تحلیل خرپای دوبعدی با هوش مصنوعی
محورهای موضوعی : مجله فناوری اطلاعات در طراحی مهندسیسبحان براتی 1 , جواد علامتیان 2
1 - گروه مهندسی عمران، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
2 - گروه مهندسی عمران، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران
کلید واژه: هوش مصنوعی, خرپا دوبعدی, شبکه عصبی عمیق,
چکیده مقاله :
برای سازه ها با درجات آزادی زیاد، نرم‌افزارهای سنتی اجزا محدود، که مبتنی بر تقسیم‌بندی دامنه مسئله به جزء‌های کوچکتر هستند، به دلیل صرف زمان زیاد، کارایی کمتری دارند. به همین دلیل، مهندسین به استفاده از الگوریتم‌های هوش مصنوعی مبتنی بر طبیعت روی آورده‌اند که توانایی یادگیری الگوهای پیچیده از دادهها را دارند.یکی از این روش‌ها، استفاده از شبکه‌های عصبی عمیق است. این شبکهها با داشتن ساختار لایه‌ای و قابلیت یادگیری از دادههای ورودی، می‌توانند رفتار سیستم‌ها را مدلسازی کنند. ابتدا شبکه عصبی عمیق با استفاده از دادههای تجربی آموزش داده میشود و پس از آن به پیش بینی داده های جدید می پردازد. با این حال، چالش‌هایی همچون نیاز به دادههای آموزشی گسترده و مناسب، تضمین دقت مدل و تفسیرپذیری نتایج همچنان وجود دارند. برای غلبه بر این چالش‌ها، باید تحقیقات بیشتری در زمینه بهینهسازی ساختار شبکهها، تکنیک‌های پیش‌پردازش دادهها و توسعه روشهای ترکیبی در هوش مصنوعی صورت گیرد. در این پژوهش، از شبکه عصبی عمیق برای تخمین تغییر مکان‌های یک خرپای دوعضوی بر اساس دادههای گذشته استفاده میشود، که نتایج حاصل از این پژوهش، نشان دهنده ی تاثیر بسیار زیاد معماری شبکه در مورد این مسئله هست.
For structures with many degrees of freedom, traditional finite element software, which is based on dividing the problem domain into smaller elements, has become less efficient due to the extensive time required. As a result, engineers have turned to nature-inspired artificial intelligence algorithms, which possess the ability to learn complex patterns from data. One of these methods is the use of deep neural networks. These networks, with their layered structure and ability to learn from input data, can model system behaviors. Initially, the deep neural network is trained using empirical data, and then it predicts new data. However, challenges such as the need for extensive and suitable training data, ensuring model accuracy, and the interpretability of results still persist. To overcome these challenges, further research is required in optimizing network structures, data preprocessing techniques, and developing hybrid methods in artificial intelligence. In this study, a deep neural network is used to estimate the displacements of a two-member truss based on past data. The results from this study demonstrate the significant impact of network architecture on this problem.
1 . اسماعیلی،م. باد پی،ا. "مرجع کاربردی یادگیری ژرف با Tensor Flow و Keras"، انتشارات آتی نگر، 1402.
