Leveraging Physics-Informed Machine Learning to Empower Genetic Algorithms for Mechanical Systems - Original Version - Master of Science Dissertation

Aug 4, 2026

Carregar por Skyler

A dissertação investiga a aplicação de modelos de Machine Learning Informado por Física como funções avaliadoras dentro de algoritmos genéticos para otimizar sistemas mecânicos dinâmicos. Discute-se o desafio de treinar esses modelos rapidamente o suficiente para que a avaliação acelerada compense o custo do treinamento, exigindo seleção cuidadosa de hiperparâmetros. Para validar a técnica, são otimizados diversos sistemas mecânicos com duas abordagens de avaliação: integração explícita no tempo e modelos PIM. Os resultados indicam convergência significativamente mais rápida e soluções de qualidade comparável ou superior às abordagens tradicionais, com software que automatiza criação e treinamento e código-fonte em repositório público.

IdiomaPortuguese

CategoriaPesquisa e Relatórios

FormatoPDF

Páginas76

Tempo de leitura1 h 57 min

AcessoDownload gratuito

Índice

How to read this document

Source Code

Read online

Acronyms

1 Motivation

2 Objectives

3 Literature Review

3.1 Crashworthiness models (CMs)

3.2 Crashworthiness optimization problem (COP)

3.3 Discrete element method

3.4 Explicit Time Integration (ETI)

3.5 Genetic Algorithm

3.6 ML-Model-Based-Genetic-Algorithm for Mechanical Optimization

3.7 Physics-Informed Machine Learning

4 Methods

4.1 Overview

4.2 Polynomial Models

4.3 Physics-Informed Machine Learning Models (PIMs)

André Bianchessi Leveraging Physics-Informed Machine Learning to Empower Genetic Algorithms for Mechanical Systems Versão Original Dissertação apresentada à Escola Politécnica da Universidade de São Paulo para obtençãodo t ítulo de Mestre em Ciências. Engenharia Mecânica de Projeto e Fabricação Orientador: Prof. Dr. Marcilio Alves São Paulo Autorizo a reprodução e divulgação total ou parcial deste trabalho, por qualquer meioconvencional ou eletrônico, para fins de estudo e pesquisa, desde que citada a fonte. Catalogação-na-publicação Bianchessi, Andre LEVERAGING PHYSICS-INFORMED MACHINE LEARNING TO EMPOWER GENETIC ALGORITHMS FOR MECHANICAL SYSTEMS / A. Bianchessi, M. Alves--São Paulo, 2024. 76 p. Dissertação (Mestrado) -Escola Politécnica da Universidade de São Paulo. Departamento de Engenharia Mecânica. 1. Machine Learning 2.Otimizacao 3. Physics-informed I. Universidade de São Paulo. Escola Politécnica. Departamento de Engenharia Mecânica II.t. III.Alves, Marcilio Resumo 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 avelocidade 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 osmodelos com rapidez suficiente para que a avaliação rápida valha o custo dotreinamento é um desafio porque uma cuidadosa seleção de hiperparâmetros é necessária. Para investigar esta técnica, otimizamos vários sistemasmecânicos 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 métodostradicionais. 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. iii Abstract The usage of genetic algorithms in engineering hinges on their ability to efficiently navigate complex design spaces towards optimal solutions. However, their success relies heavily on the chosen fitness function, which evaluates each candidate solution. When computationally expensive, these evaluationscan significantly hamper the algorithm’s speed. This thesis investigates the novel application of Physics-Informed Machine Learning models as fitness evaluators within genetic algorithms for optimizing dynamic mechanical systems. They’re not trivially inexpensive to train but, once trained, these models provide rapid evaluation of candidate solutions. Training the models quickly enough so that the rapid evaluation is worth the cost of the training is challenging because a careful selection of hyperparameters is necessary. To investigate this technique, we optimized multiple mechanical systems with genetic algorithm with two approaches to evaluate the fitness of each candidate solution: Explicit Time Integration and Physics Informed Machine Learning Models. Our findings demonstrate that-with appropriate hyperparametersusing the models within the Genetic Algorithm can lead to significantly faster convergence and solutions of comparable or even superior quality compared to traditional methods. All the optimizations were performed with a software (dev

Perguntas frequentes

Qual é o objetivo central da dissertação?

Aplicar modelos de Machine Learning Informado por Física como funções avaliadoras dentro de algoritmos genéticos para otimizar sistemas mecânicos dinâmicos, buscando acelerar a convergência sem perder qualidade.

Por que o treinamento dos modelos é um desafio importante?

Porque precisa ocorrer rápido o suficiente para que a avaliação acelerada durante o algoritmo genético compense o custo do treinamento, o que requer uma seleção cuidadosa de hiperparâmetros.

Quais abordagens foram usadas para avaliar a qualidade das soluções?

Duas abordagens: Integração Explícita no Tempo e Modelos de Machine Learning Informados por Física (PIMs) como avaliadores dentro do algoritmo genético.

Aug 4, 2026

Carregar por Skyler