Otimização estrutural mediante redes adversárias generativas.

• Ano de defesa: 2024
• Autor(a) principal: Pereira, Lucas Matheus Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• 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/

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.