Your SlideShare is downloading. ×
Appunti del corso di dottorato: Ottimizzazione Strutturale / Structural Optimization - parte II - Bontempi
Upcoming SlideShare
Loading in...5
×

Thanks for flagging this SlideShare!

Oops! An error has occurred.

×

Introducing the official SlideShare app

Stunning, full-screen experience for iPhone and Android

Text the download link to your phone

Standard text messaging rates apply

Appunti del corso di dottorato: Ottimizzazione Strutturale / Structural Optimization - parte II - Bontempi

71
views

Published on

Appunti del corso di dottorato: …

Appunti del corso di dottorato:

INTRODUZIONE ALL'OTTIMIZZAZIONE STRUTTURALE
IIa parte

Lezione del 28 maggio 2014

Lecture of the Ph.D. Course on
STRUCTURAL OPTIMIZATION
2nd part

May, 28, 2014

Published in: Engineering, Technology, Business

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total Views
71
On Slideshare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
5
Comments
0
Likes
0
Embeds 0
No embeds

Report content
Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
No notes for slide

Transcript

  • 1. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 1 Franco Bontempi Ordinario di Tecnca delle Costruzioni Facolta’ di Ingegneria Civile e Industriale Sapienza Universita’ di Roma Introduzione alla OTTIMIZZAZIONE STRUTTURALE (parte II)
  • 2. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 2
  • 3. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 3 Object of the course • Introduction of basic and advanced ideas and aspects of structural design without to much stress on the analytical apparatus but with some insigth on the computational techniques.
  • 4. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 4 General Scheduling • 1st Day: Basic definitions of structure, requirements, values, optimization, …; • 2nd Day: Advanced specific case of structural optimization (service / ultimate / extreme scenarios); • 3rd Day: Advanced concepts (structural systems, advanced criteria, tools of design)
  • 5. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 5 5TECHNIQUES
  • 6. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 6 FEW OBSERVATIONS
  • 7. The function: y(x1,x2) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 7
  • 8. The sensibility of the function Ottimizzazione Strutturale franco.bontempi@uniroma1.it 8
  • 9. 9 STRATEGY #1: SENSITIVITY governance of priorities
  • 10. The boundings of the function Ottimizzazione Strutturale franco.bontempi@uniroma1.it 10
  • 11. 11 STRATEGY #2: BOUNDING behavior governance p (p)  p (p) 
  • 12. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 12
  • 13. Design of Experiments (DOE) • In general usage, design of experiments (DOE) or experimental design is the design of any information- gathering exercises where variation is present, whether under the full control of the experimenter or not. However, in statistics, these terms are usually used for controlled experiments. • Formal planned experimentation is often used in evaluating physical objects, chemical formulations, structures, components, and materials. Other types of study, and their design, are discussed in the articles on computer experiments, opinion polls and statistical surveys (which are types of observational study), natural experiments and quasi- experiments (for example, quasi-experimental design). Ottimizzazione Strutturale franco.bontempi@uniroma1.it 13
  • 14. Sampling Points (1) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 14
  • 15. Sampling Points (2) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 15
  • 16. Simulation & Approximation of the response (≈ surrogate) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 16
  • 17. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 17
  • 18. The nature of optimum (1) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 18
  • 19. The nature of optimum (2) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 19 A sub-optimal solution to a problem is one that is less than perfect. Slack situation: loose and not pulled tight.
  • 20. Example (1) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 20
  • 21. Example (2) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 21
  • 22. Bounded Rationality Bounded rationality is the idea that in decision-making, rationality of individuals is limited by the information they have, the cognitive limitations of their minds, and the finite amount of time they have to make a decision. It was proposed by Herbert A. Simon as an alternative basis for the mathematical modeling of decision making, as used in economics, political science and related disciplines; it complements rationality as optimization, which views decision-making as a fully rational process of finding an optimal choice given the information available. Another way to look at bounded rationality is that, because decision-makers lack the ability and resources to arrive at the optimal solution, they instead apply their rationality only after having greatly simplified the choices available. Thus the decision-maker is a satisfier, one seeking a satisfactory solution rather than the optimal one. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 22
  • 23. Model Extensions • Ariel Rubinstein proposed to model bounded rationality by explicitly specifying decision-making procedures.. • Gerd Gigerenzer opines that decision theorists have not really adhered to Simon's original ideas and proposes and shows that simple heuristics often lead to better decisions than theoretically optimal procedures. • Huw Dixon later argues that it may not be necessary to analyze in detail the process of reasoning underlying bounded rationality. If we believe that agents will choose an action that gets them "close" to the optimum, then we can use the notion of epsilon-optimization, that means you choose your actions so that the payoff is within epsilon of the optimum. The notion of strict rationality is then a special case (ε=0). Ottimizzazione Strutturale franco.bontempi@uniroma1.it 23
  • 24. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 24 OPTIMIZATION METHODS Heuristics Nelder – Mead Genetic Algorithm
  • 25. εὑρίσκω • Heuristic (/hjʉˈrɪstɨk/; Greek: "Εὑρίσκω", "find" or "discover") refers to experience-based techniques for problem solving, learning, and discovery that give a solution which is not guaranteed to be optimal. Where the exhaustive search is impractical, heuristic methods are used to speed up the process of finding a satisfactory solution via mental shortcuts to ease the cognitive load of making a decision. Examples of this method include using a rule of thumb, an educated guess, an intuitive judgment, stereotyping, or common sense. • In more precise terms, heuristics are strategies using readily accessible, though loosely applicable, information to control problem solving in human beings and machines. • L'euristica (dalla lingua greca εὑρίσκω, letteralmente "scopro" o "trovo") è una parte dell'epistemologia e del metodo scientifico. • Si definisce procedimento euristico, un metodo di approccio alla soluzione dei problemi che non segue un chiaro percorso, ma che si affida all'intuito e allo stato temporaneo delle circostanze, al fine di generare nuova conoscenza. È opposto al procedimento algoritmico. In particolare, l'euristica di una teoria dovrebbe indicare le strade e le possibilità da approfondire nel tentativo di rendere una teoria progressiva.