2. J. Naranjo-P´erez, M. Infantes, J. Fernando Jim´enez-Alonso, A. S´aez. A collaborative machine learning-optimization algorithm to improve the finite element model updating of civil engineering structures. Engineering Structures 225 (2020) 111327. https://doi.org/10.1016/j.engstruct.2020.111327
3. F. K.J. Jawad, C. Ozturk, W. Dansheng, M. Mahmood,O. Al-Azzawi, A. Al Jemely. Sizing and layout optimization of truss structures with artificial bee colony algorithm. Structures 30(2021) 546-559. https://doi.org/10.1016/j.istruc.2021.01.016
4. A. Gienger, S. Schaut, O. Sawodny, C. Tarin. Modular Distributed Fault Diagnosis for Adaptive Structures using Local Models. IFAC-PapersOnLine Volume 53, Issue 2, 2020, Pages 13631-13637. https://www.sciencedirect.com/journal/ifac-papersonline
5. B. Etaati , M. Neshat, A. Abdollahi Dehkordi , N. Salami Pargoo ,M. El-Abd , A. Sadollah , A. H. Gandomi. Shape and sizing optimisation of space truss structures using a new cooperative coevolutionary-based algorithm. Results in Engineering 21 (2024) 101859. https://doi.org/10.1016/j.rineng.2024.101859
6. N. Khodadadi , A. Özyüksel Çiftçioğlu , S. Mirjalili , A. Nanni. A comparison performance analysis of eight meta-heuristic algorithms for optimal design of truss structures with static constraints. Decision Analytics Journal 8 (2023) 100266. https://doi.org/10.1016/j.dajour.2023.100266
7. T. Vu-Huu, Sy Pham-Van, Q-Hoan Pham, T. Cuong-Le. An improved bat algorithms for optimization design of truss
structures. Structures Volume 47, January 2023, Pages 2240-2258. https://www.sciencedirect.com/journal/structures 8. M.Z. Naser. Fire resistance evaluation through artificial intelligence - A case for timber structures. Fire Safety Journal Volume 105, April 2019, Pages 1-18. https://www.sciencedirect.com/journal/fire-safety-journal
9. F.Ferreira, R. Shamass, V. Limbachiya, K. Daniel Tsavdaridis, C. Humberto Martins. Lateral–torsional buckling resistance prediction model for steel cellular beams generated by Artificial Neural Networks (ANN). Thin-Walled Structures Volume 170, January 2022, 108592 https://www.sciencedirect.com/journal/thin-walled-structures
10. H. Chen, Y. Liu, Y. Huang, J. Huang, L. Caisong, Z. Guo. Maximum displacement prediction model for steel beams with hexagonal web openings under impact loading based on artificial neural networks. Engineering Applications of Artificial Intelligence Volume 136, Part A, October 2024, 108932. https://www.sciencedirect.com/journal/engineering-applications-of-artificial-intelligence
11. S.K. Kamane, N.K. Patil, B.R. Patagundi. Use of artificial neural network to predict the bending behavior of steel I beam externally attached with FRP sheets. Materials Today: Proceedings Volume 39, Part 1, 2021, Pages 17-21. https://www.sciencedirect.com/journal/materials-today-proceedings/vol/39/part/P1
دوره هفدهم، شماره پاییز و زمستان 1403
مجله فناوری اطلاعات در طراحی مهندسی Information Technology in Engineering Design http://sanad.iau.ir/journal/ited | |
استفاده از شبکه عصبی عمیق برای تحلیل خرپای دو بعدی سبحان براتی(1) جواد علامتیان*(2)
(1) گروه مهندسی عمران، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران (2) گروه مهندسی عمران، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران*
(تاریخ دریافت: 22/06/1403 تاریخ پذیرش: 12/10/1403) | |
چکیده برای سازهها با درجههای آزادی زیاد، نرم‌افزارهای سنتی اجزا محدود، که مبتنی بر تقسیم‌بندی دامنه مسئله به جزء‌های کوچکتر هستند، به دلیل صرف زمان زیاد، کارایی کمتری دارند. به همین دلیل، مهندسین به استفاده از الگوریتم‌های هوش مصنوعی مبتنی بر طبیعت روی آورده‌اند که توانایی یادگیری الگوهای پیچیده از دادهها را دارند. یکی از این روش‌ها، استفاده از شبکه‌های عصبی عمیق است. این شبکهها با داشتن ساختار لایه‌ای و قابلیت یادگیری از دادههای ورودی، می‌توانند رفتار سیستم‌ها را مدلسازی کنند. ابتدا شبکه عصبی عمیق با استفاده از دادههای تجربی آموزش داده میشود و پس از آن به پیشبینی دادههای جدید می پردازد. با این حال، چالش‌هایی همچون نیاز به دادههای آموزشی گسترده و مناسب، تضمین دقت مدل و تفسیرپذیری نتایج همچنان وجود دارند. برای غلبه بر این چالش‌ها، باید تحقیقات بیشتری در زمینه بهینهسازی ساختار شبکهها، تکنیک‌های پیش‌پردازش دادهها و توسعه روشهای ترکیبی در هوش مصنوعی صورت گیرد. در این مقاله، از شبکه عصبی عمیق برای تخمین تغییر مکان‌های یک خرپای دوعضوی بر اساس دادههای گذشته استفاده میشود، تا بتوان این شبکه را جایگزین روابط طولانی اجزا محدودی کرد. نتایج حاصل از این مقاله، نشان دهندهی تاثیر بسیار زیاد معماری شبکه و تعداد نمونهها در مورد این مسئله هست. کلمات کلیدی: هوش مصنوعی، خرپا دوبعدی، شبکه عصبی عمیق
