计算智能方法在仿真和建模的结构:先进的审查使用文献地图gydF4y2Ba

1介绍gydF4y2Ba

如今,现代建筑工程越来越具有挑战性的结构工程师的要求数值模拟和程序实现可持续,安全,经济的设计(gydF4y2BaPlevris Tsiatas, 2018gydF4y2Ba)。这些挑战是几个例子:gydF4y2Ba1gydF4y2Ba)的使用新开发的材料(gydF4y2Ba汗et al ., 2020gydF4y2Ba);gydF4y2Ba2gydF4y2Ba)出现的复杂的几何图形的实现结构优化技术(gydF4y2BaVantyghem et al ., 2020gydF4y2Ba);gydF4y2Ba3gydF4y2Ba)所需的高弹性极限载荷条件下(gydF4y2BaFrangopol和苏,2016gydF4y2Ba);gydF4y2Ba4gydF4y2Ba)的量化和建模不确定性(gydF4y2Ba穆勒et al ., 2000gydF4y2Ba)。因此,很明显,快速、健壮、可靠的仿真和建模技术必须保证可行性、稳定性和现代结构的整体安全。多年以来,使用有限元方法(FEM) (gydF4y2Ba洗澡,2008gydF4y2Ba;gydF4y2Ba刘et al ., 2022gydF4y2Ba)已经成为一个标准的过程对于大多数实际应用在结构的分析和设计。尽管巨大成功的有限元法在结构工程领域迄今为止,事实是,其传统的实现变得不切实际的前面提到的一些现代的挑战。gydF4y2Ba

数学模型,创建一个精确的分析描述,如有限元法,也被称为hard-computing模型/方法。因为他们的精确公式,hard-computing模型产生确定性和精确的结果,完全依赖于给定的输入参数的质量。尽管如此,对于某些问题和应用程序中,模型参数的估计可能是一项艰巨的任务,无法实现完全确定(gydF4y2Ba方et al ., 2006gydF4y2Ba)。此外,有高度复杂的现象,只是太难与高精度数学描述,如造型材料复合材料或包括复杂的机械行为,例如开裂或屈服。在这种情况下,通常有两种方法来解决这个问题:gydF4y2Ba1gydF4y2Ba)创建一个详细的但是非常昂贵计算模型(gydF4y2Ba林et al ., 2022gydF4y2Ba);gydF4y2Ba2gydF4y2Ba)定义的一系列规则和假设大大简化系统(gydF4y2Ba施et al ., 2018gydF4y2Ba)。无论哪种方式,这两种方法大大降低了该方法的实用性。因此,众所周知,hard-computing策略通常缺乏鲁棒性。gydF4y2Ba

hard-computing确定性模型相比,软计算(SC)方法是另一个范畴的策略用于寻找复杂问题的近似解(gydF4y2Ba易卜拉欣,2016gydF4y2Ba)。这些方法受到多种生物过程中观察到的自然。例如,自然进化的过程中,大脑内神经元处理信息的方式,和人类语言的复杂性。灵感来自这三个自然过程生的流行方法进化算法(EA) (gydF4y2BaKatoch et al ., 2021gydF4y2Ba)、人工神经网络(ANN) (gydF4y2BaSchmidhuber 2015gydF4y2Ba),和模糊系统(FS) (gydF4y2BaBlanco-Mesa et al ., 2017gydF4y2Ba),分别。软计算范式也通常被称为计算智能(CI),它被认为是一个分场的人工智能(AI) (gydF4y2BaBezdek 1994gydF4y2Ba)。根据IEEE计算机情报协会(gydF4y2BaIEEE-CIS 2021gydF4y2Ba),CI理论、设计、应用程序,和发展的生物和语言的动力计算方法三个主要支柱识别:人工神经网络、模糊系统、进化算法。然而,词并不局限于这些区域,因为它是一个不断发展的领域,新兴产品表面计算策略,如环境情报、人工生命、和社会推理等等。gydF4y2Ba

从本质上讲,软计算技术增加解决方案的鲁棒性策略通过替换一些复杂的数学操作符的一部分hard-computing方法(如微分方程),基于概率和随机近似方法(如数据驱动的回归模型和优化算法)(gydF4y2BaGhaboussi 2018gydF4y2Ba)。自然地,一个完整的软计算解决方案方法通常不是最好的策略,一个特定的问题。然而,它可能提供一个潜在的机会提高hard-computing模型。因此,有时最有效的替代方法是结合两全其美,中包含的准确性hard-computing的数学描述方法,并从软计算策略(增加鲁棒性gydF4y2BaOvaska 2004gydF4y2Ba)。gydF4y2Ba

本文旨在探讨当前研究方向有关的应用CI范式结构的建模和仿真。很明显,CI方法迅速普及和接受在结构工程领域。这可能是由于这一事实研究,技术和工具,使CI技术的研究和应用正在迅速成熟,变得容易。因此,在快节奏的环境,由此产生的潜在机会,作为本研究的主要动机。gydF4y2Ba

软计算技术在仿真和建模的实现的结构是一个研究领域,开辟了新的讨论,导致创新的研究和应用。不同作者发表了全面review-oriented研究类似的领域在过去的几十年里。例如,评估网络领域的土木工程是由伊恩洪水早在1994年(gydF4y2Ba洪水和Kartam, 1994gydF4y2Ba,gydF4y2BabgydF4y2Ba)。同样,埃德里(gydF4y2Ba埃德里,2001gydF4y2Ba)也综述了人工神经网络的应用在土木工程在1990年到2000年的十年。Ghaboussi (gydF4y2BaGhaboussi, 2010gydF4y2Ba)提供了一个全面的和全面的全景软计算技术的优点和局限性,传统的计算方法在计算力学的背景下,主要但不限于人工神经网络的使用。最近,萨利希的工作等。gydF4y2Ba萨利希Burgueno, 2018gydF4y2Ba)提供了一个总体概述新兴的人工智能方法在结构工程领域。要求等。gydF4y2Ba要求et al ., 2020gydF4y2Ba)综述了软计算策略在地震和结构工程中的应用。同样,陆等。gydF4y2Ba陆et al . (2022)gydF4y2Ba探索四个主要AI-driven研究也在地震和结构工程领域。Kumar和Kochmann (gydF4y2BaKumar和Kochmann, 2022gydF4y2Ba)确定计算固体力学中机器学习方法的应用前景。Lagaros和Plevris (gydF4y2BaLagaros Plevris, 2022 agydF4y2Ba,gydF4y2BabgydF4y2Ba)分析了新兴的人工智能方法在土木工程供电,聚焦在最近的贡献从2021年到2022年。gydF4y2Ba

脱颖而出的调查提出了本文是围绕一个数据驱动的使用现代科学文献计量分析映射技术。8107年的分析是一个巨大的数据库上进行相关出版物的应用CI结构仿真和建模的方法。数据库是使用高级搜索功能self-obtained斯高帕斯科学所提供的基于网络的搜索引擎(gydF4y2Ba爱思唯尔,2021gydF4y2Ba)。我们的主要目标是探索可用的科学文献在更广泛的意义上,让数据说话本身提供一个客观的报告而无需人工干预。除了文献计量分析结果,实现科学的详细描述映射方法,就是使用定制的算法和可视化工具进行研究的目的。后来包括试图为读者提供必要的工具,文献计量分析结果的正确解释。gydF4y2Ba

最近,流行等文献计量分析的研究本文中给出的一个显著增加由于现代数据分析工具的开发和可访问性和网络科学数据库。这导致了许多研究采用这些创新技术。特别是在土木工程领域,这种方法涉及文献地图被用来揭示艺术的状态关于区块链技术在土木工程(gydF4y2BaPlevris et al ., 2022gydF4y2Ba);映射的社交网络交互分场的可持续性(gydF4y2Ba周et al ., 2020gydF4y2Ba);研究现状和发展趋势》杂志的土木工程和管理(gydF4y2BaYu et al ., 2019gydF4y2Ba);测绘行业的进步和发展建筑业(4.0gydF4y2BaZabidin et al ., 2020gydF4y2Ba);调查的使用BIM技术在结构工程领域(gydF4y2BaVilutien et al ., 2019gydF4y2Ba)。gydF4y2Ba

剩下的纸是组织如下。简要概述文献计量分析的主题提供了第二部分,包括一个详细的解释科学发达,后来使用的映射方法。在第三节,结果从文献计量分析的结果,从过程获取数据库的描述在3.1节,和随后的分析各种指标在章节3.2 - -3.4。在3.5节中,文献提出了地图及其属性突出显示和讨论。此外,作者提供自己的解释3.6节的地图。最后,在第四部分中,最近的研究的几个例子CI-powered方法相关的话题结构的建模和仿真。gydF4y2Ba