  • 26. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 27 1
  • 27. Simulated Annealing (Metropolis) • Simulated annealing (SA) is a generic probabilistic heuristic for the global optimization problem of locating a good approximation to the global optimum of a given function in a large search space. • The name and inspiration come from annealing in metallurgy, a technique involving heating and controlled cooling of a material to increase the size of its crystals and reduce their defects. • This notion of slow cooling is implemented in the Simulated Annealing algorithm as a slow decrease in the probability of accepting worse solutions as it explores the solution space. Accepting worse solutions is a fundamental property of heuristics because it allows for a more extensive search for the optimum. • The method is an adaptation of the Metropolis-Hastings algorithm, a Monte Carlo method to generate sample states of a thermodynamic system, invented by M.N. Rosenbluth and published in a paper by N. Metropolis et al. in 1953.
  • 28. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 29
  • 29. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 30 Basic version (1)
  • 30. Basic version (2)
  • 31. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 33
  • 32. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 34
  • 33. Points for SA • Diameter of the search graph • Transition probabilities • Acceptance probabilities • Efficient candidate generation • Barrier avoidance • Cooling schedule Ottimizzazione Strutturale franco.bontempi@uniroma1.it 35
  • 34. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 36 2
  • 35. Nelder-Mead Method (Amoeba) • The Nelder–Mead method or downhill simplex method or amoeba method is a commonly used nonlinear optimization technique, which is a well-defined numerical method for problems for which derivatives may not be known. • The Nelder–Mead technique is a heuristic search method that was proposed by John Nelder & Roger Mead (1965) for minimizing an objective function in a many-dimensional space.
  • 36. Remarks
  • 37. ;-)
  • 38. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 43
  • 39. Genetic Algorithm (GA) • The original motivation for the GA approach was a biological analogy. In the selective breeding of plants or animals, for example, offspring are sought that have certain desirable characteristics, characteristics that are determined at the genetic level by the way the parents’ chromosomes combine. In the case of GAs, a population of strings is used, i.e. chromosomes. • The recombination of strings is carried out using analogies of genetic crossover and mutation, and the search is guided by the results of evaluating the objective function f for each string in the population. • Based on this evaluation, strings that have higher fitness (i.e., represent better solutions) can be identified, and these are given more opportunity to breed.
  • 40. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 45
  • 41. Coding • One of the distinctive features of the GA approach is to allow the separation of the representation of the problem from the actual variables in which it was originally formulated. In line with biological usage of the terms, it has become customary to distinguish the ‘genotype’— the encoded representation of the variables, from the ‘phenotype’—the set of variables themselves. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 47
  • 42. Genotype space = {0,1}L (mappa) Phenotype space (territorio) Encoding (representation) Decoding (inverse representation) 01101001 01001001 10010010 10010001 Translation
  • 43. Costruzione della popolazione iniziale Valutazione della funzione di fitness di tutti gli individui Selezione Riproduzione Crossover Mutazione M/2 cicli Ciclosullegenerazioni Operatori genetici Ciclosullepopolazione Nuova popolazione Fine? No Si Probabilità di crossover: 80% Probabilità di mutazione: 1%
  • 44. Mating, Mutation, Selection Ottimizzazione Strutturale franco.bontempi@uniroma1.it 51
  • 45. EXCEL Ottimizzazione Strutturale franco.bontempi@uniroma1.it 52
  • 46. 6USES Ottimizzazione Strutturale franco.bontempi@uniroma1.it 53
  • 47. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 54 OPTIMIZATION OF HCS
  • 48. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 55
  • 49. Precast hollow core slabs (HCS) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 56
  • 50. Tensile crack phenomena in HCS (splitting, bursting, spalling). • splitting cracks: caused by stresses resulting from the development of prestressing in the anchorage zone, that may generate traction stresses in the concrete. • bursting cracks: a local effect, generated by the strand slippage into the slab end while the former widens slightly on being cut. • spalling cracks: occurring above the axis of the strands in the HCS end zone, caused also by the development of prestressing in the concrete at the slab ends where only the lower part holding the strands begins to be prestressed.Ottimizzazione Strutturale franco.bontempi@uniroma1.it 57
  • 51. Tensile crack phenomena in HCS (splitting, bursting, spalling). Ottimizzazione Strutturale franco.bontempi@uniroma1.it 58
  • 52. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 59
  • 53. Cross-section of the reference HCS and numerical model Ottimizzazione Strutturale franco.bontempi@uniroma1.it 60
  • 54. Tensile deformations in the vertical directions for the spalling effect Ottimizzazione Strutturale franco.bontempi@uniroma1.it 61
  • 55. The binary coding of the geometry characteristics of the section Ottimizzazione Strutturale franco.bontempi@uniroma1.it 62
  • 56. • The fitness function F includes terms to represent the weight of the slab. • First, functions gi(x), represents the geometry constraints, implicitly satisfied during the definition of the variable space. • Functions hi(x) represent the structural safety constraints. In this study, two checks are carried out: 1. the first one on the bending stress, carried out after the initial structural analyses on the meso-scale model. 2. the second one, on the spalling stress, carried out on the micro-scale model. • If both checks are positive, the individual is fitting the constrain conditions, otherwise, it is discarded and a different element is introduced in the population. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 63
  • 57. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 64
  • 58. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 65
  • 59. Original values values obtained after the optimization process Ottimizzazione Strutturale franco.bontempi@uniroma1.it 66
  • 60. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 67 OPTIMIZATION OF S&T
  • 61. 1° Step
  • 62. 2° Step
  • 63. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 89 OPTIMIZATION AS A TOOL FOR EXPLORATION
  • 64. a Ottimizzazione Strutturale franco.bontempi@uniroma1.it 90
  • 65. Limit States Service Limit States Ultimate Limit States
  • 66. Prestressed Continuous Beam
  • 67. Elements of nonlinear formulation
  • 68. Equilibrium Equations
  • 69. Nominal behavior
  • 70. Level of uncertainty
  • 71. Uncertainty
  • 72. α - level
  • 73. Random / Optimized Sampling
  • 74. Cujaba River Bridge
