Otimização estrutural mediante redes adversárias generativas.

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Pereira, Lucas Matheus Silva
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:
Aprendizado computacional
Finite element analysis
Machine learning
Método dos Elementos Finitos
Neural network
Otimização topológica
Redes neurais
Topology optimization
Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-11072025-113625/
Resumo: O método dos elementos finitos (MEF) é uma alternativa numérica à solução analítica de equações diferenciais. Paralelamente, a Inteligência Artificial (ou IA) busca entender as entidades inteligentes. Ela se preocupa em projetar máquinas capazes de realizar tarefas que normalmente requerem inteligência, imitando o raciocínio humano. Já o Aprendizado de Máquina (AM) é uma forma de treinar um algoritmo para que ele possa aprender, ao invés de se programar rotinas com instruções específicas para a execução de uma tarefa. Dentre as técnicas de AM, este trabalho faz uso de redes neurais artificiais (RNAs). Particularmente, uma arquitetura com duas redes neurais profundas (RNPs) será treinada para prever a geometria resultante de otimização topológica. Primeiramente, um modelo MEF será desenvolvido e validado. Depois, esse modelo será usado para gerar um dataset. Esse, por sua vez, será processado pela rede durante o treinamento para uma tarefa de regressão. Neste trabalho: serão explorados os prós e contras do uso de redes neurais para análise estrutural; serão gerados dados úteis de FEA; e se gerenciará experimentos virtuais de aprendizagem profunda usando uma rede neural.
id USP_d0c7958b5d8c9e18fba3b48406c0ff55
oai_identifier_str oai:teses.usp.br:tde-11072025-113625
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Otimização estrutural mediante redes adversárias generativas.Structural optimization through generative adversarial networks.Aprendizado computacionalFinite element analysisMachine learningMétodo dos Elementos FinitosNeural networkOtimização topológicaRedes neuraisTopology optimizationO método dos elementos finitos (MEF) é uma alternativa numérica à solução analítica de equações diferenciais. Paralelamente, a Inteligência Artificial (ou IA) busca entender as entidades inteligentes. Ela se preocupa em projetar máquinas capazes de realizar tarefas que normalmente requerem inteligência, imitando o raciocínio humano. Já o Aprendizado de Máquina (AM) é uma forma de treinar um algoritmo para que ele possa aprender, ao invés de se programar rotinas com instruções específicas para a execução de uma tarefa. Dentre as técnicas de AM, este trabalho faz uso de redes neurais artificiais (RNAs). Particularmente, uma arquitetura com duas redes neurais profundas (RNPs) será treinada para prever a geometria resultante de otimização topológica. Primeiramente, um modelo MEF será desenvolvido e validado. Depois, esse modelo será usado para gerar um dataset. Esse, por sua vez, será processado pela rede durante o treinamento para uma tarefa de regressão. Neste trabalho: serão explorados os prós e contras do uso de redes neurais para análise estrutural; serão gerados dados úteis de FEA; e se gerenciará experimentos virtuais de aprendizagem profunda usando uma rede neural.The finite element method (FEM) is a numerical alternative to the analytical solution of partial differential equations. Meanwhile, artificial intelligence (AI) seeks to understand intelligent entities. It focuses in designing machines capable of completing tasks that normally require intelligence, mimicking the human reasoning. And one of its subareas, machine learning (ML), is a method of \"training\" an algorithm (instead of programming it with predetermined routines) to execute a task. Among the ML techniques, the present work uses artificial neural networks (ANNs). Particularly, an architecture containing two deep ANNs will be trained to predict the resulting geometry of topology optimization. First, a FEM model will be validated. Then, it will be used to generate a dataset which will be fed into the network to train for a regression problem. In this work: the pros and cons of using neural networks in structural analysis will be discussed; useful FEA data will be generated; and virtual experiments with deep neural networks will be developed.Biblioteca Digitais de Teses e Dissertações da USPDriemeier, LarissaPereira, Lucas Matheus Silva2024-08-16info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3151/tde-11072025-113625/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/openAccesspor2025-07-14T12:33:02Zoai:teses.usp.br:tde-11072025-113625Biblioteca 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:27212025-07-14T12:33:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Otimização estrutural mediante redes adversárias generativas.
Structural optimization through generative adversarial networks.
title Otimização estrutural mediante redes adversárias generativas.
spellingShingle Otimização estrutural mediante redes adversárias generativas.
Pereira, Lucas Matheus Silva
Aprendizado computacional
Finite element analysis
Machine learning
Método dos Elementos Finitos
Neural network
Otimização topológica
Redes neurais
Topology optimization
title_short Otimização estrutural mediante redes adversárias generativas.
title_full Otimização estrutural mediante redes adversárias generativas.
title_fullStr Otimização estrutural mediante redes adversárias generativas.
title_full_unstemmed Otimização estrutural mediante redes adversárias generativas.
title_sort Otimização estrutural mediante redes adversárias generativas.
author Pereira, Lucas Matheus Silva
author_facet Pereira, Lucas Matheus Silva
author_role author
dc.contributor.none.fl_str_mv Driemeier, Larissa
dc.contributor.author.fl_str_mv Pereira, Lucas Matheus Silva
dc.subject.por.fl_str_mv Aprendizado computacional
Finite element analysis
Machine learning
Método dos Elementos Finitos
Neural network
Otimização topológica
Redes neurais
Topology optimization
topic Aprendizado computacional
Finite element analysis
Machine learning
Método dos Elementos Finitos
Neural network
Otimização topológica
Redes neurais
Topology optimization
description O método dos elementos finitos (MEF) é uma alternativa numérica à solução analítica de equações diferenciais. Paralelamente, a Inteligência Artificial (ou IA) busca entender as entidades inteligentes. Ela se preocupa em projetar máquinas capazes de realizar tarefas que normalmente requerem inteligência, imitando o raciocínio humano. Já o Aprendizado de Máquina (AM) é uma forma de treinar um algoritmo para que ele possa aprender, ao invés de se programar rotinas com instruções específicas para a execução de uma tarefa. Dentre as técnicas de AM, este trabalho faz uso de redes neurais artificiais (RNAs). Particularmente, uma arquitetura com duas redes neurais profundas (RNPs) será treinada para prever a geometria resultante de otimização topológica. Primeiramente, um modelo MEF será desenvolvido e validado. Depois, esse modelo será usado para gerar um dataset. Esse, por sua vez, será processado pela rede durante o treinamento para uma tarefa de regressão. Neste trabalho: serão explorados os prós e contras do uso de redes neurais para análise estrutural; serão gerados dados úteis de FEA; e se gerenciará experimentos virtuais de aprendizagem profunda usando uma rede neural.
publishDate 2024
dc.date.none.fl_str_mv 2024-08-16
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-11072025-113625/
url https://www.teses.usp.br/teses/disponiveis/3/3151/tde-11072025-113625/
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_ 1844786332784656384

Registros relacionados