Решение многокритериальной задачи рационального размещения несущих стен с помощью генетического алгоритма

Обложка

Цитировать

Полный текст

Аннотация

Рациональное размещение несущих стен остается сложной и малоизученной задачей, несмотря на большое количество алгоритмов и моделей решения схожей задачи размещения колонн. Основными факторами сложности являются большое количество вариантов решения, большое время, требуемое для оценки полученного плана размещения на деформации, а также – многокритериальный характер. Кроме нелинейного критерия оценки деформаций требуется минимизировать протяженность несущих стен и количество различных уникальных типоразмеров. В статье предложена модель задачи размещения несущих стен, разбивающая стены на функциональные участки с некоторым шагом и учитывающая перечисленные критерии. При этом соседствующие участки стен одной функциональности объединяются в сегменты. Комбинаторный вид разбиения стен в модели задачи позволяет применить генетические алгоритмы для её решения. Поэтому была предложена новая схема многокритериального генетического алгоритма, содержащая метрики расчёта разнообразия фенотипа и генотипа популяции. Представлены модификации операторов скрещивания, мутации и селекции, учитывающие сегментальный вид генотипа стен. Анализ сравнения разработанного алгоритма с другими многокритериальными генетическими алгоритмами показал, что, несмотря на в 2 раза более длительное время выполнения, разработанный алгоритм находит в среднем в 3 раза больше недоминируемых решений на общем множестве, особенно с меньшим значением оценки деформаций. Предложенная модель разительно отличается от предлагаемых ранее с точки зрения оперирования с деформациями в системах опоры-плита, лишь сравнивая между собой планы размещения, а не рассчитывая точные оценки армирования, что зачастую бывает излишне на ранних этапах. Предложенная схема генетического алгоритма увеличивает количество найденных недоминируемых решений без потери их разнообразия, жертвуя временем выполнения, и может быть использована для решения других многокритериальных задач с учётом указанных особенностей. Разработанный алгоритм был легко интегрирован в программное средство поддержки принятия решений на базе САПР и может быть использован на практике специалистами.

