TAŞ DOLGU DALGAKIRANLARIN GENETİK ALGORİTMA İLE GÜVENİRLİK ANALİZİ M. Levent Koç* Can E. Balas** (*) Yrd. Doç. Dr., Cumhuriyet Üniversitesi, Mühendislik Fakültesi İnşaat Mühendisliği Bölümü, Sivas Tel: 0.346.219 10 10/1318 E-posta: mkoc@cumhuriyet.edu.tr (**) Doç. Dr., Gazi Üniversitesi, Mühendislik Mimarlık Fakültesi İnşaat Mühendisliği Bölümü, Ankara Tel: 0.312.231 74 00/2256 E-posta: cbalas@gazi.edu.tr GİRİŞ Taş dolgu dalgakıranlar, tasarım aşamasında, yüksek derecede belirsizlik içeren yapılardır ve bu belirsizlikler yük ve dayanım değişkenlerinin yanısıra tasarım sırasında kullanılan deneysel eşitliklerden de kaynaklanmaktadır. Belirsizlik faktörleri, yapının tasarım ömrü içinde gerçekleşebilecek hasar riskinin yanında güvenirlik seviyesini de etkilemektedir. Yapısal güvenirliğin tahmininde genellikle belirsizliklerin de dikkate alındığı ikinci düzey olasılık yöntemlerden yararlanılmaktadır. Bu tür yaklaşık olasılık yöntemlerinde, yapının güvenirlik indeksi, performans fonksiyonunun limit durumu için indirgenmiş tasarım değişkenleri sisteminin optimizasyonu yoluyla en olası yıkım (göçme) noktasına bağlı olarak belirlenmektedir. Ancak, bu tip yöntemlerle yapılan yapısal güvenirlik analizlerinde karşılaşılan en önemli sorunlardan biri yerel minimum noktalarının, güvenirlik indeksinin
belirlenmesinde belirleyici olmasıdır; bu da gerçek (en olası) yıkılma yüzeylerini temsil etmediğinden yapının beklenen seviyelerin de altında yıkılabilmesine neden olmaktadır. Genetik algoritmalar, sezgisel bir arama yöntemi olup son yıllarda birçok mühendislik problemine uygulanma olanağı bulmuş yapay zeka tekniklerinden biridir. Genetik operatörler yardımıyla doğal seçilim sürecinin bilgisayar ortamında benzeştirilmesini esas alan genetik algoritmaları diğer arama yöntemlerinden ayıran en önemli özellikler amaç fonksiyonunu kullanması dolayısıyla türev hesaplarına dayanmaması; tek noktada değil birçok noktada (bir grup çözüm içinde) arama yapması; parametrelerin kodlanmış diziler halinde temsil edilmesi ve stokastik bir arama yöntemi olmasıdır. Bu özellikler de, genetik algoritmaların, özellikle klasik arama yöntemlerinin yetersiz kaldığı karmaşık çözüm uzayları ile karakterize edilen, optimizasyon problemlerine uygulanmasını elverişli kılmaktadır; genetik algoritmalar, bu tip problemlerde global optimum çözüme genellikle daha yüksek bir olasılıkla ulaşabilmektedir. Dolayısıyla genetik algoritmalar, yüksek derecede belirsizlikler içeren taş dolgu dalgakıranların güvenirlik analizlerinde mevcut yöntemlere önemli bir alternatif oluşturmaktadır. Bu çalışmada Mersin Yat Limanı ana dalgakıranı koruma tabakası için güvenirlik analizi genetik algoritma ile yapılmış ve elde edilen sonuçlar ikinci moment yaklaşımı ve Monte Carlo Benzeşimi ile bulunan sonuçlarla karşılaştırılmıştır. Burada amaç, yapının yıkılma olasılığının daha güvenilir bir yaklaşımla belirlenmesi ve böylece daha ekonomik ve emniyetli tasarımın yapılması olmuştur. ÇALIŞMA YÖNTEMİ Bu çalışmada, taş dolgu dalgakıranlar için güvenirlik indeksi ikinci düzey olasıksal yöntemlerle birlikte genetik algoritma ile belirlenmiş ve elde edilen sonuçlar değerlendirilmiştir. Taş dolgu dalgakıranlar için "limit durum" belirlenen bir hasar seviyesinin yapının tümüyle yıkılmasına neden olmayacak, ancak performansını yerine getiremeyecek şekilde aşılması hali olarak tanımlanmıştır. Çalışmanın birinci kısmında, birinci mertebe ikinci momet yaklaşımıyla güvenirlik indeksi, Mersin yat limanı için verilen parametreler kullanılarak tahmin edilmiştir. Limit durum için yıkılma fonksiyonu Hudson eşitliğine bağlı olarak tanuımlanış olup değişkenler standart değişkenlere
