Yapay Zeka Yöntemlerinin Otomotiv Sektöründe Ürün...

04.11.2014 Doç. Dr. Ali Rıza YILDIZ - "Hibrid Evrimsel Yöntemler İle Taşıt Elemanlarının Çok Amaçlı Yapısal Optimizasyonu" 1

Doç. Dr. Ali Rıza YILDIZ

BURSA TEKNİK ÜNİVERSİTESİ MAKİNE MÜHENDİSLİĞİ BÖLÜMÜ

Yapay Zeka Yöntemlerinin Otomotiv Sektöründe Ürün Tasarımı Çalışmalarında Kullanılması



İÇERİK • Optimizasyon

• Evrimsel Algoritmalar

• Genetik Algoritmalar

• Parçacık Sürüsü Optimizasyon Algoritması

• Arı Koloni Algoritması

• Hibrid Yöntemler

• Topoloji ve Şekil Optimizasyonu

• Otomotiv Sektöründe Uygulamalar

Şekil ve Topoloji Optimizasyonu Uygulamaları

Taşıt Çarpışma Performanslarının İyileştirilmesi

Sac Metal Şekillendirme



Optimizasyon Nedir?

Optimizasyon, kısıtlar sağlanacak şekilde amaç fonksiyonunu/fonksiyonlarının minimum/maksimum değerlerini veren tasarım değişkenlerinin en ideal değerlerinin bulunmasıdır.

𝑓 𝑥 = 𝑥1, 𝑥2, … , 𝑥𝑛

𝑔𝑖 𝑥 ≡ 𝑔𝑖 𝑥1, 𝑥2, … , 𝑥𝑛 ≤ 0; i=1..m

Amaç fonksiyonu:

Kısıtlayıcı fonksiyonlar:



Yapay Zeka Optimizasyon Algoritmaları

Canlıların yaşama, üreme ve beslenme gibi davranış biçimlerinden esinlenerek

geliştirilmiş popülasyon temelli optimizasyon algoritmalarıdır.

Genetik algoritmalar (Genetic algorithms)

Parçacık sürüsü optimizasyon algoritması (Particle Swarm Optimization Algorithm)

Yapay arı koloni algoritması (Artificial Bee Colony Algorithm)



Genetik Algoritmalar, genetik bilimindeki evrim prensiplerini ve kromozomal prosesleri bilgisayar ortamında taklit ederek çalışan optimizasyon metodudur.

Genetik algoritmalar iteratif optimizasyon metodur. Herbir iterasyonda tekbir çözüm ile çalışmak yerine, çeşitli çözümleri içeren bir çözüm kümesi ( popülasyon) ile çalışır.

Genetik Algoritmaların Çalışma Prensibi



Genetik Algoritmaların Çalışma Prensibi Akış Şeması

Başla

Başlangıç Popülasyonunu Oluştur

Üreme

Çaprazlama

Mutasyon

Elitizm

Kısıtlar Sağlanıyormu?

Dur

evet

hayır



1 0 1 0 0 1 1 0

1*27 + 0*26+ 1*25+ 0*24+ 0*23+ 1*22 + 1*21 + 0*20 = 162




Genetik Algortima Döngüsü

1

2

3 4

5 6

OPTİMUM TASARIM



Parçacık Sürüsü (particle swarm) Optimizasyonu (PSO); 1995 yılında J.Kennedy ve R.C.Eberhart tarafından; kuş sürülerinin davranışlarından esinlenilerek geliştirilmiş popülasyon tabanlı optimizasyon tekniğidir.



Kuşların, yerini bilmedikleri yiyeceği aramaları, bir probleme çözüm aramaya benzetilir. Kuşlar

yiyecek ararken yiyeceğe en yakın olan kuşu takip ederler. Parçacık olarak adlandırılan her

tekil çözüm, arama uzayındaki bir kuştur.

Çözüm uzayında her boyuttaki hızın ve yönün her seferinde nasıl değişeceği, komşularının en

iyi koordinatları ve kendi kişisel en iyi koordinatlarının bir birleşimi olacağı kabul edilerek

optimum noktaya ulaşmaya çalışılır.

Parçacık Sürüsü Optimizasyonu



Parçacık Sürüsü Optimizasyonu Akış Diyagramı Başla

Başlangıç sürüsünü, hızları ve pozisyonları oluştur.