  • 75. Cujaba River Bridge
  • 76. Ultimate Limit States (ULS)
  • 77. b Ottimizzazione Strutturale franco.bontempi@uniroma1.it 122
  • 78. Uses of genetic algorithm • To perform the stochastic exploration of the load space; • To handle the uncertainties related to the definition of the loads; • To investigate the global behavior of the structure by means of the definition of the envelope diagram of the performances; • To define the worst load combination; • To scrutinize the exact value of a specific performance. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 123
  • 79. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 124
  • 80. Dissipation devices Soil behavior Material Soil-Structure interface Contact Support system Pylon Cable system Geometrical Soil-Structure Response Vehicle-StructureWind-Structure Nonlinearities Interactions Action Uncertainties Ottimizzazione Strutturale franco.bontempi@uniroma1.it 125
  • 81. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 126
  • 82. Dependability attributes threats, means and their interactions. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 127
  • 83. Performance in relation to the return periods of the actions. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 128
  • 84. S N Geometry of the long-span suspension bridge considered. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 129
  • 85. The design variables and the performance levels Ottimizzazione Strutturale franco.bontempi@uniroma1.it 130
  • 86. A genetic algorithm approach for performance assessment • The performance of a long-span suspension bridge is investigated by means of a GA approach. • Focus is given to three aspects of the structural behavior of the bridge: 1) maximum vertical displacement; 2) maximum longitudinal and transversal slope; 3) maximum tension in main cable and in the tower legs. • The load scenarios that lead to the most severe performance metrics are explored in the space of the load variables by an optimization process based on GA’s. • The implementation of a GA based optimization is essential since the traditional optimization techniques are rather ineffective, due to the high number of dimensions of the load variables space and the presence of numerous local optimum points. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 131
  • 87. Loading systems considered in the genetic algorithm analysis. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 132
  • 88. Remarks on loading system • Traffic and train loads are directed vertically but the possibility to have a longitudinal component due to the acceleration (A) or the deceleration (D) is also taken into account. • In addition, a torque is present if the traffic loads are not positioned on the axis of the respective box girder section. • The wind action, assumed always present and flowing transversally to the longitudinal axis of the bridge, produces lift, drag and torque. • In order to represent analytically the entire loading system, 16 variables are needed. • Since each of the girders is formed by 123 finite elements, the position of the loads will be defined by integer variables, ranging, in general, from 0 to 123. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 133
  • 89. Variables considered for the definition of the loading system. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 134
  • 90. Description of loading system Ottimizzazione Strutturale franco.bontempi@uniroma1.it 135
  • 91. Binary coding • The position variables are implemented in binary code with a dimension of eight bits (the minimum dimension able to represent the position of the loads on the bridge deck): • In this row vector, x1 defines the position of the train on the bridge deck, in binary code: for example, if the train load starts from the fifteenth element on the deck, the variable x1 is: Ottimizzazione Strutturale franco.bontempi@uniroma1.it 136
  • 92. Population • The GA starts by considering an initial population of N row vector x created assigning random values to the unknown variables; each row of the matrix X represents the chromosome of one solution: Ottimizzazione Strutturale franco.bontempi@uniroma1.it 137
  • 93. Target functions • In order to evaluate the performance of the bridge, the following six target functions are considered: 1. the vertical displacement (negative) for the bridge deck; 2. the horizontal displacement (positive) for the bridge deck; 3. the longitudinal slope for the bridge deck; 4. the transversal slope for the bridge deck; 5. the axial tension for the main cables; 6. the stress state induced by the axial action and the two bending moments for the bridge tower legs. • Each performance is measured by the peak value over all nodes of the bridge deck. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 138
  • 94. Evolution of population • For each target function, the genetic algorithm creates new populations of N row vector x in order to find the worse configurations of the considered loads. • The genetic algorithm works by evaluating the target function in correspondence with each assumed vector x. • If the population contains a N number of x vectors, the best N/2 vectors are saved in a new population while the other vectors are erased. • To complete the new population, additional N/2 vectors are formed from the saved vectors using the genetic operator of mutation and crossover. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 139
  • 95. Mutation • The mutation on the generic vector i of the population n changes a single bit of a randomly selected chromosome; for example provides the change from 1 to 0: • As a result a new vector k is obtained for the population n+1. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 140
  • 96. Crossover • The crossover on the generic vectors i and j of population n is provided in this example: • where a group of cells of chromosomes i and j is selected and the respective states changed. • As a result there are two new vectors k and l for the population n+1. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 141
  • 97. Remarks • When N/2 new vectors are created, the genetic algorithm restarts with the evaluation of the target function for each vector xn+1. • It should be observed that a genetic algorithm is a stochastic evolutionary procedure because the operators of mutation and crossover are not deterministic but there is a probability of occurrence for each operator. • Usually the probability of occurrence of the mutation operator is low (0 – 5%) while the probability of occurrence of the crossover operator is high (70 – 90%). • What makes this procedure attractive is the fact that usually there is a large interdependence between the quality of results and of the choice of these parameters. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 142
  • 98. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 143
