الگوریتم بهینه سازی

دانلود پایان نامه

L
L
نتایج حاصل از کنترل سازه 3 طبقه با استفاده از کنترل کننده فازی اشاره شده، با نتایج حاصل از کنترل کنندههای غیر فعال روشن، غیرفعال خاموش و کلیپ بهینه تحت زمین لرزه السنترو مقایسه شده است. نشان داده شده است که نسبتهای پاسخهای ماکزیمم در سازه کنترل شده به سازه کنترل نشده، در سیستمهای کنترل غیرفعال خاموش، غیرفعال روشن، کلیپ بهینه و فازی به ترتیب 46/0 ، 32/0 ، 23/0 و 29/0 برای تغییر مکان، 51/0 ، 55/0 ، 50/0 و 50/0 برای تغییر مکان نسبی طبقات، 51/0 ، 55/0 ، 82/0 و50/0 برای شتاب هستند. اگرچه تغییر مکان ماکزیمم در کنترل کننده کلیپ نسبت به کنترل کننده فازی اندکی کاهش داشته است ولی شتاب به نحو قابل ملاحظهای در کنترل کننده کلیپ افزایش یافته است. این در حالی است که حداکثر نیروی بکار گرفته شده در کنترل کننده فازی 843 و در کنترل کننده کلیپ 953 نیوتون است که نشان میدهد کنترل کننده فازی در کاهش پاسخهای سازه مرتعش تحت زمین لرزه السنترو بسیار موثر است [].
لین و همکاران اثر ترکیب میراگر تنظیم پذیر مغناطیسی و میراگر جرمی تنظیم شونده در یک سازه 12 طبقه بررسی کردند. الگوریتم کنترل نیمه فعال بکار برده شده در این تحقیق از 2 بخش تشکیل شده است. بخش اول با استفاده از الگوریتم LQR نیروی بهینه در هر لحظه از زمان محاسبه میگردد و در بخش دوم نیروی بهینه محاسبه شده از بخش اول تبدیل به فرمان ولتاژ بهینه اعمالی به میراگر میگردد. لین و همکاران در انتها گزارش کردهاند که ترکیب میراگر تنظیم پذیر مغناطیسی و میراگر جرمی تنظیم شونده عملکرد بسیار بهتری نسبت به میراگرهای جرمی غیر فعال دارد و در مقایسه با میراگرهای جرمی فعال، تأثیر کمتری در کاهش پاسخ سازه دارد اما دارای قابلیت اعتماد و پایداری بیشتر و هزینه کمتر نسبت به میراگرهای جرمی فعال است [].
اگر چه الگوریتمهای فازی ساده هستند ولی به دلیل پارامترهای زیادی که باید در توابع عضویت و مکانیزم استنتاج تعریف شود طراحی کنترل کننده فازی از پیچیدهگی بیشتری برخوردار است. بدین منظور تحقیقات بسیاری در زمینه ترکیب کنترل کنندههای فازی با الگوریتم های بهینه سازی به ویژه الگوریتم ژنتیک انجام شده است.
در سال 2006 یان و ژو به منظور دستیابی به یک کنترل کننده فازی بهینه، ترکیب سیستم فازی و الگوریتم ژنتیک را مورد مطالعه قرار دادند. در این تحقیق تنها بهینه سازی قوانین سیستم فازی مورد توجه بوده و سایر پارامترهای ثابت در نظر گرفته شده است. دو نوع سازه با استفاده از این روش کنترل شدهاند. در مورد اول از یک سازه 3 طبقه با تعبیه میراگر مغناطیسی در طبقه 1 و در مورد دوم یک سازه 6 طبقه، با تعبیه دو میراگر مغناطیسی در طبقات 2 و 1 مورد بررسی قرار گرفته است. برای هر دو سازه شتاب دو طبقه فوقانی به عنوان ورودی، و ولتاژ اعمالی به میراگر به عنوان خروجی در نظر گرفته شده است. هر ورودی دارای 5 تابع عضویت زنگولهای و هر خروجی دارای 4 تابع عضویت زنگوله ای است. به منظور سادگی در تعریف توابع عضویت، مقادیر ورودی قبل از ورود به کنترل کننده فازی نرمالیزه میشوند. در این مطالعه یک محدوده قابل قبول برای هر ورودی بین 70% تا 80% پاسخ کنترل نشده در نظر گرفته شده و از مقادیر ماکزیمم محدوده ورودی ها جهت نرمالیزه کردن استفاده شده است. محدوده خروجی ولتاژ نیز متناظر با ظرفیت میراگر مغناطیسی در نظر گرفته میشود. تابع هدف استفاده شده ترکیبی از شتاب و جابجایی نرمالیزه شده نسبت به پاسخهای سازه کنترل نشده مطابق روابط (3-2) و (3-3) میباشند.
