A otimização estrutural, utilizando ferramentas computacionais é um grande campo de pesquisa na atualidade. Os métodos utilizados, dependendo da complexidade do problema, demandam um grande custo computacional, e por isso vem sendo avaliandas várias técnicas para diminuí-lo. Uma delas é o emprego de técnicas de aproximação de análises, dentre as quais destacam-se as redes neurais, que combinadas aos métodos de otimização e de análises clássicos conseguem bons resultados e reduzem significativamente o tempo de processamento. O emprego dos compósitos laminados como material estrutural vem crescendo nos últimos tempos, incentivado pela suas excelentes propriedades mecânicas e baixo peso. Em consenso com todo o esforço científico dedicado a essa área, o presente trabalho visa a implementação de uma ferramenta computacional capaz de otimizar estruturas complexas fabricadas com tais materiais, a um baixo custo computacional. Com isto em mente, é desenvolvido um sistema de otimização, aproveitando módulos implementados previamente para a análise estática linear e não linear através do método dos elementos finitos (MEF), e o módulo de otimização por algoritmos genéticos. Serão desenvolvidos os módulos de análise modal, para otimizar também estruturas com critérios baseados em freqüências e modos, e o modulo de redes neurais de tipo perceptron para aproximações das análises feitas através do MEF. Alguns exemplos são apresentados para demonstrar que bons resultados são obtidos com a utilização de redes neurais artificiais, cujo treinamento permite poupar tempo computacional proveniente do grande número de análises usualmente necessárias no processo de otimização. / Structural optimization using computational tools has become a major research field in recent years. Methods commonly used in structural analysis and optimization may demand considerable computational cost, depending on the problem complexity. Therefore, many techniques have been evaluated in order to diminish such impact. Among these various techniques, artificial neural networks may be considered as one of the main alternatives, when combined with classic analysis and optimization methods, to reduce the computational effort without affecting the final solution quality. Use of laminated composite structures has been continuously growing in the last decades due to the excellent mechanical properties and low weight characterizing these materials. Taken into account the increasing scientific effort in the different topics of this area, the aim of the present work is the formulation and implementation of a computational code to optimize manufactured complex laminated structures with a relatively low computational cost by combining the Finite Element Method (FEM) for structural analysis, Genetic Algorithms (GA) for structural optimization and Artificial Neural Networks (ANN) to approximate the finite element solutions. The modules for linear and geometrically non-linear static finite element analysis and for optimize laminated composite plates and shells, using GA, were previously implemented. Here, the finite element module is extended to analyze dynamic responses to optimize problems based in frequencies and modal criteria, and a module with perceptron ANN is added to approximate finite element analyses. Several examples are presented to show the effectiveness of ANN to approximate solutions obtained using the FEM and to reduce significatively the computational cost.
| Identifer | oai:union.ndltd.org:IBICT/oai:lume56.ufrgs.br:10183/18583 |
| Date | January 2009 |
| Creators | Cardozo López, Sergio Daniel |
| Contributors | Awruch, Armando Miguel, Morsch, Inacio Benvegnu |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFRGS, instname:Universidade Federal do Rio Grande do Sul, instacron:UFRGS |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0026 seconds