*عهده‌دار مکاتبات: جواد علامتیان نشانی: گروه مهندسی عمران، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران پست الکترونیکی: alamatian@yahoo.com
| |
1- مقدمه
شبکه‌های عصبی عمیق و روش اجزاء محدود دو رویکرد قدرتمند در حوزه تحلیل‌های عددی و مدلسازی مسائل پیچیده مهندسی هستند. شبکه عصبی عمیق یکی از روشهای مبتنی بر طبیعت به عنوان یکی از زیرمجموعه‌های یادگیری ماشین، به طور گسترده در مهندسی عمران به کار گرفته میشود. این تکنیک‌ها توانایی پردازش و تحلیل دادههای پیچیده و بزرگ را دارند و می‌توانند در بهبود کارایی، دقت و هوشمندی سیستم‌های مهندسی عمران نقش بسزایی ایفا کنند. روش اجزاء محدود که به طور گسترده در تحلیل سازهها، دینامیک سیالات و دیگر زمینه‌های مهندسی استفاده میشود، مبتنی بر تقسیم‌بندی دامنه مسئله به اجزاء کوچکتر و حل معادلات دیفرانسیل جزئی در هر جزء است. این روش اگرچه دقت بالایی دارد، اما محاسبات پیچیده و زمان‌بر است. در مقابل، شبکه‌های عصبی عمیق به عنوان یک رویکرد مبتنی بر یادگیری ماشینی، با توانایی یادگیری الگوهای پیچیده از دادهها، به عنوان یک جایگزین کارآمد و سریع برای روشهای سنتی نظیر اجزاء محدود مطرح شده‌اند. با آموزش یک شبکه عصبی عمیق بر اساس دادههای حاصل از شبیه‌سازی‌های اجزاء محدود یا دادههای تجربی، میتوان به مدل‌هایی دست یافت که قادر به پیشبینی رفتار سیستم‌های پیچیده با دقت بالا و در زمان کوتاه‌تر، بدون استفاده دوباره از روابط طولانی اجزا محدود هستند .این جایگزینی نه تنها می‌تواند زمان محاسبات را کاهش دهد، بلکه امکان تحلیل مسائل بزرگتر و پیچیده‌تر را نیز فراهم می‌آورد. با این حال، چالش‌هایی همچون نیاز به دادههای آموزشی گسترده و مناسب، تضمین دقت مدل و تفسیرپذیری نتایج همچنان وجود دارند که نیازمند تحقیقات و توسعه‌های بیشتر در این زمینه هستند.کاربردهای مختلف شبکه‌های عصبی عمیق در مهندسی عمران شامل تحلیل سازهها، پیشبینی رفتار سازه‌ای، بهینهسازی طراحی‌ها، و تشخیص خرابی‌ها است. مطالعات متعددی به بررسی این کاربردها پرداخته‌اند. برای مثال، پژوهشگران در مقاله‌ای مدل اجزاء محدود را با استفاده از یک الگوریتم هیبریدی بروزرسانی کرده‌اند تا پاسخ عددی را با رفتار تجربی مشاهده‌شده در سازه هماهنگ کنند[1] . در مطالعه‌ای، محققان از الگوریتم کلونی زنبورها برای بهینهسازی شکل و اندازه خرپا بهره برده‌اند [2]. همچنین، با استفاده از روش برآورد در لحظه تابع چگالی احتمال و روش واگرایی باقیمانده کولبک-لیبلر، عیب‌های موجود در یک سازه خرپای تطبیقی با طراحی مدولار و بهره‌گیری از مدل‌های محلی و دادههای حسگرها و محرک‌های هیدرولیکی شناسایی شده‌اند. در این مقاله، عیوب در حسگرها و محرک‌ها تشخیص داده میشود، اما به دلیل محدودیت دسترسی مدل‌های محلی به اطلاعات بین اتصالات ماژول‌ها، ممکن است عیوب در ماژول‌های دیگر باقی‌مانده‌های محلی را تحت تأثیر قرار دهند که این مشکل نیز با روش مذکور مرتفع شده است[3] . در کار دیگری، محققان با استفاده از الگوریتم تکامل مشترک، به بهینهسازی شکل و اندازه خرپای فضایی پرداخته‌اند[4] . همچنین، نتایج حاصل از هشت الگوریتم مختلف از جمله الگوریتم کرکس‌های آفریقایی و الگوریتم ساختار کریستالی برای بهینهسازی خرپا مقایسه شده است[5] . علاوه بر این، الگوریتم خفاش اصلاح شده برای بهینهسازی وزن خرپا مورد استفاده قرار گرفته است[6] . در حوزه استفاده از هوش مصنوعی، در پژوهشی از این فناوری برای ارزیابی مقاومت یک سازه چوبی در برابر آتش استفاده شده است[7] . همچنین، با بهره‌گیری از شبکه عصبی مصنوعی، مدلی برای پیشبینی مقاومت کمانش جانبی-پیچشی تیرهای فولادی با بازشو دایره‌ای توسعه داده شده است[8] . در مطالعه دیگری، از شبکه عصبی مصنوعی برای پیشبینی خیز حداکثر تیر فولادی با بازشوهای شش‌ضلعی تحت بار ضربه‌ای استفاده شده است[9] . همچنین، محققان با استفاده از شبکه عصبی مصنوعی، رفتار خمشی یک تیر فولادی تقویت‌شده با ورقFRP را پیشبینی کرده‌اند [10].
