بهکارگیری الگوریتم ارتقایافته شکار مارماهی الکتریکی I-EEFO در بهینهسازی ماشین بردار پشتیبان SVM جهت تخمین سریع پاسخ لرزهای قابهای فولادی مجهز به مهاربند کمانشتاب
بهکارگیری الگوریتم ارتقایافته شکار مارماهی الکتریکی I-EEFO در بهینهسازی ماشین بردار پشتیبان SVM جهت تخمین سریع پاسخ لرزهای قابهای فولادی مجهز به مهاربند کمانشتاب
وفا جباری1
1) دکتری دانشگاه آزاد اسلامی واحد مهاباد،ایران ودستیار آموزشی دانشگاه آزاد واحد بین الملل ماکو
کد IOI مقاله
:
AAHE-ABGHFF
محل انتشار :
کنفرانس ملی فناوری های عمران، طراحی و ساخت، انرژی، مواد و ماشین آلات پیشرفته(icaeu.ir)
چکیده :
طراحی لرزهای بهینه سازههای فولادی همواره با چالش دوگانه دستیابی به سطوح عملکردی مورد نظر آییننامه و حداقلسازی وزن و هزینه ساخت مواجه بوده است. روشهای مبتنی بر عملکرد PBSD به دلیل در نظر گرفتن رفتار غیرخطی واقعی سازه، دقیقترین رویکرد طراحی لرزهای محسوب میگردند. با این حال، پیادهسازی PBSD مستلزم انجام صدها تا هزاران تحلیل غیرخطی تاریخچه زمانی است که هر کدام ممکن است چندین دقیقه تا چندین ساعت زمان محاسباتی نیاز داشته باشد. این امر، استفاده از الگوریتمهای بهینهسازی فراکاوشی که ذاتاً نیازمند ارزیابی تکراری تابع هدف هستند را عملاً غیرممکن میسازد.
در دهه اخیر، مدلهای جانشین Surrogate Models مبتنی بر یادگیری ماشین بهعنوان راهکاری نوین برای غلبه بر این محدودیت معرفی شدهاند. در میان مدلهای یادگیری ماشین، ماشین بردار پشتیبان SVM به دلیل مبانی ریاضی مستحکم، توانایی تعمیم بالا در دادههای کم و مقاومت در برابر بیشبرازش، جایگاه ویژهای در مهندسی عمران یافته است. با این وجود، عملکرد SVM به شدت وابسته به انتخاب صحیح دو فراپارامتر کلیدی یعنی پارامتر جریمه C و پارامتر کرنل γ میباشد. انتخاب نامناسب این پارامترها میتواند منجر به کاهش چشمگیر دقت پیشبینی گردد.
از سوی دیگر، الگوریتمهای بهینهسازی فراکاوشی نوین مانند الگوریتم شکار مارماهی الکتریکی EEFO که در سال 2023 معرفی شده، به دلیل مکانیسم منحصر به فرد محاصره گروهی و تولید میدان الکتریکی، توانایی بالایی در برقراری تعادل بین اکتشاف سراسری و بهرهبرداری محلی از خود نشان دادهاند. نسخه ارتقایافته این الگوریتم I-EEFO با ادغام مکانیسم پرواز لوی Levy Flight، قابلیت فرار از بهینههای محلی را بهطور چشمگیری افزایش داده است.
هدف اصلی این پژوهش، توسعه یک چارچوب ترکیبی هوشمند EEFO-SVM جهت تخمین سریع و دقیق پاسخ لرزهای قابهای فولادی مجهز به مهاربند کمانشتاب BRB میباشد. در این چارچوب، الگوریتم I-EEFO برای بهینهسازی فراپارامترهای SVM و SVM برای جایگزینی تحلیل پرهزینه المان محدود بهکار گرفته میشود. بهمنظور صحتسنجی، یک قاب فولادی دو طبقه دو دهانه با مقاطع IPE500 برای تیر و BOX400×20 برای ستون در نرمافزار ABAQUS مدلسازی گردید. تعداد 500 سناریوی تصادفی با تغییر 20% در ابعاد مقاطع تولید و تحلیل غیرخطی استاتیکی Pushover بر روی آنها اجرا شد.
نتایج حاصل از 10 اجرای مستقل الگوریتمها نشان میدهد که مدل SVM-I-EEFO با دستیابی به RMSE = 2.76 E-7 متر، MAE = 7.85 E-2 متر و ضریب NSE = 0.988، بهترین عملکرد را در میان الگوریتمهای PSO، GWO، WOA، EEFO و Adam داشته است. همچنین، سرعت همگرایی I-EEFO به حدی بالا بود که در تکرار نخست به جواب بهینه دست یافت، در حالی که الگوریتم PSO به 3 تکرار نیاز داشت. این نتایج بهطور قاطع اثبات مینماید که چارچوب پیشنهادی میتواند زمان طراحی بهینه سازه را از چندین روز به چندین ساعت کاهش دهد ،بدون آنکه دقت مهندسی قربانی گردد.
کلمات کلیدی : بهینهسازی مبتنی بر عملکرد الگوریتم شکار مارماهی الکتریکی ماشین بردار پشتیبان قاب فولادی مهاربند کمانشتاب تحلیل غیرخطی مدل جانشین