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...

Full description

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