RELIABILITY-BASED CROSS-SECTION OPTIMIZATION OF CANTILEVER SLABS USING DISCRETE PSO ALGORITHM

Yıl 2022, , 987 - 999, 30.09.2022

Mehmet K. Derdiman

https://doi.org/10.21923/jesd.952838

Öz

Optimization is one of the most increasing topics in today's developing computer technologies and its use and research. The particle swarm optimization (PSO) algorithm, on the other hand, is among the population-based algorithms that have been researched and accepted for many years. There are many alternative solutions that will meet the TS500 bearing capacity criteria without exceeding the deflection limits of the slabs in cantilever slabs. It is important to choose the most useful and economical among these alternative solutions. If a criterion for optimal design is put forward, this will be an important guide for the designer. In this study, it was attempted to determine the optimal cross-section height depending on the length, load and concrete class of the cantilever slabs, which often have deflection problems, by making discrete optimization based on reliability. For this purpose, the discrete PSO algorithm was designed and the optimal solution set was investigated within the solution space under different concrete strengths, taking into account the TS500’s boundary conditions, ultimate limit state method and displacement criteria. From numerous analyses obtained according to different cantilever lengths and concrete classes, correlations have been developed that calculate the optimal cross-sectional height by polynomial-based regression.

Anahtar Kelimeler

Discrete Optimization, Cantilever Slab, Cantilever Slab Deflection, PSO algorithm

AYRIK PSO ALGORİTMASI İLE KONSOL DÖŞEMELERİN GÜVENİLİRLİK TABANLI KESİT OPTİMİZASYONU

Öz

Günümüzün gelişen bilgisayar teknolojileri ile kullanımı ve araştırması en çok artan konuların başında optimizasyon gelmektedir. Parçacık sürü optimizasyon (PSO) algoritması ise uzun yıllardır üzerinde araştırmalar yapılmış ve geçerliliği kabul görmüş popülasyon tabanlı algoritmalar arasında yer almaktadır. Konsol döşemelerde döşemenin sehim sınırlarını aşmadan TS500 taşıma gücü kriterlerini sağlayacak çok sayıda farklı çözümü mevcuttur. Bu çözümler arasından en faydalı ve ekonomik olanın seçilmesi önemlidir. Eğer optimal tasarıma ilişkin bir kriter ortaya konulursa, bu tasarımcı için önemli bir yol gösterici olacaktır. Bu çalışmada sıklıkla sehim sorunları yaşanan konsol döşemelerin güvenilirlik tabanlı ayrık optimizasyonu yapılarak konsol boyuna, yüküne ve beton sınıfına bağlı optimal kesit yüksekliği belirlenmeye çalışılmıştır. Bu amaçla ayrık PSO algoritması tasarlanarak, TS500 sınır şartları ile TS500 taşıma gücü yöntemi ve deplasman kriterleri dikkate alınarak farklı beton dayanımları altında çözüm uzayı içinden optimal çözüm kümesi araştırılmıştır. Farklı konsol boyu ve beton sınıflarına göre elde edilen çok sayıda çözümlemeden polinom tabanlı regresyon ile optimal kesit yüksekliğini hesaplayan bağıntılar geliştirilmiştir.

