عنوان	بهینه‌سازی توپولوژی با استفاده از روش های یادگیری ماشین و استراتژی آموزش مستقل
نوع پژوهش	پایان نامه های تقاضا محور و غیر تقاضا محور
کلیدواژه‌ها	بهینه سازی توپولوژی، المان محدود، یادگیری ماشین، یادگیری عمیق
چکیده	بهینه سازی توپولوژی یکی از روش‌های پیشرفته در طراحی سازه‌ها و سیستم‌های مهندسی است که امکان دستیابی به ساختارهایی با حداقل وزن و حداکثر کارایی را فراهم می‌کند. این فرآیند، که از طریق توزیع بهینه مواد در فضای طراحی انجام می‌شود، به طور مستقیم بر روی عملکرد و هزینه‌های تولید تأثیرگذار است. با این حال، پیچیدگی های محاسباتی و هزینه های زمانی مرتبط با روش‌های سنتی بهینه سازی توپولوژی، محدودیت هایی را در کاربردهای عملی ایجاد کرده است. در این پایان‌نامه، به بررسی و آموزش چهار مدل هوش مصنوعی پرداخته شده است که شامل دو مدل از نوع یادگیری ماشین (جنگل تصادفی و تقویت گرادیان) و دو مدل از نوع یادگیری عمیق (شبکه‌های عصبی کانولوشنی و مولد متخاصم) می باشد. به منظور آموزش مدل‌ها، از داده‌های جمع‌آوری شده از چهار مثال کاربردی که در نرم افزار المان محدود تحلیل شده‌اند، بهره گرفته شده است. داده‌های آموزشی برای مدل‌‌ها شامل اطلاعات گسترده‌ای از جمله تنش، کرنش، جابجایی و چگالی المان‌ها می‌باشند. مجموع داده‌های جمع آوری ‌شده شامل 300,000 داده برای مدل‌های دو بعدی و 1,000,000 داده برای مدل‌های سه‌بعدی است که از شبیه سازی‌ها استخراج شده اند. برای جمع‌آوری داده‌های آموزشی از نرم‌افزار المان محدود آباکوس استفاده شده است. در مدل‌های دو‌بعدی، شبکه عصبی کانولوشنی با میانگین دقت 92٪ در حالت دوبعدی و 90٪ در حالت سه بعدی بهترین عملکرد را در بین مدل‌های آموزش دیده داشت، در حالی که مدل جنگل تصادفی با میانگین دقت 65٪ در حالت دو بعدی و 54٪ در حالت سه بعدی ضعیف‌ترین نتیجه را ارائه کرد. علاوه بر این زمان اجرا حدود 80٪ نسبت به روش مرجع کاهش یافت. این نتایج نشان دهنده توانمندی شبکه‌های عصبی کانولوشنی در یادگیری ویژگی‌های پیچیده و استخراج الگوهای مفید از داده‌های حجیم می‌باشد. در مجموع، نتایج به‌دست‌آمده نشان می‌دهد که برای جایگزینی رویکردهای سنتی بهینه سازی توپولوژی، شبکه‌های عصبی کانولوشنی به دلیل برخورداری از دقت بالا و پایداری مناسب، کارآمدترین گزینه محسوب می‌شوند. در مقابل، مدل جنگل تصادفی به‌علت خطاهای قابل توجه در مسائل با ابعاد بالا، گزینه ای نامناسب ارزیابی می‌شود. به‌منظور ارتقای کیفیت نتایج و افزایش قابلیت اعتماد مدل‌ها، می‌توان از توسعه و تنوع بخشی داده‌های آموزشی، به‌ویژه در مسائل سه‌بعدی، بهره برد. همچنین استفاده از معماری‌های پیشرفته تر یا مدل‌های ترکیبی می‌تواند نقش مؤثری در درک بهتر هندسه‌های پیچیده ایفا کند.
پژوهشگران	محمد جواد خوش گفتار (استاد راهنما)، محمد جواد نحوی نظام آبادی (دانشجو)