2文献计量分析和科学概论映射gydF4y2Ba

术语“文献分析”方法,利用有关定量和统计工具来处理和分析大量的文献发表的一个特定的域(gydF4y2BaBroadus 1987gydF4y2Ba)。他们是用于各种原因如发现新兴趋势的文章和杂志性能,合作模式和探索特定领域的知识结构。有两个主要区分类别的文献计量分析技术:性能分析和科学的映射。性能分析试图衡量的总体贡献研究成分如作者、出版商、机构、国家,gydF4y2Ba等gydF4y2Ba。(gydF4y2BaNarin和汉密尔顿,1996年gydF4y2Ba;gydF4y2BaKostoff 2002gydF4y2Ba)。两个最常采用的性能指标的出版物和引用的数量。出版物的数量通常是与生产率有关,而引用的数量的影响或影响相关研究工作或者个人研究员。还有其他的混合测量如h指数相结合引文的数量和出版物的数量在一个紧凑,简单,优雅的指标(gydF4y2Ba赫希,2005gydF4y2Ba);或更新指标如PageRank算法(gydF4y2Ba燕和丁,2011gydF4y2Ba)。另一方面,科学的映射(或文献映射)技术重点的分析研究成分之间的关系。从本质上说,它允许科学知识累积的映射通过大量的非结构化数据(gydF4y2BaDonthu et al ., 2021gydF4y2Ba)。例如,科学可以使用映射技术来处理所有不同的关键字之间的关系的大型数据库出版物发现整个主题。同样,它可以用于分析地图出版的作者之间的合作研究者或机构。这样的关系提出了在二维网络地图,往往形成集群类似条款,非常直观,易于阅读和解释,可能揭示有趣的特性,被“隐藏”或难以跟踪之前(gydF4y2BaCobo et al ., 2011gydF4y2Ba)。文献计量分析的真正潜力时,性能分析和科学映射技术结合在一起。如上所述,Donthu et al。(gydF4y2BaDonthu et al ., 2021gydF4y2Ba),文献研究做得好可以为推进一个字段创建一个坚实的基础,使研究人员能够获得一站式概述,识别知识空白,推出新颖的想法,和位置领域的预期贡献。gydF4y2Ba

2.1施工过程的文献地图gydF4y2Ba

文献地图提供了一个图形表示特定领域的信息之间的关系,从大型数据库中提取的出版物。最常见的,他们从字段或创建项目,可以是关键字,作者、出版商、机构或引用。地图的建设需要出现的计数和所选领域的相关共生或物品(如关键字)在分析数据库中所有的出版物之一。使用这些数量,相似性度量定义量化每一项密切相关的是如何与其他(如类似的是其他任何一个关键字)。最后,所有的物品都定位在一个2 d(或更少,3 d)空间,这样一个大地图创建的所有项目之间的相似性是由它们的相对欧几里德距离。换句话说,类似的项目定位紧密在一起创造的良好定义的集群网络可能显示有用的信息用一个简单的视觉检查。找到的所有项目的位置是一个具有挑战性的问题称为多维标度(MDS) (gydF4y2BaBorg和Groenen, 2005年gydF4y2Ba)。因为一个多维空间的降维以及需要适当“映射”降低二维(或三维)空间,MDS的精确解问题不存在,而不是制定一个优化问题找到一个近似解,最小化表示错误。gydF4y2Ba

提供基本的想法是很有用的过程用于构造文献地图,为了减少误解的机会的结果。出于这个原因,下一小节将2.1.2-2.1.4致力于提供一个详细的解释过程。此外,作者提出了自主研发的映射技术,使用遗传算法解决优化任务,来自多维标度的问题。该方法的一个改进版本工具中创建一个先前的研究(gydF4y2BaPlevris et al ., 2019gydF4y2Ba),进而启发从其他的文献映射技术,如VOS方法和软件(gydF4y2Bavan Eck Waltman, 2010gydF4y2Ba;gydF4y2BaWaltman et al ., 2010gydF4y2Ba)。在下面,映射过程的上下文中解释关键字分析,然而,相同的概念可能适用于其他类型的字段,如作者或机构。gydF4y2Ba

2.1.1映射的关键字gydF4y2Ba

创建一个文献关键词的地图可能揭示出其潜在的大量的科学出版物的主题,以及潜在的识别新兴的趋势和差距。关键字的出版反映整个文档的内容,并提供一个简单的方法连接各种出版物。当两个或两个以上的出版物有一个或多个关键词共同点,它通常表明他们是相关的,即他们处理类似的研究主题。斯高帕斯数据库中,每个出版物可能有两种相关联的关键词:关键词和作者索引关键字。作者关键词是基于作者的描述自己的工作和作者是手动选择。另一方面,索引关键字是由供应商或内容出版商和通常由现代语言分析技术应用到出版物或文章的文摘本身(gydF4y2Ba爱思唯尔,2021 bgydF4y2Ba)。感知器训练规则的一个例子是分配权重抽象的单词在句子和过程用一种算法来确定关键字(gydF4y2BaBhowmik 2008gydF4y2Ba)。gydF4y2Ba

2.1.2血压和co-ocurrencegydF4y2Ba

量化的发生和同现的独特的项目gydF4y2BankeygydF4y2Ba(在这种情况下,关键字),用于研究数据库的建设是一个重要的一步文献地图。数据库中的文献数量来标示gydF4y2BanpubgydF4y2Ba。发生gydF4y2BaOgydF4y2Ba_我gydF4y2Ba是一个数字量化多少出版物正在使用一个特定的关键字gydF4y2BakgydF4y2Ba_我gydF4y2Ba(例如,如果关键字gydF4y2BakgydF4y2Ba_我gydF4y2Ba有一个发生的价值gydF4y2BaOgydF4y2Ba_我gydF4y2Ba10 = 10,这意味着它出现在出版物的数据库)。同现的价值gydF4y2BaCgydF4y2Ba_ijgydF4y2Ba表明多少出版物中一个关键字gydF4y2BakgydF4y2Ba_我gydF4y2Ba与另一个关键词出现在一起gydF4y2BakgydF4y2Ba_jgydF4y2Ba(如co-ocurrencegydF4y2BaCgydF4y2Ba_ijgydF4y2Ba=gydF4y2BaCgydF4y2Ba_霁gydF4y2Ba= 5意味着关键字gydF4y2BakgydF4y2Ba_我gydF4y2Ba和关键字一起出现gydF4y2BakgydF4y2Ba_jgydF4y2Ba在五出版记录)。的发生和同现gydF4y2BangydF4y2Ba关键字可以表达数学矩阵形式为:gydF4y2Ba

正常情况下,独特的关键字的总数gydF4y2BankeygydF4y2Ba中包含的所有出版物数据库是相当大,它是一种常见的做法,选择较低的数字gydF4y2BangydF4y2Ba构建地图。选择数量gydF4y2BangydF4y2Ba可能是基于一个预定义的事件值(即选择所有发生的关键字值高于指定的阈值)。或者,一个固定数量的关键字可能选择(如选择最高的前50的关键词出现值)。gydF4y2Ba

2.1.3相似和不同措施gydF4y2Ba

同现矩阵gydF4y2BaCgydF4y2Ba地图的基础建设。然而,认为同现本身并不准确地代表一个真正的项目之间的相似性度量(gydF4y2Bavan Eck et al ., 2010)gydF4y2Ba)。相反,一个特定的相似或不同数量一定程度(gydF4y2Ba高尔半岛,2005gydF4y2Ba)。通常有两种方法可以用来计算两个项目之间的相似性gydF4y2BakgydF4y2Ba_我gydF4y2Ba和gydF4y2BakgydF4y2Ba_jgydF4y2Ba从同现矩阵:gydF4y2Ba1gydF4y2Ba)直接方法,仅仅依赖于他们的特定的同现值正常化gydF4y2BaCgydF4y2Ba_ijgydF4y2Ba(gydF4y2Ba艾克Waltman, 2009gydF4y2Ba);和gydF4y2Ba2gydF4y2Ba)间接方法,考虑到同现的物品gydF4y2BakgydF4y2Ba_我gydF4y2Ba和gydF4y2BakgydF4y2Ba_jgydF4y2Ba与所有其他物品{gydF4y2BakgydF4y2Ba_1gydF4y2Ba、…gydF4y2BakgydF4y2Ba_ngydF4y2Ba}。换句话说,间接方法比较完整的行gydF4y2BaCgydF4y2Ba_{我gydF4y2Ba:gydF4y2Ba}和gydF4y2BaCgydF4y2Ba_{jgydF4y2Ba:gydF4y2Ba}。一个间接的方法的一个例子是使用皮尔逊相关系数作为相似性测度(gydF4y2BaAhlgren et al ., 2003gydF4y2Ba)。gydF4y2Ba

