جلسه دفاع پایان نامه کارشناسی ارشد (آقای مصطفی قاسمی)
موضوع: بهینهسازی چندهدفه رفتار فضاسازه متناوب جهت کاهش جرم و افزایش استحکام سازه به کمک مدلِ جانشینِ یادگیری ماشینِ GNN
ارائه دهنده: مصطفی قاسمی
استاد راهنما: دکتر محمد سیلانی
استاد مشاور: دکتر زینب مالکی
استادان داور: دکتر مهدی سلمانی تهرانی، دکتر محمدرضا نیرومند
چکیده:
در این پژوهش رفتار فضاسازههای متناوب موردبررسی قرار گرفته و سعی شده با کمک روشهای نوین یادگیری ماشین، سازه با رفتار بهینه طراحی گردد. در حقیقت هدف یافتن سازهای است که در عین سبکی، استحکام خمشی و پیچشی بالایی داشته باشد. روش کار اینگونه است که ابتدا، یک نمونه اجزا محدود از فضاسازه در نرمافزار آباکوس تحت بارگذاری موردنظر شبیهسازی شد و اعتبارش از طریق مقایسه با نتایج ارائه شده در مقالات تأیید شد. هر سلول واحد از این فضاسازه، از تعدادی نقاط بنیادی و نقاط نابنیادی (شناور) تشکیل شده است. نقاط بنیادین که هشت عدد هستند، در رئوس سلول واحد که یک مکعب است قرار گرفتهاند و موقعیتشان همیشه ثابت است. نقاط شناور که بین یک تا پنج عدد میتوانند باشند، درون مکعب در هر مکانی میتوانند حضور داشته باشند. تعیین تعداد این نقاط شناور و موقعیت آنها درون مکعب از متغیّرهای مسئله طراحی است. پس از مشخصشدن تعداد نقاط شناور و محل آنها، نخست باید تصمیم گرفت که بین کدام نقاط، چه بنیادی و چه شناور، اتصال تیر برقرار باشد و از سویی اندازه سطح مقطع هریک از این اتصالات نیز تعیین شود و این دو مورد نیز از متغیّرهای طراحی هستند. مقطع همه تیرها از نوع استوانهای است. پس از مشخصشدن مسئلة موردنظر و متغیّرها، با استفاده از روش نمونهبرداری ابرمکعب لاتین، تعداد مناسبی نمونه برای ایجاد مجموعهداده تولید شد و با استفاده از نرمافزار آباکوس و اسکریپت پایتون، رفتار این نمونهها تحت بارگذاریهای خمشی و پیچشی شبیهسازی شد و خروجی هر سازه یعنی وزن سازه، استحکام خمشی، و استحکام پیچشی آن استخراج گردید. در مرحله بعد، با استفاده از این مجموعهداده یک مدل یادگیری ماشین توسعه داده شد که قادر است سه خروجی موردنظر برای هر فضاسازة دلخواهی را بادقت خوبی پیشبینی نماید. مدل یادگیری ماشینی استفاده شده از نوع شبکه عصبی گرافی است. این نوع از شبکه عصبی مناسب مسائلی است که متغیّرها ماهیت گراف دارند، همانند فضاسازه که نقاط بنیادی و شناور همان گرهها هستند و اتصال مابین آنها حکم یالهای یک گراف را دارد. این شبکه عصبی از گرافهایی با تعداد گرهها و یالها گوناگون پشتیبانی میکند درحالیکه چنین قابلیتی در انواع دیگر شبکههای عصبیِ کلاسیک وجود ندارد؛ چراکه تعداد ورودیها بسته به تعداد گرهها و یالها تغییر میکند. درنهایت این مدل شبکه عصبی مبتنی بر گراف پیشبینی رفتار هر سازه با هر تعداد گره و یال را در کمترین زمان، ممکن میسازد. در مرحلة بعد، با استفاده از روش بهینهسازی الگوریتم ژنتیک با مرتبسازیِ غیرِمغلوب چندهدفه و به کمک مدل یادگیری ماشین، سازهای بهینه با وزن کم و استحکامات خمشی و پیچشی بالا به دست آمد که عملکرد بهتر آن در مقایسه با سازه ارائه شده در مقالات پیشین مشهود است. این شبیهسازیها و تحلیلها برای فضاسازة از جنس پلیمرِ PLA انجام شد که ماده رفتاری همسانگرد دارد؛ سپس در مرحلة بعد، مجدد همه این مطالعات و شبیهسازیها برای فضاسازة ساخته شده از ماده با رفتار همسانگرد عرضی یعنی PLA تقویتشده با الیاف کربن (CFRP) هم تکرار شد تا رفتار فضاسازه برای حالت مادة ناهمسانگرد هم سنجیده شود. درپایان نتایج این دو حالت نیز با یکدیگر مقایسه شد.