  • 99. • The FE model consists of 1614 elements (beams, no compression cable elements and gaps) and 1140 nodes. • For each of the six previously chosen performance metrics (target functions), GA analysis is performed with an initial randomly chosen population of 100 chromosomes. For each chromosome the structural analysis, accounting for geometrical and material nonlinearities, is developed using ADINA, starting each time from the reference configurations under permanent loads and adding the traffic and wind loads. • The custom software reads the output evaluation and performs the genetic recombination of the chromosomes to get a new generation of chromosomes: 100 cycles of regeneration are considered for a total of 10000 different load scenarios, each of them leading to a nonlinear structural analysis. • The probability of occurrence of the crossover operator is of 80% while the probability of occurrence of the mutation operator is of 2%. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 144
  • 100. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 145
  • 101. Remarks • It is clear that the convergence of the variables that define the train position (A) is better than the one that defines the position of the light traffic load (B). • From a design point of view, it means that the influence of the railway load in defining the vertical displacement is much higher than the traffic load. • In addition, it can be observed that the railway loads converge towards two different edges (North and South). This is due to the fact that the geometry of the bridge is almost symmetrical. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 146
  • 102. Vertical displacement envelope Ottimizzazione Strutturale franco.bontempi@uniroma1.it 147
  • 103. Transversal slope envelope Ottimizzazione Strutturale franco.bontempi@uniroma1.it 148
  • 104. Longitudinal slope envelope Ottimizzazione Strutturale franco.bontempi@uniroma1.it 149
  • 105. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 150
  • 106. Comparative importance of the loads. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 151
  • 107. 7THEORETICAL ASPECTS OF DESIGN Ottimizzazione Strutturale franco.bontempi@uniroma1.it 152
  • 108. INDEX • Knowledge • People • Design process as a decision process • Limits • Scale effects • Ergonomy Ottimizzazione Strutturale franco.bontempi@uniroma1.it 153
  • 109. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 154 KNOWLEDGE
  • 110. CONOSCENZA RICHIESTA DA UN PROGETTO EVOLUTIVO CONOSCENZA RICHESTA DA UN PROGETTO INNOVATIVO BASE DI CONOSCENZA ATTUALE La crescita di conoscenze Ottimizzazione Strutturale franco.bontempi@uniroma1.it 155
  • 111. Evolutive vs Innovative Design 156Ottimizzazione Strutturale franco.bontempi@uniroma1.it
  • 112. Knowledge Growth Process KNOWLEDGE REQUIRED BY AN EVOLUTIVE DESIGN NEW KNOWLEDGE REQUIRED BY AN INNOVATIVE DESIGN ACTUAL KNOWLEDGE BASIS 157Ottimizzazione Strutturale franco.bontempi@uniroma1.it
  • 113. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 158
  • 114. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 159
  • 115. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 160
  • 116. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 161 STRUTTURECON COMPORTAMENTOPERFORMA
  • 117. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 162 STRUTTURECON COMPORTAMENTOVETTORIALE
  • 118. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 163 STRUTTURECON COMPORTAMENTOSEZIONALE
  • 119. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 164 STRUTTURECON COMPORTAMENTODISUPERFICIE
  • 120. Evolutive Jump Ottimizzazione Strutturale franco.bontempi@uniroma1.it 165
  • 121. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 166
  • 122. Dalian, June 2008 167
  • 123. Horizons Ottimizzazione Strutturale franco.bontempi@uniroma1.it 168
  • 124. Failure due to errors Ottimizzazione Strutturale franco.bontempi@uniroma1.it 169
  • 125. Failure due to errors Ottimizzazione Strutturale franco.bontempi@uniroma1.it 170
  • 126. Ships Ottimizzazione Strutturale franco.bontempi@uniroma1.it 171
  • 127. Failure due to unexpected facts Ottimizzazione Strutturale franco.bontempi@uniroma1.it 172
  • 128. NASA System Complexity Ottimizzazione Strutturale franco.bontempi@uniroma1.it 173
  • 129. Causes of system failure 100% Time %offailure Unknown phenomena Known phenomena Research level Design code level past present future A BB B C Humanerrors Ottimizzazione Strutturale franco.bontempi@uniroma1.it 174
  • 130. HPLC vs LPHC EVENTS HPLC HIGH PROBABILITY LOW CONSEQUENCES LPHC LOW PROBABILITY HIGH CONSEQUENCES COMPLEXITY: Nonlinear Behavior and Structural Organization PROBLEM FRAMEWORK Deterministic Stochastic QUALITATIVE / DETERMINISTIC ANALYSIS QUANTITATIVE PROBABILISTIC ANALYSIS PRAGMATIC SCENARIOS ANALYSIS Ottimizzazione Strutturale franco.bontempi@uniroma1.it 175
  • 131. 8 e 9 luglio 2010 EXPLOSIONS - ESPLOSIONI http://www.francobontempi.org/handling.php 13 e 14 novembre 2008 FIRE - INCENDIO http://www.francobontempi.org/handling_08.php 176
  • 132. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 177 PEOPLE
  • 133. VALUES 178Ottimizzazione Strutturale franco.bontempi@uniroma1.it
  • 134. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 179
  • 135. Nonaka-Takeuchi Concept Ottimizzazione Strutturale franco.bontempi@uniroma1.it 180
  • 136. Nonaka & Takeuchi: conoscenza esplicite e implicite Ottimizzazione Strutturale franco.bontempi@uniroma1.it 181
  • 137. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 182
  • 138. The spiral of Knowledge Ottimizzazione Strutturale franco.bontempi@uniroma1.it 183
  • 139. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 184
  • 140. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 185
  • 141. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 186
  • 142. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 187
  • 143. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 188
  • 144. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 189
  • 145. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 190
  • 146. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 191
  • 147. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 192
  • 148. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 193 DESIGN PROCESS AS DECISION PROCESS
  • 149. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 194
  • 150. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 195
  • 151. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 196 LIMITS
  • 152. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 197
  • 153. LIMITS Ottimizzazione Strutturale franco.bontempi@uniroma1.it 198
  • 154. LIMITS Ottimizzazione Strutturale franco.bontempi@uniroma1.it 199
  • 155. LIMITS Ottimizzazione Strutturale franco.bontempi@uniroma1.it 200
  • 156. LIMITS Ottimizzazione Strutturale franco.bontempi@uniroma1.it 201
  • 157. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 202
  • 158. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 203
  • 159. Reaching limits Ottimizzazione Strutturale franco.bontempi@uniroma1.it 204
  • 160. S Curve Ottimizzazione Strutturale franco.bontempi@uniroma1.it 205
  • 161. Dalian, June 2008 206
  • 162. Dalian, June 2008 207 0 500 1000 1500 2000 2500 3000 3500 SPAN 1100 1298 1385 1410 1624 1991 3300 BISA N- VER RAZZ JIAN GYN HUM BER GRE AT AKA SHI MES SINA
  • 163. Dalian, June 2008 208
  • 164. Dalian, June 2008 209
  • 165. Lorenz Ottimizzazione Strutturale franco.bontempi@uniroma1.it 210
  • 166. Mental Heritage Ottimizzazione Strutturale franco.bontempi@uniroma1.it 211
  • 167. Bias Ottimizzazione Strutturale franco.bontempi@uniroma1.it 212
  • 168. Hybrid Solution Ottimizzazione Strutturale franco.bontempi@uniroma1.it 213
  • 169. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 214
