Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico
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 te...
- Autores:
-
Londoño Monsalve, Julián Mauricio
- Tipo de recurso:
- Fecha de publicación:
- 2007
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/69987
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/69987
http://bdigital.unal.edu.co/2117/
- Palabra clave:
- 0 Generalidades / Computer science, information and general works
62 Ingeniería y operaciones afines / Engineering
Optimización estructural, Máquinas de soporte vectorial, Confiabilidad, Diseño estructural, Procesos estocásticos
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
id |
UNACIONAL2_6d633506d26f343a9e358744be3ea967 |
---|---|
oai_identifier_str |
oai:repositorio.unal.edu.co:unal/69987 |
network_acronym_str |
UNACIONAL2 |
network_name_str |
Universidad Nacional de Colombia |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico |
title |
Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico |
spellingShingle |
Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico 0 Generalidades / Computer science, information and general works 62 Ingeniería y operaciones afines / Engineering Optimización estructural, Máquinas de soporte vectorial, Confiabilidad, Diseño estructural, Procesos estocásticos |
title_short |
Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico |
title_full |
Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico |
title_fullStr |
Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico |
title_full_unstemmed |
Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico |
title_sort |
Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico |
dc.creator.fl_str_mv |
Londoño Monsalve, Julián Mauricio |
dc.contributor.advisor.spa.fl_str_mv |
Hurtado Gómez, Jorge Eduardo (Thesis advisor) |
dc.contributor.author.spa.fl_str_mv |
Londoño Monsalve, Julián Mauricio |
dc.subject.ddc.spa.fl_str_mv |
0 Generalidades / Computer science, information and general works 62 Ingeniería y operaciones afines / Engineering |
topic |
0 Generalidades / Computer science, information and general works 62 Ingeniería y operaciones afines / Engineering Optimización estructural, Máquinas de soporte vectorial, Confiabilidad, Diseño estructural, Procesos estocásticos |
dc.subject.proposal.spa.fl_str_mv |
Optimización estructural, Máquinas de soporte vectorial, Confiabilidad, Diseño estructural, Procesos estocásticos |
description |
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. |
publishDate |
2007 |
dc.date.issued.spa.fl_str_mv |
2007 |
dc.date.accessioned.spa.fl_str_mv |
2019-07-03T13:05:44Z |
dc.date.available.spa.fl_str_mv |
2019-07-03T13:05:44Z |
dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
status_str |
acceptedVersion |
dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/69987 |
dc.identifier.eprints.spa.fl_str_mv |
http://bdigital.unal.edu.co/2117/ |
url |
https://repositorio.unal.edu.co/handle/unal/69987 http://bdigital.unal.edu.co/2117/ |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.ispartof.spa.fl_str_mv |
Universidad Nacional de Colombia Sede Manizales Facultad de Ingeniería y Arquitectura Departamento de Ingeniería Eléctrica, Electrónica y Computación Departamento de Ingeniería Eléctrica, Electrónica y Computación |
dc.relation.references.spa.fl_str_mv |
Londoño Monsalve, Julián Mauricio (2007) Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales. |
dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Nacional de Colombia |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial 4.0 Internacional |
dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0/ |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Atribución-NoComercial 4.0 Internacional Derechos reservados - Universidad Nacional de Colombia http://creativecommons.org/licenses/by-nc/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
institution |
Universidad Nacional de Colombia |
bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/69987/1/Julianmauriciolondonomonsalve.2007.pdf https://repositorio.unal.edu.co/bitstream/unal/69987/2/Julianmauriciolondonomonsalve.2007.pdf.jpg |
bitstream.checksum.fl_str_mv |
3df18871b6d2c7a80b328da163c564bf 965a4495513f0015abf2302de4b266f1 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
_version_ |
1814089611289296896 |
spelling |
Atribución-NoComercial 4.0 InternacionalDerechos reservados - Universidad Nacional de Colombiahttp://creativecommons.org/licenses/by-nc/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Hurtado Gómez, Jorge Eduardo (Thesis advisor)62fdc0fb-32ed-4d19-84c1-5c5e2cc38f63-1Londoño Monsalve, Julián Mauricio5c23ce68-b8be-4cdb-9de2-4d7917dcf20f3002019-07-03T13:05:44Z2019-07-03T13:05:44Z2007https://repositorio.unal.edu.co/handle/unal/69987http://bdigital.unal.edu.co/2117/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.Maestríaapplication/pdfspaUniversidad Nacional de Colombia Sede Manizales Facultad de Ingeniería y Arquitectura Departamento de Ingeniería Eléctrica, Electrónica y ComputaciónDepartamento de Ingeniería Eléctrica, Electrónica y ComputaciónLondoño Monsalve, Julián Mauricio (2007) Optimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadístico. Maestría thesis, Universidad Nacional de Colombia - Sede Manizales.0 Generalidades / Computer science, information and general works62 Ingeniería y operaciones afines / EngineeringOptimización estructural, Máquinas de soporte vectorial, Confiabilidad, Diseño estructural, Procesos estocásticosOptimización estocástica de estructuras usando modelos de vida artificial y aprendizaje estadísticoTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMORIGINALJulianmauriciolondonomonsalve.2007.pdfapplication/pdf1483860https://repositorio.unal.edu.co/bitstream/unal/69987/1/Julianmauriciolondonomonsalve.2007.pdf3df18871b6d2c7a80b328da163c564bfMD51THUMBNAILJulianmauriciolondonomonsalve.2007.pdf.jpgJulianmauriciolondonomonsalve.2007.pdf.jpgGenerated Thumbnailimage/jpeg4535https://repositorio.unal.edu.co/bitstream/unal/69987/2/Julianmauriciolondonomonsalve.2007.pdf.jpg965a4495513f0015abf2302de4b266f1MD52unal/69987oai:repositorio.unal.edu.co:unal/699872024-06-03 23:09:34.275Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.co |