دو راهکار بهینه سازی پیشرفته برای حل مسئله طراحی مبتنی بر قابلیت اطمینان ارائه شدند. اولین راهکار برمبنای استفاده از شبکه عصبی مصنوعی و تکنیک شبیه سازی نمونه کوچک است. دومین راهکار، وظیفه قابلیت اطمینان معکوس را بعنوان وظیفه بهینه سازی مبتنی بر قابلیت اطمینان با استفاده از روش بهینه سازی دو حلقه ای مبتنی بر شبیه سازی نمونه کوچک در نظر می گیرد. هر دو تکنیک از نمونه برداری ابرمعکب لاتین[1] با کنترل همبستگی استفاده می کنند. کارایی هر دو راهکار با استفاده از سه مثال عددی طراحی ساختاری تست می شود: پرتو کانتینر، اسلب بتن مسلح و پل کامپوزیت پس از تنش. مزایا و معایب راهکارها مورد بحث و بررسی قرار گرفتند.

کلمات کلیدی: مسئله قابلیت اطمینان معکوس، شبکه عصبی مصنوعی، بهینه سازی مبتنی بر قابلیت اطمینان دوحلقه ای، نمونه برداری ابرمکعب لاتین، روش قابلیت اطمینان درجه اول

Reliability-based design: Artificial neural networks and double-loop reliability-based optimization approaches

Advances in Engineering Software

Available online 27 June 2017

In Press, Corrected Proof

Abstract

Two advanced optimization approaches to solving a reliability-based design problem are presented. The first approach is based on the utilization of an artificial neural network and a small-sample simulation technique. The second approach considers an inverse reliability task as a reliability-based optimization task using a double-loop optimization method based on small-sample simulation. Both techniques utilize Latin hypercube sampling with correlation control. The efficiency of both approaches is tested using three numerical examples of structural design – a cantilever beam, a reinforced concrete slab and a post-tensioned composite bridge. The advantages and disadvantages of the approaches are discussed.

Keywords: Inverse reliability problem, Artificial neural network, Double-loop reliability-based optimization, Latin hypercube sampling, First order reliability method

[1] Latin hypercube sampling

• قبلی
• بعدی