Sürüdeki bütün parçacıkların uygunluk değerini hesapla.

Her jenerasyonda tüm parçacıkları önceki jenerasyonun en iyisi ile karşılaştır. Daha iyi ise yer değiştir.

En iyi yerel değerleri kendi arasında karşılaştır ve en iyi olanı küresel en iyi olarak ata

Hız ve pozisyon değerlerini yenile.

Durdurma kriteri

Sonucu Göster

evet

hayır



Hibrid Optimizasyon Algoritmaları

Hibrid Optimizasyon Yöntemleri, global optimum noktaya en az iterasyonda en kısa zamanda yakınsamasını sağlamak için geliştirilen algoritmalardır.

C

D

A

B

x

f(x)

E

F

x = -a

x = b



20 < x1 < 50

15 < x2 < 41

8 < x3 < 14

3 < x4 < 12

Ex

No

X1

(mm)

X2

(mm)

X3

(mm)

X4

(mm)

1 20 15 8 3

2 20 24 10 6

3 20 32 12 9

4 20 41 14 12

5 30 15 10 9

6 30 24 8 12

7 30 32 12 3

8 30 41 14 6

9 40 15 12 12

10 40 24 14 9

11 40 41 8 6

12 40 32 10 3

13 50 15 14 6

14 50 24 12 3

15 50 41 10 12

16 50 32 8 9



Level1 Level2 Level3 Level4 DOF M F Cont.(%)

X1 17.69 18.08 18.70 19.69 3 3,06300 1512,4 81.74

X2 19.02 18.69 18.41 18.05 3 0,65799 324,91 17.55

X3 18.56 18.57 18.61 18.42 3 0,00324 1,60 0.008

X4 18.51 18.48 18.53 18.65 3 0,02160 10,67 0.569

Error 3 0,00203

Total 15

Table. Results of the ANOVA for volume

𝟐𝟎 < 𝑥𝟏 <50

𝟏𝟓 < 𝑥2 <41

𝟖 < 𝑥3 < 14

𝟑 < 𝑥4 < 12

𝟒𝟎 < 𝑥𝟏 <50

𝟏𝟓 < 𝑥2 <41

𝟖 < 𝑥3 < 14

𝟑 < 𝑥4 < 12



𝟐𝟎 < 𝑥𝟏 <50

𝟏𝟓 < 𝑥2 <41

𝟖 < 𝑥3 < 14

𝟑 < 𝑥4 < 12

𝟒𝟎 < 𝑥𝟏 <50

𝟏𝟓 < 𝑥2 <41

𝟖 < 𝑥3 < 14

𝟑 < 𝑥4 < 12



Topoloji Optimizasyonu

Topoloji optimizasyonunun temel mantığı, optimizasyonu yapılacak parçanın dış

boyutlarında herhangi bir değişiklik olmaksızın, istenen oranda hacim azaltarak

alternatifler arasından en rijit yapının elde edilmesine olanak sağlayacak şekilde belirli

bölgelerden malzeme boşaltılması esasına dayanır. Topoloji optimizasyonunda hedef,

amaç fonksiyonlarını (rijitlik, doğal frekans, üretim maliyetleri v.b.) minimum veya

maksimum yapan en iyi malzeme dağılımını bulmaktır.



Topoloji Optimizasyonu

Tek Komponentli Topoloji Opt. (N. Kikuchi, 1989)

Çok Komponentli Topoloji Opt. (A.R. Yıldız, K. Saitou 2007)



Şekil Optimizasyonu

𝑥𝟏 𝑥𝟐 𝑥𝟑 𝑥𝟒

𝑨𝒍𝒕 𝒍𝒊𝒎𝒊𝒕 20 15 8 3

Ü𝒔𝒕 𝒍𝒊𝒎𝒊𝒕 50 41 14 12



Multi-objective optimization of vehicle crashworthiness using a new particle swarm based approach

Ali Rıza Yıldız & Kiran Solanki Bursa Technical University Mississippi State University

CAVS(Center for Advanced Vehicular System)

Sponsored by



Fig. 1 FE model of a1996 Dodge Neon in three impacts

a. Full frontal; b. 40% offset frontal; c. side

a. b. c.

Fig. 1 FE model of a1996 Dodge Neon in three impacts

a. Full frontal; b. 40% offset frontal; c. side

a. b. c.

