Leveraging physics-informed machine learning to empower genetic algorithms for mechanical systems (2024)
- Authors:
- Autor USP: BIANCHESSI, ANDRÉ - EP
- Unidade: EP
- Sigla do Departamento: PMR
- Subjects: APRENDIZADO COMPUTACIONAL; SISTEMAS MECÂNICOS; ALGORITMOS GENÉTICOS
- Language: Inglês
- Abstract: A utilização de algoritmos genéticos na engenharia depende da sua capacidade de navegar de forma eficiente por espaços de projeto complexos em direção a soluções ótimas.O seu sucesso depende fortemente da função de avaliadora escolhida, que avalia cada solução possível. Quando computacionalmente caras, essas avaliações podem atrapalhar significativamente a velocidade do algoritmo. Esta tese investiga a aplicação inovadora de modelos de Machine Learning Informado por Física como funções avaliadoras dentro de algoritmos genéticos para otimizar sistemas mecânicos dinâmicos. Embora o treinamento não seja trivialmente barato, esses modelos, uma vez treinados, fornecem uma avaliação rápida de cada solução. Treinar os modelos com rapidez suficiente para que a avaliação rápida valha o custo do treinamento é um desafio porque uma cuidadosa seleção de hiperparâmetros é necessária. Para investigar esta técnica, otimizamos vários sistemas mecânicos com algoritmo genético com duas abordagens para avaliar a qualidade de cada solução: Integração Explícita no Tempo e Modelos de Machine Learning Informados por Física. Nossos resultados demonstram que - com hiperparâmetros apropriados - usar os modelos dentro do Algoritmo Genético pode levar a uma convergência significativamente mais rápida e soluções de qualidade comparável ou mesmo superior em comparação com métodos tradicionais. Todas as otimizações foram realizadas com um software (desenvolvido pelo autor) que cria e treina automaticamente os modelos para problemas arbitrários. Todo o código fonte está disponível em um repositório público.
- Imprenta:
- Data da defesa: 22.02.2024
-
ABNT
BIANCHESSI, Andre. Leveraging physics-informed machine learning to empower genetic algorithms for mechanical systems. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-19052025-075252/pt-br.php. Acesso em: 21 fev. 2026. -
APA
Bianchessi, A. (2024). Leveraging physics-informed machine learning to empower genetic algorithms for mechanical systems (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3151/tde-19052025-075252/pt-br.php -
NLM
Bianchessi A. Leveraging physics-informed machine learning to empower genetic algorithms for mechanical systems [Internet]. 2024 ;[citado 2026 fev. 21 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-19052025-075252/pt-br.php -
Vancouver
Bianchessi A. Leveraging physics-informed machine learning to empower genetic algorithms for mechanical systems [Internet]. 2024 ;[citado 2026 fev. 21 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3151/tde-19052025-075252/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