indirgenmiş; belirgin dalga yüksekliği Rosenblatt dönüşümü ile eşdeğer normal dağılıma modellenmiştir. Yıkılma fonksiyonu ve kullanılan parametreler sırasıyla g:limit durum fonksiyonu, Y: eşitlikteki belirsizliklere karşılık gelen stokastik değişken, H s : yapının topuğundan itibaren belirgin dalga yüksekliği (m), θ: koruma tabakasının eğimi, D n50 : koruma tabakasının nominal taş çapı (m), K D : hasar seviyesine bağlı boyutsuz stabilite katsayısı, : koruma tabakasına ait göreceli taş yoğunluğu olmak üzere: n50 D 1 / 3 g = Y D ( K cotθ ) H (1) s olarak alınmıştır. Güvenirlik indeksi (β), ikinci moment yöntemi ile doğrudan ve iteratif olarak belirlenmiştir. Yıkılma olasılıkları (P f ) ve değişkenlerin en olası göçme yüzeyini temsil eden değerleri Tablo 1 in birinci ve ikinci satırlarında her iki yöntem için verilmiştir. Çalışmanın ikinci kısmında eşitlik (1) ile tanımlanan optimizasyon problemi genetik algoritma kullanılarak yapılmıştır. Başlangıç topluluğu değişkenlere ait istatistiki bilgiler ve olasılık dağılımları kullanılarak rassal şekilde oluşturulmuş; başlangıç topluluğundaki dizi sayısı 30 olarak belirlenmiş ve diziler onluk sisteme göre kodlanmıştır. Çaprazlama oranı 0,8; mutasyon oranı 0,001 seçilmiştir. Genetik algoritma ile elde edilen çözüm (Tablo 1 üçüncü satır) ayrıca amaç fonksiyonunun gradyen azalma (gradient descent) algoritması ile minimizasyonu yapılarak kontrol edilmiştir. Gradyen azalma algoritması ile elde edilen yıkılma olasılıkları ve değişkenlerin en olası göçme yüzeyini temsil eden değerleri Tablo 1 de dördüncü satırda verilmiştir. Sözkonusu minimizasyon işlemi tepe tırmanması (hill climbig) yöntemiyle de yapılmış ve sonuçlar Tablo 1 in beşinci satırında özetlenmiştir. Ayrıca, yapının yıkılma olasılığı, Monte Carlo Benzeşimi ile belirlenmiş ve bu aşamaya ait sonuçlar Tablo 1 in altıncı satırında verilmiştir.
Tablo 1. Değişik yöntemlerle elde edilen yıkılma olasılıkları ve tasarım değişkenlerinin yıkılma yüzeyine ait değerleri Yöntem β P f 1-P f Y (%) (%) D n50 Cot θ H s (m) (m) İkinci Moment 0,407 34,17 65,83 0,962 1,618 1,437 2,485 3,029 (Doğrudan çözüm) İkinci Moment (İteratif çözüm) 0,404 34,31 65,69 0,964 1,618 1,437 2,487 3,037 Genetik Algoritma 0,005 49,77 50,23 0,999 1,439 1,620 2,500 2,878 Gradyen Azalma 0,001 49,95 50,05 0,999 1,620 1,440 2,500 2,880 Tepe Tırmanması 0,003 49,87 50,13 1,000 1,620 1,440 2,499 2,880 Monte Carlo Benzeşimi - 45,74 54,26 - - - - - BULGULAR Elde edilen sonuçlar karşılaştırıldığında, ikinci moment yöntemleri ve genetik algoritma ile elde edilen güvenirlik indeksleri arasında önemli oranda fark bulunmuş olup genetik algoritmanın gerçek (yerel olmayan) optimum çözüme ulaştığı açıktır. Bu sonuç, ikinci moment yaklaşımların yerel minimum noktaları bulunan yıkım yüzeylerinde iteratif algoritmaları nedeniyle doğru sonuç vermediğini; genetik algoritmaların, çoklu yerel minimum noktaları olan optimizasyon problemlerinde bile doğru sonuca (mutlak minimum veya