(‏32)
(‏33)
لازم به ذکر است که در این تحقیق ا ز 20 ثانیه اول زمین لرزه السنترو به عنوان تحریک پایه در بهینه سازی استفاده شده است [].
ژی و همکارش برای کنترل سازه 3 طبقه مرتعش از میراگر مغناطیسی در طبقه اول استفاده کردند. فرکانسهای طبیعی مود اول تا سوم سازه Hz 58/1،Hz 44/4،Hz 42/6 و نسبت میرایی مود اول و دوم برابر 5% تخمین زده شده است. آنها این سازه را تحت ارتعاش 2 زمین لرزه السنترو 1940 و هاچینوحه 1968 قرار داده و مقادیر پاسخ کنترل شده با استفاده از کنترل گر LQG را برای آموزش کنترلکننده انفیس بکار گرفتند. در انتها آنها گزارش کردهاند که مقدار حداکثر جابهجایی طبقات اول، دوم و سوم در حالت کنترل شده نسبت به حالت کنترل نشده در زمین لرزه السنترو به ترتیب 78 ، 47 و 39 در صد و در زمین لرزه هاچینوحه به ترتیب 82، 52 و 42 درصد کاهش یافته است. همچنین آنها گزارش کردهاند که به طور کلی اختلاف بین کنترلگرهای LQG و انفیس در زمین لرزه السنترو کوچک تر از 5 درصد و در زمین لرزه هاچینوحه کمتر از 3 درصد میباشد [].
دانگ و همکارش برای کنترل سازه سه درجه آزادی مرتعش از میراگر تنظیم پذیر مغناطیسی با استراتژی کنترل فازی-عصبی استفاده کردند. آنها این سازه را تحت ارتعاش دو زمین لرزه السنترو و تفت با ماکزیمم شتاب g4/0 قرار دادند. در این تحقیق میزان جریان ورودی به میراگر MR توسط یک سیستم کنترل فازی تعیین میگردد. ورودیهای کنترل کننده ی فازی، جابجایی و شتاب طبقه اول میباشند. در این سیستم زمان لازم برای تعیین جابجایی طبقه به عنوان ورودی سیستم کنترل فازی باعث افت کارایی آن میشود. دانگ و همکارش برای جبران این تأخیر، از شبکه فازی-عصبی جهت پیشبینی جابهجایی طبقه در لحظه بعدی کردند. در این حالت ورودیهای شبکهی فازی- عصبی، پاسخهای جابهجایی و سرعت در زمانهای قبلی سیستم () و خروجی آن پاسخ جابجایی پیشبینی شده در یک مرحله بعد () میباشد. این جابجایی پیشبینی شده جهت تعیین میزان جریان ورودی میراگر به کنترل کننده ی فازی داده میشود. آنها همچنین برای اثبات کارایی این روش از یک الگوریتم کنترل دیگری تحت عنوان دو حالته نیز استفاده کردند. این استراتژی بدین قرار است که هرگاه سازه به سمت نقطه تعادل حرکت کند جریان ورودی به میراگر اعمال نمیگردد و هرگاه سازه از نقطه تعادل دور شود، جریان ورودی حداکثر به میراگر اعمال میگردد. آنها گزارش کردهاند که کنترل کننده ی شبکه فازی-عصبی نسبت به حالت کنترل نشده، میزان جابجایی طبقه سوم را کاهش داده و باعث افزایش ناچیزی در مقدار شتاب آن طبقه شده است و نسبت به حالت کنترل شده با استراتژی دو حالته، هر دو پاسخ شتاب و تغییر مکان طبقه فوقانی سازه را کاهش داده است [].
