Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico

Abstract

En esta investigación se propone una nueva metodología de optimización estructural basada en confiabilidad (RBDO— Reliability-Based Design Optimization) cuya principal contribución es la aplicación de algoritmos de optimización basados en sociedades animales, junto con estrategias derivadas de la teoría de aprendizaje estadístico –específicamente máquinas de soporte vectorial (SVM)– con el fin de reducir el alto costo computacional inherente a estos procedimientos iterativos de diseño estructural. El proceso de búsqueda fue guiado por el algoritmo conocido como PSO (Particle Swarm Optimization), dotado de una estrategia de penalización dinámica para la adecuada manipulación de restricciones. Los resultados obtenidos muestran que la metodología propuesta reduce de manera significativa, el número total requerido de llamadas al solucionador del modelo de elementos finitos (FEM) de la estructura, alcanzando un diseño óptimo desde una perspectiva probabilista, garantizando siempre la no excedencia de una probabilidad de falla objetivo. Se concluyó además, que aunque máquinas de soporte vectorial con márgenes estrechas garantizan reducción en la varianza del estimador de Pˆf , ocasionan también un incremento en los tiempos de cálculo, generando así un compromiso a conciliar entre la precisión en esta estimación y la complejidad de los modelos FEM para una conseguir una real reducción del tiempo total de cálculo para el sistema RBDO / Abstract: This research proposes a new methodology for reliability-based design optimization (RBDO). Its principal contribution correspond to use both: animal societies based optimization algorithms and strategies derived from statistical learning, particulary support vector machines, in order to reduce the high computational costs belonging to this iterative procedures for structural design. The search process was directed by the so-called PSO algorithm (Particle Swarm Optimization) with a dynamic penalty strategy supplied to handle the constrains appropriately. The obtained results show the proposed methodology significatively reduce the total number of finite element solver calls of structural model, required for reach the optimal design from a probabilistic point of view. It was also concluded that despite support vector machines with narrow margin guarantee variance reduction on Pˆf estimator, they cause increasing on calculus time too. So, it is necessary to solve the trade-off between estimator precision and FEM complexity in order to get a real reduction on RBDO system total time.