بهینه‌سازی طراحی بر مبنای قابلیت اطمینان (RBDO) برای بهینه‌سازی سیستم‌های مهندسی در حضور عدم‌قطعیت‌ها در متغیرهای طراحی، پارامترهای سیستم یا هر دو آنها مورد استفاده قرار گرفته است. RBDO دارای یک بخش تحلیل قابلیت‌اطمینان است که نیاز به مقدار زیادی تلاش محاسباتی، به خصوص در رویارویی با مسائل کاربردی دنیای واقعی دارد. برای تعدیل این موضوع، یک روش جدید و کارآمد به کمک مدل‌های جایگزین در این مقاله ارائه شده است. هوش محاسباتی و روش‌های مبتنی بر تجزیه RBDO با یکدیگر ترکیب شده‌اند تا یک روش سریع برای RBDO توسعه یابد. این روش جدید مبتنی بر شبکه‌های عصبی مصنوعی به عنوان مدل جایگزین و روش بهینه-سازی ترتیبی و ارزیابی قابلیت اطمینان (SORA) به عنوان روش RBDO است. در SORA، مسئله به یک حلقه بهینه‌سازی معین ترتیبی و یک حلقه ارزیابی قابلیت اطمینان تجزیه می‌شود. به منظور بهبود کارایی محاسباتی و گسترش محدوده کاربرد روش SORA، یک نسخه تکامل یافته از آن در این مقاله پیشنهاد شده است. در روش توسعه یافته، از یک معیار برای شناسایی قیود احتمالاتی غیرفعال و جدا کردن قیود برآورده شده از حلقه ارزیابی قابلیت‌اطمینان استفاده شده است تا هزینه‌های محاسباتی مربوطه را کاهش یابد. بعلاوه، تغییرات بردارهای جابجایی به دست آمده برای قیود برآورده شده کنترل شده است تا در تکرار بعدی حلقه قابلیت اطمینان مقدار آنها دقیقا صفر باشد. به منظور نشان دادن کارایی و دقت روش ارائه شده، چند مثال ریاضی با سطوح پیچیدگی متفاوت و یک مثال کاربردی مهندسی حل شده و نتایج مورد بحث و بررسی قرار گرفته است.

واژه‌های کلیدی: بهینه‌سازی، طراحی بر مبنای قابلیت اطمینان، هوش محاسباتی، مدل جایگزین، شبکه عصبی

متن کامل [PDF 2067 kb]   (7972 دریافت)