  • 170. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 215
  • 171. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 216
  • 172. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 217 SCALE EFFECTS
  • 173. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 218
  • 174. SCALEEFFECTS Ottimizzazione Strutturale franco.bontempi@uniroma1.it 219
  • 175. Quebec Bridge Ottimizzazione Strutturale franco.bontempi@uniroma1.it 220
  • 176. Quebec Bridge Failure Ottimizzazione Strutturale franco.bontempi@uniroma1.it 221
  • 177. Chord Members Ottimizzazione Strutturale franco.bontempi@uniroma1.it 222
  • 178. 2nd Quebec Bridge Ottimizzazione Strutturale franco.bontempi@uniroma1.it 223
  • 179. Dalian, June 2008 224 GLOBAL LEVEL 3300 m Local level 200 m Example: Size Effect
  • 180. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 225 ERGONOMY
  • 181. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 226
  • 182. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 227
  • 183. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 228
  • 184. Interactions Ottimizzazione Strutturale franco.bontempi@uniroma1.it 229
  • 185. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 230
  • 186. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 231
  • 187. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 232
  • 188. Ciclodivita Ottimizzazione Strutturale franco.bontempi@uniroma1.it 233
  • 189. 8OPERATIVE ASPECTS OF DESIGN Ottimizzazione Strutturale franco.bontempi@uniroma1.it 234
  • 190. INDEX • The structure of design • The organization of the design process • Complexity • System decomposition • Analysis models vs. design models Ottimizzazione Strutturale franco.bontempi@uniroma1.it 235
  • 191. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 236 THE STRUCTURE OF DESIGN
  • 192. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 237
  • 193. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 238
  • 194. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 239
  • 195. Meccanica Strutturale Ottimizzazione Strutturale franco.bontempi@uniroma1.it 240
  • 196. Ingegneria Strutturale Ottimizzazione Strutturale franco.bontempi@uniroma1.it 241
  • 197. Processo di analisi e processo di sintesi (1) DATI CALCOLO RISULTATI START END START END MODIFICA K=K+1 K=0 DATI K CALCOLO RISULTATI K TEST SI’ NO Pre-processing Post-processing Ottimizzazione Strutturale franco.bontempi@uniroma1.it 242
  • 198. Processo di analisi e processo di sintesi (2) START END MODIFICA K=K+1 K=0 DATI K CALCOLO RISULTATI K TEST SI’ NO ANALISI SINTESI Ottimizzazione Strutturale franco.bontempi@uniroma1.it 243
  • 199. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 244
  • 200. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 245
  • 201. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 246
  • 202. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 247
  • 203. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 248
  • 204. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 249
  • 205. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 250
  • 206. Sviluppo top-down copertura omogenea approfondimento Ottimizzazione Strutturale franco.bontempi@uniroma1.it 251
  • 207. Sviluppo bottom-up copertura omogenea sviluppo di un filone Ottimizzazione Strutturale franco.bontempi@uniroma1.it 252
  • 208. Sviluppo mixed Ottimizzazione Strutturale franco.bontempi@uniroma1.it 253
  • 209. Direct and Inverse problems in Structural Engineering
  • 210. • A direct problem is an analysis problem: it consists in the evaluation of the response of a structure immersed in its design environment, i.e. under assigned external actions and other boundary conditions as constrains, in agreement with the fulfilment of all the design constrains, by using a suitable model. • Inverse problems are, on the other hand, those for which the structural response constitutes available known data. the inverse problems can be so classified: 1. Synthesis problems: given the actions and the constraints, the structure is designed to obtain a specific structural response; 2. Control problems: given a description for the structure and the mandatory structural response, an appropriate action to generate that response is searched; 3. Identification problems: given both the actions and the structural response, the model is looked for.
  • 211. Data related to different structural problems
  • 212. Top-Down and Bottom-Up approach for problem solving
  • 213. aESEMPIO DI PROGETTO DI STRUTTURE PRECOMPRESSE Ottimizzazione Strutturale franco.bontempi@uniroma1.it 258
  • 214. Strutture precompresse Problema diretto (analisi) • Dato il tiro del cavo di precompressione • date le eccentricità del cavo trovare • il diagramma del momento dovuto alla precompressione. Problema inverso (progetto) • Dato il diagramma del momento (dovuto ai carichi esterni) trovare • il tiro del cavo di precompressione • e le eccentricità del cavo nelle varie sezioni.
  • 215. ANALISI: dato il tiro del cavo e le sue eccentricità si ricava il diagramma del momento
  • 216. PROGETTO: dato il diagramma del momento (esterno) trovare il tiro del cavo e le sue eccentricità in modo da annullarlo momento
  • 217. Reti neurali (1)
  • 218. Reti neurali (2) DIAGRAMMA DEL MOMENTO TIRO DEL CAVO ECCENTRICITA’
  • 219. Discretizzazione
  • 220. bESEMPIO DI IDENTIFICAZIONE STRUTTURALE Ottimizzazione Strutturale franco.bontempi@uniroma1.it 267
  • 221. Tiro cavi all'ancoraggio 115000 120000 125000 130000 135000 140000 600 1100 1600 2100 2600 3100 Tempo (s) Tiro(Ton) Sponda siciliana, lato nord Sponda calabrese, lato nord Sponda siciliana, lato sud Sponda calabrese, lato sud AXIAL FORCE IN THE MAIN CABLES (1) Vento = f(s,t) Vento = f(s,t) Vento = f(s,t) Vento = f(s,t) FB 268
  • 222. Tiro cavi all'ancoraggio 115000 120000 125000 130000 135000 140000 600 1100 1600 2100 2600 3100 Tempo (s) Tiro(Ton) Sponda siciliana, lato nord Sponda calabrese, lato nord Sponda siciliana, lato sud Sponda calabrese, lato sud AXIAL FORCE IN THE MAIN CABLES (2) Vento = f(s,t) Vento = f(s,t) Vento = f(s,t) Vento = f(s,t) FB 269
  • 223. Hierarchical damage identification strategy 0,0 0,5 1,0 1,5 2,0 0 20 40 60 80 Damage detection Identification of the portion of the deck Identification of the element STEP 1: DAMAGE DETECTION IDENTIFICATION OF THE AREA STEP 2: IDENTIFICATION OF THE ELEMENT QUANTIFICATION OF THE DAMAGE
  • 224. Step 1a: approximation of the response time-history using neural networks Initial architecture of the network 4 inputs + 4 hidden units Measure of network performance   N wE ERMS * 2  Response time history in sensor #m ktf  2tf tf1tf 1tf Structural system Ambient excitation ... ...
  • 225. 0 0,2 0,4 0,6 0,8 1 600 1100 1600 2100 2600time Uz Training Test A Test B Test C Step 1a: example – vertical displacement
  • 226. testA 0,2 0,4 0,6 0,8 1 0 25 50 75 100time Uz testA NN testB 0,2 0,4 0,6 0,8 1 0 25 50 75 100time Uz testB NN testC 0,2 0,4 0,6 0,8 1 0 25 50 75 100time Uz testC NN 0 0,01 0,02 0,03 0,04 0,05 0,06 0 100 200 300 400time err Training TestA TestB TestC LEARNEDBEHAVIOR
  • 227. testD 0,4 0,6 0,8 1 0 25 50 75 100time Uz testD NN 0 0,1 0,2 0,3 0,4 0 100 200 300 400 500time err Training TestA TestB TestC TestD ANOMALOUSBEHAVIOR
