Autoreferat przedstawiający opis dorobku i osiągnięć naukowych, w szczególności określonych w art. 16 ust. 2 ustawy, w formie papierowej w języku polskim i angielskim (wersja polska) Załącznik 2 do Wniosku z dnia 11.05.2015 o przeprowadzenie postępowania habilitacyjnego w dziedzinie nauki techniczne w dyscyplinie mechanika dr inż. Arkadiusz Poteralski
Autoreferat 1. Imię i Nazwisko Arkadiusz Poteralski 2. Posiadane dyplomy, stopnie naukowe z podaniem nazwy, miejsca i roku ich uzyskania oraz tytułu rozprawy doktorskiej: Uzyskany stopień: doktor nauk technicznych Politechnika Śląska, Wydział Mechaniczny Technologiczny Dyscyplina naukowa: Mechanika Temat rozprawy doktorskiej: Optymalizacja strukturalna przestrzennych układów mechanicznych z wykorzystaniem algorytmów ewolucyjnych Promotor: prof. dr hab. inż. Tadeusz Burczyński Recenzent zewnętrzny: Prof. dr hab. inż. Witold Gutkowski, IPPT PAN Recenzent wewnętrzny: dr hab. inż. Piotr Fedeliński prof. w Pol. Śl., Politechnika Śląska Data obrony: 01.12.2004 Uzyskany tytuł: magister inżynier Politechnika Śląska, Wydział Mechaniczny Technologiczny Kierunek: Mechanika i Budowa Maszyn Specjalność: Mechanika Komputerowa Temat pracy dyplomowej magisterskiej: Zastosowanie algorytmów ewolucyjnych w optymalizacji struktury materiału układów przestrzennych Promotor: prof. dr hab. inż. Tadeusz Burczyński Data obrony: 20.06.2001 Studia ukończone z wynikiem bardzo dobrym z wyróżnieniem. 1/12
3. Informacje o dotychczasowym zatrudnieniu w jednostkach naukowych/ artystycznych. Aktualne miejsce zatrudnienia: Instytut Mechaniki i Inżynierii Obliczeniowej, Wydział Mechaniczny Technologiczny Politechnika Śląska ul. Konarskiego 18A 44-100 Gliwice Historia zatrudnienia: od 2004 na stanowisku adiunkta na Wydziale Mechanicznym Technologiczny Politechniki Śląskiej w Gliwicach. 4. Wskazanie osiągnięcia naukowego stanowiącego dzieło opublikowane w całości: Moje osiągnięcie naukowe w rozumieniu Ustawy o stopniach naukowych i tytule naukowym oraz o stopniach i tytule w zakresie sztuki z dnia 14 marca 2003 r. z późniejszymi zmianami, art. 16 pkt. 2. stanowi autorska monografia Arkadiusz Poteralski pt.: Optymalizacja immunologiczna układów mechanicznych, wydana drukiem przez Wydawnictwo Politechniki Śląskiej, Gliwice 2015, s. 1-182, ISBN 978-83-7880-298-3. Monografia ta stanowi syntetyczne podsumowanie przeprowadzonych przeze mnie badań realizowanych po uzyskaniu stopnia doktora. 2/12
Zagadnienia optymalizacji układów mechanicznych należą do zadań trudnych i czasochłonnych obliczeniowo. Wynika to zarówno z potrzeby poszukiwania optimum globalnego rozwiązywanego zadania jak i konieczności wielokrotnego rozwiązywania złożonych fizycznie i geometrycznie zadań bezpośrednich w postaci zagadnień brzegowych lub brzegowo-początkowych fizyki matematycznej, służących do wyznaczenia funkcji celu i ewentualnie jej gradientu. W trakcie realizacji pracy duży nacisk położony był na rozwój metody optymalizacji konstrukcji opartej na połączeniu algorytmu immunologicznego oraz metody elementów skończonych (MES) lub metody elementów brzegowych (MEB). Poszczególne zadania wykonane zostały w ramach projektu badawczego pt. Optymalizacja immunologiczna układów fizycznych numer NN519 2976 33 w latach 2007-2010, którego byłem kierownikiem. Celem niniejszej pracy było opracowanie algorytmu immunologicznego, implementacja komputerowa oraz rozwój i testowanie sztucznych systemów immunologicznych pozwalających na optymalizację układów mechanicznych. Przygotowana została uniwersalna procedura wymiany danych (PWD) umożliwiająca połączenie sztucznego systemu immunologicznego (SSI) z dowolnym programem rozwiązującym