在这项研究中,一种间接的方法实现确定每个项目之间的不同价值gydF4y2BakgydF4y2Ba_我gydF4y2Ba和gydF4y2BakgydF4y2Ba_jgydF4y2Ba。这个想法是为了计算结果的相对误差比较中的所有元素gydF4y2Ba我gydF4y2Ba行所有的元素gydF4y2BajgydF4y2Ba行获得值gydF4y2BaDgydF4y2Ba_ijgydF4y2Ba量化他们的不同。写各自的操作如下:gydF4y2Ba

高价值的gydF4y2BaDgydF4y2Ba_ijgydF4y2Ba表明该项目gydF4y2BakgydF4y2Ba_我gydF4y2Ba和gydF4y2BakgydF4y2Ba_jgydF4y2Ba不相似,而一个低价值表明他们是相似的。提出了不同测量一个缺点是当比较两个项目,不与任何其他项目(如分享任何同现。gydF4y2BaTgydF4y2Ba_我gydF4y2Ba= 0和gydF4y2BaTgydF4y2Ba_jgydF4y2Ba= 0)。在这种情况下,计算出的不同gydF4y2BaDgydF4y2Ba_ijgydF4y2Ba= 0,这表明条款非常相似,当没有信息表明他们。事实上,与没有同现的物品可能会增加错误映射技术大大因为他们代表孤立的项目,不共享任何相似性与任何其他项目。在任何情况下,在地图上显示孤立的项目不符合文献计量映射的概念和目标,目的是发现关系。因此,在提出了方法论,项目被排除在0共生的地图。gydF4y2Ba

2.1.4多维标度的优化算法gydF4y2Ba

在文献地图,每个字都是由一个点在二维或三维欧几里得空间。任意两点之间的距离gydF4y2BakgydF4y2Ba_我gydF4y2Ba和gydF4y2BakgydF4y2Ba_jgydF4y2Ba是由相应的不同价值gydF4y2BaDgydF4y2Ba_ijgydF4y2Ba。两个关键词gydF4y2BakgydF4y2Ba_我gydF4y2Ba和gydF4y2BakgydF4y2Ba_jgydF4y2Ba不应该远离彼此相似(高价值gydF4y2BaDgydF4y2Ba_ijgydF4y2Ba)。相反,如果两个字非常类似他们应该接近(低的价值gydF4y2BaDgydF4y2Ba_ijgydF4y2Ba)。gydF4y2Ba

一般来说,对于真实的应用程序,项目的数量gydF4y2BangydF4y2Ba相比是更大的图形空间的维数,在地图上绘制(2 d或3 d)。因此,图形是不可能所有的点位置精确匹配计算不同的值。换句话说,至少的多维空间gydF4y2BangydF4y2Ba−1尺寸必须达到一个绝对0%之间的实际距离误差和计算不同,从图形的角度来看显然是不可行的。然而,使用一个优化算法,错误可以最小化,这样的结果是一个近似,还提供了一个足够好的可视化表示的相似性较低2 -或3维空间人眼很容易阅读和理解。因此,优化算法将提供前面提到的解决医学问题(gydF4y2BaBorg和Groenen, 2005年gydF4y2Ba)。gydF4y2Ba

在这项研究中,遗传算法(GA)用于解决优化问题,MDS的结果。其他搜索策略,如MM算法(即最大化最小化)也普遍应用于创建文献地图(gydF4y2BaGroenen Velden, 2016gydF4y2Ba)。甚至简单的优化策略,如纯随机正交搜索(优点)(gydF4y2BaPlevris et al ., 2021gydF4y2Ba)可用于解决医学问题,如(所示gydF4y2BaKoutsantonis et al ., 2022gydF4y2Ba)。本研究的目的,GA方法选择显示良好的整体性能与MM算法。此外,它提供了更多的灵活性,并允许约束限制等功能的实现空间映射到一个特定的形状(如图所示在3.5.4节)。gydF4y2Ba

优化问题是写成一个目标函数的无约束极小化问题gydF4y2BafgydF4y2Ba(gydF4y2BapgydF4y2Ba)被定义为平方误差gydF4y2BaegydF4y2Ba从比较结果项的欧几里得距离gydF4y2BaZgydF4y2Ba与相应的计算的异同gydF4y2BaDgydF4y2Ba。写各自的操作如下:gydF4y2Ba

设计矢量gydF4y2BapgydF4y2Ba包含所有的gydF4y2BaxgydF4y2Ba,gydF4y2BaygydF4y2Ba的坐标gydF4y2BangydF4y2Ba项目的各个地图的配置。优化的任务是找到一个向量gydF4y2BapgydF4y2Ba^{选择gydF4y2Ba}减少了错误gydF4y2BaegydF4y2Ba。矩阵gydF4y2BaZgydF4y2Ba是由随机的初始化地图中的所有物品的位置和计算他们的欧几里得距离使用吗gydF4y2BaEq。9gydF4y2Ba。上面的gydF4y2BaxygydF4y2Ba_{马克斯gydF4y2Ba}和更低的gydF4y2BaxygydF4y2Ba_{最小值gydF4y2Ba}边界的坐标gydF4y2BaxgydF4y2Ba,gydF4y2BaygydF4y2Ba将gydF4y2BaxygydF4y2Ba_{马克斯gydF4y2Ba}= 2⋅max (gydF4y2BaDgydF4y2Ba),gydF4y2BaxygydF4y2Ba_{最小值gydF4y2Ba}=−2⋅max (gydF4y2BaDgydF4y2Ba)。应该注意的是,实际上是无约束优化问题,因此定义的范围只是用来样本随机均匀值初始化的优化过程。gydF4y2Ba

实现遗传算法使用下列遗传算子:锦标赛选择(gydF4y2BaCoello Mezura-Montes, 2002gydF4y2Ba)、墨交叉(gydF4y2BaDeb et al ., 2007gydF4y2Ba)和多项式变异(gydF4y2BaDeb和Deb, 2014gydF4y2Ba)。人口规模将gydF4y2Ba年代gydF4y2Ba= 100和终止准则作为一个固定数量的后代gydF4y2BamaxgengydF4y2Ba选择基于数量的物品吗gydF4y2BangydF4y2Ba。设计矢量值最低的目标gydF4y2BapgydF4y2Ba^{选择gydF4y2Ba}在最后一代用于构造最后文献地图。gydF4y2Ba

2.1.5集群gydF4y2Ba

地图的配置被定义后(即优化问题已经解决),由此产生的地图布局是由聚类算法处理提供一个吸引人的视觉反馈项目分类到集群使用不同的颜色。在我们的研究中,k - means聚类算法是使用真正的欧几里得距离实现了配置(gydF4y2Ba奥木兰·et al ., 2007gydF4y2Ba)。或者,可以使用计算不同测量或两者的结合,如在(gydF4y2BaWaltman et al ., 2010gydF4y2Ba)。k - means算法的主要优点是,它很容易实现,计算便宜多了,而且非常灵活。其主要缺点在于它需要集群的数量作为输入值,它可能无法获取集群高度不规则的形状。尽管如此,结果使用k-mean聚类算法被证明是非常令人满意的本研究的目标。gydF4y2Ba

3文献计量分析gydF4y2Ba

3.1数据库的文献gydF4y2Ba

文献计量分析的第一步是一个广泛的集合根据文献数据库。在这项研究中,斯高帕斯搜索引擎用于终端(gydF4y2Ba爱思唯尔,2021gydF4y2Ba)。斯高帕斯提供了一个非常强大的和高级搜索功能,允许用户进行快速查询的基于多个组合关键词,作者、出版商、出版年,和其他相关参数。各种基于两组关键词进行查询。第一字组涉及条款关于CI方法在一般情况下,而第二个字组包含条款相关的建模与仿真的结构。gydF4y2Ba表1gydF4y2Ba显示了两组研究中使用的关键字。从第一列条款结合条款第二列使用和操作符。另一方面,条款属于同一列结合OR操作符(例如:模糊理论和神经网络结构分析有限元法)。gydF4y2Ba

搜索被限制为1990年至2022年8月。最后一个关键字查询的选择经过多次尝试缩小搜索范围只包括直接相关的主题结构和CI的建模与仿真方法。更普遍的术语如“结构”或“建模”是避免他们产生巨大的结果从其他领域的工程与本研究无关。此外,一些不必要的关键词也使用运营商”而不是直接包括。“这样做是为了防止检索主题以外的范围,如关键词:“医疗、”“生物医学,”“磁性的,”“电气。“构造完整的数据库使用根据九个不同的查询gydF4y2Ba表1gydF4y2Ba。数据库创建和更新多次在这项研究的创建。最后和最后更新使用是2022年8月12日创建的一个。以下段落提供了一个示例的一个九搜索查询引入斯高帕斯高级搜索字段。gydF4y2Ba

