دانلود ترجمه مقاله بهینه سازی ساختاری فیزیکی-سایبری با استفاده از شبیه سازی ترکیبی بلادرنگ (ساینس دایرکت – الزویر 2019)

بهینه سازی ساختاری فیزیکی-سایبری با استفاده از شبیه سازی ترکیبی بلادرنگ

Cyber-physical structural optimization using real-time hybrid simulation

چکیده
1- مقدمه
2- بهینه سازی ترکیبی در زمان واقعی (RTHO)
3- مجموعه های آزمایشی
4- نتایج
5- نتیجه گیری و پیشنهادات
منابع

چکیده
به طور سنتی، بهینه سازی ساختاری، یک فرایند عددی است. طرح های نامزد از طریق شبیه سازی عددی ایجاد شده و ارزیابی می شوند (به عنوان مثال، تجزیه و تحلیل المان های محدود). با این وجود، هنگام برخورد با ساختارهای پیچیده ای که مدل سازی عددی آن ها سخت است، ممکن است خطاهای بزرگی بین مدل عددی و ساختار فیزیکی وجود داشته باشد. در این حالت، بهینه سازی کمتر معنی دار است زیرا نتایج بهینه به جای ساختار فیزیکی با مدل عددی مرتبط است. آزمایش هایی را می توان در الگوریتم بهینه سازی برای نمایش ساختارها یا اجزاء پیچیده انجام داد. با این وجود، محدودیت های زمانی و هزینه ای، زمانی که بهطور مکرر ساخت و ارزیابی سیستم های کامل ساختاری انجام می شود، یک مانع محسوب می شوند. شبیه سازی ترکیبی در زمان واقعی (RTHS) یک ابزار آزمایشگاهی اثربخش و کارآمد است که شبیه سازی عددی را با آزمایش های تجربی ترکیب کرده و از کل عملکرد ساختاری استفاده می کند. در این مقاله چارچوبی برای بهینه سازی ترکیبی در زمان واقعی (RTHS) پیشنهاد شده است. RTHS برای ارزیابی عملکرد طرح های نامزد در فرایند بهینه سازی استفاده می شود. این چارچوب با استفاده از RTHS ، یک روش تجربی مدرن که ریشه در مهندسی زلزله دارد، یک محیط بهینه سازی فیزیکی سایبر را ایجاد می کند. این مقاله چارچوب RTHO به همراه مطالعات اثبات مفهوم را تعیین می کند. در یک مطالعه مقدماتی، طراحی جداسازی پایه یک ساختمان دو طبقه برای حفاظت لرزه ای بهینه شده است. RTHO برای انتخاب بهینه پارامترهای قانون کنترل نیمه فعال چندگانه برای یک میراگر MR نصب شده در لایه ایزوله یک ساختمان پنج طبقه پایه جدا شده انجام شد. هر دو مورد از RTHS برای ارزیابی طرح های نامزد و بهینه سازی ازدحام ذرات(PSO) برای بهینه سازی استفاده کرده اند. RTHO برای ارزیابی زیر ساخت های آزمایشی غیرخطی، به ویژه آن هایی که آسیب دائمی ندارند، مانند دستگاه های کنترل ساختاری مناسب است. در صورت تمایل می توان آسیب ساختاری را از طریق مؤلفه عددی مدل نمود. این مقاله ادغام الگوریتم های بهینه سازی پیشرفته ترین حالت با روش های تجربی پیشرفته را پیشنهاد کرده و یک رویکرد سایبر-فیزیکی برای بهینه سازی ساختاری را نشان می دهد.

2-2 توسعه چارچوب RTHO
چارچوب RTHO با جایگزینی شبیه سازی عددی به عنوان مثال ، FEM) با (RTHS ایجاد می شود. اهداف محاسبه شده از پاسخ های ساختاری اندازه گیری شده برای هدایت حرکت ذرات در جستجوی راه حل استفاده می شود. RTHS برای هر راه حل طراحی نامزد (ذره) تحت هر مورد ارزیابی (برانگیختگی) به کار می رود. عملکرد طرح های نامزد مورد ارزیابی قرار می گیرد و از نتایج برای جمع آوری یک گروه بعدی از طرح ها برای ارزیابی استفاده می شود. این روند ادامه پیدا می کند تا زمانی که یک راه حل قابل قبول پیدا شود. چارچوب تکراری در شکل 1 نشان داده شده است.

