Abstract:
การเพิ่มประสิทธิภาพการออกแบบตามความน่าเชื่อถือ (RBDO) เพื่อจัดการกับการออกแบบความสมบูรณ์ของโครงสร้างที่คุ้มค่าโดยมีพารามิเตอร์ที่ไม่มีความแน่นอน การประมวลผลปัญหาระดับนี้เป็นสิ่งที่ท้าทายจากภาระการคำนวณเพื่อกำหนดความน่าจะเป็นของความล้มเหลวของโครงสร้างที่เกิดขอบเขตฟังก์ชันสถานะจำกัด งานวิจัยนี้ได้เสนอวิธีการแยกส่วน RBDO อย่างมีประสิทธิภาพ โดยอัลกอริทึมการเรียนรู้ที่ครอบคลุมกลุ่มอนุภาคให้เหมาะสมที่สุด(CLPSO) ทำงานร่วมกับการจำลองเซตย่อย (SS) ซึ่งเรียกว่าวิธีการ SS-CLPSO โดยพื้นฐานแล้ว วิธีการที่เสนอจะดำเนินการ CLPSO แบบวงวนด้วยการสมมุติพารามิเตอร์ที่แน่นอน แล้วพิจารณาจุดที่น่าจะเป็นไปได้มากที่สุดที่สอดคล้องกับฟังก์ชันสถานะขีดจำกัดแล้วปรับปรุงภายในกระบวนการเพื่อประเมินความน่าเชื่อถือ จากข้อมูลการออกแบบของCLPSO จากนั้น SS จะประมาณสเปกตรัมของฟังก์ชันสถานะจำกัดภายใต้พารามิเตอร์ที่ไม่แน่นอน และใช้การจำลองมอนติคาร์โลสำหรับการทำนายความน่าจะเป็นของความล้มเหลว กลุ่มตัวอย่างจาก SS จะแสดงความน่าจะเป็นของความล้มเหลวของกลุ่มตัวอย่างภายใต้เงื่อนไขที่สร้างขึ้นในแต่ละเหตุการณ์ตามค่ากลางที่กำหนด SS-CLPSO ที่เสนอจะช่วยในการแก้ปัญหาที่เหมาะสมที่สุดสำหรับปัญหา RBDO โดยมีการร่วมกันทำงานแบบวงวนจนได้ค่าความน่าจะเป็นของความล้มเหลวที่มีผลลัพธ์มาลู่เข้าใกล้เกณฑ์ที่กำหนด การประยุกต์ใช้วิธีการนี้แสดงให้เห็นผ่านการออกแบบโครงเหล็กภายใต้พารามิเตอร์และข้อจำกัดที่ไม่แน่นอนของความน่าจะเป็น
