Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging

El objetivo de este trabajo es presentar una nueva metodología eficiente y precisa llamada Monte Carlo y Kriging (MCK) para la optimización de topología robusta. El objetivo es minimizar el valor esperado de la compliance considerando la existencia de incertidumbre con cargas concentradas. La incert...

Descripción completa

Detalles Bibliográficos
Autores: Cordero, A., Martí, P., Victoria, M.
Tipo de recurso: artículo
Fecha de publicación:2018
País:España
Institución:Universitat Politècnica de Catalunya (UPC)
Repositorio:UPCommons. Portal del coneixement obert de la UPC
Idioma:español
OAI Identifier:oai:upcommons.upc.edu:2117/165654
Acceso en línea:https://hdl.handle.net/2117/165654
https://dx.doi.org/10.23967/j.rimni.2017.5.005
Access Level:acceso abierto
Palabra clave:Numerical analysis
Optimización de topología robusta
incertidumbre de la carga
método de Monte Carlo
modelos Kriging
Robust topology optimization
Loading uncertainty
Monte Carlo method
Kriging models
Anàlisi numèrica
Àrees temàtiques de la UPC::Matemàtiques i estadística::Anàlisi numèrica
id ES_5e6ef0e81e5ac78dbd2e905cec1925aa
oai_identifier_str oai:upcommons.upc.edu:2117/165654
network_acronym_str ES
network_name_str España
repository_id_str
spelling Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos KrigingRobust topology optimization of continuum structures using Monte Carlo method and Kriging modelsCordero, A.Martí, P.Victoria, M.Numerical analysisOptimización de topología robustaincertidumbre de la cargamétodo de Monte Carlomodelos KrigingRobust topology optimizationLoading uncertaintyMonte Carlo methodKriging modelsAnàlisi numèricaÀrees temàtiques de la UPC::Matemàtiques i estadística::Anàlisi numèricaEl objetivo de este trabajo es presentar una nueva metodología eficiente y precisa llamada Monte Carlo y Kriging (MCK) para la optimización de topología robusta. El objetivo es minimizar el valor esperado de la compliance considerando la existencia de incertidumbre con cargas concentradas. La incertidumbre en la carga puede presentarse en la magnitud, en la dirección y/o en la posición. La evaluación de la función objetivo se realiza utilizando el método de simulación de Monte Carlo en combinación con un modelo Kriging. Para estimar el valor esperado de la compliance, se transforma el problema probabilístico en otro determinístico sujeto a múltiples estados de carga mediante el Método de Monte Carlo pero empleando un reducido número de evaluaciones del modelo de simulación. Para ello es necesario construir un modelo Kriging del modelo de simulación a partir de una pequeña muestra obtenida con un hipercubo latino del espacio de diseño y predecir la compliance en cada uno de los puntos utilizados por la simulación de Monte Carlo. Dos ejemplos demuestran la precisión y eficiencia del algoritmo. Para verificar el algoritmo propuesto, los problemas también se resuelven mediante el método de Monte Carlo estándar.The aim of this paper is to introduce an efficient and accurate new approach called Monte Carlo and Kriging (MCK) to robust topology optimization. The objective is to minimize the expected value of compliance under concentrated loading uncertainty. The loading uncertainty may occur in magnitude, direction and/or position. The Monte Carlo simulation method and Kriging model are used to evaluate the objective function. To evaluate the expected value of compliance the probabilistic problem is transformed into a multiple loading deterministic one using of Monte Carlo method but with a reduced evaluations number of simulation model. A small sample obtained with a Latin Hypercube is used to build a Kriging model of the simulation model. This is utilized to estimate the compliance in those points used by Monte Carlo simulation method. Two problems are solved to demonstrate the efficiency and accuracy of the approach. The examples are solved again using a standard Monte Carlo simulation to check the proposed approach.Peer ReviewedUniversitat Politècnica de Catalunya. CIMNE20182018-01-0120192019-07-04journal articlehttp://purl.org/coar/resource_type/c_6501NAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/articleapplication/pdfhttps://hdl.handle.net/2117/165654https://dx.doi.org/10.23967/j.rimni.2017.5.005reponame:UPCommons. Portal del coneixement obert de la UPCinstname:Universitat Politècnica de Catalunya (UPC)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-ShareAlike 3.0 Unportedhttps://creativecommons.org/licenses/by-nc-sa/3.0/deed.esinfo:eu-repo/semantics/openAccessoai:upcommons.upc.edu:2117/1656542026-05-27T15:37:01Z