چالش های اساسی RTHS در چارچوب RTHO نیز وجود دارند. هر آزمایش RTHS به حدی پایدار است که این آزمایش قابل انجام باشد. متغیرهای طراحی باید قبل از انجام RTHS به درستی محدود یا بررسی شوند تا از بی ثباتی جلوگیری شود.یکی دیگر از چالش های اصلی ایجاد یک پل فرم فیزیکی سایبر با بروزرسانی خودکار در موقعیت های ذرات (پارامترهای نمونه آزمایشی) است که با اجرای خودکار RTHS و تجزیه و تحلیل از طریق الگوریتم بهینه سازی دنبال می شود. تحقق RTHO نیاز به کنترل خودکار، تبادل داده و بروزرسانی دارد. برای دستیابی به تبادل و به روزرسانی داده در الگوریتم RTHS و الگوریتم بهینه سازی ، یک بستر در AutomationDesk تعبیه شده با ControlDesk ، MATLAB و Python ایجاد شده است. AutomationDesk یک ابزار اتوماسیون تست قدرتمند برای تست سخت افزار در حلقه (HIL) است. روال های آزمایشی می توانند در AutomationDesk بصورت گرافیکی ایجاد شوند با کتابخانه هایی که حاوی بسیاری از توابع توکار هستند. اتوماسیون تست با متغیرهای از پیش تعیین شده (یعنی یک ماتریس تست) با استفاده از AutomationDesk ساده است. هنگام استفاده از متغیرهایی که به صورت آنلاین تعیین می شوند (یعنی در هنگام بهینه سازی)، برنامه نویسی پیچیده تر می شود. شکل 2 دنباله آزمایش ایجاد شده برای RTHO را در AutomationDesk نشان می دهد. زیرساختار و برانگیختگی عددی در MATLAB با اولیه سازی متغیرها و موقعیت ذرات تعریف می شود. از اسناد پایتون به عنوان پلی برای تبادل داده بین MATLAB و AutomationDesk استفاده می شود. در هر تکرار ، موقعیت ذرات به دنبال معادله (2) به روز شده و پس از بررسی مرزهای متغیر، در RTHS استفاده می شود تا از ثبات RTHS اطمینان حاصل شود. RTHS با استفاده از سخت افزار dSPACE و نرم افزار ControlDesk که پارامترها، فرآیند آزمایش و اندازه گیری ها را کنترل می کنند، انجام می شود. دنباله انجام آزمایش RTHS از طریق ControlDesk همانطور که در شکل 2 (b) نشان داده شده است در AutomationDesk ایجاد می شود. بعد از هر آزمایش، اندازه گیری ها در MATLAB انجام می شود تا توابع هدف را ارزیابی کند. هنگامی که یک راه حل بهتر برای هر ذره یافت می شود ، بهترین موقعیت های محلی به روز می شوند. اگر بهترین موقعیت محلی راه حل بهتری نسبت به تکرارهای قبلی باشد ، بهترین موقعیت کلی به روز می شود. RTHS در ادامه تکرارها با سرعت و موقعیت های به روز شده ذرات تا رسیدن به حداکثر تکرار یا شروع معیارهای توقف ادامه می یابد. علاوه بر این، الگوریتم مکث و ادامه به گونه ای اضافه شده است که بهینه-سازی در صورت لزوم با اطمینان می تواند قطع شود.

2-3 حرکات زمینی زمین لرزه
این چارچوب با استفاده از گروهی از حرکات زمینی که قبلاً توسط سامرویل [28] برای استفاده در پروژه FEMA در قاب های با مقاومت لحظه ای فولادی ساخته شده، مورد تجزیه و تحلیل قرار گرفت. این گروه شامل 20 مورد ثبت شده شتاب زمین افقی تنظیم شده است به طوری که میانگین طیف پاسخ آنها با طیف طراحی NEHRP 1997 مطابقت دارد. در این مطالعه، گروه زمین لرزه های مربوط به مرکز شهر لس آنجلس برای سطوح خطر لرزه ای مربوط به 10 درصد احتمال فراتر رفتن در یک دوره 50 ساله انتخاب شد. این 20 رکورد زلزله ، علامت گذاری شده با عناوین LA01-LA20 ، از جهت گسل-موازی (FP) و گسل نرمال (FN) از ده زلزله ثبت شده مشتق شده است.