يك روش تكامل يافته براي طراحي بر مبناي قابليت اطمينان به كمك مدل‌هاي جايگزين و كاربرد در طراحي سيستم‌هاي پيچيده

An Augmented Surrogate-Assisted Reliability-based Design Approach and Application to Complex Systems Design

بهينه‌سازي طراحي بر مبناي قابليت اطمينان (RBDO) براي بهينه‌سازي سيستم‌هاي مهندسي در حضور عدم‌ قطعيت‌ها در متغيرهاي طراحي، پارامترهاي سيستم يا هر دو آنها مورد استفاده قرار گرفته است. RBDO داراي يك بخش تحليل قابليت‌ اطمينان است كه نياز به مقدار زيادي تلاش محاسباتي، به خصوص در رويارويي با مسائل كاربردي دنياي واقعي دارد. براي تعديل اين موضوع، يك روش جديد و كارآمد به كمك مدل‌هاي جايگزين در اين مقاله ارائه شده است. هوش محاسباتي و روش‌هاي مبتني بر تجزيه RBDO با يكديگر تركيب شده‌اند تا يك روش سريع براي RBDO توسعه يابد. اين روش جديد مبتني بر شبكه‌هاي عصبي مصنوعي به عنوان مدل جايگزين و روش بهينه سازي ترتيبي و ارزيابي قابليت اطمينان (SORA) به عنوان روش RBDO است. در SORA، مسئله به يك حلقه بهينه‌سازي معين ترتيبي و يك حلقه ارزيابي قابليت اطمينان تجزيه مي‌شود. به منظور بهبود كارايي محاسباتي و گسترش محدوده كاربرد روش SORA، يك نسخه تكامل يافته از آن در اين مقاله پيشنهاد شده است. در روش توسعه يافته، از يك معيار براي شناسايي قيود احتمالاتي غيرفعال و جدا كردن قيود برآورده شده از حلقه ارزيابي قابليت‌اطمينان استفاده شده است تا هزينه‌هاي محاسباتي مربوطه را كاهش يابد. بعلاوه، تغييرات بردارهاي جابجايي به دست آمده براي قيود برآورده شده كنترل شده است تا در تكرار بعدي حلقه قابليت اطمينان مقدار آنها دقيقا صفر باشد. به منظور نشان دادن كارايي و دقت روش ارائه شده، چند مثال رياضي با سطوح پيچيدگي متفاوت و يك مثال كاربردي مهندسي حل شده و نتايج مورد بحث و بررسي قرار گرفته است.

Reliability-based design optimization (RBDO) has been used for optimizing engineering systems in presence of uncertainties in design variables, system parameters or both of them. RBDO involves reliability analysis, which requires a large amount of computational effort, especially in real-world application. To moderate this issue, a novel and efficient Surrogate-Assisted RBDO approach is proposed in this article. The computational intelligence and decomposition based RBDO procedures are combined to develop a fast RBDO method. This novel method is based on the artificial neural networks as a surrogate model and Sequential Optimization and Reliability Assessment (SORA) method as RBDO method. In SORA, the problem is decoupled into sequential deterministic optimization and reliability assessment. In order to improve the computational efficiency and extend the application of the original SORA method, an Augmented SORA (ASORA) method is proposed in this article. In developed method, A criterion is used for identification of inactive probabilistic constraints and refrain the satisfied constraints from reliability assessment to decrease computational costs associated with probabilistic constraints. Further, the variations of shifted vectors obtained for satisfied constraints are controlled to be exactly equal to zero for the next RBDO iteration. Several mathematical examples with different levels of complexity and a practical engineering example are solved and results are discussed to demonstrate efficiency and accuracy of the proposed methods.