dc.title.none.fl_str_mv Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging
Robust topology optimization of continuum structures using Monte Carlo method and Kriging models
title Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging
spellingShingle Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging
Cordero, A.
Numerical analysis
Optimización de topología robusta
incertidumbre de la carga
método de Monte Carlo
modelos Kriging
Robust topology optimization
Loading uncertainty
Monte Carlo method
Kriging models
Anàlisi numèrica
Àrees temàtiques de la UPC::Matemàtiques i estadística::Anàlisi numèrica
title_short Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging
title_full Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging
title_fullStr Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging
title_full_unstemmed Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging
title_sort Optimización de topología robusta de estructuras continuas usando el método de Monte Carlo y modelos Kriging
dc.creator.none.fl_str_mv Cordero, A.
Martí, P.
Victoria, M.
author Cordero, A.
author_facet Cordero, A.
Martí, P.
Victoria, M.
author_role author
author2 Martí, P.
Victoria, M.
author2_role author
author
dc.subject.none.fl_str_mv Numerical analysis
Optimización de topología robusta
incertidumbre de la carga
método de Monte Carlo
modelos Kriging
Robust topology optimization
Loading uncertainty
Monte Carlo method
Kriging models
Anàlisi numèrica
Àrees temàtiques de la UPC::Matemàtiques i estadística::Anàlisi numèrica
topic Numerical analysis
Optimización de topología robusta
incertidumbre de la carga
método de Monte Carlo
modelos Kriging
Robust topology optimization
Loading uncertainty
Monte Carlo method
Kriging models
Anàlisi numèrica
Àrees temàtiques de la UPC::Matemàtiques i estadística::Anàlisi numèrica
description El objetivo de este trabajo es presentar una nueva metodología eficiente y precisa llamada Monte Carlo y Kriging (MCK) para la optimización de topología robusta. El objetivo es minimizar el valor esperado de la compliance considerando la existencia de incertidumbre con cargas concentradas. La incertidumbre en la carga puede presentarse en la magnitud, en la dirección y/o en la posición. La evaluación de la función objetivo se realiza utilizando el método de simulación de Monte Carlo en combinación con un modelo Kriging. Para estimar el valor esperado de la compliance, se transforma el problema probabilístico en otro determinístico sujeto a múltiples estados de carga mediante el Método de Monte Carlo pero empleando un reducido número de evaluaciones del modelo de simulación. Para ello es necesario construir un modelo Kriging del modelo de simulación a partir de una pequeña muestra obtenida con un hipercubo latino del espacio de diseño y predecir la compliance en cada uno de los puntos utilizados por la simulación de Monte Carlo. Dos ejemplos demuestran la precisión y eficiencia del algoritmo. Para verificar el algoritmo propuesto, los problemas también se resuelven mediante el método de Monte Carlo estándar.
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-01-01
2019
2019-07-04
dc.type.none.fl_str_mv journal article
http://purl.org/coar/resource_type/c_6501
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/article
format article
dc.identifier.none.fl_str_mv https://hdl.handle.net/2117/165654
https://dx.doi.org/10.23967/j.rimni.2017.5.005
url https://hdl.handle.net/2117/165654
https://dx.doi.org/10.23967/j.rimni.2017.5.005
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-ShareAlike 3.0 Unported
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-ShareAlike 3.0 Unported
https://creativecommons.org/licenses/by-nc-sa/3.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de Catalunya. CIMNE
publisher.none.fl_str_mv Universitat Politècnica de Catalunya. CIMNE
dc.source.none.fl_str_mv reponame:UPCommons. Portal del coneixement obert de la UPC
instname:Universitat Politècnica de Catalunya (UPC)
instname_str Universitat Politècnica de Catalunya (UPC)
reponame_str UPCommons. Portal del coneixement obert de la UPC
collection UPCommons. Portal del coneixement obert de la UPC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869409116360802304
score 15,300724

Similares en LA Referencia