دانشگاه قم پژوهش های زیرساخت های عمرانی 2783-140X 11 2 2025 12 22 Optimal Design of Space Structures Considering Connection Stiffness Using a Machine Learning Based Surrogate Model طراحی بهینه سازه های فضاکار با در نظر گرفتن سختی اتصالات با استفاده از مدل جایگزینی مبتنی بر یادگیری ماشین 67 82 3695 10.22091/cer.2025.13271.1635 FA مجید ایلچی قزاآن دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران 0000-0001-6689-9301 مصطفی شریفی دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران. 0009-0003-8992-4321 سویم رحیم بخش خیابانی دانشکده مهندسی عمران، دانشگاه علم و صنعت ایران، تهران، ایران. 0009-0000-4252-9234 Journal Article 2025 07 02 In this research, the optimal design of space structures considering the actual stiffness of connections is performed using a surrogate model based on a machine learning algorithm. Space structures, as one of the most important types of lightweight and robust structural systems, often have semi-rigid connections whose behavior is conventionally idealized as either rigid or pinned. This unrealistic assumption can lead to an increase in structural weight or construction costs. Therefore, incorporating the actual stiffness of connections into the optimal design process can result in reduced overall structural weight and improved efficiency. Since accurately calculating the total structural weight including the weight and costs associated with connections, which account for approximately 15 to 45 percent of the total weight is essential, connection weight has also been included in the objective function. To reduce computational costs, a surrogate model based on a machine learning algorithm is employed. Moreover, to enhance the accuracy and efficiency of the surrogate model, an active learning method is used for the intelligent selection of training data. The results indicate that the proposed method is capable of finding optimal solutions with fewer analyses compared to metaheuristic algorithms. According to the results, 800-member and 1016-member space structures with semi-rigid connections have 4.25% and 14.48% less weight, respectively, compared to structures with pinned and rigid connections. در این پژوهش، طراحی بهینه سازه‌های فضاکار با در نظر گرفتن سختی واقعی اتصالات به کمک یک مدل جایگزینی مبتنی بر الگوریتم یادگیری ماشین صورت گرفته است. سازه‌های فضاکار به عنوان یکی از مهم‌ترین انواع سازه‌های سبک و مقاوم، اغلب دارای اتصالاتی با رفتار نیمه‌صلب هستند که در طراحی‌های متداول به صورت ایده‌آل صلب یا مفصلی در نظر گرفته می‌شوند. این فرض غیرواقعی می‌تواند منجر به افزایش وزن سازه یا افزایش هزینه‌های اجرایی شود. بنابراین، لحاظ کردن سختی واقعی اتصالات در طراحی بهینه می‌تواند به کاهش وزن کلی سازه و افزایش کارایی آن منجر شود. از آنجا که محاسبه دقیق وزن سازه شامل هزینه‌های مرتبط با اتصالات نیز ضروری است و حدود ۱۵ تا ۴۵ درصد از وزن کل سازه را تشکیل می‌دهد، در این پژوهش وزن اتصالات نیز در تابع هدف لحاظ شده است. به منظور کاهش هزینه‌های محاسباتی، از یک مدل جایگزینی مبتنی بر الگوریتم یادگیری ماشین استفاده شده است. همچنین، به منظور افزایش دقت و کارایی مدل جایگزینی، از یک روش یادگیری فعال برای انتخاب هوشمندانه داده‌های آموزشی استفاده شده است. نتایج حاصل نشان می‌دهد که روش پیشنهادی با تعداد تحلیل‌های کمتری نسبت به الگوریتم فراابتکاری قادر به یافتن جواب بهینه است. طبق نتایج مشاهده شد که سازه‌های فضاکار ۸۰۰ عضوی و ۱۰۱۶ عضوی دارای اتصالات نیمه‌صلب به ترتیب 4.25 و 14.48 درصد وزن کمتری نسبت به سازه‌های دارای اتصالات مفصلی و صلب دارند. https://cer.qom.ac.ir/article_3695_536cdaf2e07c43f71f27fee68ce0c213.pdf