هدف این مقاله، بررسی و تحلیل خرپاهای دوبعدی با بهره‌گیری از شبکه‌های عصبی عمیق است. این مطالعه تلاش دارد تا با بهبود دقت و سرعت تحلیل خرپاها، کارایی و قابلیت اطمینان فرآیندهای مهندسی سازه را افزایش دهد. در این راستا، شبکه‌های عصبی عمیق به دلیل توانایی بالا در یادگیری الگوهای پیچیده و مدلسازی رفتارهای غیرخطی سیستم‌ها، به عنوان یک ابزار موثر مورد استفاده قرار می‌گیرند. این مقاله به دنبال ارائه یک روش نوین و کارآمد برای تحلیل خرپاهای دوبعدی است که نتایج حاصله از آن می‌تواند در طراحی و ارزیابی سازه‌های عمرانی کاربرد گسترده‌ای داشته باشد.
از جمله محدودیت هایی که در مقاله های ذکر شده می توان به آن اشاره کرد، ترکیب دو روش اجزا محدود و معادلات آن با چنین روش های بهینهسازی است اما در رابطه با نوآوری این مقاله می توان اشاره کرد که معادلات اجزا محدود پس از ساخت نمونه های آموزش دیگر استفاده نمیشوند و عملا یک شبکه عصبی جایگزین این معادلات می شود و همین امر باعث می شود تا در مسائلی مانند حداقل کردن تابع جرم یک خرپا که نیاز است حالات بسیار زیادی از یک خرپا بررسی شود در زمان کمتری جواب مسئله حاصل شود.
2- مبانی شبکه عصبی عمیق
یادگیری عمیق یک شاخه مهم از فناوری اطلاعات بوده که روی ساخت سیستم‌های هوشمند تمرکز دارد. ارتباط تنگاتنگی بایادگیری ماشین و هوش مصنوعی دارد تا در نهایت مبتنی بر شبکه‌های عصبی مصنوعی، یادگیری ماشین را جلو ببرد. یادگیری ماشینی تمرین استفاده از الگوریتم‌ها برای یادگیری از دادهها و پیشبینی است. سه دسته اصلی یادگیری ماشین به شرح زیر وجود دارد:
• تحت نظارت
• بدون نظارت
• تقویتی
یادگیری نظارت شده برای زمانی که خروجی صحیح مشخص شده و مدل با دادههای برچسب‌دار، آموزش داده میشود. در این دسته، مدل یاد میگیرد تا ورودی‌ها را بر اساس دادههای برچسب‌گذاری شده نگاشت و به خروجیها تبدیل کند. یادگیری بدون نظارت برای زمانی است که مدل با دادههای بدون برچسب آموزش داده میشود تا خودش الگوها و ساختارها را در دادهها پیدا کند. یادگیری تقویتی نیز برای شرایطی است که مدل یاد میگیرد بر اساس بازخورد از محیط، تصمیم بگیرد. مدل‌های یادگیری عمیق می‌توانند به‌طور خودکار ویژگیها را از دادهها استخراج کنند. مدل‌های یادگیری عمیق به ویژه برای کارهایی مانند تشخیص تصویر و گفتار کارآمد و موثر خواهند بود.[11] شبکه‌های عصبی مصنوعی با الهام از ساختار و عملکرد مغز انسان طراحی شده‌اند. این شبکهها از واحدهای پردازشی ساده‌ای به نام نورون یا گره تشکیل شده‌اند که به صورت لایه‌هایی سازمان‌دهی میشوند. به طور کلی، یک شبکه عصبی شامل سه نوع لایه اصلی است: لایه ورودی که دادههای خام ورودی را دریافت کرده و آنها را به نورون‌های لایه‌های بعدی منتقل میکند. هر نورون در این لایه نمایانگر یک ویژگی یا بعد از دادههای ورودی است. همچنین، هر نورون لایه ورودی می تواند از چند ویژگی تشکیل شده باشد که هر ویژگی دارای پارامترهای