Journal of Korean Society of Steel Construction (한국강구조학회 논문집)

Korean Society of Steel Construction (한국강구조학회)
권호 표지

Design of Steel Structures Using the Neural Networks with Improved Learning

개선된 인공신경망의 학습방법에 의한 강구조물의 설계

  • Received : 2005.07.29
  • Accepted : 2005.11.15
  • Published : 2005.12.27
Download PDF
⟨ Previous Next ⟩

Abstract

For the efficient stochastic optimization of steel structures for which a large number of analyses is required, artificial neural networks,which have emerged as a powerful tool that could have been used to replace time-consuming procedures in many scientific or engineering applications, are applied. They are utilized for the solution of the equilibrium equations resulting from the application of the finite element method in connection with the reanalysis type of problem, for which a large number of finite element analyses are required in this study. As such, the use of artificial neural networks to predict finite element analysis outputs simplifies and facilitates the performance of the stochastic optimal design of structural systems where a trained neural network is used to replace the structural reanalysis phase. Moreover, to improve efficiency of used artificial neural networks, genetic algorithm is utilized. The stochastic optimizer used in this study is an algorithm based on the evolution theory. The efficiency of the proposed procedure is examined in problems with both volume (weight) functions and real-world cost functions

본 연구에서는 많은 양의 함수 계산을 요구하는 확률론적 최적화 기법을 보다 효과적으로 강구조물에 적용하여 수행하고자 한다. 다양한 과학, 응용공학 분야에서 많은 시간이 소요되는 과정을 대체하는데 효과적인 도구로 출현한 인공신경망을 최적화 과정 중 많은 수의 유한요소 해석이 요구되는 재해석 문제에 적용함으로서 유한요소법의 평형방정식의 해의 근사해를 추정하여 재해석과정을 보다 간단하고 용이하게 수행하고자 한다. 또한 이용된 인공신경망의 학습효과의 개선을 위해 유전알고리즘을 적용한다. 확률론적 구조최적화 기법으로는 진화론적 방법에 기초한 알고리즘을 사용한다. 수치 예로써 전형적인 체적(중량)문제와 실 경비함수를 목적함수로 갖는 강구조물 모형에 본 연구의 알고리즘을 적용하여 본 알고리즘의 적용성과 타당성을 증명하였다.

