An application of reinforcement learning to a structural optimization problem

This thesis explores the integration of reinforcement learning, specifically Q-learning, into structural optimization processes. The primary objective is to develop an adaptive framework that leverages Q-learning to refine computational domains discretized through finite elements, thereby enhancing computational efficiency and structural performance. The research begins with a comprehensive review of structural optimization, highlighting traditional mathematical programming, metaheuristic algorithms, and topology optimization. It then introduces reinforcement learning as a promising approach for adaptive and data-driven optimization. A MATLAB-based interactive system is implemented, utilizing Gmsh for mesh generation and iterative refinement through Q-learning. The methodology covers domain creation, finite element analysis, reward definition, and optimization strategies. Numerical examples demonstrate the framework's effectiveness in optimizing structural parameters as well as adapting to varying loads and structural defects. Results indicate that reinforcement learning can significantly improve the efficiency and adaptability of structural optimization, offering a robust tool for addressing complex engineering challenges. The thesis concludes with a discussion of future developments, emphasizing the potential for broader applications and further integration of artificial intelligence in structural engineering.

Questa tesi esplora l’integrazione dell’apprendimento per rinforzo, in particolare del Q-learning, nei processi di ottimizzazione strutturale. L’obiettivo principale è sviluppare un framework adattivo che sfrutti il Q-learning per raffinare domini di calcolo discretizzati tramite elementi finiti, migliorando così l’efficienza computazionale e le prestazioni strutturali. La ricerca inizia con una revisione bibliografica dell’ottimizzazione strutturale, evidenziando i metodi tradizionali di programmazione matematica, gli algoritmi metaeuristici e l’ottimizzazione topologica. Successivamente, viene introdotto l’apprendimento per rinforzo come approccio per un’ottimizzazione adattiva e guidata dai dati. È stato implementato un sistema interattivo basato su MATLAB, che utilizza Gmsh per la generazione delle mesh e il perfezionamento iterativo tramite Q-learning. La metodologia copre la creazione del dominio, l’analisi agli elementi finiti, la definizione delle ricompense e le strategie di ottimizzazione. Esempi numerici dimostrano l’efficacia del framework nell’ottimizzazione di parametri strutturali oltre che nell’adattamento a carichi variabili e difetti strutturali. I risultati indicano che l’apprendimento per rinforzo può migliorare significativamente l’efficienza e l’adattabilità dell’ottimizzazione strutturale, offrendo uno strumento robusto per affrontare sfide ingegneristiche complesse. La tesi si conclude con una discussione sugli sviluppi futuri, sottolineando il potenziale di applicazioni più ampie e una maggiore integrazione dell’intelligenza artificiale nell’ingegneria strutturale.