problem inżynierski. Aby usprawnić proces optymalizacji przeprowadzono modyfikację klasycznego sztucznego systemu immunologicznego i zbudowano dwie hybrydowe wersje tj. hybrydowy sztuczny system immunologiczny bazujący na zastosowaniu hipermutacji gradientowej oraz drugi bazujący na metodzie Kriginga. Celem dwóch nowych algorytmów było skrócenie czasu optymalizacji oraz zapewnienie lepszej zbieżności do optimum globalnego. Opracowana została także autorska procedura równoczesnej optymalizacji kształtu, topologii oraz rozmieszczenia różnych materiałów konstrukcji dla układów przestrzennych, która przystosowana została dla układów mechanicznych modelowanych w skali makro oraz układów modelowanych wieloskalowo. Przeprowadzone zostało również porównanie działania dwóch różnych narzędzi optymalizacji globalnej, tj. opracowanego sztucznego systemu immunologicznego (wraz z wersjami hybrydowymi) oraz wybranego algorytmu ewolucyjnego. Opracowana metoda posłużyła również do identyfikacji wybranych parametrów materiału piezoelektrycznego. Sztuczne systemy immunologiczne wykorzystują kilka elementów znanych z naturalnego systemu immunologicznego. Mogą one wykorzystywać mechanizmy selekcji klonalnej lub mechanizmy selekcji pozytywnej i negatywnej. W opracowanym algorytmie 3/12
wykorzystany został mechanizm selekcji klonalnej bazujący na naturalnym mechanizmie selekcji klonalnej. W pierwszym etapie tego algorytmu, tj. etapie ekspansji klonalnej, należy wyselekcjonować najlepiej dopasowane przeciwciała oraz namnożenie ich proporcjonalnie do ich stopnia dopasowania. W drugim etapie, tj. hipermutacji należy przekształcić namnożone klony w taki sposób, by niektóre z nich osiągnęły lepszy stopień przystosowania niż ich poprzednicy. Powyższy mechanizm posłużył do zbudowania sztucznego systemu immunologicznego (SSI). W pierwszym etapie działania sztucznego systemu immunologicznego tworzona jest grupa komórek pamięci. Każda z komórek pamięci, a także utworzone na jej podstawie klony tworzą grupę limfocytów, dla których obliczona zostaje wartość funkcji celu. Liczebność tej grupy jest parametrem sztucznego systemu immunologicznego, ustawianym na początku działania algorytmu i jest to wartość niezmieniająca się w kolejnych iteracjach. Na wartości parametrów limfocytu nałożone mogą być ograniczenia równościowe lub nierównościowe. Sposób tworzenia grupy limfocytów może być dowolny, jednak najczęściej stosuje się wybór losowy. Każdy z limfocytów jest jednym z możliwych rozwiązań, które na podstawie jego parametrów sterujących decydują o otrzymanym rozwiązaniu (np. postać konstrukcji). Kolejnym etapem SSI jest proliferacja, tzn. namnażanie komórek pamięci, co wiąże się z tym, że dla każdej komórki pamięci tworzona jest pewna liczba jego klonów. Podczas stosowania operatora klonowania namnażane są komórki z wysokim stopniem dopasowania. W niniejszym algorytmie zastosowano podejście, gdzie dla najlepszej komórki pamięci generowana jest założona wartość klonów, natomiast dla każdej kolejnej komórki pamięci tylko połowa założonej wartości klonów. Stosując tego typu podejście zapobiegamy niekontrolowanemu rozrostowi populacji. Produkowana jest zawsze stała liczba klonów. Kolejnym ważnym elementem tego algorytmu jest mechanizm hipermutacji. Podstawowym zadaniem tego operatora jest dbanie o powstanie nowych, zróżnicowanych komórek. Po zastosowaniu tego operatora powstałe komórki często wykazują wyższy stopień dopasowania niż ich poprzednicy. Działanie hipermutacji polega na wprowadzaniu losowych modyfikacji rozpatrywanego osobnika, podobnie jak dla mechanizmu mutacji genetycznej, znanej z algorytmu ewolucyjnego. Porównując oba typy mutacji, tzn. hipermutacje immunologiczną i mutacje genetyczną widzimy, że ich podstawową różnicą jest stopień intensywności. W przypadku mutacji genetycznej zmiany wprowadzane są z bardzo małym prawdopodobieństwem, natomiast podczas hipermutacji immunologicznej zmiany 4/12