例子中使用的搜索查询斯高帕斯的关键词“有限元”:gydF4y2BaSUBJAREA(工程师)和(TITLE-ABS-KEY(“神经网络”+“有限元”))或(TITLE-ABS-KEY(“模糊系统”+“有限元”))或(TITLE-ABS-KEY(“遗传算法”+“有限元”))或(TITLE-ABS-KEY(“软计算”+“有限元”))或(TITLE-ABS-KEY(“计算智能”+“有限元”)),而不是(TITLE-ABS-KEY(“磁”),而不是(TITLE-ABS-KEY(“电”),而不是(TITLE-ABS-KEY(“医疗”),而不是(TITLE-ABS-KEY(“生物医学”))和(PUBYEAR尾1990)gydF4y2Ba。gydF4y2Ba

从每个搜索查询结果下载CSV文件。斯高帕斯让用户选择每个出版哪些字段元数据的下载。在这项研究中,下载的字段是:标题,DOI,出版,作者姓名,作者id、关键词、作者索引关键字、引用、出版商和从属关系。九个CVS文件为每个搜索查询(一)然后合并,合并成一个文件。副本是正确使用微软Excel工具移除基于独特的DOI字段。最后一个数据库包含8107出版物。gydF4y2Ba

每年3.2出版物gydF4y2Ba

第一个指标来分析是出版物的生产。意图,创建一个直方图显示每年的出版物数量,如图所示gydF4y2Ba图1gydF4y2Ba。必须指出的是,2022年仍然是一个在进步,所以今年的数据不完整,相关的出版物,2022年预计将大幅增长。它可以观察到,有相对稳定的增长在出版物的数量,直到2015年,linear-like增长计划。2015年之后,出版物的数量明显加速,似乎显示一个指数级增长。这种行为符合当前机器学习主题的宣传和发展在全球科学界。例如,在创建的人工智能指数报告2022以人为中心的斯坦福大学的人工智能研究所(gydF4y2BaZhang et al ., 2020gydF4y2Ba),相同的加速增长观察2015 - 2016年左右开始,gydF4y2Ba看到gydF4y2Ba图2gydF4y2Ba。快速增长的研究表明增加CI-powered的接受和实现技术是结构工程研究社区中流行。gydF4y2Ba

3.3中利用率最高的期刊雷竞技电竞体育竞猜平台gydF4y2Ba

8107年总出版物,包括我们的数据库是发表在548种期刊。雷竞技电竞体育竞猜平台的前25名期刊发表论文雷竞技电竞体育竞猜平台的数量(只考虑那些在研究数据库)提出了gydF4y2Ba表2gydF4y2Ba。斯高帕斯的CiteScore(对应于2021年),和源归一化影响/纸(剪)也包括在表中。当前CiteScore措施平均每个文档引用收到出版于2021年,剪断措施实际引用了相对于引用将在2021年的同一领域。注意引文的数量和相关的指标表中包含的出版物数量(前两列)只考虑研究的出版物数据库,但CiteScore和剪断(最后两列)是由斯高帕斯指标推导出基于《华尔街日报》的所有出版物在相应的。表在自己的研究方向提供了一些提示词的应用方法。例如,看杂志在顶部位置1和4,它可以假定复合结构的分析和雷竞技电竞体育竞猜平台结构优化是两个话题,CI方法不断应用。gydF4y2Ba

3.4最常被引用论文gydF4y2Ba

引文的数量是常用的作为一个简单的指标来衡量出版物的影响或影响。考虑到这一点,两个表显示最构造被引用的出版物。gydF4y2Ba表3gydF4y2Ba显示了从1990年到2022年前15名最常被引用的论文而gydF4y2Ba表4gydF4y2Ba只考虑论文从2010年到2022年。在前15名最常被引用的论文不能被视为一个代表性样本从8107年完整的出版物,它还提供了一个初步想法的一些研究文献的主要研究领域。从第一个表,出版(2952引用)是一个约束处理技术,遗传算法(gydF4y2Ba黛比,2000gydF4y2Ba),使用遗传算法在优化问题已经成为广泛采用。摘要的方法是应用于一些机械工程的例子的原因发表了我们的数据库。进一步检查发现出版物2、3、6,8,9,10,12日和13日处理结构优化的主题。出版物5、7、8审查研究神经网络的应用程序,而出版物4和11个处理损伤诊断的主题。从第二个表包括出版物2010年之后,出版(565引用)是一个顶部damaged-detection技术,利用深度学习的力量(这出版也出现在第一个表)。此外,出版物的3、4、5、9、10也相关结构的损伤诊断和评估。出版物2和13探索方法来提高有限元的数学程序而出版物7和8对结构优化的话题。gydF4y2Ba

3.5文献地图gydF4y2Ba

3.5.1图形和可视化gydF4y2Ba

采用图示画地图如下:每一项(关键词、作者、gydF4y2Ba等gydF4y2Ba)是被描绘成一个点。发生gydF4y2BaOgydF4y2Ba_我gydF4y2Ba每个项目是由点的大小。发生更大点占高值和较小的点表示低发生值。的同现gydF4y2BaCgydF4y2Ba_ijgydF4y2Ba两个项目之间gydF4y2Ba我gydF4y2Ba,gydF4y2BajgydF4y2Ba表示由一条线连接。线厚度表明同现的强度,更高线厚度占共生。然而,小厚度值是用来避免过度饱和线的地图。物品的颜色代表着不同的计算集群,这样分,同样的颜色属于同一集群。地图创建与数量有限的商品gydF4y2BangydF4y2Ba这样他们可以很容易地解释和理解考虑到有限的空间由本文的大小和格式。在虚拟环境中提供了一个计算机程序,文献地图通常可以包含更多的物品,因为他们可以正确地探索与缩放,平移和缩放功能提供了一个交互式图形用户界面。提出了地图创建和可视化与我们自己的特制的计算工具和算法。使用Python和Java后端,Javafx库已被用于前端(即图形)。gydF4y2Ba

3.5.2文献关键词的地图gydF4y2Ba

独特的关键字的总数在整个数据库gydF4y2BankeygydF4y2Ba= 830,考虑到两位作者和索引关键字。地图的建设之前,各种类似的关键词列表手动创建和美联储的算法,这样类似的关键词是合并在一起的。这一步执行删除冗余的关键字,如关键字“神经网络”和“人工神经网络”都是合并成一个字“神经网络。“关键词的数量显示在地图上选择gydF4y2BangydF4y2Ba= 150,这样图像是可读和符合本文所提供的空间。计算集群的数量设置为五方便识别的一般研究的趋势。由此产生的地图所示gydF4y2Ba图3gydF4y2Ba和一个放大的获得集群提出了gydF4y2Ba图4gydF4y2Ba。gydF4y2Ba

3.5.3文献作者的地图gydF4y2Ba

在这张地图中,每个条目表示一个作家。斯高帕斯提供的author id字段是用来避免冗余的两位作者相似或相等的名字,或一个作者发表论文的情况使用不同的名字。发生一个作家的价值表示的数量作者参与的出版物。两个作者之间的共生价值表明这两位作者的出版物的数量(即出现在作者)合作。有一个总数gydF4y2BanatgydF4y2Ba= 19日916独特的作者在数据库中做平均gydF4y2BankeygydF4y2Ba/gydF4y2BanatgydF4y2Ba= 2.05每出版的作者。只有第一个200年作者最高的数字出版物的相应列表都包含在地图上。注意,只有出版物中包含的数据库统计分析。作者在本研究中可能出现的更多的出版物没有捕捉到搜索查询(gydF4y2Ba看到gydF4y2Ba3.1节)。话虽这么说,从200年的作者,他们中的一些人有同现的0与其他所有199作者。这并不一定意味着这些作者不与他人合作,而是他们的最强的合作与作者没有在其他的前199名。包括与0项同现的文献地图转化为孤立点,增加整体误差和大大减少地图的质量(gydF4y2Ba看到gydF4y2Ba2.1.4节)。因此,作者删除0共生,最终地图只包含127作者,每个作者都是连接到至少一个其他作者。获得的地图所示gydF4y2Ba图5gydF4y2Ba。这一次,而不是使用k - means算法,聚类是由后节点的连接,这样每个集群包含一个不同的网络,是独立于其他。gydF4y2Ba