Full Frontal Impact (FFI) Offset Frontal Impact (OFI)

Side Impact (SI)



Full Frontal Impact (FFI)



Offset Frontal Impact (OFI)



Side Impact (SI)



0

20

40

60

80

100

120

140

160

FFI SIDE OFI

Inte

rna

l E

ner

gy

(k

J)

Internal Energy Absorption Comparison

Total Selected Parts

58%

58% 42%

42% 44%

56%

0

200

400

600

800

1000

1200

1400

Mass

Ma

ss (

kg

)

Mass Comparison

Total Selected Parts

92%

8%



Design Variables Component Initial Thickness (mm)

x1 Left and right front doors 236 & 237 0.85

x2 Left and right rear doors 272 & 273 0.83

x3 Inner hood 285 0.65

x4 Left and right outer B-pillars 310 & 311 1.61

x5 Left and right middle B-pillar 328 & 329 0.71

x6 Inner front bumper 330 1.96

x7 Front floor panel 353 0.71

x8 Left and right outer CBN 355 & 356 0.83

x9 Left and right front fenders 373 & 374 1.52

x10 Left and right inner front rails 389 & 391 1.90

x11 Left and right outer front rails 390 & 392 1.52

x12 Rear plate 415 0.71

x13 Suspension frame 439 2.61

Table. The description of the design variables and their initial (or baseline) values



Figure. Plan view of approximate locations for intrusion measurement

a. Full frontal

b. offset frontal

c. side



Design Responses

7 responses for objectives or constraints:

Total Mass of selected components

Intrusion Distances: (FFI, OFI), Door (SIDE)

3 Internal Energies: Sum of I.E. Absorption of

selected parts (FFI, SIDE, OFI)

No

Design Variable Objective values (mm)

x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 f1(x) f2(x)

f3(x)