Keywords

Acknowledgement

Supported by : 전주공업대학

References

  1. 김시녕(1996) 신경회로망 최적학습을 위한 실수형 유전자 알고 리즘에 관한 연구. 석사학위논문, 성균관대학교
  2. 양영순, 한상민(1998) 유전알고리즘을 이용한 신경망의 구성 및 다양한 학습알고리즘을 이용한 신경망의 학습. 1998년도 봄학술발표논문집, 한국전산구조공학회
  3. 이규원, 노민래(1993) 부재력 근사기법을 이용한 아치구조물의 형상최적화에 관한 연구. 대한토목학회논문집 대한토목학회 Vol.13 No.2 pp. 95-109
  4. 이규원, 유희중(1993) 응력근사해법을 이용한 평면트러스구조물 의 형상최적화에 관한 연구. 대한토목학회논문집 대한토목 학회 Vol.13 No.2 pp. 73-84
  5. 이규원, 최병한, 임연수(2004) 트러스 구조물의 형상최적화에 관한 연구. 한국강구조학회논문집 한국강구조학회, Vol.16 No.1 pp. 123-134
  6. 이상근, 한상훈(1995) 복합적층평판의 이산최적설계. 대한토목 학회논문집, 대한토목학회 Vol.15 No.3 pp. 563-570
  7. 이승창, 박중권, 이병해(1997) 신경망을 이용한 근사해석모델의 원형개발. 전산구조공학회논문집 전산구조공학회 Vol.10 No.2 pp. 273-281
  8. 이승창, 박중권, 이병해(1998) 신경망 근사해석모델에 의한 스 터브거더의거동예측. 전산구조공학회논문집 전산구조공학회 Vol.11 No.3 pp. 241-251
  9. 임정환, 이규원(1991) 혼합조정법에 의한 평면트러스 구조물의 형상최적화에 관한 연구. 대한토목학회논문집, 대한토목학회 Vol.11 No.1 pp. 55-68
  10. 정영식, 김창규(1995) 평면뼈대구조물에 적용된 최적규준. 1995년도 가을학술발표회논문집 한국전산구조공학회 pp. 17-24
  11. 조효남, 민대홍, 김성헌(2002) 개선된 고차 Convex 근사화를 이용한 구조최적설계. 2002년도 가을학술발표회논문집. 한국전산구조공학회 pp. 271-278
  12. 조효남, 민대홍, 김성헌, 이광민(2003) 고차 Convex 근사기 법을 이용한 강상자형교의 최적설계. 2003년도 봄학 술발표회논문집. 한국전산구조공학회. pp. 201-210
  13. 조효남, 이성칠, 오달수, 최윤석(2002) 신경망을 재해석기로 사 용한 구조물의 손상평가. 2002년도 학술발표회논문집 한국 강구조학회. pp. 80-86
  14. 최병한 (2004) 예비 구조설계를 위한 유전알고리즘을 이용한 다 단계 인공신경망에 관한 연구. 한국강구조학회논문집 한국 강구조학회, Vol.16 No.4
  15. 한상훈, 장동진, 변근주(1989) Force Approximation Method 에 의한 평면트러스 구조의 형상최적화. 1989년도 학술발표회 논문집 대한토목학회 pp. 119-122
  16. Aaron R.L, Aurali F.B and Margarita C.G(1993) Genetic Algorithm like Learning Rule for Neural Network. Proc. '93 IEEE Conf. on SMC, Le Touquet, France. Vol.1, pp. 137-142
  17. Arena P., Caponetto R., Fortuna L. and Xibilia M.G(1993) MLP Optimal Selection Via Genetic Structural Optimization. Struct. Optim. Vol.2, pp. 117-24 https://doi.org/10.1007/BF01745459
  18. Fleury C. and Braibant V.(1986) Structural Optimization: A New Dual Method Using Mixed Variable. Int. Num. Meth. Engng. Vol.23 pp. 409-428 https://doi.org/10.1002/nme.1620230307
  19. Goldberg D. E.(1989) Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley
  20. Noor A. K. and Lowder H. E.(1975) Structural Reanalysis via Mixed Method. Comput.Struct. Vol.5 pp. 9-12 https://doi.org/10.1016/0045-7949(75)90015-2
  21. Schmit L.A. and Farshi B.(1974) Some Approximation Concepts Results in a Higher-Approximation Synthesis. AIAA Vol.12 pp. 692-699 https://doi.org/10.2514/3.49321
  22. Storaasli O. O. and Sobieszczanski-Sobicski J.(1974) On the Accuracy of the Taylor Approximation for Structure Resizing. AIAA Vol.12 pp. 231-233 https://doi.org/10.2514/3.49201
  23. Torreele J.(1991) Temporal Processing with Recurrent Networks : An Evolutionary Approach. Proc. 4th. Int. Conf. On Genetic Algorithms. San Diego Algorithms. Proc. Int. Conf. Neural Networks and Genetic Algorithms. Innsbruck. Austria
  24. Fadel G. M., Riley M. F. and Barthelemy J.M.(1990) Two Point Exponential Approximation Method for
  25. Wang L.P. and Grandhi R.V.(1995) Improved Two-Point Function Approximations for Design Optimization. AIAA Vol.33 pp. 1720-1727 https://doi.org/10.2514/3.12715
  26. Wang L.P., Grandhi R.V. and Canfield R.A.(1996) Multivariate Hermite Approximations for Design Optimization. Int. J. Num. Meth. Engng. Vol.39 pp. 787-803 https://doi.org/10.1002/(SICI)1097-0207(19960315)39:5<787::AID-NME881>3.0.CO;2-5
  27. Wolfram Schiffmann and Klaus Mecklenburg(1990) Genetic Generation of Backpropagation Trained Neural Networks. Elsevier Science Publishers
  28. Zhang W.H. and Fleucy C.(1997) A Modification of Convex Approximation Methods for Structural Optimization. Comput. Struct. Vol.64 pp. 89-95 https://doi.org/10.1016/S0045-7949(96)00147-2
  29. Chung T.T. and Chiou C.H.(2000) Self-Adjusted Convex Approximation Method for Structural Optimization. Department of Mechanical Engineering National Taiwan University Taipei 10617, Taiwan, ROC