3.5.4的大脑文献关键词2015 - 2021的地图gydF4y2Ba

另一个关键字映射算法只使用文件从2015年到2021年。这个结果在一个次要的列表gydF4y2BanpubgydF4y2Ba= 4558的出版物gydF4y2BankeygydF4y2Ba337年= 27日独特的关键字。对于这个具体案例,map-space(或绘图区)一直局限于类似于人类大脑的轮廓,因此,做一个小的视觉类比计算智能的话题,看到的gydF4y2Ba图6gydF4y2Ba。这张地图的主要目的是测试我们的遗传映射的方法有额外的约束的挑战,并调查潜在的变化研究的趋势在2015年至2021年比前一字地图,其中包括1990年至2021年。地图是通过引入一个等式约束函数创建的gydF4y2BaggydF4y2Ba(gydF4y2BaxgydF4y2Ba)= 0 2.1.4描述的优化算法。对于一个设计向量gydF4y2BaxgydF4y2Ba,约束函数等于点的数量超出了给定的范围。gydF4y2Ba

3.5.5作者集群和他们的关键词gydF4y2Ba

最后一个图是构建的集群获得地图作者与30个最频繁的关键词。作者和关键字的每一组封闭的矩形区域。一条直线连接作者和生成相应的关键词,如果群作者已经发表了五篇论文使用,特别是关键字。连接行变得更厚的出版物的数量大于5。结果图提出了gydF4y2Ba图7gydF4y2Ba。注意关键词和作者的盒子被安排在随机顺序,防止一些地区地图过于饱和的行。gydF4y2Ba

3.6解释文献的地图gydF4y2Ba

3.6.1主要主题gydF4y2Ba

看第一个文献地图gydF4y2Ba图3gydF4y2Ba,最常见的关键词在四个计算集群可以轻易的识别出的视觉检查。方便的讨论结果,我们选择把每个集群最频繁的关键字和使用这些关键字来指代整个讨论集群。有鉴于此,获得集群是以下:gydF4y2Ba1gydF4y2Ba)橙色颜色“有限元”中左集群;gydF4y2Ba2gydF4y2Ba)绿松石集群在左上的“优化”(gydF4y2Ba图4一gydF4y2Ba);gydF4y2Ba3gydF4y2Ba)绿色的“神经网络”集群底部(gydF4y2Ba图4 dgydF4y2Ba),gydF4y2Ba4gydF4y2Ba)右上的紫色集群“模糊系统”(gydF4y2Ba图4 bgydF4y2Ba)。gydF4y2Ba

在地图的中间,仿真和建模的概念结构是由“有限元”描绘的集群,我们可以阅读关键词如“结构分析”,“模拟”和“数值模型。”为中心的地图,它周围是其余的CI方法和相关应用程序的集群。因此,一个清晰的视觉类比映射到本文的研究主题:计算智能方法的仿真和建模结构。这样的发现,这不是意外,而是预期,提供了明确的证据表明,映射方法按预期工作。gydF4y2Ba

操作的研究趋势gydF4y2Ba

的热门话题和研究方向可以推断通过检查关键字映射gydF4y2Ba图3gydF4y2Ba,gydF4y2Ba7gydF4y2Ba。,我们应该看看人口密集的地区的地图和高度重复关键词,因为这些可能代表流行的话题。然而,重要的是要记住,关键字在搜索查询(直接使用gydF4y2Ba看到gydF4y2Ba表1gydF4y2Ba)预计将出现最高价值观和不一定表明研究的趋势,因为他们是手工在搜索。相反,它是更好的检查和考虑整个区域周围的这些关键词。第二段,我们公开的话题,我们认为基于关键字地图的趋势gydF4y2Ba图3gydF4y2Ba。虽然文献的解释地图是一种主观的活动影响的自己的知识翻译,我们试图尽可能公正并提供我们选择的推理。gydF4y2Ba

加强与CI的有限元法gydF4y2Ba

在中心奠定了有限元集群包含关键词:“模拟”,“数学模型”,“结构分析”、“数值方法”,“僵硬”“矩阵代数,”“效率”和“计算成本。“我们相信这些关键词的核心数学过程有限元的象征。考虑到从中心所有这些术语共享多个连接到所有其他的关键词在整个地图,我们考虑到使用CI方法提高有限元的计算效率是一个隐式的研究方向出现在地图上。gydF4y2Ba

结构优化gydF4y2Ba

也许,最引人注目的研究方向是应用CI方法的结构优化问题。这个结论之前,注意到优化集群(gydF4y2Ba图4一gydF4y2Ba)看起来密度比其他地区的地图,包括许多关键词出现高值这样的“结构设计”,“结构优化”,“形状优化,拓扑优化,““优化设计”,和其他类似的单词。gydF4y2Ba

有限元代理模型gydF4y2Ba

在中左的地图,我们可以观察到明显的关键词“代理模式”表示发生高价值的大尺寸。此外,它非常接近于有限元分析和优化集群。我们可以假定使用有限元代理模型的优化问题是一个热门的研究方向。gydF4y2Ba

地震工程、不确定性和可靠性分析gydF4y2Ba

右上角的地图,这对应于模糊系统集群(gydF4y2Ba图4 bgydF4y2Ba),我们可以识别各种地震工程和风险评估相关关键字,如“地震”,“地震学”、“动态响应”,“结构可靠性,”“蒙特卡罗方法,”和“不确定性分析。“因此,指出模糊方法在地震工程的成功应用,对不确定性和可靠性分析。gydF4y2Ba

结构健康监测gydF4y2Ba

底部地图的一部分,在神经网络集群(gydF4y2Ba图4 dgydF4y2Ba),我们可以观察到关键字“损伤检测,”“结构健康监测,”“裂缝”,“图像处理”,“模式识别”和“腐蚀。“这突显出一个更受欢迎的研究方向在使用机器学习的方法对结构健康监测。gydF4y2Ba

模拟混凝土材料的行为gydF4y2Ba

在右侧的神经网络集群(gydF4y2Ba图4 dgydF4y2Ba),我们可以找到关键字“混凝土施工”,“列”,“钢筋混凝土梁、混凝土建筑,和其他类似的条款发生价值相对较高。在附近围绕这些关键字,我们也可以找到“预测”条款“神经网络”,“机器学习”,“支持向量机”、“抗压强度、剪切强度,”和“抗拉强度、强化。“这样安排的项目表明,NNs和其他回归模型一般用于克服著名的困难在钢筋混凝土的数值模拟。gydF4y2Ba

机器学习gydF4y2Ba

从第二个关键字映射只考虑从2010年到2022年的出版物(gydF4y2Ba图6gydF4y2Ba),我们可以观察到或多或少相同的趋势。尽管很难评估视觉,当看着这些数字我们可以注意到有微妙的变化,如增加的使用“机器学习”,“神经网络”和“深度学习”关键词。这是符合最近的宣传机器学习,现在正在发生的研究社区正如3.2节中指出。然后清楚的是,一个外向趋势是机器学习的方向。gydF4y2Ba

3.6.3作者合作gydF4y2Ba

文献地图由编写信息包含更少的物品之间的连接相比,关键字映射。必然地,结果是一个circular-shaped-map与几个孤立的群体,gydF4y2Ba看到gydF4y2Ba图5gydF4y2Ba。这些团体揭示了合作研究文献上最著名的科学家之一。此外,我们可以确定一些特定领域的专家通过连接作者在他们最频繁的关键词gydF4y2Ba图7gydF4y2Ba。例如,绿松石颜色的集群在地图的中间由作者:Lagaros北达科他州,Papadrakakis M。,Plevris V。,Papadopoulus V., Tsompanakis Y., Stavrtoulakis G.E., and Ahmad A. Some of the most frequent keywords of this group of authors are “neural networks,” “optimization,” “genetic algorithm,” “structural optimization” and “structural design” (看到gydF4y2Ba图7gydF4y2Ba)。因此,数据表明,我们已经识别出一组研究人员在结构优化工作的主题。这些信息是有用的,因为它提供了一个起点,详细调查某一主题的文献。可以直接看一看这样一群作家的出版物,在基于可靠的数据是该领域的专家。gydF4y2Ba

3.7文献计量分析的局限性gydF4y2Ba

尽管大量的出版物中使用bilbiometric研究中,必须指出,只有斯高帕斯数据库访问。还有其他大型科学数据库如Web的科学(我们)可能含有更多的出版物,可能会影响结果。然而,随着主要目的是获得一个整体的图片,使用任何数据库足够大(gydF4y2BaPranckut 2021gydF4y2Ba),应该导致相似的结论。此外,有些过程难以自动化和需要输入的一个人,因此,影响结果与自己的知识。例如,处理类似问题的关键词3.5.2节中提到的,或文献的解释图3.6。不过,采用数据驱动的文献计量分析已经被证明是非常宝贵的文学研究的一个特定的领域,大多数时候,它可以提供一个初始角度的效率远高于手动探索文学。gydF4y2Ba

