Professional Documents
Culture Documents
Lisuri
Lisuri
Konetekniikan osasto
JUSSI JALKANEN
Lisensiaatintutkimus
The topic of this research is the discrete sizing optimization of space frames
that are made of standard commercial cold-formed RHS sections. The mass of
the frame is minimized subject to the displacement, stress, stability and
frequency constraints. The topology and the shape of the frame are fixed.
The space frame mass minimization problem is solved using three heuristic
optimization methods which are simulated annealing, tabu search and genetic
algorithm. In order to find the most efficient algorithm three test problems are
solved. However, according to results it is not possible to name only one
algorithm that would be the best in all the space frame mass minimization
problems.
Alkusanat
Tampereella 17.8.2004
Jussi Jalkanen
Nikinväylä 9 E 24
33580 Tampere
040-5026899
SISÄLLYSLUETTELO
TIIVISTELMÄ…………………………………………………………………..
ABSTRACT……………………………………………………………………..
ALKUSANAT…………………………………………………………………...
SISÄLLYSLUETTELO…………………………………………………………
LYHENTEET JA MERKINNÄT……………………………………………….
1 JOHDANTO ............................................................................................... 1
1.1 Diskreetti optimointiongelma ................................................................. 1
1.2 Diskreetti avaruuskehän massan minimointiongelma ............................ 5
1.3 Tutkimuksen tavoitteet ja sisältö ............................................................ 6
2 ONGELMAN FORMULOINTI................................................................. 8
2.1 Suunnittelumuuttujien valinta................................................................. 9
2.2 Kohdefunktio ........................................................................................ 11
2.3 Rajoitusehdot ........................................................................................ 11
2.4 Optimointiongelma standardimuodossa ............................................... 13
2.5 Laskennallinen vaativuus ..................................................................... 20
4 ESIMERKKITEHTÄVÄT ....................................................................... 41
4.1 Kolmen palkin kehä.............................................................................. 43
4.2 Kahdeksan palkin kehä ......................................................................... 47
4.3 Kahdenkymmenen kuuden palkin kehä................................................ 51
α lämpötilakerroin
γ puristuspuolen suhteellisuusrajan ja myötörajan suhde
λ kuormituskerroin
λ kr alin (kriittinen) kuormituskerroin
λn redusoitu hoikkuusluku
λ nr rajahoikkuusluku
ν Poissonin luku
Ω käypä joukko
ωi ominaiskulmataajuus i
ρ tiheys
σmax vertailujännityksen suurin sallittu arvo
σ-p puristuspuolen suhteellisuusraja
σ red VVEH:n mukainen vertailujännitys
σx normaalijännitys
τ , τ1 , τ2 leikkausjännitys
τ Q ,τ Q
y z
leikkausvoimien Qy ja Qz aiheuttamat leikkausjännitykset
τv vääntömomentin aiheuttama leikkausjännitys
A LP-ongelman rajoitusehtojen kerroinmatriisi
A poikkipinta-ala
~
A seinämän keskiviivan sisään jäävä pinta-ala
b LP-ongelman rajoitusehtojen oikean puolen pystyvektori
b poikkileikkauksen leveys
C arvoltaan suuri positiivinen vakio
c LP-ongelman kohdefunktion kerroinvektori
d kohdefunktion arvojen erotus
E kimmomoduuli
~
E (x) evaluointifunktio
e Neperin luku
F voima
F (x) kelpoisuusfunktio
f(x), f kohdefunktio
fi ominaistaajuus i
f jmax ominaistaajuuden j yläraja
f ominaistaajuusrajoitusehdon skaalauskerroin
g i (x) epäyhtälörajoitusehtofunktio i
g iσ (x) jännitysrajoitusehtofunktio i
g f ( x) ominaistaajuusrajoitusehtofunktio
g iu (x) siirtymärajoitusehtofunktio i
h j (x) yhtälörajoitusehtofunktio j
h poikkileikkauksen korkeus
I1, I2 pääneliömomentit
Iy, Iz neliömomentit y- ja z-akselien suhteen
Iv vääntöneliömomentti
i, j indeksejä
K rakenteen jäykkyysmatriisi
Kg rakenteen geometrinen jäykkyysmatriisi
K ratkaisuiden lukumäärä samassa lämpötilassa
k elementin jäykkyysmatriisi
kg elementin geometrinen jäykkyysmatriisi
k palkin koon muutos lähistöä määriteltäessä
L pituus
Ln nurjahduspituus
M globaali massamatriisi
M siirtojen joukko
My, Mz taivutusmomentit y- ja z-akselien ympäri
Mv vääntömomentti
m elementin konsistentti massamatriisi
m profiilien lukumäärä
m ratkaisuun x tehtävä siirto
N normaalivoima
Nbg globaalin nurjahduksen varmuusluku
Nbl lokaalin nurjahduksen varmuusluku
~
N optimointiongelman instanssin koko
N (x) ratkaisun x lähistö
n kehän palkkien lukumäärä
nc rajoitusehtojen lukumäärä
nd diskreettien suunnittelumuuttujien lukumäärä
ndf vapausasteiden lukumäärä
ne yhtälörajoitusehtojen lukumäärä
nu siirtymärajoitusehtojen lukumäärä
nv suunnittelumuuttujien lukumäärä
n suunnitteluavaruuden alkioiden lukumäärä
nf kiellettyjen taajuusvälien lukumäärä
P todennäköisyys
Pn nurjahdusvoima
p, pi todennäköisyys
pc risteytystodennäköisyys
pm mutaatiotodennäköisyys
Qy, Qz leikkausvoimat y- ja z-akselien suunnassa
qi suunnittelumuuttujan i diskreettien arvojen lukumäärä
Re vetopuolen myötöraja
u max
j vapausasteen j siirtymän yläraja
u min
j vapausasteen j siirtymän alaraja
[~x ~y ~z ] T x, ~
pystyvektori, jonka alkioina ~ y ja ~
z
[ a, b ] suljettu väli a:sta b:hen
p∨ q p tai q
P ⊆ NP P on joukon NP osajoukko
Ω⊂X Ω on joukon X aito osajoukko
A∩B joukkojen A ja B leikkaus
x* ∈ Ω x* on joukon Ω alkio
∀ i = 1, 2,K kaikilla arvoilla i = 1, 2,K
x⊕m ratkaisuun x tehtävä siirto m
1
1 JOHDANTO
a) b)
c) F
min f (x)
h j ( x) = 0 j = 1, 2, K , ne
g j ( x) ≤ 0 j = ne + 1, K , nc . (1)
{
xi ∈ xi1 , xi2 , K , xiqi } i = 1, 2, K , nd
x min
i ≤ xi ≤ x max
i i = nd + 1, K , n v
[
x = x1 x 2 K x nd | x nd +1 x nd + 2 K x nv ] T
, (2)
2 ONGELMAN FORMULOINTI
a) b)
z n=8
20F
F
y
1 2 m-2 m-1 m
x
muodostaminen (kuva 3). Kunkin profiilin pinta-alan arvolla tulee saada tar-
kasti saman profiilin muiden poikkipintasuureiden arvot. Mikäli funktiot
I y = I y ( A) , I z = I z ( A) jne. eivät ole monotonisia, jatkuvia ja riittävän sileitä,
Edellä kuvatuista ongelmista päästään eroon, kun valitaan kunkin palkin suun-
nittelumuuttujiksi suoraan kaikki tarvittavat poikkipintasuureet. Avaruuske-
hällä näitä ovat, rakenteen analysointitavasta riippuen, esimerkiksi poikkipinta-
ala A, neliömomentit I y ja I z , taivutusvastukset W y ja W z sekä vääntövastus
a) b)
c)
2.2 Kohdefunktio
2.3 Rajoitusehdot
y
2 8
5 L, A, I y , Iz, I v 11
1 7
6
3 4 12 10 x
9
z
min W (x )
g iu (x ) ≤ 0 i = 1, K , n u
g iσ (x ) ≤ 0 i = 1, K , n
g ibl (x ) ≤ 0 i = 1, K , n , (3)
g bg (x ) ≤ 0
g f (x ) ≤ 0
x ∈ { x1 , x 2 , K , x n }
u min
j ≤ u j (x ) ≤ u max
j . (4)
14
u min − u j (x ) u j (x ) − u max
≤ 0 ≤0 .
j j
ja (5)
u u
missä σ x (x, ~
x ) on normaalivoimasta ja taivutusmomenteista johtuva normaali-
jännitys ja τ (x, ~
x ) on leikkausvoimista ja vääntömomentista johtuva leik-
kausjännitys. Kunkin palkin alkupäähän kohdistuvat kuormitukset saadaan ele-
menttimenetelmällä ja näistä voidaan edelleen statiikan avulla laskea palkin ha-
lutun poikkileikkauksen rasitukset. Normaalijännityksen laskenta tapahtuu tek-
nistä taivutusteoriaa käyttäen kaavalla
M y (x, ~
x)~ M z (x, ~x) ~ N (x, ~
x)
σ x (x, ~x ) = z + y + . (7)
I y (x) I z ( x) A(x)
15
Leikkausjännitystä τ (x, ~
x ) laskettaessa oletetaan, että aina poikkileikkauksen
ulkoreunan suuntainen leikkausjännityskenttä on vakio seinämän paksuussuun-
nassa. Vääntömomentin aiheuttama poikkileikkauksessa kaikkialla vakiosuu-
ruinen leikkausjännitys lasketaan Bredtin kaavalla
M v (x, ~x)
τ v (x, ~x ) = ~ , (8)
2 A ( x) t ( x)
~
missä A(x) on seinämän keskiviivan sisään jäävä pinta-ala. Kun tähän lisätään
leikkausvoimien Q y (x, ~
x ) ja Q z (x, ~
x ) aiheuttamat leikkausjännitysjakaumat
σ ired (x )
−1 ≤ 0 . (11)
σ max
rajahoikkuusluku λ nri eli nurjahdus on kimmoinen. Jos taas λ n i (x) ≤ λ nri eli
π 2 Ei Ai (x)
, λ n i (x) ≥ λ nri
λ n i ( x)
2
Pn i (x) = , (12)
R A (x) 1 − 1 − γ λ (x) 2 , λ n i (x) < λ nri
−ei i λ2nri i
n
σ −p
γ = . (13)
R− e
Vaikka rakenneteräksillä oletetaan usein, että σ-p ja R-e ovat samat, on rulla-
muovattujen profiilien tapauksessa suurista jäännösjännityksistä johtuen kui-
17
Ei 2 Ei
λ nr = π =π . (14)
i
σ −p i
R− e i
Eulerin hyperbeli
R-eA
Pn i (x )
− N i (x ) ≤ (15)
N bl
eli standardimuodossa
N bl N i (x )
− −1 ≤ 0 . (16)
Pn i (x )
18
Ln i
λ n ( x) =
i
, (17)
I 2i ( x)
Ai (x)
tai koko kehä ei pääse yhtäaikaisesti nurjahtamaan. Tätä varten lasketaan line-
aarisen stabiilisuusteorian mukaisen kahden matriisin ominaisarvotehtävän alin
positiivinen ominaisarvo λkr yhtälöstä
K u = −λ K g u , (18)
λ kr (x ) ≥ N bg (19)
eli standardimuodossa
λ kr (x )
1− ≤0 , (20)
N bg
[ ]
ominaistaajuuksia fi(x) joutumasta kielletyille väleille f jmin , f jmax , joita on nf
ratkaistua ominaisarvotehtävästä
19
Ku = ω2 Mu, (21)
ω i ( x)
f i ( x) = . (22)
2π
f1 f2 f3 f4 f5 f6 f7 taajuus
eli
f i (x ) f (x )
min
− 1 < 0 ∨ 1 − i max < 0 ∀ i = 1, 2,K, ndf . (24)
fj fj
positiivisen arvon ja toinen negatiivisen. Jos taas taajuus osuu välille, ovat
molemmat arvoltaan positiivisia. Tilanne, missä molemmat rajoitusehtofunktiot
olisivat negatiivisia, ei luonnollisestikaan ole mahdollinen. Rajoitukset (24)
voidaan siten yhdistää yhdeksi rajoitusehdoksi, jossa vaaditaan kullekin
j = 1, 2, K , nf
f (x )
1 − f i (x ) ≤ 0
f ⋅ i min − 1 ∀ i = 1, 2, K , ndf . (25)
f f j
max
j
20
f (x )
1 − f i (x )
max max f ⋅ i min − 1 ≤ 0 . (26)
f j f j
j =1, 2 , K, nf i =1, 2 , K, ndf max
NP
P
NP-vaikeat NP-täydelliset
3 HEURISTISET OPTIMOINTIMENETELMÄT
Edut: Puutteet:
- Yksinkertaisia. - Tarvitaan paljon analyyseja.
- Joustavia. - Lopputuloksen laatu jää avoi-
meksi.
- Sopivat vaikeille ongelmille.
- Paljon eri versioita ja paramet-
- Ei tarvita herkkyysanalyysia.
reja.
- Ei ajauduta lähimpään lokaaliin
- Herkkyysinformaatio puuttuu.
optimiin.
- Rajoitusehtojen huomioiminen.
- Rinnakkaistettavissa.
- Stokastisilla algoritmeilla tarvi-
- Parantavat nopeasti alkuarvausta.
taan useampia optimointiker-
toja.
- Vaikeudeltaan erilaiset tehtävät
yhtä työläitä.
daan valita suoraan ongelman kohdefunktio tai jokin muu esimerkiksi myös
rajoitusehdot huomioiva funktio. Lähistöön N (x k ) kuuluvat kaikki ne ratkaisut,
jotka ovat jossakin mielessä lähellä pistettä xk.
syvänne
f ( x)
x* x' x
3.3.1 Lähistö
N (x ) = { y ∈ X y = x ⊕ m , m ∈ M }, (28)
• Kooltaan sopiva.
• Yksinkertainen muodostaa.
mäksi. Lähistön koko pysyy vielä kohtuullisena, jos kerrallaan muutetaan ku-
takin palkkia k askelta suuremmaksi ja pienemmäksi muiden pysyessä kooltaan
samoina. Jos palkkien määrä kehässä on n, tulee lähistön kooksi tällöin 2kn.
Tällaista lähistöä käytettäessä voi kehässä muuttua kullakin iteraatiokierrok-
sella ainoastaan yksi palkki kerrallaan. Iteraatiokierroksia tarvitaan siten melko
paljon.
d
−
P (T , d ) = e T
, (29)
pikin piste kuuluu toisen lähistöön. Sen jälkeen ratkaistaan alkulämpötila Talku
yhtälöstä (29) sijoittamalla todennäköisyydeksi P lähellä yhtä oleva arvo (esi-
merkiksi 0,99) ja kohdefunktioiden arvojen erotukseksi d.
a) b)
Kohdefunktion arvo T
f Paras tiedetty arvo
Talku
Tloppu
Iteraatiot Iteraatiot
3.3.3 Tabuhaku
f
Kohdefunktion arvo
Paras tiedetty arvo
Iteraatiot
x1 ∈ { 0, 1, 2, 3, 4, 5, 6, 7 } 0 000
1 001
x2 ∈ { 0, 1, 2, 3, 4, 5, 6, 7 } 2 010
3 011
4 100
5 101
6 110
7 111
F ( x ) = C − f ( x) , (30)
38
Fi
pi = . (31)
∑ Fj
j
p7
p1
p6
p2
p5 p3
p4
risteytys on ns. yhden pisteen risteytys (one point crossover), missä katkaistaan
molemmat vanhemmiksi valitut yksilöt satunnaisesta kohtaa ja vaihdetaan esi-
merkiksi niiden loppuosat keskenään (kuva 16). Vastaavasti kahden pisteen ris-
teytyksessä katkaisukohtia on kaksi ja vaikkapa näiden kohtien väliset osat
vaihdetaan. Tavallisesti populaation koko pidetään sukupolvesta toiseen va-
kiona.
Vanhemmat: Jälkeläiset:
1 1 1 1 1 1 1 1 1 11 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1
4 ESIMERKKITEHTÄVÄT
dään alas päin. Myös tabuhaussa epäkäypä piste hylätään välittömästi. Las-
kentakierroksia on kaikkiaan 60.
z L
2
F = 10 kN
1
3 2 L L =2 m
L 1 F
F
y
x
h
t z
r
min W (x)
σ ired (x)
−1 ≤ 0 i = 1, 2, 3 (32)
σ max
x1
x = x 2 ∈ {x1 , x 2 , K , x n }
x3
240
SA (keskiarvo 5 ajon perusteella)
TS
220 GA (keskiarvo 5 ajon perusteella)
optimi W * = 113,65 kg
kg
200
massa
[kg] 180
160
140
120
100
0 1000 2000 3000 4000 5000 6000 7000
FEM-analyysit
a) b)
240 160
155
220
150
200 145
140
180
massa massa
135
[kg] 160
[kg]
130
140 125
120
120
115
100 110
0 1000 2000 3000 4000 5000 6000 7000 300 400 500 600 700 800
FEM-analyysit FEM-analyysit
min W (x )
u (x ) − u sall
≤0
u
σ i (x )
red
−1 ≤ 0 i = 1, 2, K , 8 . (33)
σ max
N i (x )
− −1 ≤ 0 i = 1, 2, K , 8
Pn i (x )
x1
x = M ∈ { x1 , x 2 , K , x n }
x8
voi enimmillään tosin olla vain 10 askelta suuremmaksi tai pienemmäksi. Lä-
histön koko on siten 192 (84 kpl profiileita) tai 160 (11 kpl profiileita).
