TU Darmstadt / ULB / TUprints

Soft Computing Methods for Applied Shape Optimization

Hirschen, Kai (2004)
Soft Computing Methods for Applied Shape Optimization.
Technische Universität Darmstadt
Ph.D. Thesis, Primary publication

[img]
Preview
Kapitel 1-3 - PDF
hirschen1.pdf
Copyright Information: In Copyright.

Download (2MB) | Preview
[img]
Preview
Numerisches Beispiel I - PDF
hirschen2.pdf
Copyright Information: In Copyright.

Download (4MB) | Preview
[img]
Preview
Numerisches Beispiel I - PDF
hirschen3.pdf
Copyright Information: In Copyright.

Download (4MB) | Preview
[img]
Preview
Numerisches Beispiel I - PDF
hirschen4.pdf
Copyright Information: In Copyright.

Download (4MB) | Preview
[img]
Preview
Numerisches Beispiel I - PDF
hirschen5.pdf
Copyright Information: In Copyright.

Download (5MB) | Preview
[img]
Preview
Numerisches Beispiel I - PDF
hirschen6.pdf
Copyright Information: In Copyright.

Download (4MB) | Preview
[img]
Preview
Numerisches Beispiel II - PDF
hirschen7.pdf
Copyright Information: In Copyright.

Download (3MB) | Preview
[img]
Preview
Numerisches Beispiel II - PDF
hirschen8.pdf
Copyright Information: In Copyright.

Download (3MB) | Preview
[img]
Preview
Numerisches Beispiel II - PDF
hirschen9.pdf
Copyright Information: In Copyright.

Download (3MB) | Preview
[img]
Preview
Numerisches Beispiel II - PDF
hirschen10.pdf
Copyright Information: In Copyright.

Download (4MB) | Preview
[img]
Preview
Kapitel 4 - PDF
hirschen11.pdf
Copyright Information: In Copyright.

Download (4MB) | Preview
[img]
Preview
Numerisches Beispiel - PDF
hirschen12.pdf
Copyright Information: In Copyright.

Download (2MB) | Preview
[img]
Preview
Kapitel 5 - PDF
hirschen13.pdf
Copyright Information: In Copyright.

Download (3MB) | Preview
Item Type: Ph.D. Thesis
Type of entry: Primary publication
Title: Soft Computing Methods for Applied Shape Optimization
Language: English
Referees: Martin, Prof. Dr. Alexander
Advisors: Schäfer, Prof. Dr. Michael
Date: 15 November 2004
Place of Publication: Darmstadt
Date of oral examination: 19 October 2004
Abstract:

Evolutionary algorithms (EA) were first introduced in the nineteen-seventies for optimizing technical devices. EA consist of operators simulating natural reproduction. According to biological principles, the reproduction consists of recombination and mutation as well as a selection process refered to as `survival of the fittest'. Rediscovered in the last decade, evolutionary algorithms proved their potential as global search algorithms with properties and qualities that can hardly be depicted by conventional gradient based methods. In multi-objective optimization, EA can be seen as superior to gradient based methods. For optimizing engineering relevant technical devices, as for instance flow geometry optimization, there is no analytical expression of the gradient available and also, a numerical approximation to the gradient is not appropriate due to its vast computational overhead. In this dissertation, EA are not only introduced as Simulated Annealing, but also used to determine system parameters necessary for setting up approximation models. These approximation models are able to depict the functional coherence between design variables and objective function and are thus able to answer the correct objective function value on even unseen design parameter combinations. As approximation models we consider the latest proposed and most capable neural network systems, the Bayesian regularization network and also the adaptive neuro-Fuzzy inference system. As an examplary problem, we consider a staggered channel, paramererized by Bezier splines. From a numerical simulation, we calculate the pressure drop of a number of distorted geometries. From these samples, the network systems are trained and, after training, used in an evolutionary algorithm where we then seek the optimum with the approximation model. As soon as an optimization problem has more than one objective function, and these are concurrenting, a set of solutions is seeked. This set of solutions can be discovered by evolutionary algorithms since they work on solution sets instead of a single solution only as most gradient based methods do. In this dissertation, we present configurations of heat exchange units which are subject to optimization according to objectives like heating performance, pressure drop, flow velocity at control spots, and covered flow field. In such problems, Pareto sets appear, these correspond to equivalent design proposals, i.e. each design of a Pareto set is equally optimal, a further problem dimension is necessary to choose a single design from this set. By considering the Pareto sets, the engineer can quantify his subjective perceptions and choose from a number of optimal solutions.