4应用程序gydF4y2Ba

在获得全球全景基于文献计量分析的结果,现在我们重点调查分析最近的论文,提供清晰的例子应用程序建模与仿真的计算智能方法的结构。注意我们的目的不是提供一个全面的系统回顾整个域,可能导致过量的信息。相反,我们精心选择一些成熟的研究和应用程序显示CI范式的主要优势在传统hard-computing策略。为每一个选定的研究我们还提供一个简短的,完整的总结强调了实现方法,最大的挑战,最有趣的发现,它提供的主要优势。gydF4y2Ba

4.1机器学习gydF4y2Ba

机器学习的应用无疑是最大的一个研究方向研究文献中找到。从本质上讲,毫升模型是数值程序能够处理大型结构化数据库和找到模式,而不是显式地程序这样做(gydF4y2BaGhaboussi, 2010 bgydF4y2Ba)。最成功的ML是人工神经网络模型已经被证明是一个强大的技术能够处理复杂的任务,如图像和语音识别这两个非常难以使用传统算法处理。人工神经网络的巨大成功是由它们的相对简单的连锁数值制定简单的实现在计算机程序和几乎不需要调整扩大其功能。通常情况下,相同的计算机程序和核心方法可以用来创建一个小模型包含几个参数,或一个更大的模型包含数十亿参数训练与海量数据(gydF4y2Ba布朗et al ., 2020gydF4y2Ba)。小模型和大型模型之间的区别通常是强调通过使用较大的“深度”一词,比如在深度学习(DL)或深层神经网络(款)gydF4y2BaAlzubaidi et al。(2021)gydF4y2Ba。自然,限制网络的功能似乎是由计算资源的可用性和效率,它每天都变得更加方便和强大的。存在不同类型的网络,每一个特别有效的或适合解决特定类型的问题。例如,卷积神经网络(CNN) (gydF4y2Ba阿洛伊修斯和Geetha, 2017gydF4y2Ba)和物理信息神经网络(PINN) (gydF4y2BaVadyala et al ., 2022gydF4y2Ba),只是提到几个。然而,本质方法和可伸缩性属性所有不同种类保持不变。因此,ML-based应用程序,特别是神经网络,方法是获得一个巨大的受欢迎程度。在下面几节中4.2 - -4.6,许多CI讨论应用程序相关的仿真和建模结构实际上是使用ML-based方法如定期安,款,CNN, PINN。gydF4y2Ba

4.2结构优化gydF4y2Ba

结构优化处理的问题,找到最优的配置结构或结构组件。在结构工程的背景下,最优配置的结构可以定义为最终设计最小化或最大化所需的属性,例如设计最大限度地减少材料体积或材料成本。两个最常见问题的优化结构拓扑优化和形状优化(gydF4y2Ba梅和王出版社,2021年gydF4y2Ba)。在拓扑优化,目的是找到最优的分配数量有限的材料在一个给定的任意设计领域。另一方面,规模优化形状是预定义的和由几个各个部分(例如一个桁架结构)。问题是找到每个单独的元素的大小,导致整个结构的最优设计。混合的问题,结合拓扑和形状优化也常见(gydF4y2Ba克里斯琴森et al ., 2015gydF4y2Ba)。显然,发现这种优化设计是计算密集型操作,涉及到一个高度迭代过程的试验和错误。然后不足为奇了工程师们照顾CI-powered方法处理结构优化问题,特别是自然metaheuristic搜索策略的使用都取得了许多成功的优化策略(gydF4y2Ba杨et al ., 2014gydF4y2Ba;gydF4y2BaLagaros et al ., 2022gydF4y2Ba)。接下来,我们提出一个最近的一些例子使用CI-powered方法进行结构优化和创新应用。gydF4y2Ba

Ahrari和黛比(gydF4y2BaAhrari Deb, 2016gydF4y2Ba)开发了一个同步拓扑优化算法,形状,并根据fully-stressed的桁架结构尺寸优化设计和进化策略(称为FSD-ES-II)。他们测试算法在各种桁架设计问题包含大量的变量和描述现实生活中的桁架设计条件考虑多个负载情况以及压力限制由于屈曲和收益率的成员。他们估计,减少32%的重量可能会实现,而迭代设计手册。此外,他们开发的案例研究的例子可以作为基准的问题可以通过其他的优化策略是现实的结构工程设计任务。gydF4y2Ba

刘和夏(gydF4y2Ba刘和夏,2022年gydF4y2Ba)提出了一个混合策略使用遗传算法和深层神经网络混合智能遗传算法(称为HIGA)桁架结构的优化。在他们的方法中,他们通过逐步提高遗传优化技术的训练一个款在迭代遗传算法过程中生成的数据。这款然后用作代理模型代替有限元分析和执行第二个嵌套遗传算法随机生成的一组人群。最好的个体从每个人口,加上当前整体最好的,被用于创建一个新的人口外GA循环迭代。因此,大大增加了搜索策略的探索能力。他们使用两个隐藏层有200个神经元,款ReLU激活函数和亚当优化器。他们的方法是测试几个桁架优化问题表现出更稳定的优化过程和降低计算成本比纯粹的GA方法的7.7%。gydF4y2Ba

Kallioras et al ., (gydF4y2BaKallioras et al ., 2020gydF4y2Ba)开发了一种方法来提高受欢迎的笨人(gydF4y2BaBendsøe和菊池,1988gydF4y2Ba)方法,用于拓扑优化问题的深层信念网络(DBN)。他们实现一个两阶段的过程。在第一阶段,一个特定的迭代次数的笨人执行。然后,pre-trained DNB用于计算最优元素密度基于密度历史在这些初始迭代笨人。在第二阶段,笨人是用来调整DBN的结果在第一阶段。测试程序对各种2 d和3 d的例子。3 d的情况下,他们测试三个问题域离散与72000年,86000年和140000年有限元素。他们达到最优结果与同笨人完整的方法,但用81%,62%,迭代每个问题分别低52%。此外,通过使用基于gpu加速,他们能够加速过程17×倍大(相对于纯SIMP-CPU) 3 d的例子。gydF4y2Ba

4.2.1结构设计准备gydF4y2Ba

CI技术,特别是遗传算法,也广泛用于整个结构的优化设计和个人元素,如梁、柱、墙、立足点,gydF4y2Ba等。gydF4y2Ba这些问题都属于规模优化和实际上是结构工程师的日常任务在实际建设项目工作。传统的迭代设计方法通常由手动直至工程师满意结果。这可能会导致低效的和昂贵的设计过程。或者,一个可以利用的优势CI-powered GA等方法完全自动化的设计任务(gydF4y2BaHamidavi et al ., 2018gydF4y2Ba)。然而,这样的优化策略的实际应用还不广泛采用。我们认为,这主要是由于详尽的培训需要优化方法,他们的成功实现,以及有限的可用性的现成的和容易实现优化工具。因此,研究人员正在试图降低之间的差距的研究性和实际的应用程序开发易访问方法、算法、工具、甚至基准函数和问题(gydF4y2BaAhrari Deb, 2016gydF4y2Ba;gydF4y2BaPlevris Solorzano, 2022gydF4y2Ba)。给出了几个例子在这个方向。gydF4y2Ba

Solorzano和Plevris (gydF4y2BaSolorzano Plevris, 2020gydF4y2Ba)使用遗传算法寻找最优设计混凝土的孤立的立足点(纯轴向加载和怪癖)根据ACI318-19代码规则。他们使用的材料成本的最小化包括混凝土和钢筋作为目标函数。遵守ACI318代码执行的一组约束函数中指定基于多个检查代码,例如,允许轴承压力,冲剪板的抗弯强度。他们的工作表明,优化设计可在几秒钟内(4.8秒的测试例子),因此,大大减少了时间的工程师在设计过程中。gydF4y2Ba

同样,Moayyeri et al。(gydF4y2BaMoayyeri et al ., 2019gydF4y2Ba)提出了一种优化设计方法的钢筋混凝土挡土墙使用粒子群优化算法。在他们的战略,他们测试三种不同技术模式土壤结构交互获取承载力。他们定义26约束函数执行code-complying设计符合ACI318-14代码。他们的研究显示了有前景的结果,他们能够成功地获得最优设计的各种例子,尽管大量的限制,指出nina Meyerhof土壤结构建模产生的最具成本效益的设计。gydF4y2Ba

