dc.contributor.advisor |
เสวกชัย ตั้งอร่ามวงศ์ |
|
dc.contributor.author |
อาณัติ สุธา |
|
dc.contributor.other |
จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
|
dc.date.accessioned |
2022-07-23T05:14:08Z |
|
dc.date.available |
2022-07-23T05:14:08Z |
|
dc.date.issued |
2564 |
|
dc.identifier.uri |
http://cuir.car.chula.ac.th/handle/123456789/80085 |
|
dc.description |
วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564 |
|
dc.description.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 |
|
dc.description.abstractalternative |
Reliability-based design optimization (RBDO) addresses the cost-effective integrity design of structures in the presence of inherent uncertain parameters. Processing this class of problem is challenging from the computational burden to determine the failure probability of structures violating the limit-state function. This paper proposes an efficient decoupling RBDO method that advantageously couples a comprehensive learning particle swarm optimization (CLPSO) algorithm with a subset simulation (SS), termed as SS-CLPSO approach. In essence, the proposed method iteratively performs the CLPSO assuming deterministic parameters based on the most probable point underpinning limit-state functions updated within the reliability evaluation process. Based on the CLPSO design data, the SS approximates the spectrum of limit-state functions under uncertain parameters, and hence enables the significant reduction of Monte-Carlo simulations for the failure probability prediction. The SS map outs the failure probability from the conditional samples constructed at each intermediate event. The proposed SS-CLPSO terminates the optimal solution to the RBDO problem as when the resulting failure probability converges to the permissible threshold. The applications of the present approach are illustrated through the steel design under probabilistic uncertain parameters and constraints |
|
dc.language.iso |
th |
|
dc.publisher |
จุฬาลงกรณ์มหาวิทยาลัย |
|
dc.relation.uri |
http://doi.org/10.58837/CHULA.THE.2021.936 |
|
dc.rights |
จุฬาลงกรณ์มหาวิทยาลัย |
|
dc.subject.classification |
Engineering |
|
dc.title |
การออกแบบโครงสร้างตามความเชื่อถือได้อย่างเหมาะสมที่สุดโดยการทำงานร่วมระหว่างการจำลองเซตย่อยและการเรียนรู้ที่ครอบคลุมกลุ่มอนุภาค |
|
dc.title.alternative |
Reliability-based structural optimization by combined subset simulation and comprehensive learning particle swarm optimization |
|
dc.type |
Thesis |
|
dc.degree.name |
วิศวกรรมศาสตรมหาบัณฑิต |
|
dc.degree.level |
ปริญญาโท |
|
dc.degree.discipline |
วิศวกรรมโยธา |
|
dc.degree.grantor |
จุฬาลงกรณ์มหาวิทยาลัย |
|
dc.identifier.DOI |
10.58837/CHULA.THE.2021.936 |
|