Primjena neuralnih mreža u višekriterijskom konceptualnom projektiranju Ro-Ro brodova

Ban, Dario (2000) Primjena neuralnih mreža u višekriterijskom konceptualnom projektiranju Ro-Ro brodova. = Neural networks application in multi-criterial conceptual design of Ro-Ro ships. Scientific master's thesis , Sveučilište u Zagrebu, Fakultet strojarstva i brodogradnje, UNSPECIFIED. Mentor: Žanić, Vedran.

Full text not available from this repository.

Abstract (Croatian)

U konceptualnom projektiranju, u brodogradnji, danas se koriste moderne metode višekriterijskog optimiranja, koje su po svom karakteru diskretnog tipa. U promatranom projektnom prostoru se generiraju točke slučajnim odabirom, te se odabiru Pareto optimalne točke. Tako dobivene točke predstavljaju približna rješenja problema, tj. one ne leže na stvarnoj hiper-plohi projektnih rješenja. Za problem aproksimacije to znaci postojanje guma u skupu podataka kojima opisujemo željenu funkciju. Osim toga, kako kompromisno rješenje nalazimo između tako definiranih točaka, ono je također približno, jer zbog diskretnih karakteristika metode optimiranja ne možemo odrediti najpovoljnije rješenje u odnosu na neko idealno rješenje problema. Na temelju, analizom postojećih Ro-Ro brodova, kreiranog konceptualnog projektnog modela izvodi se postupak višekriterijskog optimiranja. Taj projektni model je nešto složeniji od projektnih modela tankera i brodova za rasuti teret iz razloga što se dimenzije kod Ro-Ro broda biraju po zahtijevanoj duljini voznih traka, a ne po nosivosti. Osim toga, iz potrebe dobivanja informacije o karakteristikama projekta što se tiče stabiliteta broda u oštećenom stanju te pomorstvenih značajki, u projektni model Ro-Ro broda su uk1juceni i atributi raspodjele prostora na brodu te atributi pomorstvenosti. Ulazne veličine modela se, pritom, biraju između: duljine broda, girine broda. visine broda, gala broda, te koeficijenata forme. Izabrane veličine predstavljaju projektne varijable. Izlazne veličine problema su projektni atributi, kojima opisujemo karakteristike projekta. Njihov broj nije ograničen_ to ovisi o željama projektanata te mogućnostima projektnih alata. Hiper-ploha projektnih rješenja je nelinearna ploha, te je za njeno opisivanje potrebno koristiti neki nelinearni alat. To su u ovom radu neuronske mreže, koje su po svojim karakteristikama nelineame. to imaju sposobnost poopćavanja na osnovu skupa podataka za učenje i provjeru. Osnovna karakteristika neuronskih mreža je, osim toga, i mogućnost povezivanja višestrukih ulaza s višestrukim izlazima modela, što dodatno povećava primjenjivost neuralnih mreža za promatrani problem aproksimacije hiper-plohe projektnih rješenja dobivenih vise-kriterijskom optimizacijom. Na temelju pogodnih test primjera odabire se najpovoljniji tip, arhitektura i metoda učenja mreže za postavljeni problem aproksimacije hiper-ploha. Primjenom teorije regulacije je, za problem sa gumom u podacima skupa za učenje, moguće odrediti optimalne vrijednosti sinaptičkih težinskih koeficijenata mreže. Optimiranje parametara regulacije vrši se metodama regresije po hrbatu, koje se temelje na principu minimiziranja varijance izlaznih veličina skupa za učenja. Upotrebom navedenih metoda i alata vrši se preslikavanje sa prostora projektnih varijabli na prostor projektnih atributa, i obrnuto. Inverzno preslikavanje, tj. preslikavanje sa prostora projektnih atributa na prostor projektnih varijabli, te određivanje njihove funkcijske zavisnosti je cilj ovog rada. Poznavanje funkcijske zavisnosti projektantu omogućuje da za izbor projektnih atributa dobije projektne varijable, koje su izlazne veličine konceptualne faze projektiranja. Za to svrhu je kreiran program INVNEURO. Osim toga je kreirano još 10-tak programa za metode proračuna i mreže neuronske navedene u ovom radu. Kompromisno rješenje, određeno na temelju aproksimacije Neuronskim mrežama programom INVNEURO, se uspoređuje sa rješenjem dobivenim programom PARRAN. te se na osnovu toga određuje kvaliteta metode i njena moguća primjenjivost.

Abstract

Modern methods of multi-criterial optimisation, used in conceptual design, in ship-building, today, are by its nature discrete. Design points are generated randomly in design space, and Pareto optimal points are selected, in it. Thus, we obtain design points that are approximate solutions of the problem, i.e. they don't lie on the actual hyper-surface of design solutions. Therefore, from the point of approximation we have noise in data set that describes the target function. Compromise solution, determined between points in design solutions data set. is also approximate. Because of discrete characteristics of optimisation method we cannot determine the best solution in comparrison to some ideal solution of the problem. Multi-critarial optimisation procedure is performed on the conceptual design model, created from the analysis of existed Ro-Ro ships. In opposite to tankers and bulk-carrirers, which are designed on the basis of deadweight (displacement), design model for Ro-Ro ship is somewhat more complex because dimensions of Ro-Ro ships are chosen on the required vehicle line metres. In addition, the necessity to have information about sea-keaping and damage stability characteristics of the project involves respective atributes in the design model of Ro-Ro ship. Input variables of the model are chosen between: ship length, ship breadth, ship height, ship draught and parametres of the form. Chosen values are design variables. Output variables are design atributes, which describe the characteristics of the design. Their number is not limited ,and depends of the wishes of the designer and possibilities of design tools. Hyper-surface of design solutions is non-linear surface and, therefore, for its description we need some non-linear tool. In this work that are Neural Networks, which are by its nature non-linear and have generalisation capability on the basis of data set for learning and testing. Besides, the basic characteristic of Neural Network is possiblity of multiple input to multiple output connection, that additionaly increase applicability of the Neural Networks to observed problem of multi-criterial optimisation design solutions hyper-surface approximation. For the problem of hyper-surface approximation the most convinient type, architecture and learning method is chosen on the basis of suitable test-problems. In the problem with noise in data set, it is possible to calculate optimal values of synaptical weights of the network using Regularization Theory. Optimisation of regularization parameters is performed using Ridge Regresion methods based on principle of minimization of variance of output variables of learning data set. Mapping form the design variables space to design atrubute space, and opposite, is made, using above mentioned methods and tools. Inverze mapping, i.e. mapping from the design atrubute space to design variables space and their functional dependency determination, is the goal of this work. Knowing functional dependencies between variables, designer can get design variables for choosen design atributes. Design variables are output variables of conceptual phase of design process. For that purpose program INVNEURO is created. Besides that. 10 more programs and routines are created for methods and neural networks used in this work. Quality and applicability of method is judged on basis of the comparisson between compromised solution determined by Neural Networks approximation. using program INVNEURO, and respective solution, determined by program PARRAN.

Item Type: Thesis (Scientific master's thesis)
Uncontrolled Keywords: neuronske mreže; višekriterijalno konceptualno projektiranje Ro-Ro brodova; teorija aproksimacije; teorija regulacije
Divisions: 600 Department of Naval Engineering and Marine Technology > 620 Chair of Marine Structures Design
Date Deposited: 22 Sep 2014 18:00
Last Modified: 16 Oct 2015 13:19
URI: http://repozitorij.fsb.hr/id/eprint/147

Actions (login required)

View Item View Item

Nema podataka za dohvacanje citata