Optimizasyon teknikleri ve sinirsel ağlar kullanılarak araç kayar kapı sistemi parametrelerinin tahmini

Abstract

Tez çalışması, araç kayar kapı sistem tasarım parametrelerinin tahmininde yapay sinir ağları (YSA) ve Bayes Optimizasyonu (BO) kullanılarak gerçekleştirilen çok amaçlı bir optimizasyon uygulaması tanımlamaktadır. YSA, özellikle karmaşık ve belirsizlik içeren matematiksel modellerin çözümünde kullanılmaktadır. Analitik olarak çözümünde zorluklar olan kara kutu problemlerde etkin sonuç vermektedir. Belirsizlikler içeren, ancak maliyetli fiziksel testler veya uzun süren simülasyonlar gerektiren problemlerde de çözüm için uygun bir yaklaşımdır. Çalışma kapsamında ele alınan kayar kapı sistem tasarımı da belirsizliklerin fazla olduğu karmaşık bir problem olduğu için tasarım parametrelerinin tahmin ve optimizasyonunda YSA ve BO kullanılmıştır. Sonlu elemanlar yöntemi kullanılarak gerçekleştirilen dinamik analizlerin ardından, parametrelerin farklı değerlerine karşılık gelen analiz sonuçları YSA ve BO kullanılarak tahmin edilmiştir. Ardından genetik algoritma (GA) kullanılarak çok amaçlı optimizasyon problemi için optimum çözüm elde edilmiştir. Uzun analiz süreleri ortadan kaldırılarak daha hızlı ve esnek bir yöntem sunulmuştur.

This work describes an application of using the artificial neural network and Bayesian optimization based multi-objective optimization to predict the design parameters of vehicle sliding door system. Artificial neural network is used to solve complex and uncertain models. It gives effective results in black box problems that have difficulties in solving analytically. It is also a suitable approach for solving problems that involve uncertainties but require costly physical test or long run simulations. Artificial neural network and Bayesian optimisation were used in the prediction and optimization of the design parameters, since the sliding door design, which is considered within the scope of the study, is a complex problem with high uncertainties. After performing explicit dynamic analyses with the finite element method, the analysis results for different input values of the design parameters were predict using artificial neural network and Bayesian optimisation. Regression, artificial neural network, and Bayesian optimisation results are compared for prediction performance. Then, the optimal solution of the genetic algorithm (GA) for the multi-objective optimization problem was obtained. By eliminating long analysis times, a more flexible and faster method is presented.