ปัจจุบันการออกแบบงานด้านวิศวกรรมโคร

ปัจจุบันการออกแบบงานด้านวิศวกรรมโครงสร้างมีความจำเป็นที่ต้องมีทั้งการออกแบบ การคำนวณ การวิเคราะห์ และหาค่าเหมาะสมที่สุดในการออกแบบ เพื่อนำผลที่ได้นำมาประยุกต์ใช้ในการสร้างโครงสร้างจริงซึ่งไม่จำเป็นต้องมีการสร้างแบบจำลองโครงสร้างขึ้นมาก่อน ในการวิเคราะห์เพื่อการออกแบบโครงสร้างที่เหมาะสมที่สุด [1] จำเป็นต้องอาศัยขั้นตอนในการออกแบบสำหรับวิธีการค้นหาโครงสร้างใหม่ที่เหมาะสมที่สุด ปัจจุบันนี้ได้มีการออกแบบโครงสร้างหลายขั้นตอนด้วยกันคือวิธีวิวัฒนาการ (Evolutionary algorithms) [2,3] อาทิ Binary Population-Based Incremental Learning (BPBIL) [4-6], Unrestricted Population Size Evolutionary Multiobjective Optimisation Algorithm (UPS-EMOA) [7,42], Strength Pareto Evolutionary Algorithm (SPEA2) [6,8,9], Multiobjective Particle Swarm Optimisation (MPSO) [6,10], Non-dominated Sorting Genetic Algorithm (NSGA-II) [6,11], Hybrid Population-Based Incremental Learning (RPBIL) [4,12,13] and Hybrid Population-Based Incremental Learning Differential Equation (RPBIL-DE) [4,12,14-16] เป็นต้น ร่วมกับระเบียบวิธีไฟไนท์เอลิเมนต์ [17,18] ในการวิเคราะห์หาโครงสร้าง แรกเริ่มนั้นขั้นตอนวิธีวิวัฒนาการใช้กับปัญหาที่มีเป้าหมายเดียว(Single Objective) แต่ปัญหาทางด้านวิศวกรรมนั้นโดยส่วนใหญ่มีมากกว่าหนึ่งเป้าหมายหรือหลายเป้าหมาย (Multiobjective) ในการออกแบบเพื่อให้ครอบคลุมกับปัญหาและข้อกำหนดต่างๆ ดังนั้นขั้นตอนวิธีวิวัฒนาการแบบหลายเป้าหมาย ( Multiobjective Evolutionary Algorithms, MOEAs) [1,19-22] จึงเป็นเครื่องมือที่มีบทบาทสำคัญกับการแก้ปัญหานี้ และผลเฉลยจากขั้นตอนวิธีการนี้ จะปรากฏในรูปของผลเฉลย ‘พาเรโต’ (Pareto solutions) หรือ ขอบหน้าพาเรโต (Pareto front) [1] ด้วยการรันเพียงครั้งเดียวเท่านั้น เมื่อเทียบกับวิธีใช้อนุพันธ์ซึ่งต้องการจำนวนครั้ง ในการหาค่าเหมาะที่สุดเท่ากับจำนวนผลเฉลยในขอบหน้าพาเรโตที่ผู้ออกแบบต้องการหาค่าที่เหมาะสมที่สุดในการค้นหาคำตอบ ดังที่กล่าวมาจึงได้มีการประยุกต์ใช้ MOEAs กับการออกแบบทางด้านวิศวกรรมอย่างกว้างขวาง และการออกแบบโครงสร้างต้องมีการพิจารณาตัวแปรออกแบบหลักๆอยู่ 3 แบบคือ ตัวแปรออกแบบของโครงสร้าง(Topology) [23-33] ตัวแปรออกแบบรูปร่าง(Shape) [23,24,26,34-38] และตัวแปรออกแบบขนาด(Sizing) [25,28,34-38] โดยในงานวิจัยนี้ได้ทำการวิเคราะห์ตัวแปรทั้ง 3 แบบไปพร้อมกันเพียงแค่ใส่ข้อมูลที่เกี่ยวข้องกับการออกแบบเพียงครั้งเดียวเพื่อง่ายต่อการวิเคราะห์สำหรับมือใหม่ที่ยังไม่มีความรู้ด้านนี้ และช่วยประหยัดเวลาในการวิเคราะห์เพราะสามารถกำหนดตัวแปรเพียงครั้งเดียวก็ได้รับโครงสร้างที่เสร็จสมบูรณ์โดยไม่ต้องคำนวณใหม่ถึง 3 ครั้งของในแต่ละแบบเรียกวิธีนี้ว่า การหาค่าเหมาะสมที่สุดแบบโครงสร้าง รูปร่าง และขนาดไปพร้อมกัน(Simultaneous topology, shape and sizing optimization) [6,39-44] โดยเพื่อให้เข้าใจขั้นตอนการหาค่าที่เหมาะสมที่สุดขอยกตัวอย่างขั้นตอนการออกแบบในรูปที่ 1

