Yapıların mekanik davranışının yapay sinir ağları ile modellenmesi ve optimizasyonu

Abstract

Kullanılan malzemeye ve gerçekleştirilen analiz türüne göre ürün geliştirmeçalışmalarında kullanılan sonlu elemanlar yöntemi uzun sürelere ihtiyaç duymaktadır.Yüksek iterasyon sayıları gerektirebilen sonlu elemanlar yöntemi optimizasyonçalışmaları ile birleştirildiğinde gerekli süreler daha da artmaktadır. Özellikle farklıçözümleri inceleyen popülasyon tabanlı evrimsel algoritmaların yüksek işlem gücügereksinimleri ürün geliştirme çalışmalarını maliyetli hale getirmektedir.Yapay zekâ algoritmalarından birisi olan, yüksek başarı oranlarına ve hızlı sonuçlarüretme kapasitesine sahip makine öğrenmesi algoritmaları, farklı parametreler ile sonluelemanlar modelinin tekrar tekrar kurulup çözülmesine kıyasla optimizasyon yöntemleriiçin büyük avantajlar sunmaktadır. Bu tez çalışmasında, yapıların mekanik davranışınımodellenmek için sonlu elemanlar analizine dayanan bir makine öğrenmesi modeligeliştirilmiş ve model, yapıların optimizasyonu için ihtiyaç duyulan amaç ve kısıtfonksiyonlarını belirlemede kullanılmıştır. Makine öğrenmesi modeli için veri setieldesi gerçekleştirilmiş, model eğitilmiş ve doğrulaması yapılmıştır. Eğitilen model,doğrusal ve doğrusal olmayan yapıların optimizasyon çalışmalarında genetik vediferansiyel gelişim algoritmaları ile kullanılarak sunulan metodolojinin ürün geliştirmeçalışmalarına olan katkıları incelenmiştir.Eğitilen makine öğrenmesi modeli hem doğrusal hem de doğrusal olmayan yapılarındavranışını %98-99 civarlarındaki yüksek bir başarı oranı ile modelleyebilmektedir.Sunulan yöntem ile gerçekleştirilen optimizasyon çalışmaları optimum sonuçlarınasaniyeler içerisinde ulaşmaktadır. Sunulan yöntem deneme-yanılma ve tecrübeyedayanarak tasarlanan, yüksek işlem gücü ve uzun süreler gerektiren yapıların tasarımıiçin yüksek başarı oranına sahip alternatif bir çözüm yolu olmaktadır.Depending on the material used and the type of analysis performed, the implementationof the finite element method used in product development studies requires long periodsof time. When the finite element method, which may require high iteration numbers, iscombined with optimization studies, the required time increases even more. Especiallythe high processing power requirements of population-based evolutionary algorithmsthat examine different solutions make product development studies costly.Machine learning algorithms, which are one of the artificial intelligence algorithms,have high success rates and the capacity to produce fast results, offer excellentadvantages in optimization methods compared to repeatedly building and solving afinite element model with different parameters. In this thesis, a machine learning modelbased on the finite element analysis was developed to model the mechanical behavior ofstructures, and the model was used to determine the required objective and constraintfunctions for the optimization of structures. Data acquisition for the machine learningmodel was performed, the model was trained and validated. The trained model was usedwith a genetic and differential evolution algorithm for the optimization studies of linearand nonlinear structures, and the contributions of the presented methodology to productdevelopment studies were examined.The trained machine learning model can model the behavior of both linear andnonlinear structures with a high success rate of around 98-99%. Optimization studieswhich carried out with the presented method reach optimal results within seconds. Thepresented method is an alternative solution with a high success rate for designingstructures that are designed based on trial-and-error and experience, requiring highprocessing power and long periods.