  • 228. Training Undamaged 0,0 0,5 1,0 1,5 0 20 40 60 80 0,0 0,5 1,0 1,5 2,0 0 20 40 60 80 Damaged section Error in function approximation in the undamaged sections Training Undamaged 0,0 0,5 1,0 1,5 0 20 40 60 80 Training Undamaged 0,0 0,5 1,0 1,5 0 20 40 60 80 DETAIL Training Undamaged 0,0 0,5 1,0 1,5 0 20 40 60 80 Training Undamaged 0,0 0,5 1,0 1,5 0 20 40 60 80 Training Undamaged 0,0 0,5 1,0 1,5 0 20 40 60 80 Step 1b: damage detection - identification of the area Damage is intended as reduction of stiffness in hangers, cables, transverse beams. - hangers: reduction from 5% to 80% - cable: reduction from 1% to 10% - transverse: reduction from 5% to 30%
  • 229. ... ... Response time history in sensor #n  iMDp 1dtf 3tf 1tf2tf tf kntf  1ntf2ntf ntf  ntnt fye  e 0 e > 0 undamaged Anomalies in section #n M i optimal model Network model M i i = i +1 Network model M i+1 yes no    ?1 ii MDpMDp   1iMDp stop Damage in section #n Structural system Ambient excitation e > 0 in all sections? Restart training from f(t+dt) yes Go to phase 2 training test no Anomaly in section #m Damage in section #m Go to Phas e 2 Continu e in time Response time history in sensor #m BASICBAYES
  • 230. Damage in the transverse (wind excitation) 0,00 0,02 0,04 0,06 30% 10% 5% Damage in the transverse (train excitation) 0,00 0,02 0,04 0,06 0,3 0,1 0,05 Damage in the cable (train excitation) 0,0 0,3 0,6 0,9 30% 1% 0,50% Damage in the cable (wind excitation) 0,0 0,3 0,6 0,9 10% 1% 0,50% Damage in the hanger (wind excitation) 0,00 0,02 0,04 80% 50% 10% 5% Damage inthe hanger (trainexcitation) 0,00 0,02 0,04 50% 20% 10% 5% Damage detection using wind actions and traffic loads hangers cables transverse Mean values of the increment of the error with respect to the undamaged situation
  • 231. 1° finestra temporale Vertical displacement -0.006 -0.004 -0.002 0.000 0.002 0.004 0.006 400 450 500 550 600 650 700 750 800 850 900 t(s) x(m) Step 2: identification of the damaged element & quantification of the damage Response for train excitation A B C 1 2 3 4 5 err A err B err C D1 D2 D3 D4 D5 Error in function approximation Location and level of the damage 400 examples are created for the training set considering different scenarios
  • 232. In order to give a global and intuitive representation of the results, two quantities have been defined as follows:  Location: it gives a measure of the error in the positioning of the damage yt yt iloc   )( where t is the vector of the target values and y is the vector coming from the network model. If this quantity is equal to one the damage is well localized.  Intensity: it gives a measure of the error in quantifying the level of damage y t i )int( If it is equal to one, the level of damage is correctly estimated. Step 2: measures of identification of the element & quantification of the damage
  • 233. Intensity (optimized model) 0 1 2 3 0 10 20 30 Intensity (model 20 units) 0 1 2 3 0 10 20 30 Location (optimized model) 0,0 0,4 0,8 1,2 0 10 20 30 Location (model 20 units) 0,0 0,4 0,8 1,2 0 10 20 30 Test: comparison of location and intensity 70% 90% 50% 68% LOCATION 20 UNITS INTENSITY 11 UNITS LOCATION 11 UNITS INTENSITY 20 UNITS
  • 234. POSTERIOR FOR ,  TRAINING: OPTIMIZATION w = wMAP? ?   DMEVDMEV ii 1 INFERENCE OF NEW DATA CHOOSE MODEL Mi-1 ? POSTERIOR FOR Mi ,  = MP, MP DATA PRE- PROCESSING OUTPUT NETWORK MODEL Mi N HIDDEN = i N INPUT = k POSTERIOR FOR w yes DATA POST PROCESSING PROBABILISTIC MODEL no INPUT CHOOSE INITIAL ,  INITIALIZE WEIGHTS w RE-ESTIMATION OF ,  yes n o Wγ  yes no i= i+1 is 1,…,k ‘very large’? k= k-1 yes no 0,0 0,5 1,0 1,5 2,0 0 20 40 60 80 Damage detection Identification of the portion of the deck Identification of the element
  • 235. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 282 THE ORGANIZATION OF DESIGN PROCESS
  • 236. Sicurezza in caso d’incendio 1 2 3 4 5 6 7 8 9 Strategie per la gestione dell'incendio 1 Prevenzione 2 Gestione dell'evento 3 Gestione dell'incendio 4 Gestione delle persone e dei beni 15 Difesa sul posto 16 Spostamento 17 Disposibilità delle vie di fuga 18 Far avvenire il deflusso 19 Controllo della quantità di combustibile 5 Soppressione dell'incendio 10 Controllo dell'incendio attraverso il progetto 13 Automatica 11 Manuale 12 Controllo dei materiali presenti 6 Controllo del movimento dell'incendio 7 Resistenza e stabilità strutturale 14 Contenimento 9 Ventilazione 8 1 2 3 4 5 6 7 8 9 Strategie per la gestione dell'incendio 1 Prevenzione 2 Gestione dell'evento 3 Gestione dell'incendio 4 Gestione delle persone e dei beni 15 Difesa sul posto 16 Spostamento 17 Disposibilità delle vie di fuga 18 Far avvenire il deflusso 19 Controllo della quantità di combustibile 5 Soppressione dell'incendio 10 Controllo dell'incendio attraverso il progetto 13 Automatica 11 Manuale 12 Controllo dei materiali presenti 6 Controllo del movimento dell'incendio 7 Resistenza e stabilità strutturale 14 Contenimento 9 Ventilazione 8 Ottimizzazione Strutturale franco.bontempi@uniroma1.it 283
  • 237. Stile della rappresentazione grafica dei processi AVANTI AVANTI PADRE FIGLIO FIGLIO LINEE ENTRANTI LINEE USCENTI“NO” “SI’” Ottimizzazione Strutturale franco.bontempi@uniroma1.it 284
  • 238. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 285
  • 239. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 286
  • 240. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 287
  • 241. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 288
  • 242. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 289
  • 243. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 290
  • 244. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 291
  • 245. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 292
  • 246. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 293
  • 247. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 294
  • 248. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 295
  • 249. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 296
  • 250. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 297
  • 251. Forward vs. Reverse Engineering Ottimizzazione Strutturale franco.bontempi@uniroma1.it 298
  • 252. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 299
  • 253. Qualita’ documenti (1) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 300
  • 254. Qualita’ documenti (2) Ottimizzazione Strutturale franco.bontempi@uniroma1.it 301
  • 255. Simboli base Ottimizzazione Strutturale franco.bontempi@uniroma1.it 302
  • 256. Altri simboli Ottimizzazione Strutturale franco.bontempi@uniroma1.it 303
  • 257. Decisioni e connessioni Ottimizzazione Strutturale franco.bontempi@uniroma1.it 304
  • 258. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 305
  • 259. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 306
  • 260. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 307
  • 261. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 308
  • 262. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 309 COMPLEXITY
  • 263. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 310
  • 264. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 311
  • 265. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 312
  • 266. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 313
  • 267. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 314
  • 268. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 315
  • 269. Geometric Complexity Ottimizzazione Strutturale franco.bontempi@uniroma1.it 316