Alternative Abstract:
Alternative AbstractLanguage

Evolutionäre Algorithmen (EA) wurden erstmals in den 1970'er Jahren zu Zwecken der Optimierung technischer Systeme vorgestellt. EA bestehen aus Operatoren, welche die natürliche Fortpflanzung simulieren. Dazu gehören Rekombination und Mutation von genetischer Information und eine Selektion im Sinne des `Survival of the Fittest'. In den 1990'er Jahren wiederentdeckt, bewiesen EA ihr Potenzial als globale Such-Algorithmen mit Eigenschaften und Leistungsmerkmalen, welche von konventionellen Methoden kaum erreicht werden. Heute kann zur anwendungsorientierten Optimierung und unter Gegenüberstellung der Vor- und Nachteile zu konventionellen Methoden wie gradientenbasierenden Verfahren kaum eine Alternative zur Verwendung dieser heuristischen Methoden gesehen werden. Im Rahmen der Verbesserung technischer Systeme, wie etwa die Gestaltoptimierung, liegt kein auswertbarer Gradient vor und eine Approximation dessen verbietet sich aufgrund der extrem hohen Anzahl von Funktionsaufrufen, welche dafür notwendig wären. In dieser Dissertation werden EA nicht nur der als Variante vorkommenden Simulated Annealing vorgestellt, sondern als Systemparameter bestimmende Hilfsmittel in der Grundlage für Approximationsmodelle angewandt. In diesen Approximationsmodellen wird der funktionale Zusammenhang zwischen den Systemparametern und der Zielfunktion gespeichert und kann für die Generierung von Funktionswerten von Parametern, welche selbst nicht zur Bestimmung des Approximationsmodells herangezogen wurden, abgerufen werden. Wir betrachten dabei Neuronale Netze des letzten wissenschaftlichen Standes, welche zur Benutzung von Approximationsmodellen herangezogen werden. Anwendungsbeispiel ist ein versetzter Kanal, dessen Geometrie durch Splines verzerrt werden kann. Durch eine numerische Simulation kann der Druckverlust dieser verzerrten Geometrien berechnet werden. Eine Menge der daraus entstehenden input/output Stichproben wird dann zu Bestimmung eines Approximationsmodells herangezogen. Der Optimierungsvorgang besteht dann daraus, den minimale Druckverlust mit Hilfe dieses Approximationsmodells zu bestimmen. Sobald ein Optimierungsproblem vorliegt, in welchem es mehr als eine Zielgröße zu optimieren gilt, diese obendrein auch noch widerstreitend sind (etwa Auftrieb und Widerstand für einen Flügel), wird oftmals eine Menge von optimalen Lösungen voliegen. Diese Menge optimaler Lösungen kann nur unter Anwendung von heuristischen Verfahren effizient bestimmt werden. Dazu dienen wieder evolutionäre Algorithmen, hierbei erfahren die dort angewandten Operatoren eine Reinterpretation, um im Rahmen der Mehrzieloptimierung eingesetzt zu werden. In der vorliegenden Dissertation werden Konfigurationen von Wärmetauschern anhand mehrere Kriterien wie etwa Wärmeleistung, Druckverlust, Flußgeschwindigkeit an einem Kontrollpunkt, und bedecktes Strömungsgebiet, optimiert. Dabei treten Pareto-Mengen auf, sie entsprechen gleichwertigen Designvorschlägen. Der Anwender kann unter diesen jenes aussuchen, welches seinen Präferenzen entspricht. Durch Betrachten der Pareto Front kann der Anwender seine subjektiven Vorstellungen quantifizieren.

German
Uncontrolled Keywords: Multi-objective optimization, soft computing applications
Alternative keywords:
Alternative keywordsLanguage
Multi-objective optimization, soft computing applicationsEnglish
URN: urn:nbn:de:tuda-tuprints-4996
Classification DDC: 600 Technology, medicine, applied sciences > 620 Engineering and machine engineering
Divisions: 16 Department of Mechanical Engineering
Date Deposited: 17 Oct 2008 09:21
Last Modified: 07 Dec 2012 11:50
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/499
PPN:
Export:
Actions (login required)
View Item View Item