Estudo da utilização de algoritmos de deep-learning junto ao método dos elementos finitos para otimização de estruturas aeronáuticas reticuladas

• Autor(a) principal: Pacheco, Matheus Felipe
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/235568
• topic: Aprendizado do computador; Análise estrutural (Engenharia); Otimização matemática; Python (Linguagem de programação de computador); Análise de elementos finitos

O presente trabalho se propõe a estudar o uso de técnicas de Deep Learning em conjunto com o método dos elementos finitos para resolver e otimizar estruturas simples, bidimensionais, treliçadas. Primeiramente, uma determinada geometria de treliça bidimensional com seções transversais variáveis é escolhida como caso de estudo; em seguida, o método dos elementos finitos é implementado usando a linguagem Python e usado para resolver o problema para uma população gerada aleatoriamente de conjuntos de áreas de seções transversais e um para um par de limites de deslocamento e tensão, que são gerados aleatoriamente dentro de um intervalo de valores. São utilizadas diferentes estratégias para gerar as populações, algoritmos de soma zero e diferentes distribuições estatísticas. Em seguida, uma rede é treinada para encontrar uma saída binária que indica se algum limite de tensão e deslocamento previamente definido foi excedido. Finalmente, essa rede treinada é usada como restrição para um algoritmo genético gerar famílias de áreas otimizadas, com objetivo de utilizar uma segunda rede que terá como entrada um valor para deslocamento máximo e tensão máxima e retornará as áreas otimizadas. Ao contrário da primeira rede neural, esta segunda rede neural possui uma saída não binária, sua resposta são os valores para as áreas que minimizam o peso da estrutura. A metodologia difere das usualmente utilizadas na literatura ao aplicar duas redes treinadas independentementes ao invés de uma. Para criar a arquitetura das redes, foram utilizadas as bibliotecas pré-implementadas em Python Keras, Tensor-Flow e Scikit-Learn. A metodologia é então utilizada para testar a influência de diferentes hiper parâmetros e diferentes estratégias de geração de população nas razões de convergência e significância dos resultados.