Alavançando a aprendizagem de máquina informada por física para potencializar algoritmos genéticos em sistemas mecânicos.
| Ano de defesa: | 2024 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| 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: | |
| 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 |