با توجه به توانایی‌های شبکه‌های عصبی مصنوعی، کاربرد آنها در علوم مختلف و مهندسی گسترش قابل ملاحظه داشته است . در این پایان‌نامه کاربرد شبکه‌های عصبی در بهینه‌سازی سازه‌ها مورد توجه بوده است . در بهینه‌سازی سازه‌ها بواسطه تغییر متوالی متغیرها، تحلیل سازه در دفعات صورت می‌گیرد که این امر موجب افزایش محاسبه می‌گردد. برای کاهش این زمان می‌توان از شبکه‌های عصبی بعنوان یک تحلیل کننده سریع سازه در بهینه‌سازی سازه‌ها بطور مطلوب استفاده نمود. دو نمونه از شبکه‌های عصبی مصنوعی که در رشته مهندسی در تقریب توابع بکار گرفته می‌شوند عبارتند از: شبکه عصبی انتشار برگشتی و شبکه عصبی انتشار متقابل. یکی از معایب عمده شبکه عصبی انتشار برگشتی در بهینه‌سازی سازه‌ها، سرعت کند همگرایی این شبکه است . این مشکل زمانی بیشتر مشهود می‌گردد که مسائل با مقیاس بزرگ مورد بررسی قرار می‌گیرند. زیرا در این مسائل تعداد واحدهای ورود و خروجی به تعداد قابل ملاحظه افزایش می‌یابد. برای بهینه‌سازی موثر سازه شبکه عصبی با سرعت آموزش بالا مورد نیاز است که بتوان پس از آموزش از آن بعنوان یک تحلیل‌گر سریع استفاده نمود. بدین منظور اصلاحاتی بر روی شبکه انتشار متقابل انجام گردیده است که بکارگیری آن منجر به سرعت زیاد آموزش و پاسخ شبکه با خطای قابل قبول شده است . در این تحقیق دو شبکه عصبی مصنوعی آموزش داده شده‌اند که شبکه اول برای قیود و شبکه دوم برای مشتقات قیود مورد استفاده قرار گرفته است . این شبکه‌های عصبی آموزش داده شده با پاسخ سریع، نیاز بهینه‌ساز به قیود و یا مشتقات مربوطه را تامین می‌نماید. روش اراده شده کلی بوده و قابل استفاده در خرپاهای مستوی و فضایی می‌باشد و در مقایسه با روش‌های متداول منجر به نتایج بسیار مطلوب شده است . توانایی‌های نرم‌افزارهای تهیه شده با اراده چند مثال عملی با روشهای کلاسیک بهینه‌سازی مورد ارزیابی قرار گرفته است .
نمایه ها:
سازه | 
کد نوشتار : 26496