بخشی از مقاله
بهینه سازی کنترل فعال سازه توسط شبکه عصبی
چکیده
در این اواخر سیستم های کنترل سازه متعددی ابداع شده که از جمله آنها می توان به میراگرهای فعال و نیز دستگاههای فعال آیرودینامیک و سیستمهای هیدرولیکی برای کاهش پاسخهای دینامیکی سازه ها و نیز فراهم نمودن تسهیلاتی برای مقابله با لرزه های سازه و بارهای ناشی از آن اشاره کرد . در این میان سیستمهای کنترل فعال و نیمه فعال ، مبتنی بر سازه با سختی متغیر بعنوان عملی ترین حالت بنظر می رسد . در طی این روند ، مسئله بسیار مهم ، یافتن سختی مناسبی است که بتواند موجب کمتر شدن پاسخ سازه در مقابل نیروهای وارده گردد . به زبان ساده تر می توان گفت که هدف ، بهینه سازی سختی سازه به هنگام وارد شدن نیروهای دینامیکی به منظور کاهش دادن هر چه بیشتر تغییر مکان ناشی از تاثیر نیروهای خارجی به سازه است . از جمله مباحث بسیار مهم در سیستم های کنترل فعال موضوع
“ تأخیر زمانی (Time Delay) “ یا تفاوت زمان بین لحظه دریافت اطلاعات توسط سنسورها و زمان اعمال نیروی کنترل بر سازه است که می تواند حتی سبب ناپایداری سیستم نیز گردد . بنابراین سعی بر این است که تاخیر زمانی ایجاد شده در سیستم را تا حد امکان کاهش دهیم تا سیستم کنترل فعال بتواند وظیفه خود را بخوبی انجام دهد و موثر واقع شود.
استفاده از روش شبکه های عصبی بعنوان وسیله ای برای کاهش تأخیر زمانی مدتی است که مورد توجه محققین قرار گرفته است. در این مبحث نیز سعی شده که با استفاده از شبکه های عصبی این تاخیر زمانی را برای برآورد سختی مطلوب از میان برداریم . بدین صورت که از این شبکه ها برای برآورد سختی مطلوب استفاده کرده ایم .
ها کلید واﮊه : کنترل فعال ، شبکه های عصبی
١- مقدمه
بهینه سازی سازه ها به دلیل طبیعت غیرخطی آن احتیاج به روشهای تکراری دارد . هر مرحله از تکرار روش بهینه سازی به دو گام تقسیم میگردد : در گام اول سازه تحلیل می گردد تا پاسخ آن نسبت به
نیروهای اعمال شده بدست آید . در گام دوم ، متغیرهای طرح بر اساس ضوابط بهینه سازی اصلاح می گردند . تعداد تکرارهای لازم برای همگرا شدن به سمت شرایط بهینه بستگی به تعداد درجات آزادی و یا تعداد متغیرهای سختی دارد . با افزایش تعداد متغیرهای طراحی ، زمان محاسبه بطور قابل ملاحظه ای افزایش می یابد و در بسیاری از الگوریتم های بهینه سازی افزایش تعداد متغیرهای طراحی منتهی به ناپایداری عددی می گردد . همچنین اگر در گام اول ، تحلیل سازه به دقت انجام نگیرد ، در آن صورت ممکن است در مرحله دوم جوابهای بهینه متغیرهای سختی ، نادرست باشند .
