Característico Módulo de Young (GPa) Normal 210 10,5 0,05 210 Carga permanente (kN/m2) Normal 0,50 0,05 0,10 0,50 Sobrecarga (kN/m2) LogNormal 1,06 0,366 0,35 2,0 Pressão do vento (kN/m2) LogNormal 0,241 0,084 0,35 0,456 Tensão de cedência (MPa) LogNormal 280 28 0,10 235 Distribuição probabilística Numa análise preliminar, verificou-se que os valores dos deslocamentos H e Vsão muito inferiores aos admissíveis, pelo que a probabilidade de colapso associada aos estados limites de utilização é desprezável. Como os esforços na estrutura não dependem do módulo de Young, esta variável foi retirada do modelo probabilístico

  34. s1 - número de neurónios da camada intermédia Erro obtido com o conjunto de treino Erro obtido com o conjunto de teste 4 6,2810-6 2,9710-6 6 3,8510-7 3,4410-7 8 1,0110-7 8,2710-8 10 3,2010-9 2,2010-9 12 1,7710-9 1,5310-9 Rede neuronal com 3 x s1 x 3 neurónios Considerou-se um conjunto de treino com 6 x 6 x 6 = 216 pontos e um conjunto de teste com 12 x 12 x 12 = 1728 pontos. Resultados do treino – Erro quadrático médio

  35. s1 - número de neurónios da camada intermédia máx(%) N (pilar) N (viga) M (pilar e viga) 4 1,42 2,14 1,11 6 0,771 1,11 0,711 8 0,545 0,516 0,503 10 0,105 0,107 0,071 12 0,067 0,069 0,067 Resultados do treino – Erro relativo máximo

  36. Número de amostras Função de Estado Limite Monte Carlo c/ rede neuronal Probabilidade de colapso Monte Carlo directo FORM ( COMREL-TI) Tempo de cálculo (segundos) SORM (COMREL-TI) 106 1,43105 22  Resistência à flexão composta com compressão do pilar Pc = 1,277  105  = 4,21 Pc = 1,255  105  = 4,21 Pc = 1,229  105  = 4,22 Pc = 1,285  105  = 4,21 107 1,39105 189 108 1,28105 1865  Resistência à flexão composta com compressão da viga, considerando a possibilidade de encurvadura lateral Pc = 8,630  106  = 4,30 Pc = 8,607  106  = 4,30 Pc = 8,275  106  = 4,31 Pc = 8,650  106  = 4,30 Resultados da análise de fiabilidade

  37. 31.7 kN/m 10.2kN IPE240 HEB180 HEB200 HEB180 49.1kN/m 20.4 kN IPE300 HEB180 HEB200 HEB180 49.1kN/m 20.4kN IPE300 HEB220 HEB240 49.1kN/m HEB220 6x3.75 m 20.4kN IPE330 HEB220 HEB220 HEB240 49.1kN/m 20.4 kN IPE360 HEB260 HEB220 HEB220 49.1kN/m 20.4kN Y0 Y0 Y0 IPE400 HEB220 HEB260 HEB220 E=205 GPa fy=235 MPa Y0=1/450 2x6.00 m Trabalho Desenvolvido - IV Utilização da rede neuronal para aprender a função de estado limite g(X) Pórtico metálico com 6 andares Dimensões : 12 x 22,5 m As cargas verticais, horizontais e a tensão de cedência do aço foram consideradas variáveis aleatórias Comportamento geometricamente e fisicamente não-linear Análises elasto-plásticas considerando a formação de zonas plásticas

  38. variável média desvio padrão coeficiente variação valor característico carga vertical (kN/m) 33.3 (21.5*) 6.66 (4.30*) 0.20 49.1 (31.7*) carga horizontal (kN) 10.76 (5.38*) 3.76 (1.88*) 0.35 20.4 (10.2*) tensão de cedência (MPa) 280 28 0.10 235 Considerou-se uma única função de estado limite, associada ao colapso elasto-plástico do pórtico. Distribuição probabilística (*: valores para último piso)

  39. nº neurónios - s1 Erro treino,E Respostas erradas no treino Respostas erradas no teste tempo treino(s) 4 4.036103 2 1 506 8 2.763103 0 1 5830 12 1.867103 0 0 23517 Rede neuronal com 3 x s1 x 1 neurónios Considerou-se um conjunto de treino com 8 x 8 x 8 = 512 pontos e um conjunto de teste com 7 x 7 x 7 = 343 pontos. Resultados do treino

