Application of Artificial Neural Networks To Structural Reliability Problems

Abstract

The contemporary approach in structural engineering indirectly addresses uncertainties arising from load and resistance parameters by using safety factors. To consider these uncertainties in structural engineering, it is necessary to incorporate their statistical properties into the analysis and design process. However, this approach requires the calculation of challenging multi-fold probability integrals. Approximate methods known as FORM and SORM have been developed as an alternative to calculating those integrals. Unfortunately, these methods might have accuracy and convergence problems depending on the problem at hand. Simulation-based structural reliability methods have been developed to overcome the problems associated with approximate methods. The main problem with these methods is that they are often computationally expensive when along with finite element analysis, or it is hard to implement them when a more specific method is chosen to reduce computational costs. In this study, artificial neural networks have been applied to structural reliability problems to obtain accurate probability estimates with low computational cost. A special type of learning algorithm called Bayesian Regularization was used in the training of artificial neural networks. Additionally, details of the application of artificial neural networks to structural reliability problems are provided. At the end of the study, the advantages and disadvantages of applying artificial neural networks to structural reliability problems are presented and compared with other known structural reliability methods. Additionally, a new convergence criterion and an adaptive algorithm have been developed. It was observed that applying artificial neural networks to structural reliability problems provides both efficient and accurate probability estimates.

Yapı mühendisliğindeki çağdaş yaklaşım, güvenlik faktörlerini kullanarak talep ve dayanım parametrelerinden kaynaklanan belirsizlikleri dolaylı olarak ele almaktadır. Yapı mühendisliğindeki bu belirsizlikleri göz önünde bulundurmak için, bunların istatistiksel özelliklerinin doğrudan analiz ve tasarım sürecine dahil edilmesi gerekir. Ancak bu yaklaşım, zorlayıcı olan, çok katlı olasılık integrallerinin hesaplanmasını gerektirir. İntegrallerin hesaplanmasına alternatif olarak FORM ve SORM olarak bilinen yaklaşık yöntemler geliştirilmiştir. Ne yazık ki, bu yöntemlerin, eldeki probleme bağlı olarak, doğruluk ve yakınsama sorunları olabilmektedir. Yaklaşık yöntemlerle ilgili problemlerin üstesinden gelmek için benzetim tabanlı yapısal güvenilirlik yöntemleri geliştirilmiştir. Bu yöntemlerle ilgili temel sorun, genellikle ya sonlu elemanlar analizi ile kullanıldıklarında hesaplama maliyetlerinin yüksek olması ya da hesaplama maliyetini azaltmak için daha spesifik bir yöntem seçildiğinde bunların uygulanmasının zor olmasıdır. Bu çalışmada, yapay sinir ağları düşük hesaplama maliyeti ile doğru olasılık tahminleri elde etmek için yapısal güvenilirlik problemlerine uygulanmıştır. Yapay sinir ağlarının eğitiminde Bayesci Düzenleme adı verilen özel bir öğrenme algoritması türü kullanılmıştır. Ayrıca yapay sinir ağlarının yapısal güvenilirlik problemlerine uygulanmasına ilişkin detaylara da yer verilmiştir. Çalışmanın sonunda yapay sinir ağlarının yapısal güvenilirlik problemlerine uygulanmasının lehte ve aleyhte noktaları belirtilmiş ve diğer bilinen yöntemlerle karşılaştırılmıştır. Ayrıca uyarlanabilir bir algoritma ve yeni bir yakınsama kriteri geliştirilmiştir. Yapay sinir ağlarının yapısal güvenilirlik problemlerine uygulanmasının hem verimli hem de doğru olasılık tahminleri verdiği gözlemlenmiştir.