ผลลัพธ์ (อังกฤษ) 1:

The current design of engineering structures, there is a need to have the entire design. Analysis and calculation for optimal design to bring the results applied to physical structure, which does not necessarily have to create a structural model. In an analysis to design the most appropriate structure [1] requires the process design for the new structure, how to find the most appropriate. Now the structure has several steps: how evolution (Evolutionary algorithms) [2, 3], such as the Binary Incremental Population-Based Learning (BPBIL) [4-6], Multiobjective Evolutionary Optimisation Algorithm Unrestricted Population Size (UPS-EMOA) [7, 8], the Strength Pareto Evolutionary Algorithm (SPEA2.) [6, 8, 9], Particle Swarm Optimisation Multiobjective (MPSO) [6, 10] Sorting Genetic Algorithm, Non-dominated (NSGA-II) [6, 11], Incremental Learning (RPBIL), Hybrid Population-Based [4, 12, 13] Hybrid Population-Based and Incremental Learning Differential Equation (RPBIL-DE) [4, 12, 14-16] etc ร่ว.With night light control elements [17, 18] on the initial structure for the evolutionary algorithm applied to the problems with the aim of a single (Single Objective). But the issue that most engineering has more than one target or targets. (Multiobjective) designed to cover various issues and, therefore, a multiple-target evolution algorithm (Multiobjective Evolutionary Algorithms, the MOEAs) [1, 19-22], it is a tool that plays a major role with this solution, and the results reveal this method step appears as a result.Chon criticize ' take re grow ' (Pareto solutions) or to edges of page take Rae (Pareto front) [1] with the run only once. Compared to how to use derivatives to a number of times. In order to find the best value equal to the number of verses in the results page at the Regina Palace to find the most appropriate value in finding answers to these are the application of MOEAs on engineering design and. And design of the structure has to be considered the main design is variable. 3: the design of variable structure (Topology) [23-33] Design of variable shape (Shape) [23, 24, 26, 34-38] and Variant design size (Sizing) [25, 29, 34-38] In this research, an analysis of all three variables at the same time, simply enter the information relating to the design, once so it is easier to analyze for the newbies have no knowledge of this and save time in analysis, because it can be defined only once.Khrong create complete without recalculation up to 3 times on each call that method to find the most suitable structural shapes and sizes at the same time (Simultaneous shape and topology optimization, sizing) [6, 39-44.] Generally, to better understand the process of finding the most appropriate charge, for example ask for stage design in Figure 1.

