Predicting the Buckling Load of Stiffened Plates by Surrogate Modeling

Abstract

Denne masteroppgaven undersøker anvendelsen av surrogatmodeller, spesielt kunstige nevrale nettverk, til strukturanalyse av stive platepaneler, en vanlig komponent innen marin ingeniørkunst. Sammenlignet med tradisjonell Finite Element Analysis (FEA), har studien som mål å redusere beregningstiden og forbedre prediksjonsnøyaktigheten i å forutsi knekkbelastninger.

Oppgaven begynner med en omfattende litteraturgjennomgang om surrogatmodelleringsteknikker og deres anvendelser innen strukturingeniørkunst. En nevrale nettverksmodell utvikles deretter og trenes ved hjelp av et datasett generert fra FEA-simuleringer. Det stive platepanelet ble modellert i Abaqus og eksportert til en Python-kode ved å bruke Python-biblioteket abqpy. Modellen ble deretter simulert for 1944 forskjellige geometriske konfigurasjoner for å skape et omfattende datasett som det nevrale nettverket kunne trene på før det kunne forutsi knekkbelastningen for ukjente data.

Resultatene viser at den nevrale nettverksmodellen betydelig reduserer beregningstiden samtidig som den opprettholder høy nøyaktighet, og oppnår en gjennomsnittlig prediksjonsfeil på omtrent 2,94\% innenfor treningsområdet. Selv om modellen presterer godt innenfor de trente parameterne, reduseres nøyaktigheten for data utenfor treningsområdet med en gjennomsnittlig feil på 5,41\%. Dette er fortsatt gode resultater, men understreker behovet for et mer variert datasett og avanserte modelleringsteknikker. Studien viser potensialet til nevrale nettverk for å transformere strukturanalyse ved å tilby en skalerbar og fleksibel tilnærming. Den fremhever imidlertid også utfordringer som dataavhengighet, modellfortolkning og problemer med ekstrapolering. Oppgaven avsluttes med anbefalinger for fremtidig arbeid, inkludert utvidelse av datasettet, utforsking av hybride modeller som kombinerer maskinlæring med fysikkbaserte tilnærminger, og validering av modellene i reelle ingeniørprosjekter.

Totalt sett bidrar denne oppgaven til den pågående utviklingen av effektive og nøyaktige prediktive modeller innen konstruksjonsanalyse, og baner vei for mer sofistikerte anvendelser av digital tvillingteknologi i ingeniørdesign og analyse.

This master’s thesis investigates the application of surrogate models, especially artificial neural networks, to the structural analysis of stiffened plate panels, a common component in marine engineering. Compared to traditional Finite Element Analysis, the study aims to reduce computational time and improve prediction accuracy in predicting buckling loads.

The thesis begins with a comprehensive literature review on surrogate modeling techniques and their applications in structural engineering. A neural network model is then developed and trained using a dataset generated from FEA simulations. The stiffened plate was modeled in Abaqus and exported to a Python code by using the Python library abqpy. The model was then simulated for 1944 different geometric configurations to create an extensive dataset for the neural network to train on before being able to predict the buckling load for unseen data.

The results show that the neural network model significantly reduces computational time while maintaining high accuracy, achieving a mean prediction error of approximately 2.94\% within the training range. While the model performs well within the trained parameters, its accuracy decreases for data outside the training range with an average error of 5.41\%. These are still decent results but highlight the need for a more diverse dataset and advanced modeling techniques. The study demonstrates the potential of neural networks to transform structural analysis by offering a scalable and flexible approach. However, it also underscores challenges such as data dependency, model interpretability, and issues with extrapolation. The thesis concludes with recommendations for future work, including expanding the dataset, exploring hybrid models that combine machine learning with physics-based approaches, and validating the models in real-world engineering projects.

Overall, this thesis contributes to the ongoing development of efficient and accurate predictive models in structural engineering, paving the way for more sophisticated applications of digital twin technology in engineering design and analysis.