Buckling optimization of composite panels using Gaussian process regression

The optimization of laminate composites using conventional analysis methods is a time consuming process, and surrogate modeling offers an alternative to reduce computation time. In this thesis, the utilization of Gaussian Process Regression (GPR) as a surrogate model in the layup optimization of composite structures is investigated. GPR models are f irst trained to predict the critical buckling load of the target structures using lamination parameters. Once the models are established, they are used in an optimization process to identify the lamination parameter values that maximize the buckling load for the target structure, and these parameters are then transformed into actual layup configurations using an evolutionary algorithm. This framework is applied to two structures. For the f irst structure, consisting of a composite plate, two different datasets are used to train GPR models, which are then compared in their ability to optimize the structure. For the second structure, consisting of a stiffened composite panel with omega stringers, the local buckling region is extracted and optimized using the developed framework. The optimized sequence is then applied to the skin of the whole panel. Both applications resulted in improved critical buckling loads and presented both the effectiveness and the limitations of using GPR in different design spaces. Overall, this thesis highlights the advantages and disadvantages of the GPR and successfully demonstrates that GPR is an effective machine learning model to use as a surrogate in the optimization of laminated composites.

L’ottimizzazione dei laminati compositi mediante metodi di analisi convenzionali è un processo che richiede molto tempo, e la modellizzazione surrogata offre un’alternativa per ridurre i tempi di calcolo. In questa tesi viene studiato l’utilizzo della Regressione a Processo Gaussiano (GPR) come modello surrogato nell’ottimizzazione del layup delle strutture composite. I modelli GPR vengono prima addestrati per prevedere il carico critico di instabilità delle strutture target utilizzando i parametri di laminazione. Una volta stabiliti i modelli, essi vengono impiegati in un processo di ottimizzazione per iden tificare i valori dei parametri di laminazione che massimizzano il carico di instabilità della struttura target, e tali parametri vengono quindi trasformati in configurazioni di layup reali mediante un algoritmo evolutivo. Questo framework viene applicato a due strutture. Per la prima struttura, che consiste in un pannello piano in materiale composito vengono utilizzati due set di dati differenti per addestrare i modelli GPR, che vengono poi con frontati in base alla loro capacità di ottimizzare la struttura. Per la seconda struttura che consiste in un pannello rinforzato con correnti ad omega, viene estratta e ottimiz zata la regione di instabilità locale, e la sequenza ottimizzata viene quindi applicata alla pelle dell’intero pannello. Entrambe le applicazioni hanno portato a un miglioramento dei carichi critici di instabilità e hanno evidenziato sia l’efficacia che i limiti dell’utilizzo della GPR in diversi spazi progettuali. Complessivamente, questa tesi evidenzia i vantaggi e gli svantaggi della GPR e dimostra che essa è un modello di machine learning efficace da utilizzare come surrogato nell’ottimizzazione dei laminati compositi.