ผลลัพธ์ (อังกฤษ) 2:

The current design of engineering structures are essential to a well-designed numerical analysis and find the most appropriate design. The result was applied to build the actual structure, which does not require modeling the structure first. In the analysis, to design the most appropriate structure [1] requires steps to design a new structure for how to find the right balance. This design has several steps together is how evolution. (Evolutionary algorithms) [2,3] such as Binary Population-Based Incremental Learning (BPBIL) [4-6], Unrestricted Population Size Evolutionary Multiobjective Optimisation Algorithm (UPS-EMOA) [7,42], Strength Pareto Evolutionary Algorithm (SPEA2). [6,8,9], Multiobjective Particle Swarm Optimisation (MPSO) [6,10], Non-dominated Sorting Genetic Algorithm (NSGA-II) [6,11], Hybrid Population-Based Incremental Learning (RPBIL) [4,. 12,13] and Hybrid Population-Based Incremental Learning Differential Equation (RPBIL-DE) [4,12,14-16], among methodological Finite Element [17,18] In analyzing the structure. Start the evolutionary algorithms applied to problems with a single goal (Single Objective), but mainly engineering problems that have more than one target or multiple targets. (Multiobjective) to design, to cover the problems and requirements. Thus, evolutionary algorithms, multi-targeted (Multiobjective Evolutionary Algorithms, MOEAs) [1,19-22], it is an important role to solve this problem. And the solution of this algorithm. Appears in the form of solutions 'Pareto' (Pareto solutions) or edge Pareto (Pareto front) [1], by running only once. Compared to the use of derivatives, which require time. To find the most suitable solution in the face of the Pareto designers looking for the ideal place to find the answer. That said, it has been applied to the design engineering MOEAs widely. And structural design, design variables need to be considered are three main types of structural design parameters (Topology) [23-33] variable shape (Shape) [23,24,26,34-38] and design parameters (size. Sizing) [25,28,34-38] In this study, we analyzed these 3 variables along the way, just put the information related to a single design for easy analysis for the novice who has no knowledge. This side And saves time in the analysis because they can define a single structure was completed without recalculation of up to three times in each call this. Finding the optimal structure shapes and sizes along the way (Simultaneous topology, shape and sizing optimization) [6,39-44] In order to understand the process of finding the most suitable, for example, in the design stage. 1st

ผลลัพธ์ (อังกฤษ) 3:

The present design in structural engineering is necessary to have the design, calculation, analysis, and find the most suitable design.Analysis for structural design of the most suitable [] need to rely on 1 process in design for how to find a new structure most appropriate.(Evolutionary algorithms), [23] such as Binary Population-Based Incremental Learning (BPBIL) [], Unrestricted 4-6 Population Size Evolutionary Multiobjective. Optimisation Algorithm (UPS-EMOA) [], Strength, 7 42 Pareto Evolutionary Algorithm (SPEA2) [6 8 9,,], Multiobjective Particle. Swarm Optimisation (MPSO) [], Non-dominated, 6 10 Sorting Genetic Algorithm (NSGA-II) [], Hybrid, 6 11 Population-Based Incremental. Learning (RPBIL), [412 13], and Hybrid Population-Based Incremental Learning Differential Equation (RPBIL-DE) [], 4 12 14-16, etc. with method of fire night element. [17.18] in the analysis of the structure. The first problem with evolutionary algorithm applied to single target (Single Objective), but the problems of the engineering that most have more than one target or multiple targets. (Multiobjective).So evolutionary algorithm multi target (Multiobjective, Evolutionary AlgorithmsMOEAs), [119-22] is a tool that plays the most important role to solve this problem. And the simulation results of this algorithm will appear in the form of the solution 'Pareto' (Pareto solutions) or the edge of the page to take เรโต (Pareto front) [] with 1 run only once.On the optimization of the solution in the edge of the page, Pareto designers wanted to find the most suitable in the search for the answer. As said, we have applied MOEAs with design engineering widely.A design of 3 is variable structure (Topology) [23-33] variable shape design (Shape), [23,, 24 26 34-38] and variable size design (Sizing) [25 28,,34-38] by this research analyzed the variable and 3 to simultaneously just put the information related to a single design for easy analysis for which no knowledge of this.3 in times of each call this way. Optimization model structure, the shape and the size along the way (Simultaneous, topologyShape and sizing optimization) [6 39-44] by, in order to understand the process of optimization, for example the design in Figure 1.