0 0 0 0 0 0 0 0 0 0 0 0 0 0 61 226 370

1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 57 164 385

2 -1 -1 -1 -1 0 0 0 0 0 0 0 0 0 64 135 370

3 -1 -1 -1 -1 1 1 1 1 1 1 1 1 1 59 87 355

4 -1 0 0 0 -1 -1 -1 0 0 0 1 1 1 69 247 383

5 -1 0 0 0 0 0 0 1 1 1 -1 -1 -1 62 80 364

6 -1 0 0 0 1 1 1 -1 -1 -1 0 0 0 65 145 378

7 -1 1 1 1 -1 -1 -1 1 1 1 0 0 0 65 224 366

8 -1 1 1 1 0 0 0 -1 -1 -1 1 1 1 67 201 384

9 -1 1 1 1 1 1 1 0 0 0 -1 -1 -1 57 227 364

10 0 -1 0 1 -1 0 1 -1 0 1 -1 0 1 64 244 376

11 0 -1 0 1 0 1 -1 0 1 -1 0 1 -1 69 239 362

12 0 -1 0 1 1 -1 0 1 -1 0 1 -1 0 44 186 337

13 0 0 1 -1 -1 0 1 0 1 -1 1 -1 0 61 231 375

14 0 0 1 -1 0 1 -1 1 -1 0 -1 0 1 52 227 361

15 0 0 1 -1 1 -1 0 -1 0 1 0 1 -1 78 260 376

16 0 1 -1 0 -1 0 1 1 -1 0 0 1 -1 49 193 365

17 0 1 -1 0 0 1 -1 -1 0 1 1 -1 0 83 251 378

18 0 1 -1 0 1 -1 0 0 1 -1 -1 0 1 71 235 357

19 1 -1 1 0 -1 1 0 -1 1 0 -1 1 0 72 242 371

20 1 -1 1 0 0 -1 1 0 -1 1 0 -1 1 55 207 354

21 1 -1 1 0 1 0 -1 1 0 -1 1 0 -1 58 204 340

22 1 0 -1 1 -1 1 0 0 -1 1 1 0 -1 56 163 367

23 1 0 -1 1 0 -1 1 1 0 -1 -1 1 0 55 198 345

24 1 0 -1 1 1 0 -1 -1 1 0 0 -1 1 79 263 365

25 1 1 0 -1 -1 1 0 1 0 -1 0 -1 1 56 224 361

26 1 1 0 -1 0 -1 1 -1 1 0 1 0 -1 80 229 373

27 1 1 0 -1 1 0 -1 0 -1 1 -1 1 0 59 207 355



Relative to Steel base

FFI

Intrusion distance (mm) -1.1%

Internal energy (kJ) 2.9%

SIDE



OFI



Mass (kg) -16.4%



SAÇ ŞEKİLLENDİRME GEÇMİŞİNİN

OTOMOBİL DARBE EMİCİLERİN ÇARPIŞMA

PERFORMANSINA ETKİSİNİN İNCELENMESİ VE

OPTİMİZASYONU

Sponsored by



𝑀𝒂𝒙𝒊𝒎𝒖𝒎 Crush force

Absorbed enegy % Difference

𝑤𝑖𝑡𝑕𝑜𝑢𝑡 𝑓𝑜𝑟𝑚𝑖𝑛𝑔 𝑕𝑖𝑠𝑡𝑜𝑟𝑦-𝑤𝑖𝑡𝑕 𝑓𝑜𝑟𝑚𝑖𝑛𝑔 𝑕𝑖𝑠𝑡𝑜𝑟𝑦

-6.74 % -9.23 %

without forming history

with forming history

04.11.2014 39


Objective Functions

minimize thinning,

minimize springback,

minimize maximum crush force,

minimize mass

Design variables

tube height,

width,

thickness,

corner radius,

40 < x1 < 70

20 < 𝑥2 < 35

2.5 < 𝑥3 < 7.5

1.0 < 𝑥4 < 2.5

04.11.2014 40


Pareto

point

number

Width

(mm)

Height

(mm)

Corner

Radius

(mm)

Thickness

(mm)

Thining Springback Max Crush

Force(KN)

Mass

(kg)

1 58.23 34.21 7.02 1.16 5.83 3.01 97.80 0.13

2 57.88 34.00 6.97 1.20 5.57 3.09 100.18 0.14

3 40.05 20.01 4.48 1.00 82.36 0.78 53.27 0.07

4 70.00 34.92 5.96 2.50 75.38 0.67 212.51 0.29

5 47.95 20.61 2.55 1.83 285.20 0.20 108.85 0.15

6 40.05 20.01 4.57 1.00 80.33 0.79 53.27 0.07

7 57.92 31.64 5.54 1.28 33.60 2.65 101.57 0.14

8 47.18 23.16 2.66 1.55 266.30 0.49 93.99 0.13

9 60.38 28.91 5.73 2.06 92.32 1.11 160.03 0.22

10 56.24 31.81 6.58 1.03 14.85 2.54 80.65 0.11

11 62.18 34.26 6.26 2.05 71.88 1.27 172.65 0.23

12 50.00 23.83 2.71 1.63 280.83 0.53 103.31 0.14

13 58.13 34.20 6.88 1.29 6.79 3.23 107.46 0.15

14 69.80 35.00 4.27 2.50 123.38 0.60 218.07 0.30

15 55.56 31.01 4.71 2.41 168.26 0.71 190.39 0.25

16 56.45 33.85 6.49 1.72 43.56 2.05 140.34 0.19

17 49.01 20.62 2.83 1.00 121.20 0.70 57.84 0.08

18 41.28 25.19 5.47 1.27 57.52 1.05 78.06 0.11

19 57.90 33.25 5.84 1.66 54.82 2.12 136.35 0.19

20 53.12 23.01 3.45 1.94 212.05 0.64 127.57 0.17

Table: Design points on pareto front

04.11.2014 41


04.11.2014 42


Design Variables Lower limit Initial design Lower limit

D2 (mm) 2 4 8

D3(mm) 10 13 20

D4 (mm) 8 10.75 20

D1 (mm) 10 16 22

D5(mm) 66.3 78 117

D6 (mm) 76 101.5 152

D7-thickness (mm) 1 1.5 3

04.11.2014 43


Fig. Crash force-time for initial and optimum design Fig. Specific energy absorption-time for initial and optimum design

Specific Energy absorption

(kJ)

Peak force

(kN)

Weight

(g)

Initial design 5.595 185.624 2003.29

Optimum Design 8.765 117.320 1528.72

Table. Comparison of the results for intial and optimum design

04.11.2014 44


Yapay Zeka Yöntemlerinin Otomotiv Sektöründe Ürün...

Documents

Transcript of Yapay Zeka Yöntemlerinin Otomotiv Sektöründe Ürün...