  • 270. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 317
  • 271. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 318
  • 272. 319 COMPLEXITY DEFINITION linear interactions nonlinear loosecouplingstight mechanical behavior structuralorganization 319
  • 273. 320 FACTORS INFLUENCING STRUCTURAL COMPLEXITY NON LINEAR BEHAVIOR LINEAR
  • 274. 321 3300183 183777 627 960 3300 m 810 +77.00 m +383.00 +383.00 +54.00 +118.00 +52.00 +63.00 3300183 183777 627 960 3300 m 810 +77.00 m +383.00 +383.00 +54.00 +118.00 +52.00 +63.00 Dispositivi di Dissipazione Comportamento del Suolo Non Linearità di Materiale Interfaccia Suolo-Struttura Non Linearità di Contatto Pendini Torri Cavi Principali Non Linearità Geometrica NON LINEARITA’
  • 275. 322 FACTORS INFLUENCING STRUCTURAL COMPLEXITY LOW AMBIGUITY UNCERTAINTY HIGH NON LINEAR BEHAVIOR LINEAR
  • 276. 323 3300183 183777 627 960 3300 m 810 +77.00 m +383.00 +383.00 +54.00 +118.00 +52.00 +63.00 3300183 183777 627 960 3300 m 810 +77.00 m +383.00 +383.00 +54.00 +118.00 +52.00 +63.00 Incertezze legate al modello strutturale Incertezze legate alla modellazione dei carichi Incertezze legate alla geometria ed ai materiali INCERTEZZE
  • 277. 324 FACTORS INFLUENCING STRUCTURAL COMPLEXITY LOW AMBIGUITY UNCERTAINTY HIGH TIGHT COUPLING INTERACTIONS CONNECTIONS LOOSE NON LINEAR BEHAVIOR LINEAR
  • 278. 325 Interazione Struttura - Traffico Interazione Struttura - Vento Interazione Struttura - Terreno INTERAZIONI
  • 279. 326 LIVELLO GLOBALE 3300 m livello locale 200 m N.B. 1 - EFFETTO SCALA
  • 280. 327 HUMANWARESOFTWARE HARDWARE PROGETTO COSTRUZIONE (MATERIALI – COMPONENTI) COMPORTAMENTO UMANO N.B. 2
  • 281. Fire, Heat Transfer, Structural and Human Behavior Models. 328
  • 282. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 329 SYSTEM DECOMPOSITION
  • 283. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 330FB nov 05 330 ELEMENTI E COMPONENTI STRUTTURALI ORGANIZZAZIONE Le relazioni stabili di funzione, funzionalità e topologia che danno significato agli elementi indipendentemente dalla loro specificità. STRUTTURA Elementi specifici che tramite le relazioni strutturali formano una configurazione persistente nel tempo SISTEMA Struttura durevole di elementi organizzati, che viene osservata come unità che presenta caratteristiche emergenti.
  • 284. StructuralSystems Ottimizzazione Strutturale franco.bontempi@uniroma1.it 331
  • 285. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 332
  • 286. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 333
  • 287. System Definitions • ANSI/EIA-632-1999: "An aggregation of end products and enabling products to achieve a given purpose." • IEEE Std 1220-1998: "A set or arrangement of elements and processes that are related and whose behavior satisfies customer/operational needs and provides for life cycle sustainment of the products." • ISO/IEC 15288:2008: "A combination of interacting elements organized to achieve one or more stated purposes." • NASA Systems Engineering Handbook: "(1) The combination of elements that function together to produce the capability to meet a need. The elements include all hardware, software, equipment, facilities, personnel, processes, and procedures needed for this purpose. (2) The end product (which performs operational functions) and enabling products (which provide life-cycle support services to the operational end products) that make up a system." • INCOSE Systems Engineering Handbook: “Homogeneous entity that exhibits predefined behavior in the real world and is composed of heterogeneous parts that do not individually exhibit that behavior and an integrated configuration of components and/or subsystems." • INCOSE: "A system is a construct or collection of different elements that together produce results not obtainable by the elements alone. The elements, or parts, can include people, hardware, software, facilities, policies, and documents; that is, all things required to produce systems-level results. The results include system level qualities, properties, characteristics, functions, behavior and performance. The value added by the system as a whole, beyond that contributed independently by the parts, is primarily created by the relationship among the parts; that is, how they are interconnected." Ottimizzazione Strutturale franco.bontempi@uniroma1.it 334
  • 288. Structure vs. Structural System • This requires evolving from a simplistic idealization of the structure as “device for channeling loads” to the idea of the structural system, intended as “a set of interrelated components working together toward a common purpose”. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 335
  • 289. 336
  • 290. 337 MICROLIVELLO variabili MACROLIVELLOMESOLIVELLO ELEMENTO COMPONENTE SOTTO STRUTTURA STRUTTURA SISTEMA STRUTTURALE PONTE Il MACROLIVELLO, che comprende il Ponte nella sua globalità e i sistemi strutturali; Il MESOLIVELLO, che include le diverse strutture e sottostrutture che compongono il sistema strutturale; Il MICROLIVELLO, nel quale vengono descritti i componenti delle sottostrutture e i rispettivi elementi costituenti. Per ciascun livello devono essere poi identificate e definite le variabili di progetto. Il complesso sistema strutturale deve essere scomposto, ovvero sottostrutturato, in livelli crescenti di dettaglio: Scomposizione Strutturale
  • 291. 338 SISTEMA STRUTTURALE PRINCIPALE ZONE SPECIALI DI IMPALCATO SISTEMA DI RITEGNO/SOSTEGNO SISTEMA STRUTTURALE SECONDARIO SISTEMA DI SOSPENSIONE IMPALCATO CORRENTE FONDAZIONI DELLE TORRI ANCORAGGI TORRI SELLE CAVI PRINCIPALI PENDINI CASSONI STRADALI CASSONE FERROVIARIO TRAVERSO INTERNE TERMINALI SISTEMA STRUTTURALE AUSILIARIO STRADALE FERROVIARIO FUNZIONAMENTO MANUTENZIONE EMERGENZA PONTE MACROLIVELLO MESOLIVELLO
  • 292. 339 Individuazione delle VARIABILI di progetto per ciascun elemento Individuazione degli ELEMENTI per ciascun componente Individuazione dei COMPONENTI di ciascuna sottostruttura SOTTOSTRUTTURAZIONE del sistema globale per lo studio di dettaglio delle singole prestazioni SISTEMA DI RITEGNO/SOSTEGNO FONDAZIONI DELLE TORRI ANCORAGGI TORRI
  • 293. 340 Rappresentazione ipertestuale: modellazione ad oggetti e rappresentazione ad albero del problema strutturale
  • 294. 341
  • 295. 342 MAIN STRUCTURAL SYSTEM AUXILIARY STRUCTURAL SYSTEM SECONDARY STRUCTURAL SYSTEM SPECIAL DECK ZONES BRIDGE DECK HIGHWAY SYSTEM RAILWAY SYSTEM OPERATION MAINTENANCE EMERGENCY FOUNDATION OF TOWERS TOWERS ANCHORAGES SUPPORTING CONDITION HIGHWAY BOX-GIRDER CROSS BOX-GIRDER RAILWAY BOX-GIRDER INNER OUTER BRIDGE SUPERSTRUCTURE MACRO-LEVELS MESO-LEVELS MAIN CABLES HANGERS SUSPENSION SYSTEM SADDLES
  • 296. FRANCO BONTEMPI 343
  • 297. 344 Criterio meccanico: B-D regions (c)
  • 298. 345
  • 299. 346
  • 300. 347
  • 301. 348
  • 302. 349
  • 303. 350
  • 304. 351
  • 305. 352
  • 306. 353
  • 307. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 354
  • 308. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 355 PERFORMANCE
  • 309. • STRUTTURA – situazione puntuale: definita nello spazio e nel tempo. • SISTEMA STRUTTURALE – estensione: – spaziale: ambiente / contesto sostenibilita’ / compatibilita’ – temporale: ciclo di vita (life-cycle) - robustezza Struttura / Sistema Strutturale 356
  • 310. Structural System 357October 2012 www.francobontempi.org
