Ο βέλτιστος σχεδιασμός κατασκευών απασχολεί τον άνθρωπο από την εποχή της πρώτης κατασκευής. Το ενδιαφέρον αυτό αυξήθηκε με την αύξηση του μεγέθους και της πολυπλοκότητας των κατασκευών. Η ανάλυση των κατασκευών και ο υπολογιστικός της φόρτος εξαρτάται από το μέγεθος και την πολυπλοκότητα των κατασκευών. Η χρήση προσεγγιστικών μεθόδων αυξήθηκε λόγω της αύξησης του υπολογιστικού φόρτου που απαιτούν οι ακριβείς μέθοδοι. Στην παρούσα διδακτορική διατριβή παρουσιάζεται συνεισφορά στους μεταευρετικούς αλγόριθμους, τα μοντέλα μειωμένης τάξης, τους αλγόριθμους μηχανικής μάθησης, την βελτιστοποίησης τοπολογίας και το generative design. Συγκεκριμένα, παρουσιάζεται ένας νέος μεταευρετικός αλγόριθμος που δημιουργήθηκε στα πλαίσια της διδακτορικής διατριβής αλλά και μια βελτιωμένη έκδοση του αλγόριθμου Harmony Search που αρχικά έχει προταθεί από τον Καθηγητή κ. Zong Woo Geem. Επίσης παρουσιάζονται τέσσερις διαφορετικές μεθοδολογίες συνδυασμού αλγορίθμων βαθιών νευρωνικών δικτύων και του αλγόριθμου βελτιστοποίησης τοπολογίας Solid Isotropic Material with Penalization (SIMP). Η πρώτη μεθοδολογία, DL-TOP, χρησιμοποιεί Deep Boltzmann Machines για να προβλέψει την τελική πυκνότητα των πεπερασμένων στοιχείων στη διαδικασία της βελτιστοποίησης τοπολογίας μελετώντας πλήθος αρχικών τιμών τους. Η μεθοδολογία DL-SCALE χρησιμοποιεί Deep Boltzmann Machines σε μια λογική Model Upgrading για να επιταχύνει την βελτιστοποίηση τοπολογίας μέσω μοντέλων μειωμένης τάξης και πύκνωσης του πλέγματος των πεπερασμένων στοιχείων. Η Τρίτη μεθοδολογία, DLRM-TOP, χρησιμοποιεί βαθιά νευρωνικά δίκτυα για να προβλέψει την τελική πυκνότητα κάθε πεπερασμένου στοιχείου βάση πληροφορίας από την τελική κατάσταση των μοντέλων μειωμένης τάξης. Η τέταρτη μεθοδολογία, CN-TOP, χρησιμοποιεί βαθιά συνελικτικά νευρωνικά δίκτυα που βελτιώνουν την ποιότητα εικόνας για την επιτάχυνση της βελτιστοποίησης τοπολογίας. Τέλος παρουσιάζεται μια λογική συνδυασμού βαθιών νευρωνικών δικτύων και SIMP για την αυτόματη παραγωγή πληθώρας σχεδιασμών χωρίς την παρέμβαση του χρήστη σε μια λογική generative design. Το μόνο που απαιτείται από τον χρήστη είναι ο ορισμός του προβλήματος. Τα αποτελέσματα των παραπάνω μεθοδολογιών (επιτάχυνση διαδικασιών και παραγωγή σχεδιασμών) που παρουσιάζονται στην διδακτορική διατριβή κάνουν φανερό πως η μηχανική μάθηση και οι σύγχρονες τεχνικές της μπορούν να αποτελέσουν σημαντικά εργαλεία στην επιστήμη του πολιτικού μηχανικού.
Annealing and Replica-Symmetry in Deep Boltzmann Machines
