Finite-element-model Updating Using Computional Intelligence Techniques: Applications to Structural Dynamics

مدل های المان محدود (FEM) به طور گسترده ای برای درک رفتار دینامیکی سیستم های مختلف استفاده می شود. به روز رسانی FEM به FEM ها اجازه می دهد تا بهتر تنظیم شوند تا داده های اندازه گیری شده را منعکس کنند و ممکن است با استفاده از دو چارچوب آماری مختلف انجام شود: رویکرد حداکثر احتمال و رویکرد بیزی. به‌روزرسانی مدل اجزای محدود با استفاده از تکنیک‌های هوش محاسباتی، هر دو استراتژی را در زمینه مکانیک سازه، منطقه‌ای که برای مهندسی هوافضا، عمران و مکانیک حیاتی است، اعمال می‌کند. داده های ارتعاشی برای فرآیند به روز رسانی استفاده می شود. پس از مقدمه تعدادی از تکنیک های هوش محاسباتی برای تسهیل فرآیند به روز رسانی پیشنهاد شده است. آنها عبارتند از:

• شبکه های عصبی پرسپترون چند لایه برای به روز رسانی FEM در زمان واقعی.

• روش‌های بهینه‌سازی مبتنی بر الگوریتم ژنتیک و ازدحام ذرات برای برآوردن نیازهای مدل‌های بهینه‌سازی جهانی در مقابل محلی.

• بازپخت شبیه سازی شده برای قرار دادن روش ها در یک مبنای آماری صحیح. و

• روش‌های سطح پاسخ و الگوریتم‌های به حداکثر رساندن انتظارات برای نشان دادن اینکه چگونه به‌روزرسانی FEM می‌تواند به شیوه‌ای مقرون‌به‌صرفه انجام شود. و برای کمک به مدیریت پیچیدگی محاسباتی.

بر اساس این روش‌ها، مناسب‌ترین FEM به‌روز شده با استفاده از رویکرد بیزی انتخاب می‌شود، مشکلی که به‌روزرسانی سنتی FEM به آن توجه نکرده است. به نظر می رسد که این امر قضاوت مهندسی را به طور سیستماتیک از طریق فرمول بندی توزیع های قبلی در عناصر محدود ترکیب می کند. در سراسر متن، مطالعات موردی، به طور خاص برای نشان دادن اصول خاص طراحی شده است. اینها برای آزمایش دوام رویکردهای جدید در به روز رسانی FEM خدمت می کنند. به‌روزرسانی مدل اجزای محدود با استفاده از تکنیک‌های هوش محاسباتی، وضعیت هنر در به‌روزرسانی FEM را به‌طور انتقادی تجزیه و تحلیل می‌کند و بر اساس این یافته‌ها، جهت‌های تحقیقاتی جدید را شناسایی می‌کند و آن را برای محققان در دینامیک سازه‌ها و مهندسان مجرب با استفاده از FEM مورد توجه قرار می‌دهد. دانشجویان فارغ التحصیل رشته های مکانیک، هوافضا و مهندسی عمران نیز متن را آموزنده می یابند.

Finite element models (FEMs) are widely used to understand the dynamic behaviour of various systems. FEM updating allows FEMs to be tuned better to reflect measured data and may be conducted using two different statistical frameworks: the maximum likelihood approach and Bayesian approaches. Finite Element Model Updating Using Computational Intelligence Techniques applies both strategies to the field of structural mechanics, an area vital for aerospace, civil and mechanical engineering. Vibration data is used for the updating process. Following an introduction a number of computational intelligence techniques to facilitate the updating process are proposed; they include:

• multi-layer perceptron neural networks for real-time FEM updating;

• particle swarm and genetic-algorithm-based optimization methods to accommodate the demands of global versus local optimization models;

• simulated annealing to put the methodologies into a sound statistical basis; and

• response surface methods and expectation maximization algorithms to demonstrate how FEM updating can be performed in a cost-effective manner; and to help manage computational complexity.

Based on these methods, the most appropriate updated FEM is selected using the Bayesian approach, a problem that traditional FEM updating has not addressed. This is found to incorporate engineering judgment into finite elements systematically through the formulations of prior distributions. Throughout the text, case studies, specifically designed to demonstrate the special principles are included. These serve to test the viability of the new approaches in FEM updating. Finite Element Model Updating Using Computational Intelligence Techniques analyses the state of the art in FEM updating critically and based on these findings, identifies new research directions, making it of interest to researchers in strucural dynamics and practising engineers using FEMs. Graduate students of mechanical, aerospace and civil engineering will also find the text instructive.