Chen等人提出的另一个类似的方法是(gydF4y2Ba陈et al ., 2019gydF4y2Ba)。他们为钢筋混凝土框架结构的设计开发方法使用遗传算法。与各种约束优化问题的定义,控制梁的设计基于ACI318-11代码和列。他们的设计变量包括每个梁和柱的截面尺寸以及梁的钢筋率在三个不同的点和两个点列。同时优化多个类型的元素,如梁、柱、是一个有趣的挑战,因为一个元素的尺寸可能会链接到另一个获得现实的设计(如列维度必须大到足以让梁的连接)。他们解决这些问题通过施加额外的现实条件约束限制的维度。他们的GA方法是能够找到一个最优值在一个单一的优化运行,因此,减少相当大的完整的钢筋混凝土建筑的设计时间。此外,它是指出,获得的结果高出2%(根据材料成本)比不考虑现实的维度作为获得的优化设计约束。gydF4y2Ba

4.3铁代理模型gydF4y2Ba

有些应用程序在结构工程需要大量重复的数值模拟,可能导致高计算成本,必然地,把应用程序不切实际的工程目的。几个例子出现在我们的文献地图拓扑和形状优化结构、复合材料的多尺度分析,可靠性,失败,和不确定性分析等领域。然后一个非常有吸引力的和活跃的研究领域的发展更便宜的替代数值模型。软计算技术,特别是神经网络,已被证明是强大的和可靠的方法来创建计算高效的数据驱动的代理模型(gydF4y2Ba库和Matousek, 2022gydF4y2Ba)。这些类型的代理模型可以近似的结果只有一个昂贵的模型计算成本的一小部分。然而,大多数时候,代理模型的训练过程需要大型数据库的可靠和准确的结果,必须创建使用相同的计算昂贵的模型所取代。因此,建立一个代理模型似乎是矛盾的,因为它最终可能会成为一个计算昂贵的操作,。然而,通常不是这样的数据创建和训练程序开发一次性的过程,可以方便地在任何给定的时间。此外,人们可以利用先进的计算能力,如并行化和GPU处理。一旦代理模型训练有素,它可以无限期的使用大大减少计算昂贵的选择。接下来,我们介绍几个例子的最新发展为有限元模拟计算有效的代理模型。gydF4y2Ba

Hau et al。(gydF4y2Ba梅et al ., 2021gydF4y2Ba)建立了一个深层神经网络代理模型代替有限元分析桁架优化算法,考虑了几何非线性行为。他们的模型有一个款4-335-335-335-335-2与1320个样本训练的体系结构。使用这种方法,作者能够显著降低的一个优化运行计算需求通常需要成千上万的NLFE分析。减少时间从8559年代使用NLFE, 0.56年代款代理模型(几乎快16000倍)。培训和数据收集了大约3756年代显示,整个过程包括培训和数据收集还是2××更快。gydF4y2Ba

Abbueidda et al。(gydF4y2BaAbueidda et al ., 2020gydF4y2Ba)开发了一个卷积神经网络(CNN)代理2 d拓扑优化模型考虑非线性超弹性的材料。单一优化任务使用超弹性的材料和一个32×32网需要大约90分钟计算定期core i5笔记本电脑。因此,生成一个大型数据库的最优解是计算密集型操作。缓解他们所使用的成本,高性能计算(HPC)运行10并行流程,实现数据生成的每个数据点3.2分钟。他们创建了一个数据库18000年最佳拓扑用于训练神经网络模型。神经网络可以推断立刻优质非线性拓扑优化结果。gydF4y2Ba

帕帕多普洛斯et al。(gydF4y2Ba帕帕多普洛斯et al ., 2017gydF4y2Ba)创建了一个神经网络代理梁单元的几何非线性分析碳纳米管。他们使用大约500 NLFE模拟结果的详细的碳纳米管(CNT)模型的训练过程。神经网络代理模式可以用于随机多尺度优化问题实现现实的射频(代表体积元素)钢筋与嵌入式问,减少计算工作由两个数量级。gydF4y2Ba

白等。gydF4y2Ba白色et al ., 2019gydF4y2Ba)提出一个新颖的拓扑优化策略优化大型宏观尺度空间不同微架构材料制成的结构。micromaterial的特点是21弹性刚度系数,可以通过使用高度详细的有限元模拟。模拟一个代表性的细胞微结构材料的计算刚度系数的误差1%需要1000万个元素的网格。为了降低计算成本,他们开发了一种新方法使用单一层前馈神经网络训练与水列夫规范来创建一个代理模型。网络的输入是一个单位的材料布局micromaterial的细胞,并输出其21个刚度系数和有效密度。宏观analaysis取代昂贵的模型,他们可以进行拓扑优化的多尺度材料,否则几乎不可能由于极高的计算成本。gydF4y2Ba

4.4加强与CI有限元程序gydF4y2Ba

同时代理模型完全替代有限元模型,CI技术还提供了各种方式提高的一些核心有限元的数值计算程序。几个例子是:减轻成本计算刚度矩阵的生成、发展效率计算本构模型,近似部分不同方程的解决方案(pd),准确地估算材料参数(gydF4y2BaAhmad et al ., 2020gydF4y2Ba)。当然,由于他们的效率和鲁棒性,得到最首选CI方法这些类型的问题。由此产生的策略是混合NN-FE铁的方法只有一个特定的部分是用神经网络代替。的发展一般的神经网络方法,可以表示没有问题特定的限制,如几何物理现象,加载,和边界条件,仍然是一个开放的挑战。(gydF4y2BaPantidis Mobasher, 2022gydF4y2Ba)。gydF4y2Ba

荣格et al。(gydF4y2Ba荣格et al ., 2020gydF4y2Ba)开发了一个创新的方法来计算固体2 d的刚度矩阵与四和八节点等参有限元素使用(称为深学有限元素)款。他们实现了一个几何归一化技术来创建一个庞大的数据集的元素组成的各种形状,因此,大大降低了所需的数据量的训练过程。网络需要作为输入的泊松比和元素的节点坐标预处理和转换为规范化的空间;输出是strain-displacement矩阵,然后进行后期处理回到原来的几何空间和最终的计算刚度矩阵。款是训练有素的300000数据点和使用一个架构包含六个完全连接层与378个神经元。他们测试开发元素(DL4 DL8)与铁几个例子实现标准元素,比如第四季度处置、和QM6。他们DL8配方比大多数人都在计算效率和收敛。gydF4y2Ba

前面的作者和小君(gydF4y2Ba荣格et al ., 2022gydF4y2Ba)开发了一个类似的策略称为自我更新节点有限元(上海)。他们的方法旨在消除shearlocking效应影响有限元模型与粗网格,消除网格细分的必要性。他们实现这一目标通过使用mode-base描述等参的4-node元素和一个内部迭代过程正确的刚度矩阵。这样的校正需要昂贵的解决方案优化问题找到最优菲的弯曲方向。实现缓解款成本优化的过程。款将作为输入的节点坐标,位移和泊松比;输出最优方向弯曲。体系结构使用10款完全连接层,320个神经元和3000000年与大量的训练样本(庞大的数据需要为了推广款占任何可能的有限元几何)。元素显示了有前景的结果,优于测试标准菲斯在几个例子。此外,他们的想法可以扩展到其他类型的有限元素。gydF4y2Ba

萨马尼et al。(gydF4y2Ba萨马尼et al ., 2020gydF4y2Ba)开发了一种深层神经网络方法在计算力学近似pde的解决方案。他们的方法包括定义物理通知款使用系统的能量损失函数,因此,神经网络直接用于建立了近似空间。在他们的论文中,他们解决各种问题与机械工程有关。对于每个问题,款相应的体系结构和相应的损失函数的设计。对于一个长方体组成的超弹性问题受到扭曲,他们使用的3-30-30-30-3款输入节点坐标和输出位移。他们用64000点训练阶段。损失函数是系统的势能包含相关信息的边界条件和本构方程。通过与基于标准梯度方法训练神经网络,可能是最小的形式和相应的解节点位移。gydF4y2Ba

奥尔蒂斯和Kirchdoerfer (gydF4y2BaKirchdoerfer奥尔蒂斯,2016gydF4y2Ba)提出了一个新的范式,他们引用数据驱动计算力学。他们的方法替代有限元程序中的硬编码的材料本构定律与可靠的实验数据。解算器试图分配每个质点模型最接近的材料状态的一个预定义的材料数据集通过求解一个约束优化问题在一个迭代的过程。他们认为直接将实验数据的数学模型,模拟数据范围外的气馁,错误和不确定性大大降低。gydF4y2Ba