wprowadzane są znacznie częściej (z reguły zależnie od stopnia dopasowania przeciwciała). W niniejszym algorytmie zastosowano probabilistyczny sposób modyfikacji losowo wybranego fragmentu limfocytu (mutacja z rozkładem Gaussa). Przy użyciu tej modyfikacji każda pozycja mutowana jest z określonym prawdopodobieństwem, zdefiniowanym za pomocą parametru ustawianego na początku procesu optymalizacji. Kolejny etap to wybór limfocytów do następnej iteracji (selekcja). Podstawowym zadaniem selekcji jest zastąpienie mało efektywnych komórek pamięci bardziej efektywnymi klonami, o ile takie istnieją. Mając do dyspozycji pewną grupę komórek pamięci i pewną grupę zmodyfikowanych klonów, należy dokonać ich oceny. Dla każdej komórki pamięci poszukiwany jest najbardziej dopasowany klon (w sensie odległości euklidesowej - mierzona jest odległości komórek pamięciowych). Ostatni etap sztucznego systemu immunologicznego to zastosowanie mechanizmu zatłoczenia. Jest to bardzo ważny etap, mający na celu utrzymanie zróżnicowania populacji limfocytów. Dla każdej komórki pamięci określany jest pewien obszar, w którym poszukuje się podobnych limfocytów. O wielkości tego obszaru decyduje parametr algorytmu immunologicznego, ustawiany na początku pracy SSI. Jeżeli w tym obszarze pojawią się inne komórki pamięci, to wybiera się ten limfocyt, który jest najlepiej przystosowany, natomiast pozostałe są eliminowane. W miejsce usuniętych limfocytów generowane są nowe. Sposób utworzenia nowych limfocytów jest taki sam, jak w pierwszym etapie działania algorytmu, czyli losowy. Warunek zatrzymana może być sformułowany jako maksymalna liczba iteracji, oczekiwana wartość funkcji celu, bądź też jako minimalna oczekiwana poprawa funkcji celu na przestrzeni kilku iteracji. Pierwszą modyfikacją klasycznego sztucznego systemu immunologicznego była wersja z hipermutacją gradientową. Algorytm ten oprócz wszystkich procedur zastosowanych w klasycznym sztucznym systemie immunologicznym ma zastosowane dodatkowe procedury takie jak hipermutacja gradientowa oraz metodę LBFGS (ang. Limited memory Broyden-Fletcher-Goldfarb-Shanno method) stosowaną już po zatrzymaniu konwencjonalnego sztucznego systemu immunologicznego. Algorytm po uruchomieniu działa jak konwencjonalny SSI. Jeśli w bieżącej iteracji rozwiązanie nie zostaje poprawione, dla najlepszej komórki wykonywana jest hipermutacja gradientowa. Jeśli stosunek liczby iteracji z hipermutacją gradientową do wszystkich wykonanych iteracji przekracza ustaloną 5/12
wartość, iteracje immunologiczne są zatrzymywane i z najlepszego punktu uruchamiana jest metoda gradientowa LBFGS. Drugi rodzaj modyfikacji sztucznego systemu immunologicznego dotyczył zagadnień dla, których nie da się w sposób bezpośredni zastosować metody gradientowej. Dodatkowo ta wersja hybrydyzacji zastosowana została dla zagadnienia niepewności, tzn. identyfikowano parametry materiałowe, które zostały zakłócone szumem o określonej wartości. Algorytm ten w porównaniu do swojej klasycznej wersji ma zaimplementowane dwa nowe etapy: metodę planowania eksperymentu (ang. Latin Hypercube Sampling - LHS) oraz metodą estymacji Kriginga (ang. kriging surrogate). Metoda planowania eksperymentu LHS to sposób planowania eksperymentów symulacyjnych za pomocą metody hipersześcianu łacińskiego. Należy ona do grupy metod próbkowania warstwowego, których celem jest poprawa regularności generowania