Please use this identifier to cite or link to this item: http://repositorio.ufc.br/handle/riufc/54994
Type: Dissertação
Title: Sequential approximate optimization of composite structures
Title in English: Sequential approximate optimization of composite structures
Authors: Maia, Marina Alves
Advisor: Parente Junior, Evandro
Co-advisor: Melo, Antônio Macário Cartaxo de
Keywords: Materiais compósitos;Modelo substituto;Otimização sequencial aproximada
Issue Date: 2020
Citation: MAIA, Marina Alves. Sequential approximate optimization of composite structures. 2020. 121 f. Dissertação (Mestrado em Engenharia Civil: Estruturas e Construção Civil) – Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-graduação em Engenharia Civil: Estruturas e Construção Civil, Fortaleza, 2020.
Abstract in Brazilian Portuguese: O projeto de estruturas de material compósito é de relevância em muitos campos da engenharia (civil, naval, aeroespacial, automobilística, etc.) e, como tal, tornou-se um tópico de pesquisa bastante ativo. De modo a potencializar os benefícios oriundos desse tipo de material, é necessário a utilização de técnicas de otimização. Contudo, o custo computacional das análises estruturais pode se apresentar como uma limitação para o processo de otimização. Este problema é particularmente crítico quando algoritmos bioinspirados são utilizados devido ao grande número de avaliações do modelo de alta fidelidade usualmente empregado. Dessa forma, os modelos substitutos (surrogate models) apresentam-se como uma alternativa valiosa para ajudar a reduzir o custo computacional e permitir a otimização de estruturas complexas. Neste trabalho, dois modelos substitutos são estudados: Funções de Base Radiais (Radial Basis Function - RBF) e Kriging. Estes foram incorporados a uma metodologia de otimização conhecida como Otimização Aproximada Sequencial (Sequential Approximate Optimization - SAO), onde a superfície de resposta aproximada é continuamente atualizada e melhorada pela inserção de novos pontos. Para isto, dois Critérios de Preenchimento foram avaliados: Melhoria Esperada e Melhoria Esperada Ponderada. Ambos utilizam o algoritmo de Otimização por Enxame de Partículas para maximizar suas funções de aquisição. Para obtenção das respostas estruturais do HFM, foi utilizada a Análise Isogeométrica. Uma comparação entre as diferentes metodologias é realizada em termos de precisão, eficiência e robustez. A verificação da implementação dos algoritmos SAO foi realizada com base em exemplos da literatura. Estes contemplam diferentes tipos de estruturas utilizando materiais com gradação funcional e estruturas de compósito laminado. Os resultados atestam a eficiência dos algoritmos propostos e evidenciam o impacto da escolha do Critério de Preenchimento no desempenho desses algoritmos. Uma expressiva redução no número de avaliações de alta fidelidade quando comparado à otimização tradicional foi obtida, o que resulta em uma significativa redução no esforço computacional. Isto é particularmente promissor quando a análise estrutural envolve malhas refinados ou a consideração do comportamento não-linear. Em geral, o RBF apresentou um processo mais rápido, tanto na construção quanto na atualização do modelo, enquanto o Kriging se destaca pela sua precisão com um menor número de avaliações de alta fidelidade em uma grande variedade de aplicações.
Abstract: The design of composite structures is of relevance in many fields of engineering (civil, naval, aerospace, automobile, etc.) and as such has become an active research field. To fully explore the benefits of using composite materials, optimization techniques are often needed. However, the computational cost of the structural analyses may become a hindrance for the optimization process. This is especially critical when dealing with bio-inspired algorithms, where a high number of trial designs are typically employed. Thus, surrogate models are a valuable alternative to help reduce computational cost and enable the optimization of complex structures. In this work, two surrogate models were studied: Radial Basis Function (RBF) and Kriging. Both surrogate models were used in association with an optimization technique known as Sequential Approximate Optimization (SAO), in which the approximate response surface is continuously updated and improved by the addition of new points in the design space. For that matter, two infill criteria were assessed: the Expected Improvement (EI) and the Weight Expected Improvement (WEI). Both use the Particle Swarm Optimization to maximize their acquisition functions. To evaluate the structural response of the composite structures, the Isogeometric Analysis (IGA) was employed. A comparison between the SAO algorithms was carried out in terms of accuracy, efficiency, and robustness. The implementation was validated using a set of numerical examples from the literature. The examples include different types of structures using functionally graded and laminated composite materials. Results show the efficiency of the proposed algorithms and highlight the impact of the choice of the Infill Criterion on their performance. An expressive reduction in the number of High-Fidelity (HF) evaluations was obtained compared to traditional optimization, saving a significant amount of processing time. This is particularly promising when the structural analysis involves refined meshes or the consideration of nonlinear behaviour. In general, the RBF consistently provided the fastest surrogate model building and updating processes, while Kriging provided more accurate results with fewer HF evaluations in a wide range of applications.
URI: http://www.repositorio.ufc.br/handle/riufc/54994
Appears in Collections:DECC - Dissertações defendidas na UFC

Files in This Item:
File Description SizeFormat 
2020_dis_mamaia.pdf9,36 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.