4.5级地震工程、不确定性和风险评估gydF4y2Ba

最明显的缺点的努力计算技术的仿真和建模结构缺乏机制治疗解决方案过程中的不确定性。固有的不确定性,可以被视为一个不能移动的特征,存在于所有工程问题。他们从简单的情况如出现错误或不准确的测量属性;或从高度复杂的现象,准确模型几乎是不可能的,如材料的微观结构或预期的地震加载在一个建筑。不用说,不确定性与风险评估相关的结构。几乎不可能准确地预测结构的失效概率由于众多不确定因素在他们的设计和施工。然而,它有可能开发出可靠的估计利用CI-powered技术的优势。类似地,预测或建模结构地震事件的反应和拨款控制系统设计来减少它们的影响(gydF4y2BaLagaros et al ., 2001gydF4y2Ba)其他具有挑战性的努力CI-powered技术被证明是有价值的。我们提供几个例子的相关研究在以下段落。gydF4y2Ba

Ebrahimi et al。(gydF4y2BaEbrahimi et al ., 2022gydF4y2Ba)开发了一个基于模糊系统的方法妥善解决遇到的不确定性在定义的性能水平和加载条件下基于性能设计的建筑。他们执行模糊结构分析(gydF4y2Ba穆勒et al ., 2000gydF4y2Ba)使用模糊集定义加载条件和应用遗传算法找到的最小和最大响应相应的截止。最后,他们得出一个新颖的方法来比较两个模糊集(即模糊结构响应和相应的加载条件)来评估结构更可靠的性能水平。因此,大大降低了不确定性等特征决定。同样,郭et al。(gydF4y2Ba郭et al ., 2022gydF4y2Ba)提出一个模糊全球地震易损性分析框架研究随机的影响和认知不确定性在钢筋混凝土结构。随机不确定性是指地面运动和结构设计参数,而认知不确定性的定义是指限制州和概率模型的参数。在他们的方法中,每个故事是理想化的一个随机变量和随机变量之间的相关性计算使用葡萄树的相关理论。他们使用钢筋混凝土建筑物使用非线性梁的有限元模型和列元素OpenSees基于纤维部分。失败的极限状态描述使用最大inter-story漂移和峰值地面加速度基于IDA方法(gydF4y2Ba吴et al ., 2020gydF4y2Ba)。与他们的方法,他们获得模糊全球脆弱性曲线为每一个性能水平,考虑随机和认知的不确定性;帮助工程师和研究人员在决策过程的环境风险评价。gydF4y2Ba

Javidan et al。(gydF4y2BaJavidan et al ., 2018gydF4y2Ba)建立了一个NN-based代理模型来估计结构的崩溃概率在极端的行动。他们应用方法在一个多层框架结构的情况下受到汽车冲击载荷。可靠性分析需要使用蒙特卡罗抽样20000实现。详细NLFE模拟使用LS-DYNA需要112 h来计算,因此,并不是一个可行的选择20000种不同的情况下运行。使用自适应地改变另一种简化模型集成方法(ASI)实现减少20年代/成本分析。达到进一步减少计算时间,NN-based代理模型创建并使用10000个样本训练与ASI模型生成。他们比较ASI的代理模型方法,观察很好的协议(低MSE和良好的结果gydF4y2BaRgydF4y2Ba^2gydF4y2Ba)。用的ASI法训练神经网络在可靠性分析中,计算需求减少大约从20000 *(20岁)= 400000年代分析,只有几秒钟。gydF4y2Ba

4.6结构健康监测gydF4y2Ba

有时初始条件或目的结构的最初建立是可以随着时间而改变的。必然地,仿真和建模的现有结构改造或保护的目的是结构工程的另一个重要的领域。这个事实可以清楚地观察到bilbiometric地图gydF4y2Ba图3gydF4y2Ba。神经网络的集群中,有几项相关的结构健康监测和损伤检测。因此,数据本身指出机器学习模型用于结构健康监测的使用(gydF4y2Ba阿兹米et al ., 2020gydF4y2Ba)。给出了几个例子。gydF4y2Ba

Georgioudakis和Plevris (gydF4y2BaGeorgioudakis Plevris, 2018gydF4y2Ba)实现一个创新技术在结构损伤识别基于不完整的模态数据。他们创建一个有限元模型的结构和分配每个成员的损伤指数。定义一个无约束最优化问题的想法然后找到每个成员的拨款损伤指数。他们解决这些任务与微分进化算法的实现作为目标函数的组合使用两种不同的相关标准之间真正的损害(实验测量)和损坏所预测的有限元模型。各种模拟的例子所示,结合发达技术标准会比单独使用每个标准获得更好的结果。gydF4y2Ba

魔杖和程(gydF4y2Ba王et al ., 2021gydF4y2Ba)提出一种新的裂纹检测方法使用深层神经网络。他们的方法,即参考锚点方法,采用深卷积神经网络基于ResNet架构。原则上,该方法可获得图像的二维数组点和神经网络训练检测每一个点是否在一个裂缝。因此,获得完整的地图裂缝由紧密的位置点。这是一个特别具有挑战性的问题,裂缝出现在所有的大小和形状,然而,他们提出聪明的点子,比如固定的距离decentalization算法来解决这个问题。他们的方法是能够地图图像上的裂缝在几分之一秒(使用NVIDIA GeForce GTX 1080 GPU)。此外,该决议(即点数用于裂纹检测)可以很容易地操纵质量更好或更快的结果,根据特定需求的问题。gydF4y2Ba

5总结与结论gydF4y2Ba

我们进行了一个全面的数据驱动的文献计量分析主题的仿真和建模的计算智能技术结构。提出了研究结果对应于一个数据库的分析8107年在上述领域的出版物。我们现在的科学出版物的年度增长等指标,利用期刊,最引用论文,和最著名的作者。雷竞技电竞体育竞猜平台此外,我们创建各种文献中包含地图使用关键词和作者信息数据库中所有的出版物。从关键词的文献地图创建,我们获得一个总体概述研究方向的领域我们已经成功地确定了以下七个主题:gydF4y2Ba1gydF4y2BaCI)有限元法增强;gydF4y2Ba2gydF4y2Ba)结构优化;gydF4y2Ba3gydF4y2Ba)代理的建模;gydF4y2Ba4gydF4y2Ba)地震工程、不确定性和风险评估;gydF4y2Ba5gydF4y2Ba结构健康监测;gydF4y2Ba6gydF4y2Ba)建模复杂的RC行为;和gydF4y2Ba7gydF4y2Ba)机器学习应用程序。另外,从文献从作者创建的地图信息,我们获得有价值的信息最著名的作者和它们之间的合作。我们与这些作者前30名(大多数复发)关键词发现特定主题中最具影响力的作家。基于文献计量分析的结果和我们的解释,我们提供几个最近的出版物的例子实现创新CI-related方法,强调每个人研究的主要方法和成果。此外,由于文献的解释地图是高度主观的,我们有专门的一个完整的论文的部分提供了一个科学的详细描述映射方法,实现建筑的地图。因此,让读者拥有必要的信息对自己的解释结果。gydF4y2Ba

分析数据和这一研究获得的结果表明有明显的炒作和越来越趋势关于实施CI技术在工程应用中。特别,在仿真和建模的研究主题的结构,我们可以观察到,许多传统的持久的方法正被取代或增强了某种形式的词。工程师不再需要手工迭代寻找最优的设计结构,因为他们可以利用创新的力量遗传算法等优化技术。风险评估的结构变得更加高效和可靠的使用模糊系统建模的不确定性和变量。神经网络具有一个无与伦比的性能自动损伤识别的结构,大大改善和促进改造过程。此外,神经网络也成为强大的非线性映射函数提供一个理想的框架创建大型有限元模拟计算有效的代理模型。自然,所有这些应用程序是由巨大的进步和可用性的计算技术和资源,以及由于持续投资在人工智能的研究和开发应用程序,这两个有可能保持增长,加快在不久的将来。因此,可想而知,我们将继续看到许多创新应用和快速增长的输出在这个方向的研究。不可避免的是,这些策略将成为未来的标准实践,对于研究和工业应用。gydF4y2Ba

作者的贡献gydF4y2Ba

概念化、GS和副总裁;方法,GS和副总裁;软件、GS和副总裁;正式的分析、GS和副总裁;调查,副总裁和GS;资源,副总裁和GS;数据管理、GS;原创作品草稿准备、GS和副总裁;writing-review和编辑、GS和副总裁;可视化、GS和副总裁; supervision, VP; project administration, VP; funding acquisition, GS. All authors have read and agreed to the published version of the manuscript.

资金gydF4y2Ba

APC是由奥斯陆城市大学。gydF4y2Ba

的利益冲突gydF4y2Ba

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。gydF4y2Ba

出版商的注意gydF4y2Ba

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。gydF4y2Ba

引用gydF4y2Ba