روشهای کلاسیک بهینه سازی سازه ها ، مستلزم اجرای عملیات قابل توجه توسط رایانه است که در آن صورت منتهی به صرف زمان زیاد در محاسبات می گردد . به علاوه اطلاعات ایجاد شده ناشی از پاسخ تحلیل بسیار زیاد بوده به طوری که تحلیل ، بررسی و ذخیره نمودن آن مشکل است . بنابراین ، بسط و توسعه روشهای محاسباتی سریع و ساده که با داشتن اطلاعات محدودی قادر به تهیه اطلاعات مورد نظر که در عین حال قابل اعتماد باشد ، مورد توجه است . محاسبات برای تعیین سختی به روشهای معمولی فرصت زیادی را می طلبد و موجب اتلاف وقت و از کار افتادن سیستم های کنترل فعال می شود . با توجه به توانایی های شبکه های عصبی مصنوعی ، کاربرد آنها در علوم و رشته های مختلف مهندسی گسترش قابل ملاحظه ای داشته است ] ١ . [ این سیستم در مهندسی عمران نیز کاربرد فراوانی یافته است که از جمله ، می توان به طراحی اولیه ، آنالیز سازه ، طرح مخلوط های بتنی و ایجاد شتاب نگاشت های مصنوعی اشاره نمود . از جمله مشخصه های اصلی سیستم های شبکه عصبی قابلیت فراگیری آنها است که دارای انعطاف پذیری بسیاری می باشد . در این مبحث سعی کردیم که با استفاده از شبکه ها تاخیر زمانی ایجاد شده در محاسبات را به حداقل برسانیم تا خللی در کارکرد سیستم های کنترل ایجاد نشود. هدف ، بررسی در توانایی شبکه های عصبی در بهینه سازی سازه ها از دو دیدگاه ، دقت در پاسخ آن و زمان بهینه سازی با مقایسه با روشهای کلاسیک بهینه سازی است .
٢- تاخیر زمانی ( ( Time Delay
چون یکی از مشخصه های اصلی کنترل فعال ، همزمان ( ( on line بودن آن است ، از جمله مباحث بسیار مهم در سیستم های کنترل فعال موضوع “ تأخیر زمانی “ یا تفاوت زمانی بین لحظه دریافت اطلاعات توسط سنسورها و زمان اعمال نیروی کنترل بر سازه است . یعنی همان طوری که نیرو به صورت لحظه به لحظه به سازه اعمال می شود ، سیستم کنترل نیز به صورت لحظه به لحظه وارد عمل می شود و اگر تاخیری در عملکرد سیستم کنترل بوجود بیاید ، کل کارایی سیستم از بین خواهد رفت و سیستم هیچ تاثیر مطلوبی بر روی پاسخ سازه نخواهد داشت ]٢ . [
در کنترل فعال سازه ها ، بدین روش ، تحلیل نمودن سازه به هنگام تغییرات سختی در سازه طی دفعات
متوالی ، امری اجتناب ناپذیر است . برآورد سختی مورد نیاز برای کاهش پاسخ سازه در مقابل نیروهای وارد به آن با استفاده از روشهای تحلیلی ، بسیار پیچیده و زمان گیر است . با وجود این ، امکان رسیدن به جواب با بکارگیری روشهای عددی رایانه ای میسر می گردد .
در این روشها با تغییر متغیرهای سختی در دوره های متوالی و محاسبه پاسخ سازه و با در نظر گرفتن قیود به جواب بهینه نزدیک می شویم . استفاده از روشهای متداول و تحلیل مستقیم سازه موجب افزایش چشمگیر زمان محاسبه می گردد . بنابراین سعی بر این است که تاخیر زمانی ایجاد شده در سیستم را تا حد امکان کاهش دهیم تا سیستم کنترل فعال بتواند وظیفه خود را بخوبی انجام دهد و موثر وا قع شود . افزایش تأخیر زمانی سبب کاهش کارایی سیستم های کنترل و حتی ناپایداری آنها خواهد شد .
برای کاهش این زمان می توان از شبکه های عصبی به عنوان یک تحلیل کننده سریع سازه و نیز یک برآورد کننده دقیق در روند کنترل فعال سازه بطور مطلوب استفاده کرد .
٣- شبکه های عصبی
شبکه های عصبی می توانند به طور گسترده ای در مباحث مختلف مهندسی عمران به کار گرفته شوند. البته کوشش های فعلی سعی بر معرفی شبکه های عصبی و توانایی های آنهاست . بدون شک با بسط و توسعه این علم می توان انتظار داشت که با پدید آمدن شبکه های عصبی قدرتمند ، انجام بسیاری از مسائل که با صرف زمان زیاد به نتیجه می رسد ، با بکارگیری این شبکه ها در زمانی اندک امکان پذیر گردد.
شبکه های عصبی مصنوعی دارای انواع مختلفی هستند . هم اکنون محققان در تلاش اند که شبکه های عصبی مناسبی را برای تحلیل هر سازه مورد نظر ، آموزش دهند و در مسائل بهینه سازی جانشین تحلیل واقعی سازه نمایند ]٣ . [ امروزه شبکه های عصبی در بسیاری موارد به عنوان یک تصمیم گیرنده سریع جانشین محاسبات کلاسیک شده اند .
