Structural Analysis of GFRP Elastic Gridshell Structures by Particle Swarm Optimization and Least Square Support Vector Machine Algorithms
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 182
فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JCEMA-5-3_004
تاریخ نمایه سازی: 5 دی 1400
چکیده مقاله:
The gridshell structure is a kind of freeform structure, which is formed by the deformation of a flat grid and the final shape is a double curvature structure. The structural performance of the gridshell is usually obtained by finite element analysis (FEA), which is a time-consuming procedure. This paper aims to present a framework for structural analysis based on the machine learning (ML) model in order to reduce computational time. To this aim, design parameters including the length, width, height, and grid size of the structure are taken into consideration as inputs. The outputs are the member-stresses and the ratio of displacement to self-weight. Therefore, a combination of two algorithms, least-square support vector machine (LSSVM) and particle swarm optimization (PSO), is considered. PSO-LSSVM hybrid model is applied to predict the results of the structural analysis rather than the FEA. The results show that the proposed hybrid approach is an efficient method for obtaining structural performance.
کلیدواژه ها:
نویسندگان
Soheila Kookalani
Department of Civil Engineering, Shanghai Jiao Tong University, Shanghai ۲۰۰۲۴۰, China.
Bin Cheng
State Key Laboratory of Ocean Engineering, Shanghai Key Laboratory for Digital Maintenance of Buildings and Infrastructure, Department of Civil Engineering, Shanghai Jiao Tong University, Shanghai ۲۰۰۲۴۰, China.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :