OPTIMUM DESIGN OF STEEL FRAMES WITH CELLULAR BEAMS: A COMPARATIVE STUDY

Öz

Cellular beams increase moment of inertia by increasing height while decreasing weight, resulting in increased strength and rigidity. In this study, steel frames with cellular beams are formulated as an optimum design problem. The use of steel frames with optimum cellular beams reduces the weight acting on the foundation and ensures the best resource management with the least material consumption. Moreover, using the least amount of material reduces the overall cost of the frame. Steel frame and cellular beam constraints specified in LRFD-AISC are chosen as design constraints. In order to obtain the solution to the design problem, hunting search, particle swarm optimization, artificial bee colony, firefly, and bat algorithms from metaheuristic algorithm methods are used separately. The performances of the algorithms are thus compared within themselves. The design algorithms choose the best column and beam sections, hole diameters in the cellular beams, and number of holes to utilize in the manufacturing of steel frames with cellular beams subjected to general loads. Furthermore, this choice is taken to minimize the weight of the cellular beam steel structure while meeting design constraints. To show the efficiency of the provided method, two steel frame cases are considered: three-story two-span and four-story four-span.

Anahtar Kelimeler

• Metaheuristic Algorithm
• Steel Frame
• Cellular Beam
• Optimization

DAİRESEL BOŞLUKLU ÇELİK ÇERÇEVELERİN OPTİMUM TASARIMI ÜZERİNE KARŞILAŞTIRMALI BİR ÇALIŞMA

Öz

Dairesel boşluklu kirişler kiriş ağırlığını azaltırken yüksekliğini ve atalet momentini arttırmakta, bu da daha fazla mukavemet ve rijitliğin sağlanması anlamına gelmektedir. Bu çalışmada, dairesel boşluklu kirişlere sahip çelik çerçeveler optimum tasarım problemi olarak formüle edilmiştir. Optimum boyutlara sahip dairesel boşluklu çelik çerçeveler ile temele etkiyen ağırlık en az olurken en az malzeme kullanımı ile kaynak yönetimi en iyi şekilde sağlanmış olur. Ek olarak malzemenin en az düzeyde kullanımı ile çerçeve toplam maliyeti de en az düzeye indirgenir. Tasarım kısıtlayıcıları olarak Yük ve Dayanım Faktörü Tasarımı, Amerikan Çelik Konstrüksiyon Enstitüsü (LRFD-AISC) yönetmeliğince belirtilen çelik çerçeve ve dairesel boşluklu kiriş sınırlayıcılarının hepsinin sağlanması beklenmiştir. Tasarım probleminin çözümünü elde etmek için metasezgisel algoritma yöntemlerinden av arama, parçacık sürü optimizasyonu, yapay arı kolonisi, ateş böceği ve yarasa yöntemleri ayrı ayrı çalıştırılmıştır. Böylece algoritma performanslarının kendi içinde kıyaslanması sağlanmıştır. Tasarım algoritmaları, genel bir yüklemeye maruz kalan dairesel boşluklu kirişlere sahip çelik çerçeve üretiminde kullanılacak optimum kolon ve kiriş kesitlerini, dairesel boşluklu kirişlerdeki optimum delik çapını ve optimum delik sayısını seçer. Bu seçim tasarım sınırlamalarını sağlayacak ve dairesel boşluğa sahip kirişli çelik çerçevenin ağırlığı minimum olacak şekilde gerçekleştirilir. Sunulan algoritmaların etkinliğini göstermek için üç katlı iki açıklıklı ve dört katlı dört açıklıklı, iki adet çelik çerçeve örneği dikkate alınmıştır.

Anahtar Kelimeler

• Metasezgisel Algoritma
• Çelik Çerçeve
• Dairesel Boşluklu Kiriş
• Optimizasyon

Kaynakça

1. Baktır A. E., 2018. Sezgisel Optimizasyon Algoritmaları Kullanılarak Dinamik Ağırlık Ölçme Sisteminin Kimliklendirilmesi, Yüksek lisans Tezi, E.Ü Fen Bilimleri Enstitüsü, Kayseri.
2. Bouzaida S., Sakly A., Faouzi M., 2014. Extracting TSK-type Neuro-Fuzzy model using the Hunting search algorithm, International Journal of General Systems, 43(1).
3. Carbas S., 2016. Design optimization of steel frames using an enhanced firefly algorithm. Engineering Optimization, vol. 48, no. 12, 2007–2025.
4. Carbas S, Toktas A, Ustun D., 2021. Nature-Inspired Metaheuristic Algorithms for Engineering Optimization Applications. Singapore: Springer Nature Singapore, 1st ed. Pte. Ltd.
5. Çiftçioğlu Özyüksel A., 2021. Kısıtlı Mühendislik Problemlerinin Karşılaştırmalı Ağırlık ve Maliyet Optimizasyonu., Muhendis ve Makine, vol. 62, no. 705, 784–805.
6. Dogan E., 2010. Optimum design of rigid and semi-rigid steel sway frames including soil-structure interaction. PhD Thesis, Middle East Technical University, Fen bilimleri Enstitüsü, Ankara.
7. Erdal F., 2011. Ultimate Load Capacity of Optimally Designed Cellular Beams. PhD Thesis, Middle East Technical University, Fen bilimleri Enstitüsü, Ankara.
8. González-Patiño D., Villuendas-Rey Y., Argüelles-Cruz A., Karray F., 2019. A Novel Bio-Inspired Method for Early Diagnosis of Breast Cancer through Mammographic Image Analysis, Journals Applied Sciences, Volume 9, Issue 21, 10.3390/app9214492. doi.org/10.3390/app9214492.

9. Hamdia K M, Ghasemi H, Bazi Y, AlHichri H, Alajlan N, Rabczuk T., 2019. A novel deep learning based method for the computational material design of flexoelectric nanostructures with topology optimization. Finite Elementsin Analysis and Design, 165:21−30.
10. Karaboga D., Basturk B., 2008. On the performance of artificial bee colony (ABC) algorithm. Applied Soft Computing. Vol 8, No 1, 687-697.
11. Kaveh A, Ghazaan M I., 2018. Meta-heuristic Algorithms for Optimal Design of Real-size Structures. Switzerland: Springer International Publishing.
12. Kaveh A., 2016. Applications of Metaheuristic Optimization Algorithms in Civil Engineering. Springer International Publishing.
13. Kaya B., Eke İ., 2020. Yapay Arı Kolonisi Algoritması İle Yapılan Geliştirmeler ve Sonuçları, Verimlilik Dergisi, Sayı: 1, T. C. Sanayi ve Teknoloji Bakanlığı Yayını.
14. Kennedy J. and R. Eberhart R., 1995. Particle Swarm Optimization. In: IEEE International Conference on Neural Networks. IEEE Press, 1942–1948
15. Khalilpourazari S. and Khalilpourazary S., 2019. An efficient hybrid algorithm based on Water Cycle and Moth-Flame Optimization algorithms for solving numerical and constrained engineering optimization problems. Soft Computer. vol. 23, no. 5, 1699–1722.
16. LRFD-AISC, 1999. Load and Resistance Factor Design. American Institute of Steel Construction, IL, USA.
17. Özsağlam M.Y., Çunkaş M., 2008. Optimizasyon Problemlerinin Çözümü için Parçaçık Sürü Optimizasyonu Algoritması, Journal of Polytechnic, Vol: 11 No: 4, 299-305, 2008.
18. Rather S.A. and Bala P.S., 2020. Analysis of Gravitation-Based Optimization Algorithms for Clustering and Classification. IGI Global.
19. Reynolds C.W., 1987. Flocks, herds, and schools: A distributed behavioral model. ACM Computer, Graph. vol. 21, no. 4, 25–34.
20. Saka M.P., Doğan E., and Aydoğdu İ., 2013. Review and Analysis of Swarm-Intelligence Based Algorithms. In Swarm Intelligence and Bio-Inspired Computation, Theory and Applications. Elsevier, 26.
21. Yang X.S., 2010. A New Metaheuristic Bat-Inspired Algorithm. In Nature Inspired Cooperative Strategies for Optimization. Springer, 65–74.
22. Yang X S, Dey N, Fong S., 2020. Springer Tracts in Nature-Inspired Computing (STNIC).Cham: Springer Nature.
23. Yang, X. S., & He, X., 2013. Firefly algorithm: recent advances and applications. International journal of swarm intelligence, 1(1), 36-50.
24. Zhuang X, Guo H, Alajlan N, Zhu H, Rabczuk T., 2021. Deep autoencoder based energy method for the bending, vibration, and buckling analysis of Kirchhoff plates with transfer learning. European Journal of Mechanics-A/Solids, 87: 104225.