  • 311. • SISTEMA STRUTTURALE: 1. complessita’ del quadro prestazionale (affidabilita’, sicurezza /security, dependability) 2. CONCEZIONE STRUTTURALE 3. ANALISI STRUTTURALE: motore del processo decisionale strumenti generali e efficaci Structural Analysis and Design 358
  • 312. Macro-level Meso-level Micro-level magnitudeofactions Ottimizzazione Strutturale franco.bontempi@uniroma1.it 359
  • 313. RESILIENCE
  • 314. DEPENDABILITY ATTRIBUTES THREATS MEANS RELIABILITY FAILURE ERROR FAULT FAULT TOLERANT DESIGN FAULT DETECTION FAULT DIAGNOSIS FAULT MANAGING DEPENDABILITY of STRUCTURAL SYSTEMS AVAILABILITY SAFETY MAINTAINABILITY permanent interruption of a system ability to perform a required function under specified operating conditions the system is in an incorrect state: it may or may not cause failure it is a defect and represents a potential cause of error, active or dormant INTEGRITY ways to increase the dependability of a system An understanding of the things that can affect the dependability of a system A way to assess the dependability of a system the trustworthiness of a system which allows reliance to be justifiably placed on the service it delivers SECURITY High level / active performance Low level / passive performance ATTRIBUTES THREATS MEANSMEANS RELIABILITYRELIABILITY FAILURE ERROR FAULT FAULT TOLERANT DESIGN FAULT TOLERANT DESIGN FAULT DETECTIONFAULT DETECTION FAULT DIAGNOSISFAULT DIAGNOSIS FAULT MANAGINGFAULT MANAGING DEPENDABILITY of STRUCTURAL SYSTEMS AVAILABILITY SAFETY MAINTAINABILITY permanent interruption of a system ability to perform a required function under specified operating conditions the system is in an incorrect state: it may or may not cause failure it is a defect and represents a potential cause of error, active or dormant INTEGRITY ways to increase the dependability of a system An understanding of the things that can affect the dependability of a system A way to assess the dependability of a system the trustworthiness of a system which allows reliance to be justifiably placed on the service it delivers SECURITY High level / active performance Low level / passive performance Ottimizzazione Strutturale franco.bontempi@uniroma1.it 361
  • 315. 362 HAZARD IN-DEPTH DEFENCE HOLES DUE TO ACTIVE ERRORS HOLES DUE TO HIDDEN ERRORS 362 Failure Path
  • 316. Structural Design Ottimizzazione Strutturale franco.bontempi@uniroma1.it 363 WIND & TEMPERATURE SOIL & EARTHQUAKE ANTHROPICUSE (highway&railway) STRUCTURALBEHAVIOR & EXPECTEDPERFORMANCE JUDGEMENT & DECISIONS NEGOTIATION & REFRAMING No STRUCTURAL MODELING
  • 317. Traditional design procedure • The traditional design procedure that lead to the “as built” construction are: 1) Formulation of the problem; 2) Synthesis of the solution; 3) Analysis of the proposed solution; 4) Evaluation of the solution performances; 5) Construction.
  • 318. Traditional design procedure
  • 319. • Difficulties associated with this kind of approach are evident. The “As Built” structure could be different from the “As Designed” one, due to different factors like fabrication mistakes or unexpected conditions during the construction phase, or also due to non appropriate design assumptions. These last could create doubts about the accuracy of the analysis results leading to a predicted behavior which does not correspond to the real one. • One then can add: 6) Monitoring of the real construction; 7) Comparison between results from monitoring and expected behaviour results; 8) Increase in the accuracy of expectation of the future structural behaviour.
  • 320. Further steps added considering a monitoring system
  • 321. Performance-Based Design
  • 322. 9) Reformulation: development of advanced methods for a more accurate description of the required behavior and of the required performance; 10)Weak Evaluation: this methodology assumes that the analysis is exact and that all the actions are known exactly, from the probabilistic viewpoint; 11)Model improvement: the necessity connected with the models improvement comes from experiences based on monitoring, where expected and measured behaviors on “as built” structures are compared; 12)Strong Evaluation: a third kind of evaluation becomes possible when the improvement aims at assigning more accurate values to the used parameters and to define more accurate modelling hypothesis.
  • 323. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 370 Functional Analysis/ Resources Allocation - Decomposition to lower-level function - Allocate performance - Define functional interfaces - Define functional architecture Requirement loop Design loop PROCESS INPUT Historic Analyses Evolutive / Innovative Design Risk Management PROCESS OUTPUT Synthesis - Transform architecture - Define alternative product concepts - Define physical interfaces - Define alternative product and process solutions Requirements Analysis - Analyze missions and enviroments - Identify functional requirements - Define performance and design constraint requirement System Modeling And Analysis
  • 324. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 371 ANALYSIS MODELS vs. DESIGN MODELS
  • 325. 372 STRATEGY #0: DECOMPOSITION
  • 326. 373 STRUCTURAL QUALITY - design life - railway runability - highway runability - free channel - robustness - durability - management GLOBAL GEOMETRY AND TOPOLOGY TOPOLOGY - suspension system - towers - towers foundation - anchor system - main deck - deck landing - ... GLOBAL GEOMETRY - main span - sx span - dx span SECTIONAL GEOMETRY - continuous girder sections - transverse section - main cables - hangers - towers - secondary elements MATERIALS CHARACTERISTICS - girders - cables SYNTHESIS OF STRUCTURAL SOLUTION AND DOCUMENTATION BOUNDARY CONDITIONS CONSTRAINTS: rigid and elastic constraints, imposed displacements NATURAL ACTIONS - temperature - wind - earthquake ANTROPIC ACTIONS a) permanent loading system b) variable - railway - highway c) accidental CONVENTIONALMODELING: QUASISTATICREPRESENTATION BASIC STRUCTURAL CONFIGURATION PARAMETERS - individuation - definition - uncertainty - description - bounding GLOBAL MODELING - 2D - 3D MODELING WITH DYNAMIC INTERACTION ALTERNATIVE STRUCTURAL CONFIGURATIONS GLOBAL OPTIMIZATION - topology - morphology - parametric LOCAL OPTIMIZATION - girders section - transverse section - restraint zone EXPERT AND FIXED CHOICES MEASURES a) qualitative b) materials volumes c) serviceability - modal characteristics - deflections - deformations - reversibility d) collapse scenarios - collapse characteristics - robustness e) accidental scenarios - configurations - risks DETAILED MODELING EXTENDED MODELING 1 2 3 4 5 6 7 Numerical Modeling for the Structural Analysis and Design of MESSINA STRAIT BRIDGE: subdivision and development of activities. FB - june 6, 2005 / franco.bontempi@uniroma1.it 373
  • 327. 374
  • 328. 375 STRATEGY #1: SENSITIVITY
  • 329. 376 STRATEGY #2: BOUNDING
  • 330. 377 Super Controllore Problema Risultato Solutore #1 Solutore #2 Voting System STRATEGY #3: REDUNDANCY
  • 331. 378 STRUCTURAL MODELING CODE Global Frame Models Local Models Frame Work Substruct- ured Models STRUCTURAL MODELING CODE Global Frame Models Local Models Frame Work Substruct- ured Models structural configurations specificity of the modeling commercial codes
  • 332. Ottimizzazione Strutturale franco.bontempi@uniroma1.it 379 Str o N GER www.stronger2012.com