  40. nº neurónios - s1 pf (média) pf (desvio p.)  (média) tempo simulação(s) 4 2.726104 3.326106 3.46 81 8 2.489104 7.062106 3.48 113 12 2.426104 3.910106 3.49 141 A análise de fiabilidade foi realizada pelo método de Monte Carlo com 107 amostras. Resultados da análise de fiabilidade

  41. Trabalho Desenvolvido - V Optimização com constrangimentos de fiabilidade Na optimização com constrangimentos de fiabilidade, pelo menos um dos constrangimentos c(X) está relacionado com a fiabilidade da estrutura A metodologia normalmente empregue para resolver este tipo de problema recorre a algoritmos baseados em gradientes e aos métodos FORM ou SORM, baseados na determinação do índice de fiabilidade, b. Optou-se por considerar uma estratégia combinando um algoritmo genético, o método de Monte Carlo e uma rede neuronal Esta estratégia implica a utilização do método de Monte Carlo para todos os elementos da população considerados pelo algoritmo genético

  42. nx P 5 4 3 6 2 4 3 1 2 1 ny Exemplo (Burton & Hajela, 2003) Treliça plana com 6 barras Na configuração inicial indicada, nX = nY = 3 m E = 206 GPa Massa específica,  = 7,8 x 103 kg/m3 • Função objectivo : • - Massa da treliça • Variáveis de projecto : • - Àrea da secção das barras, A. • Coordenada X e Y do nó 4, nX

  43. Variável Distribuição Média Desvio padrão Coefic. variação Carga concentrada, P (kN) Normal 30 3 0,10 Tensão de cedência,C (MPa) Normal 172 8,6 0,05 • Variáveis aleatórias : • Carga concentrada P aplicada no nó 3 • - Tensão de cedência do aço utilizado, C Distribuição probabilística

  44. Constrangimento : Verificou-se que as barras 3, 4 e 5 eram as mais solicitadas, e definiram-se três funções de estado limite g1 = C  3 g2 = C  4 g3 = C  5 Considerou-se que o colapso da estrutura ocorre quando em pelo menos uma das barras se atinge C  Sistema em série  sendo a respectiva probabilidade de colapso, Pc, calculada pelo método de Monte Carlo Definiu-se um único constrangimento : impondo-se Pmax = 0,001 , a que corresponde  = 3,090

  45. Nº neurónios – s1 Nº neurónios - s1 Erro obtido com o conjunto de treino máx(%) Erro obtido com o conjunto de teste M 3 4 5 6 1,167 2,240 2,949 2,949 6 1,296710-3 7,829510-4 12 0,238 0,529 0,399 0,399 12 1,921810-5 1,835210-5 24 0,0775 0,199 0,148 0,148 24 1,600510-6 2,060810-6 Rede neuronal com 3 x s1 x 4 neurónios Considerou-se um conjunto de treino com 6 x 6 x 6 = 216 pontos e um conjunto de teste com 5 x 5 x 5 = 125 pontos. Resultados do treino – Erro quadrático médio Resultados do treino – Erro relativo máximo

  46. Variável / Função objectivo Algoritmo genético + Rede neuronal Burton & Hajela Diferença (%) A (m2) 2,359 2,366 0,28 nx (m) 1,563104 1,557104 0,36 Massa (kg) 22,512 22,450 0,28 Algoritmo genético Cromossomas com 40 genes binários (20 por variável), populações com 40 indivíduos e um total de 60 gerações. A probabilidade de colapso da estrutura foi estimada com 105 amostras Resultados da optimização Tempo total de cálculo durante a optimização : 6394 s ( 1 H 47 m )

  47. Algoritmos Genéticos para optimização de estruturas com secções normalizadas Método de Monte Carlo + Redes Neuronais para análise de fiabilidade Algoritmos genéticos para optimização de funções com vários mínimos globais e/ou locais Algoritmos Genéticos + Método de Monte Carlo + Redes Neuronais para optimização de estruturas com constrangimentos de fiabilidade Conclusões Demonstrou-se a viabilidade da aplicação das metodologias desenvolvidas :

More Related