Anahtar Kelimeler

Ayrık Optimizasyon, Konsol Döşeme, Konsol Döşeme Sehimi, PSO algoritması

Kaynakça

• Adem Doğangün, 2018. Betonarme Yapıların Hesap ve Tasarımı. Lord Matbaacılık ve Kağıtçılık, İstanbul.
• Arora, J.S., 2012. Introduction to Optimum Design, 4th ed, Introduction to Optimum Design. Elsevier Inc., Oxford.
• Celep, Z., 2020. Betonarme Yapılar, 11th ed. Beta Basım Yayım Dağıtım A.Ş., İstanbul.
• Çevre ve Şehircilik Bakanlığı, 2021. İnşaat Birim Fiyatlarına Esas İşçilik-Araç ve Gereç Rayiç Listeleri. Çevre ve Şehircilik Bakanlığı, Ankara.
• Dorigo, M., Oca, M.A.M., Engelbrecht, A., 2008. Particle swarm optimization. Scholarpedia, 3, 1486.
• Eberhart, R., Kennedy, J., 1995. New optimizer using particle swarm theory. Proceedings of the International Symposium on Micro Machine and Human Science, 39–43.
• El Hami, A., Radi, B., 2013. Uncertainty and optimization in structural mechanics, Uncertainty and Optimization in Structural Mechanics. John Wiley & Sons, Inc., London.
• Ersoy, U., Özcebe, G., Canbay, E., 2019. Betonarme : Davranış ve Hesap İlkeleri, 9th ed. İstanbul.
• Karaboğa, D., 2014. Yapay Zeka Optimizasyon Algoritmaları, 3rd ed. Nobel, Ankara.
• Li, L., Liu, F., 2011. Group Search Optimization for Applications in Structural Design. Springer International Publishing, Berlin.
• Li, X.-L., Serra, R., Olivier, J., 2019. Effects of Particle Swarm Optimization Algorithm Parameters for Structural Dynamic Monitoring of Cantilever Beam. Surveillance, Vishno and AVE conferences, 1–7.
• NumFOCUS, 2021. Numpy & Pandas [WWW Document]. URL https://pandas.pydata.org (accessed 5.1.21).
• Okwu, M.O., Tartibu, L.K., 2021. Metaheuristic Optimization : Nature-Inspired Algorithms Swarm and Computational Intelligence , Theory and Applications. Springe Na, Cham, Switzerland.
• Piotrowski, A.P., Napiorkowski, J.J., Piotrowska, A.E., 2020. Population size in Particle Swarm Optimization. Swarm and Evolutionary Computation, 58, 100718.
• Prathabrao, M., Nawawi, A., Sidek, N.A., 2017. Swarm size and iteration number effects to the performance of PSO algorithm in RFID tag coverage optimization. AIP Conference Proceedings 1831, 020051-1–020051-6.
• Python Software Foundation, 2021. Python [WWW Document]. URL http://www.python.org (accessed 5.1.21).
• Sheikhalishahi, M., Ebrahimipour, V., Shiri, H., Zaman, H., Jeihoonian, M., 2013. A hybrid GA-PSO approach for reliability optimization in redundancy allocation problem. International Journal of Advanced Manufacturing Technology, 68, 317–338.
• Shi, Y., Eberhart, R.C., 1998. Parameter selection in particle swarm optimization. Evolutionary Programming VII, 591–600.
• Topçu, A., 2019. Betonarme II. Eskişehir.
• TSE, 2000. TS 500 Betonarme Yapıların Tasarım ve Yapım Kuralları, Türk Standartları Enstitüsü, Ankara.
• TSE, 1997. TS 498 Yapi Elemanlarinin Boyutlandirilmasinda Alinacak Yüklerin Hesap Değerleri, Türk Standartları Enstitüsü, Ankara.
• Vasuki, A., 2020. Nature-Inspired Optimization Algorithms. Taylor & Francis, Oxford.
• Yang, X.S., 2019. Introduction to Algorithms for Data Mining and Machine Learning. Elsevier Inc., Oxford.
• Yang, X.S., 2018. Mathematical Analysis of Nature-Inspired Algorithms, X.S. Yang (Edt.), Nature-Inspired Algorithms and Applied Optimization, içinde (s. 1–27). Springer, Switzerland.
• Yang, X.S., 2014. Nature-Inspired Optimization Algorithms, First. ed. Elsevier, London.
• Yang, X.S., Karamanoglu, M., 2020. Nature-inspired computation and swarm intelligence: a state-of-the-art overview, X.S. Yang, (Edt.), Nature-Inspired Swarm Intelligence Computation and Algorithms, Theory and Applications, içinde (s. 3–18). Elsevier Inc., Oxford .