کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4964153 1447420 2017 44 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Stress-based topology optimization of frame structures under geometric uncertainty
ترجمه فارسی عنوان
بهینه سازی توپولوژی مبتنی بر استرس ساختارهای قاب تحت عدم قطعیت هندسی
کلمات کلیدی
سازه های قاب، بهینه سازی توپولوژی، استون مویس، عدم قطعیت هندسی، روش اختلال تصادفی، عدم قطعیت اندازه گیری،
ترجمه چکیده
بهینه سازی توپولوژی احتمالی به تازگی به تحقیق توجه کرده است. این منافع حاصل از شناختن این است که طرح های به دست آمده با کارایی بالا که به دلیل الگوریتم های بهینه سازی توپولوژی قطعی به دست آمده اند ممکن است در شرایط دنیای واقعی غیرقطعی باشند که اغلب با عدم قطعیت همراه می شوند. در میان منابع این عدم قطعیت، آنهایی که ویژگی های ساختاری مانند هندسه را تعریف می کنند، برای درمان به لحاظ عددی چالش برانگیز هستند زیرا به سفتی ساختاری تصادفی منجر می شوند. تا به امروز، تحقیق در مورد بهینه سازی توپولوژی احتمال احتمالاتی تحت سختی تصادفی به طور عمده بر اهداف مبتنی بر جابجایی تمرکز دارد. با این حال، در طراحی سازه ها، استرس همچنین یک معیار طراحی اولیه است که باید مستقیما برای آن کنترل شود. در این کار یک روش بهینه سازی توپولوژی مبتنی بر استرس قوی برای ساختارهای قاب تحت عدم قطعیت هندسی پیشنهاد شده است. فرض بر این است که این عدم قطعیت ها نسبت به طول های عضو فریم کوچک اند، روش پیشنهادی از روش اختلال تصادفی برای انتشار این عدم اطمینان تا سطح پاسخ استفاده می کند که بیانگر حداکثر مقدار مورد انتظار تنش های فون میوز در سراسر دامنه است. حساسیت پاسخ در رابطه با متغیرهای طراحی از لحاظ تحلیلی مشتق شده است که اجازه می دهد تا با استفاده از بهینه سازان مبتنی بر شیب کارآمد عمل کند. الگوریتم پیشنهاد شده با طراحی استرس مبتنی بر سه ساختار قاب تحت عدم قطعیت هندسی مورد بررسی قرار گرفته است. تغییرات در توپولوژی این طرح های جدید مورد بحث قرار گرفته و نشان داده شده است که طرح های جبرگرایی را تحت تاثیر قرار می دهد در حالی که عدم قطعیت هندسی. علاوه بر این، پیش بینی ها و طرح های حاصل از روش پیشنهادی، در توافق عالی با نتایج شبیه سازی مونت کارلو قرار دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
بهینه سازی توپولوژی مبتنی بر استرس ساختارهای قاب تحت عدم قطعیت هندسی
چکیده انگلیسی
Probabilistic topology optimization has gained significant research attention recently. This interest stems from the realization that the achieved high-performance designs resulted from deterministic topology optimization algorithms may become suboptimal under real-world conditions that are often accompanied with uncertainties. Among sources of these uncertainties, the ones that define structural characteristics, such as geometry, are numerically challenging to treat as they lead to stochastic structural stiffness. To date, research on developing efficient probabilistic topology optimization under stochastic stiffness is mainly focused on displacement-based objectives. However, in the design of structures, stress is also a primary design criterion that needs to be directly controlled for. A robust stress-based topology optimization methodology for frame structures under geometric uncertainty is proposed in this work. Assuming that such uncertainties are small relative to frame member lengths, the proposed methodology uses stochastic perturbation method to propagate these uncertainties up to the response level, which is expressed by the maximum of expected values of von Mises stresses throughout the domain. Sensitivities of the response with respect to design variables are derived analytically, which allows using efficient gradient-based optimizers. The proposed algorithm is examined with stress-based design of three frame structures under geometric uncertainty. Changes in the topology of these new designs are discussed, and they are shown to outperform deterministic designs when subjected to geometric uncertainties. Moreover, predictions and the resulting designs from the proposed methodology are found to be in excellent agreement with Monte Carlo simulation results.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Methods in Applied Mechanics and Engineering - Volume 315, 1 March 2017, Pages 121-140
نویسندگان
, , ,