یک روش تکامل یافته برای طراحی بر مبنای قابلیت اطمینان به کمک مدل های جایگزین و کاربرد در طراحی سیستم های پیچیده

بهینه سازی طراحی بر مبنای قابلیت اطمینان (RBDO) برای بهینه سازی سیستم های مهندسی در حضور عدم قطعیت ها در متغیرهای طراحی، پارامترهای سیستم یا هر دو آنها مورد استفاده قرار گرفته است. RBDO دارای یک بخش تحلیل قابلیت اطمینان است که نیاز به مقدار زیادی تلاش محاسباتی، به خصوص در رویارویی با مسائل کاربردی دنیای واقعی دارد. برای تعدیل این موضوع، یک روش جدید و کارآمد به کمک مدل های جایگزین در این مقاله ارائه شده است. هوش محاسباتی و روش های مبتنی بر تجزیه RBDO با یکدیگر ترکیب شده اند تا یک روش سریع برای RBDO توسعه یابد. این روش جدید مبتنی بر شبکه های عصبی مصنوعی به عنوان مدل جایگزین و روش بهینه-سازی ترتیبی و ارزیابی قابلیت اطمینان (SORA) به عنوان روش RBDO است. در SORA، مسئله به یک حلقه بهینه سازی معین ترتیبی و یک حلقه ارزیابی قابلیت اطمینان تجزیه می شود. به منظور بهبود کارایی محاسباتی و گسترش محدوده کاربرد روش SORA، یک نسخه تکامل یافته از آن در این مقاله پیشنهاد شده است. در روش توسعه یافته، از یک معیار برای شناسایی قیود احتمالاتی غیرفعال و جدا کردن قیود برآورده شده از حلقه ارزیابی قابلیت اطمینان استفاده شده است تا هزینه های محاسباتی مربوطه را کاهش یابد. بعلاوه، تغییرات بردارهای جابجایی به دست آمده برای قیود برآورده شده کنترل شده است تا در تکرار بعدی حلقه قابلیت اطمینان مقدار آنها دقیقا صفر باشد. به منظور نشان دادن کارایی و دقت روش ارائه شده، چند مثال ریاضی با سطوح پیچیدگی متفاوت و یک مثال کاربردی مهندسی حل شده و نتایج مورد بحث و بررسی قرار گرفته است.

کلیدواژه ها:

Optimization ، Reliability-based Design ، Computational Intelligence ، Surrogate Model ، Neural Networks ، بهینه سازی ، طراحی بر مبنای قابلیت اطمینان ، هوش محاسباتی ، مدل جایگزین ، شبکه عصبی