مخصوص خود باشد. لایه‌های میانی یا پنهان وظیفه پردازش دادهها و استخراج ویژگی‌های پیچیده‌تر را برعهده دارند. تعداد و اندازه این لایهها تعیین‌کننده عمق و پیچیدگی شبکه عصبی است. هنگامی که یک شبکه عصبی دارای تعدادی لایه پنهان باشد، به آن شبکه عصبی عمیق می‌گویند. در نهایت، لایه خروجی نتایج نهایی پردازش را ارائه می‌دهد و تعداد نورون‌های این لایه بستگی به نوع مسئله و تعداد کلاس‌ها یا خروجیهای ممکن دارد. نحوه عملکرد شبکه‌های عصبی به این صورت است که در هر نورون، ورودی‌ها با وزن‌های مشخصی ضرب میشوند که این وزن‌ها نشاندهنده اهمیت هر ورودی در فرآیند تصمیم‌گیری نورون هستند. سپس مجموع این ورودی‌های وزن‌دار شده و یک مقدار بایاس که به عنوان یک عدد ثابت شناخته میشود، محاسبه میشود. نتیجه این محاسبات از یک تابع فعال‌سازی عبور میکند که تصمیم میگیرد آیا نورون فعال یا غیر فعال شود. تابع فعال‌سازی نقش کلیدی در اعمال غیرخطی بودن به شبکه ایفا میکند، که این غیرخطی بودن برای یادگیری الگوهای پیچیده ضروری است. آموزش شبکه عصبی فرآیندی است که طی آن وزن‌ها و بایاس‌ها با استفاده از مجموعه‌ای از دادههای آموزشی بهینه میشوند. این فرآیند معمولاً شامل مراحل انتشار پیشرو، محاسبه خطا، و انتشار معکوس است. در انتشار پیشرو، دادههای ورودی از طریق شبکه عبور می‌کنند تا خروجی نهایی تولید شود. سپس اختلاف بین خروجی پیشبینی شده و خروجی واقعی (دادههای هدف) محاسبه میشود. این اختلاف با استفاده از تابع هزینه به یک عدد تبدیل میشود. در نهایت، انتشار معکوس شامل محاسبه گرادیان‌های تابع هزینه نسبت به وزن‌ها و بایاس‌ها است. سپس این گرادیان‌ها برای به‌روزرسانی وزن‌ها و بایاس‌ها استفاده میشوند به طوری که خطا کاهش یابد. این به‌روزرسانی معمولاً با استفاده از الگوریتم بهینهسازی مانند 1Adam انجام میشود. شبکه‌های عصبی عمیق به دلیل توانایی بالای خود در مدلسازی الگوهای پیچیده و غیرخطی، در حوزه‌های مختلفی از جمله تشخیص تصویر، پردازش زبان طبیعی، پیشبینی سری‌های زمانی، و بسیاری دیگر کاربرد دارند. این شبکهها به دلیل قدرت یادگیری و تطبیق‌پذیری بالا، ابزار بسیار مهمی در زمینه هوش مصنوعی و یادگیری ماشین به شمار می‌آیند [11]. فرایند بالا در شکل1 خلاصه گردیده است.
شکل 1: فرایند یک مدل شبکه عصبی عمیق
عملا فرمولی که برای بدست آوردن هر نورون استفاده می شود در رابطه زیر بیان می شود.
(1) | N= |
(2) |
|
(3) |
که در آن پس از بدست آوردن ماتریس دوران می توان از طریق رابطه kd=f در مختصات محلی به رابطه ی مختصات کلی دست پیدا کرد و ماتریس سختی کل المان را بدست آورد.
در این رابطه بعد از بدست آوردن ماتریس سختی هر المان در مختصات کلی از سوار کردن ماتریس ها به روش پارتیشنبندی ماتریس سختی کل بدست میآید. در نهایت با توجه به این مسئله که در ماتریس سختی ابتدا گرههای مقید قرار داشته باشند از طریق فرمول های زیر تغییر مکان های گرهی بدست میآید.
|