1200
SA (keskiarvo 5 ajon perusteella)
1150 TS
GA (keskiarvo 5 ajon perusteella)
1100
1050
1000
massa 950
[kg]
900
850
800
750
700
650
0 1000 2000 3000 4000 5000 6000 7000
FEM-analyysit
1200
SA (keskiarvo 5 ajon perusteella)
1150 TS
GA (keskiarvo 5 ajon perusteella)
1100
1050
1000
massa 950
[kg]
900
850
800
750
700
650
0 1000 2000 3000 4000 5000 6000 7000
FEM-analyysit
z 3
2 L
23 26
24 25 F
17 22 21
19
18 20 F
L 13 16
15
14
L=4 m
9 12 10 11
F=20000 N
L 5
8
6 7
1 4 2 3 y
L
x L
L
Kuva 24. Kehä kuormituksineen kolmannessa testiongelmassa.
min W (x )
σ ired (x )
−1 ≤ 0 i = 1, 2, K , 26
σ max
N bl N i (x )
− −1 ≤ 0 i = 1, 2, K , 26
Pn i (x )
λ kr (x ) (34)
1− ≤0
N bg
f (x )
1 − f i (x )
max f ⋅ i min − 1 ≤ 0
i =1, 2 , K, 72
f
f max
x1
x = M ∈ {x1 , x 2 , K , x n }
x 26
53
f max
= 42 Hz. Jännitysrajoitukset hoidellaan kuten edellisissäkin esimerkeissä.
3200
SA (keskiarvo 5 ajon perusteella)
3000 TS
GA (keskiarvo 5 ajon perusteella)
2800
2600
massa 2400
[kg]
2200
2000
1800
1600
1400
0 2000 4000 6000 8000 10000
FEM-analyysit
5 OPTIMOINTIMENETELMIEN VERTAILU
6 YHTEENVETO
7 LÄHDELUETTELO
[11] Botello S., Marroquin J. L., Onate E., van Horebeek J. 1999. Solving
structural optimization problems with genetic algorithms and
simulated annealing. Intenational Journal for Numerical Methods in
Engineering 40, 165-188.
[14] Farkas J. & Jarmai K. 1997. Analysis and Optimum Design of Metal
Structures. A.A. Balkama.
[31] Pezeshk S., Camp C. V. 2002. State of art on the use of genetic
algorithms in design of steel structures. In: Burns S. A. (ed.) Recent
Advances in Optimal Structural Design. ASCE.
2 8
5 1 L, A, I y, Iz, I v 11
7
6
3 4 12 10 x
9
z
Liite 3. Esimerkki testiongelmissa käytetyn optimointiohjelman lähtötie-
dostosta.
Name:
8 palkin avaruuskehä
Action:
optimization
Sections:
rectangular RHS (h, b, t, r)
1. 0.4000 0.2000 0.0060 0.0120
2. 0.2600 0.1800 0.0100 0.0250
3. 0.0500 0.0300 0.0020 0.0040
4. 0.0500 0.0300 0.0020 0.0040
5. 0.0500 0.0300 0.0020 0.0040
6. 0.0500 0.0300 0.0020 0.0040
7. 0.0500 0.0300 0.0020 0.0040
8. 0.0500 0.0300 0.0020 0.0040
Reduced stresses:
1. 163190145.1602
2. 178455930.6868
3. 10730655.4291
4. 10425610.8557
5. 13852172.0658
6. 92294222.7276
7. 14447969.8914
8. 17925320.7941
Local buckling:
1. Inf
2. 4.3545
3. 694.7741
4. Inf
5. 1182.7575
6. 1.0029
7. Inf
8. 59903.0588
Global buckling:
1.0102
Natural frequencies:
1. 1.3603
2. 4.3348
3. 5.1946
4. 5.9194
5. 6.4342
6. 7.3964
7. 7.8637
8. 8.5595
9. 9.6537
10. 13.6713
11. 44.2783
12. 44.8547
13. 51.5195
14. 58.2775
15. 76.0552
16. 87.5611
17. 131.1587
18. 145.3610
19. 152.6403
20. 185.4940
21. 191.6591
22. 228.6539
23. 231.1755
24. 250.0396
Algorithm:
Genetic Algorithm
Iterations:
120
FEM-analysis:
669
Simuloitu jäähdytys:
Object function in optimum point:
648.5545
Tabuhaku:
Object function in optimum point:
770.4793
Simuloitu jäähdytys:
Object function in optimum point:
690.0025
Tabuhaku:
Object function in optimum point:
906.2623
Simuloitu jäähdytys:
Object function in optimum point:
1309.2184
Tabuhaku:
Object function in optimum point:
1651.9636
Geneettinen algoritmi:
Object function in optimum point:
1331.3858