گانکالوز مدل سازی رفتار میراگر مغناطیسی با استفاده از شبکه عصبی پرسپترون چند لایه بررسی نمود. این شبکه مطابق شکل (3-20) است.
شکل ‏320- شبکه عصبی مصنوعی جهت مدل کردن رفتار میراگر مغناطیسی
به منظور آموزش شبکه عصبی از 4 ورودی تغییر مکان، سرعت، ولتاژ و نیرو استفاده شده است. به دلیل دینامیکی بودن شبکه، ورودیها تا 4 مرحله قبل در حافظه TDL ذخیره میگردند. در لایه اول از 10 نرون، در لایه دوم از 4 نرون و در لایه آخر از 1 نرون استفاده شده است. در دو لایه اول تابع تانژانت سیگموئید و در لایه آخر تابع خطی بکار گرفته شده است. در شکل (3-21) نتایج حاصل از مدل شبکه عصبی فوق تحت تحریک سینوسی با فرکانس 4 هرتز و ولتاژ ثابت 3 ولت با نتایج حاصل از مدل آزمایشگاهی مقایسه شده است.
شکل ‏321- مقایسه نتایج آزمایشگاهی با مدل شبکه عصبی
همان طور که ملاحظه میگردد این مدل به خوبی میتواند رفتار میراگر را مدل کند [33].
فاروق و راماسوای تأثیر یک کنترل کننده فازی بهینه را برای کاهش ارتعاشات سازه مورد مطالعه قرار دادند. آنها پارامترهای سیستم فازی را با استفاده از الگوریتمهای تکاملی میکرو ژنتیک و گروه ذرات بهینه سازی کردند. آنها دو شیوه برای بهینه سازی سیستم فازی در نظر گرفتند. در مورد اول قوانین فازی ثابت در نظر گرفته و پارامترهای توابع عضویت بهینه گشتند و در مورد دوم قوانین را به همراه توابع عضویت بهینه نمودند. آنها با مقایسه نتایج دو الگوریتم بهینه سازی نتیجه گرفتند که نتایج هر دو الگوریتم تقریباً یکسان هستند ولی الگوریتم میکرو ژنتیک با اینکه در تعداد نسل بیشتری نسبت به الگوریتم گروه ذرات همگرا میشود ولی زمان همگرایی آن کوچک تر میباشد. علاوه بر این آنها گزارش کردهاند که سیستم کنترل فازی با قوانین بهینه سازی شده مؤثرتر از سیستم کنترل فازی با قوانین ثابت میباشد [].
در سال 2012 کرم الدین و همکاران از کنترل کننده فازی بهینه جهت کنترل ارتعاشات سازههای 3 و20 طبقه استفاده کردند. در این تحقیق سرعت و شتاب متناظر با محل میراگر به عنوان ورودی و نیروی تولید شده توسط میراگر به عنوان خروجی در نظر گرفته شده است. در مورد سازه 3 طبقه در هر طبقه 2 میراگر و در مورد سازه 20 طبقه در طبقه اول 4 میراگر، در طبقات 2 و 3، 2 میراگر و در مابقی طبقات یک میراگر بکار گرفته شده است. در این تحقیق از الگوریتم ژنتیک جهت یافتن قوانین بهینه و پارامترهای مرتبط با توابع عضویت استفاده شده است. شکل (3-22) توابع عضویت تعریف شده روی فضاهای ورودی و خروجی به همراه پارامترهای مرتبط به آن را نشان میدهد.
شکل ‏322- توابع عضویت ورودی و خروجی به همراه متغیرهای طراحی مرتبط
برای بدست آوردن پارامترهای مذکور در طراحی کنترل کننده فازی در مورد سازههای 3 و 20 طبقه به ترتیب سازه تحت ارتعاش پایه زمین لرزه السنترو با مقیاسهای 5/1 و 5/2 قرار گرفته است. آنها با مقایسه عملکرد کنترل کننده فازی-ژنتیک با کنترل کننده LQG گزارش کردهاند که کنترل کننده فازی-ژنتیک توانسته شاخصهای عملکردی مختلف را در سازههای 3 و 20 طبقه را به نحو مؤثرتری کاهش دهد [].
سیستمهای فازی و عصبی-فازی
منطق فازی

مطلب مشابه :  صندوق‌های سرمایه‌گذاری