maksimum) ulaşabilen bir yöntem olduğunu göstermektedir. Monte Carlo Benzeşimi gözönüne alınan değişkenlerin olasılık dağılımlarına ve istatistik parametrelerine bağlı rassal bir örnekleme yöntemidir ve karmaşık problemlerin çözümünde yaygın olarak kullanılan etkin tekniklerden birini oluşturmaktadır. Bu yaklaşım rassal örneklem üzerine kurulduğu için belirlenen yıkılma olasılıkları da rassal değişkenlerdir ve bu nedenle yıkılma olasılıkları aralık tahminleri olarak verilmiştir. Mersin yat limanı için yapılan güvenirlik analizinde, Monte Carlo Benzeşimi ile elde edilen yıkılma olasılığı, ikinci moment yöntemiyle iteratif olarak bulunan yıkılma olasılığından yaklaşık % 25 fazla, genetik algoritma ile bulunan olasılıktan ise yaklaşık % 9,0 azdır. Yıkılma olasılıkları dikkate alındığında, gradyen azalma ve tepe tırmanması yöntemleriyle genetik algoritma
birbirine çok yakın sonuçlar vermiştir (Tablo 1). Genetik algoritmanın, optimizasyon problemlerinde uygulanabilecek daha az karmaşık ve zaman alıcı bir yöntem olarak, yaklaşık çözümler veren ikinci moment yaklaşımından daha uygun olduğu ve taş dolgu dalgakıranların daha emniyetli tasarımını sağlayacağı bu çalışma ile Mersin yat limanı örneği için kanıtlanmıştır. İkinci moment yöntemi, uygulanması kolay olmakla birlikte fonksiyonun doğrusallaştırılması nedeniyle, yaklaşık çözümler vermektedir ve farklı yapılardaki güvenirlik düzeylerinin karşılaştırılması gerektiğinde kullanılması daha uygun olacaktır. Genetik algoritmalar, özellikle karmaşık (belirsiz) çözüm uzaylarında, daha yüksek bir olasılıkla global optimum çözüme ulaşabilmektedir. KAYNAKLAR Balas C.E., Ergin A., 2000, Sensitivity Study for the Second Order Reliability-Based Design Model of Rubble Mound Breakwaters, Coastal Engineering Journal, 42 (1), 57-86. Burcharth, H. F., 1992, Reliability Evaluation of a Structure at Sea, Proc., Short Course on Design and Reliability of a Coastal Structures: Structural Integrity, A. Lamberti, ed., Tecnoprint Snc, Venice, Italy, 511-545. Ergin A., Balas C.E., 1998, Implementation of a Reliability-Based Design Model in Turkey, Proceedings of the 17th International Conference on Offshore Mechanics and Arctic Engineering, Proceedings on CD-ROM - Paper No: 98-1351, 5-9 July 1998, Lisbon, Portugal. Goldberg, D. E., 1989, Genetic Algorithms In Search, Optimization and Machine Learning, Addison-Wesley Publishing Company Inc., s 411, USA
Gonzalez, A., Perez, R., 2001, An Experimental Study About the Search Mechanism in the SLAVE learning Algorithm: Hill Climbing Methods Versus Genetic Algorithms, Information Sciences, 136,159-174. Jeong, H. K., Shenoi, R. A., 2000, Probabilistic Strength Analysis of Rectangular FRP Plates Using Monte Carlo Simulation, Computers and Structures, 76, 219-235. Melchers, R. E., 1999, Structural Reliability Analysis and Prediction, John Wiley and Sons Inc., 456, New York. Polgar, O., Fried, M., Lohner, T., Barsony, I., 2000, Comparision of Algorithms Used for Evaluation of Ellipsometric Measurements Random Search, Genetic Algorithms, Simulated Annealing and Hill Climbing Graph Searches, Surface Science, 457, 157-177. Tsang, E., Voudouris, C., 1997, Fast Local Search and Guided Local Seach and Their Application to Bristish Telecom s Work Force Scheduling Problem, Operations Research Letters, 20, 119-127.