Об авторах

В. И Зинов

Уфимский университет науки и технологий

Email: zinovvladislavufa@gmail.com
улица Заки Валиди 32

В. М Картак

Уфимский университет науки и технологий

Email: kvmail@mail.ru
улица Заки Валиди 32

Ю. И Валиахметова

Уфимский университет науки и технологий

Email: julikas@inbox.ru
улица Заки Валиди 32

Список литературы

  1. Petprakob W. Beam-slab floor optimization using genetic and particle swarm optimization algorithms // A Thesis for degree of master of science in engineering and technology. Thailand: Thammasat University, Sirindhorn International Institute of Technology. 2014. 90 p. doi: 10.14457/TU.the.2014.490.
  2. Nimtawat A., Nanakorn P. Automated layout design of beam-slab floors using a genetic algorithm // Computers & Structures. 2009. vol. 87(21-22). pp. 1308–1330. doi: 10.1016/j.compstruc.2009.06.007.
  3. Sharafi P. Cost optimization of the preliminary design layout of reinforced concrete framed buildings // A Thesis for degree of Doctor of Philosophy in civil engineering. Australia: University of Wollongong, School of Civil, Mining and Environmental Engineering. 2013. 286 p.
  4. Hadi M.H., Sharafi P., Teh L.H. A new formulation for the geometric layout optimisation of flat slab floor systems // Proceeding of the Australasian Structural Engineering Conference 2012: The Past, Present and Future of Structural Engineering. Perth, Western Australia: Engineers Australia, 2012. pp. 122–129. doi: 10.3316/informit.026275045488938.
  5. Sahab M.G., Ashour A.F., Toropov V.V. Cost optimisation of reinforced concrete flat slab buildings // Engineering Structures. 2005. vol. 27(3). pp. 313–322. doi: 10.1016/j.engstruct.2004.10.002.
  6. Meng X., Lee T.U., Xiong Y., Huang X., Xie Y.M. Optimizing support locations in the roof–column structural system // Applied Science. 2021. vol. 11(6). doi: 10.3390/app11062775.
  7. Zelickman Y., Amir O. Optimization of column layouts in buildings considering structural and architectural constraints // Engineering Archive (engrXiv). 2024. 45 p. doi: 10.31224/2723.
  8. Steiner B., Mousavian E., Mehdizadeh Saradj F., Wimmer M., Musialski P. Integrated structural-architectural design for interactive planning // Computer Graphics Forum. 2016. vol. 36(8). pp. 80–94. doi: 10.1111/cgf.12996.
  9. Валиахметова Ю.И., Васильева Л.И., Зинов В.И. Алгоритм решения задачи определения рационального плана размещения несущих конструкций при строительстве многоэтажных зданий // Современные проблемы и перспективы развития естествознания: Сб. научн. тр. Национальной научно-практической конференции (г. Уфа, 8–9 июня 2020 г.). Т. 2. Уфа: БГПУ. 2020. С. 46–54.
  10. Eleftheriadis S., Duffour P., Stephenson B., Mumovic D. Automated specification of steel reinforcement to support the optimisation of RC floors // Automation in Construction. 2018. vol. 96. pp. 366–377. doi: 10.1016/j.autcon.2018.10.005.
  11. Wang J., Chen K., Yang H., Zhang L. Ensemble deep learning enabled multi-condition generative design of aerial building machine considering uncertainties // Automation in Construction. 2024. vol. 157. doi: 10.1016/j.autcon.2023.105134.
  12. Лешкевич О.Н. Использование искусственных нейронных сетей для оценки армирования железобетонных плит перекрытия // Проблемы современного бетона и железобетона: Сб. научн. тр. № 11. Минск: Ин-т БелНИИС, 2019. С. 51–62. doi: 10.35579/2076-6033-2019-11-04.
  13. Liao W.J., Lu X.Z., Fei Y.F., Gu Y., Huang Y.L. Generative AI design for building structures // Automation in Construction. 2024. vol. 157. doi: 10.1016/j.autcon.2023.105187.
  14. Зинов В.И., Картак В.М., Валиахметова Ю.И. Алгоритм оценки деформации плит перекрытий по пролетно-опорным схемам здания // Системы анализа и обработки данных. 2023. № 4(92). С. 35–54. doi: 10.17212/2782-2001-2023-4-35-54.
  15. Long Q., Wu C.Z., Wang X.Y., Jiang L., Li J. A multiobjective genetic algorithm based on a discrete selection procedure // Mathematical Problems in Engineering. 2015. vol. 2015. 17 p. doi: 10.1155/2015/349781.
  16. Валиахметова Ю.И., Прокудина Е.И., Зинов В.И. Многокритериальный генетический алгоритм решения задачи рационального размещения опорных конструкций на плане зданий // Современные физика, математика, цифровые и нанотехнологии в науке и образовании: Сб. научн. тр. II Всероссийской молодежной школы-конференции (г. Уфа, 18–20 апреля 2023 г.). Уфа: БГПУ, 2023. С. 95–100.
  17. Rahimi I., Gandomi A.H., Nikoo M.R., Chen F. A comparative study on evolutionary multi-objective algorithms for next release problem // Applied Soft Computing. 2023. vol. 144. doi: 10.1016/j.asoc.2023.110472.
  18. Srinivas N., Deb K. Muiltiobjective optimization using nondominated sorting in genetic algorithms // Evolutionary Computation. 1994. vol. 2(3). pp. 221–248. doi: 10.1162/evco.1994.2.3.221.
  19. Deb K., Pratap A., Agarwal S., Meyarivan T. A fast and elitist multiobjective genetic algorithm: NSGAII // IEEE Transactions on Evolutionary Computation. 2002. vol. 6(2). pp. 182–197. doi: 10.1109/4235.996017.
  20. Zitzler E., Laumanns M., Thiele L. SPEA2: Improving the strength Pareto evolutionary algorithm // TIK-Report. 2001. vol. 103. doi: 10.3929/ethz-a-004284029.
  21. Liu M., Zou X., Chen Y., Wu Z. Performance assessment of DMOEA-DD with CEC 2009 MOEA Competition Test Instances // Proceeding of the IEEE Congress on Evolutionary Computation (CEC 2009). Norway: Trondheim, 2009. pp. 2913–2918. doi: 10.1109/CEC.2009.4983309.
  22. He M., Wang X., Chen H., Li X. A Knee Point-Driven Many-Objective Evolutionary Algorithm with Adaptive Switching Mechanism // Journal of Applied Mathematics. 2024. vol. 2024(1). 43 p. doi: 10.1155/2024/4737604.
  23. Ester M., Kriegel H.-P., Sander J., Xu X. A density-base algorithm for discovering clusters in large spatial databases with noise // Proceeding of 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96). Germany: Munich, 1996. pp. 226–231.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».