Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Bianchessi, André
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Algoritmos genéticos
Aprendizado computacional
Machine learning
Optimization
Otimização
Physics-informed
Sistemas mecânicos
Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-19052025-075252/
Resumo: A utilização de algoritmos genéticos na engenharia depende da sua capacidade de navegar de forma eficiente por espaços de projeto complexos em direção a soluções ótimas.O seu sucesso depende fortemente da função de avaliadora escolhida, que avalia cada solução possível. Quando computacionalmente caras, essas avaliações podem atrapalhar significativamente a velocidade do algoritmo. Esta tese investiga a aplicação inovadora de modelos de Machine Learning Informado por Física como funções avaliadoras dentro de algoritmos genéticos para otimizar sistemas mecânicos dinâmicos. Embora o treinamento não seja trivialmente barato, esses modelos, uma vez treinados, fornecem uma avaliação rápida de cada solução. Treinar os modelos com rapidez suficiente para que a avaliação rápida valha o custo do treinamento é um desafio porque uma cuidadosa seleção de hiperparâmetros é necessária. Para investigar esta técnica, otimizamos vários sistemas mecânicos com algoritmo genético com duas abordagens para avaliar a qualidade de cada solução: Integração Explícita no Tempo e Modelos de Machine Learning Informados por Física. Nossos resultados demonstram que - com hiperparâmetros apropriados - usar os modelos dentro do Algoritmo Genético pode levar a uma convergência significativamente mais rápida e soluções de qualidade comparável ou mesmo superior em comparação com métodos tradicionais. Todas as otimizações foram realizadas com um software (desenvolvido pelo autor) que cria e treina automaticamente os modelos para problemas arbitrários. Todo o código fonte está disponível em um repositório público.
id USP_3126a6a31fce16587ca4008d3e4d354d
oai_identifier_str oai:teses.usp.br:tde-19052025-075252
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.Leveraging physics-informed machine learning to empower genetic algorithms for mechanical systems.Algoritmos genéticosAprendizado computacionalMachine learningOptimizationOtimizaçãoPhysics-informedSistemas mecânicosA utilização de algoritmos genéticos na engenharia depende da sua capacidade de navegar de forma eficiente por espaços de projeto complexos em direção a soluções ótimas.O seu sucesso depende fortemente da função de avaliadora escolhida, que avalia cada solução possível. Quando computacionalmente caras, essas avaliações podem atrapalhar significativamente a velocidade do algoritmo. Esta tese investiga a aplicação inovadora de modelos de Machine Learning Informado por Física como funções avaliadoras dentro de algoritmos genéticos para otimizar sistemas mecânicos dinâmicos. Embora o treinamento não seja trivialmente barato, esses modelos, uma vez treinados, fornecem uma avaliação rápida de cada solução. Treinar os modelos com rapidez suficiente para que a avaliação rápida valha o custo do treinamento é um desafio porque uma cuidadosa seleção de hiperparâmetros é necessária. Para investigar esta técnica, otimizamos vários sistemas mecânicos com algoritmo genético com duas abordagens para avaliar a qualidade de cada solução: Integração Explícita no Tempo e Modelos de Machine Learning Informados por Física. Nossos resultados demonstram que - com hiperparâmetros apropriados - usar os modelos dentro do Algoritmo Genético pode levar a uma convergência significativamente mais rápida e soluções de qualidade comparável ou mesmo superior em comparação com métodos tradicionais. Todas as otimizações foram realizadas com um software (desenvolvido pelo autor) que cria e treina automaticamente os modelos para problemas arbitrários. Todo o código fonte está disponível em um repositório público.The usage of genetic algorithms in engineering hinges on their ability to efficiently navigate complex design spaces towards optimal solutions. However, their success relies heavily on the chosen fitness function, which evaluates each candidate solution. When computationally expensive, these evaluations can significantly hamper the algorithms speed. This thesis investigates the novel application of Physics-Informed Machine Learning models as fitness evaluators within genetic algorithms for optimizing dynamic mechanical systems. Theyre not trivially inexpensive to train but, once trained, these models provide rapid evaluation of candidate solutions. Training the models quickly enough so that the rapid evaluation is worth the cost of the training is challenging because a careful selection of hyperparameters is necessary. To investigate this technique, we optimized multiple mechanical systems with genetic algorithm with two approaches to evaluate the fitness of each candidate solution: Explicit Time Integration and Physics Informed Machine Learning Models. Our findings demonstrate that - with appropriate hyperparameters - using the models within the Genetic Algorithm can lead to significantly faster convergence and solutions of comparable or even superior quality compared to traditional methods. All the optimizations were performed with a software (developed by the author) that automatically creates and trains the models for arbitrary problems. All the source code is available in a public repository.Biblioteca Digitais de Teses e Dissertações da USPAlves, MarcilioBianchessi, André2024-02-22info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3151/tde-19052025-075252/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2025-05-20T10:34:02Zoai:teses.usp.br:tde-19052025-075252Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-05-20T10:34:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
Leveraging physics-informed machine learning to empower genetic algorithms for mechanical systems.
title Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
spellingShingle Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
Bianchessi, André
Algoritmos genéticos
Aprendizado computacional
Machine learning
Optimization
Otimização
Physics-informed
Sistemas mecânicos
title_short Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
title_full Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
title_fullStr Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
title_full_unstemmed Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
title_sort Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
author Bianchessi, André
author_facet Bianchessi, André
author_role author
dc.contributor.none.fl_str_mv Alves, Marcilio
dc.contributor.author.fl_str_mv Bianchessi, André
dc.subject.por.fl_str_mv Algoritmos genéticos
Aprendizado computacional
Machine learning
Optimization
Otimização
Physics-informed
Sistemas mecânicos
topic Algoritmos genéticos
Aprendizado computacional
Machine learning
Optimization
Otimização
Physics-informed
Sistemas mecânicos
description A utilização de algoritmos genéticos na engenharia depende da sua capacidade de navegar de forma eficiente por espaços de projeto complexos em direção a soluções ótimas.O seu sucesso depende fortemente da função de avaliadora escolhida, que avalia cada solução possível. Quando computacionalmente caras, essas avaliações podem atrapalhar significativamente a velocidade do algoritmo. Esta tese investiga a aplicação inovadora de modelos de Machine Learning Informado por Física como funções avaliadoras dentro de algoritmos genéticos para otimizar sistemas mecânicos dinâmicos. Embora o treinamento não seja trivialmente barato, esses modelos, uma vez treinados, fornecem uma avaliação rápida de cada solução. Treinar os modelos com rapidez suficiente para que a avaliação rápida valha o custo do treinamento é um desafio porque uma cuidadosa seleção de hiperparâmetros é necessária. Para investigar esta técnica, otimizamos vários sistemas mecânicos com algoritmo genético com duas abordagens para avaliar a qualidade de cada solução: Integração Explícita no Tempo e Modelos de Machine Learning Informados por Física. Nossos resultados demonstram que - com hiperparâmetros apropriados - usar os modelos dentro do Algoritmo Genético pode levar a uma convergência significativamente mais rápida e soluções de qualidade comparável ou mesmo superior em comparação com métodos tradicionais. Todas as otimizações foram realizadas com um software (desenvolvido pelo autor) que cria e treina automaticamente os modelos para problemas arbitrários. Todo o código fonte está disponível em um repositório público.
publishDate 2024
dc.date.none.fl_str_mv 2024-02-22
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/3/3151/tde-19052025-075252/
url https://www.teses.usp.br/teses/disponiveis/3/3151/tde-19052025-075252/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1844786338174337024

Registros relacionados