Structural Optimization of Pile Foundation with the use of Generative Design and Machine Learning.
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2779991Utgivelsesdato
2020Metadata
Vis full innførselSamlinger
Sammendrag
Denne masteroppgaven handler om optimalisering av pelegruppe ved bruk av generativ design og maskinlæring. Formålet med denne oppgaven har vært å definere og kvantifisere hva et optimalt design av en spissbærende pelegruppe er, hvordan dette kan oppnås og hvordan maskinlæring kan effektivisere design prosessen og i tillegg bidra til bedre design.
Arbeidet med denne masteroppgaven baserer seg på en kombinasjon av kvalitative og kvantitativ metode, med en oversikt over hvordan man dimensjonerer pelegrupper, etterfulgt av optimalisering og maskinlæring. Arbeidet er begrenset til teoretiske analyser i OpenSeesPy og utlagt bruk av Python programmering. Dimensjoneringen er utført i henhold til designkriteriene gitt i Eurokodene og fra Statens vegvesens manualer, samt den norske pelekomites veileder.
Resultatene indikerer at et optimalt design av en pelegruppe kan karakteriseres ved en antisymmetrisk, vifteformasjon av pelene, med en så liten diameter som mulig.
En rekke forskjellige optimaliseringsmetoder har vært prøvd ut, i et forsøk på å redusere beregningstiden for problemet. Denne oppgaven har funnet adaptive genetiske algoritmer til å ha overlegen hastighet i forhold til de andre metodene, med et moderat tap av nøyaktighet.
Forskjellige typer maskinlæringsmodeller og omfattende justering av parametere har blitt testet, i et forsøk på å lage en velfungerende maskinlæringsmodell. Med Random Forest Regressor modellens marginale overlegenhet, har ett akseptabelt nivå av nøyaktighet ikke vært mulig å oppnå i denne oppgaven. Dette bevisstgjør den enorme mengden av tilgjengelig, høykvalitets, treningsdata som er nødvendig til maskinlæring. Hvordan Norconsult kan oppnå en velfungerende maskinlæringsmodell i fremtiden er derfor presentert i slutten av denne oppgaven. This master thesis deals with structural optimization of a pile foundation with the use of a Generative Design (GD) approach and Machine Learning (ML). The goal of this thesis has been to define and quantify what is regarded as an optimal design of a point bearing pile foundation, how it could be achieved and how ML can make the design process more efficient as well as contribute to better designs.
The work of this master thesis is based on a combination of qualitative and quantitative research methodology, with an overview on how to design pile foundations, followed by Structural Optimization and ML. The work is limited to theoretical analyses carried out in OpenSeesPy with substantial use of Python programming. The design process was performed according to the criteria given in the Eurocodes and from the Norwegian Public Roads Administration manuals, as well as the Norwegian committee on piles guidance.
The results indicate that an optimal design of a pile foundation can be characterised with an antisymmetric, fan like, formation of the piles with an as small as possible diameter.
Numerous different optimization methods has been tried out, trying to decrease the computational time for the problem at hand. This thesis found the Adaptive Genetic Algorithm to be superior in speed compared to other methods, with a moderately loss of accuracy.
Various type of ML models and extensively tweaking of parameters where tried out, trying to create a well functional ML model. With the Random Forest Regressor showing a marginal superiority, an acceptable level of accuracy has not been possible to achieve in this thesis. Proving the huge amount of available, high quality, Training Data (TD) needed for ML. How Norconsult can obtain a functional ML model in the future is therefore presented in the end of this thesis.