Otimização de estruturas de materiais compósitos laminados, baseada em confiabilidade, utilizando algoritmos genéticos e redes neurais artificiais

• Main Author: Lopes, Paulo André Menezes
• Other Authors: Awruch, Armando Miguel
• Format: Others
• Language: Portuguese
• Published: 2010
• Subjects: Estruturas (Engenharia); Redes neurais artificiais; Algoritmos geneticos; Materiais compositos; Composite materials; Reliability; Genetic algorithms; Finite elements; Artificial neural networks
• Online Access: http://hdl.handle.net/10183/18416

A resistência e a rigidez de materiais compósitos variam consideravelmente devido a mudanças no tipo de material, espessura das camadas, ângulo de orientação das fibras e seqüência das lâminas. O projeto de uma estrutura ótima pode ser obtido dada uma determinada condição de carga. Vários métodos de otimização determinísticos foram desenvolvidos para tratar esse problema. Algumas vezes a orientação ótima das fibras muda quando as condições de carga variam e o desempenho da estrutura é altamente afetado pelas variáveis de projeto e condições de carregamento. Dessa forma, a otimização deste tipo de estrutura utilizando a confiabilidade como restrição é um importante problema a ser tratado. Este trabalho trata do problema da otimização de estruturas de materiais compósitos laminados com restrição de confiabilidade utilizando algoritmos genéticos e redes neurais. A análise da estrutura é feita via elementos finitos e as tensões na direção dos eixos principais de cada lâmina são utilizadas para o cálculo do índice de confiabilidade da estrutura, sendo a função de estado limite o critério de Tsai-Wu para falha de materiais compósitos laminados. A análise de confiabilidade é feita através de um dos seguintes métodos: FORM com um ponto de linearização, FORM para sistemas em série, Monte Carlo Direto e Monte Carlo com Amostragem por Importância. O processo de otimização via Algoritmos Genéticos (com suas fases de geração, seleção e cruzamento dos indivíduos da população), é usado em conjunto com os métodos de determinação do índice de confiabilidade e análises por elementos finitos. Isto gera um alto custo computacional, o qual é contornado utilizando-se Redes Neurais do tipo Perceptron e Base Radial, treinadas para substituir a análise via elementos finitos, diminuindo consideravelmente o tempo de processamento. É mostrado por meio de diversos exemplos que esta metodologia pode ser usada sem perda de precisão e com economia de tempo de processamento até mesmo em exemplos fortemente não lineares. === Strength and stiffness of composite materials vary considerable due to changes in the material to be used, the thickness of each layer, the fiber orientation angles and the stacking sequence. The optimum structural design may be obtained for a specific load condition. Several optimization criteria were been developed to treat that problem. Sometimes the optimal fiber orientation angles are highly dependent on the load conditions and the structural performance is also influenced by the design variables and acting loads. Thus, structural optimization using a reliability index as a constraint is an important problem to be analyzed. This work deals with the problem of reliability based optimization of laminated composite structures, using genetic algorithms and neural networks. The analysis of the structure is carried out by finite elements and the stress in the direction of the principal axes of each lamina are used to the calculation of the reliability index of the structure, where the limit state function is the Tsai-Wu criterion assuming first ply failure. The reliability analyses are accomplished through one of the following methods: FORM with one linearization point, FORM for in-series systems, Direct Monte Carlo and Monte Carlo with Importance Sampling. The optimization process through Genetic Algorithms (with its phases of generation, selection and crossover of the individuals of the population), is used jointly with the reliability evaluation methods and analysis by finite elements. This leads to high computational costs, which are overcome using trained Neural Networks of the type Perceptron and Radial Base to substitute the analysis with finite elements, reducing considerably the processing time. Several examples are used to show that this methodology can be used without loss of accuracy and with large computational timesaving even for strongly non-linear problems.