Practical Design Optimization of Real Life Truss Structures Constructed From Basic Modules Using the Genetic Algorithms
Notice bibliographique
Résumé
Truss structures are widely employed in the industrialized world. They appear as bridges, towers, roof supports, building exoskeletons or high technology light space structures. This paper investigates the simultaneous size, geometry and topology optimization of real life large truss structures using Genetic Algorithms (GAs) as optimizer and Finite Element Method as analyzer. In general the large truss structures are constructed from the duplication of some basic modules called bays. Thus, the final optimum design may be reached by optimizing the characteristics of the basic bays instead of optimizing the whole structure. Both single and multi-objective functions based on the mass of the structure and the maximum nodal displacement, have been considered as the cost functions. In order to have realistic optimal designs, the cross-sectional areas have been extracted from the standard profiles according to AISC codes and practical conditions are imposed to the bays. The design optimization problem is also constrained by the maximum stress, maximum slenderness ratio and the maximum and minimum cross-sectional area of the truss members. To accommodate all these constraints, two different penalty functions are proposed. The first penalty function considers the normalization of violated constraints with respect to the allowable stress or slenderness ratio. The second penalty function is a constant function, which is used to penalize the violations of the slenderness ratio. Two illustrative examples of realistic planar and space truss structures have been optimized to demonstrate the effectiveness of the proposed methodology.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».