liczb losowych. Drugą zastosowaną metodą jest metoda estymacji Kriginga, której celem jest wyznaczanie parametrów rozkładu populacji statystycznej za pomocą badania próby statystycznej. Polega ona na przydzieleniu odpowiednich wag, zwanych współczynnikami (wagami) Krigingu, danym próbkowym (punktom pomiarowym) znajdującym się wewnątrz obszaru poszukiwań (obszaru wyszukiwania próbek). Sposób określania wag jest tak dobierany, aby zminimalizować średniokwadratowy błąd estymacji (wariancję Krigingu). Stosując tę metodę przyporządkowujemy większe wagi punktom położonym bliżej badanego, a mniejsze położonym dalej od badanego. Każdy kolejny punkt wprowadzony do metody Krigina powoduje uaktualnienie jego rozkładu w pobliżu wprowadzonego punktu. Jednym z podstawowych celów opracowanego oprogramowania bazującego na sztucznych systemach immunologicznych była jego uniwersalność i prostota przy stosowaniu go z dowolnymi programami rozwiązującymi dany problem na podstawie modyfikowanych zmiennych decyzyjnych. W tym celu powstała procedura wymiany danych (PWD) pomiędzy sztucznym systemem immunologicznym (SSI), a dowolnym programem rozwiązującym dany problem służącym do obliczenia wartości funkcji celu. W programie optymalizacji zaimplementowano procedurę zapisywania zmiennych decyzyjnych do pliku. Utworzony plik odczytywany jest przez zewnętrzny program rozwiązujący dane zagadnienie oraz wyznaczający wartość funkcji celu, która zapisywana jest w innym pliku i następnie wczytywana przez SSI. Użytkownik chcący zastosować algorytm optymalizacji bazujący na sztucznych systemach immunologicznych dla zagadnień optymalizacji czy identyfikacji musi 6/12
przygotować procedurę, która będzie obliczać wartość funkcji celu na podstawie pobranych przez SSI danych i zapisywać ją następnie do pliku wyjściowego. Opisana procedura wymiany danych wywoływana jest w każdej iteracji algorytmu dla każdego limfocytu, aż do spełnienia warunku zatrzymania procedury optymalizacyjnej. W monografii opisana została m.in. autorska metoda równoczesnej optymalizacji kształtu, topologii oraz własności materiałowych układów przestrzennych dla wielu funkcji kryterialnych. Podczas optymalizacji układ, który w początkowej fazie składał się z materiału jednorodnego, w wyniku zmieniających się własności materiałowych (zmiana gęstości materiału) stawał się materiałem niejednorodnym (optymalizacja własności materiałowych). W wyniku zmieniających się własności materiałowych część elementów skończonych mogła zostać wyeliminowana w rezultacie czego zmienił się brzeg zewnętrzny układu przestrzennego (optymalizacja kształtu) oraz generowane były nowe brzegi wewnętrzne w postaci otworów (optymalizacja topologiczna). W celu sterowania niewielką liczbą zmiennych decyzyjnych wprowadzona została funkcja opisująca rozkład gęstości materiału w pewnym dwu lub trójwymiarowym obszarze, w którym zanurzony jest optymalizowany układ mechaniczny (metoda parametryzacji). W przypadku tego podejścia zmiennym decyzyjnym przypisano wartości funkcji interpolacyjnych w odpowiednio rozmieszczonych punktach kontrolnych (węzłach interpolacji). Dzięki temu liczba zmiennych decyzyjnych równała się liczbie punktów kontrolnych hiperpowierzchni interpolacyjnych i liczba ta nie zależy od sposobu dyskretyzacji obszaru. Wyżej opisana procedura zastosowana była dla zagadnień jedno oraz wieloskalowych. Dla zagadnień wieloskalowych zastosowano metodę homogenizacji numerycznej pozwalającą na sprzężenie ze sobą modeli w różnych skalach. Najważniejszym etapem metody homogenizacji było opracowanie modelu fragmentu struktury rozpatrywanego ciała w skali niższej, przy wymaganiu aby wielkość tego fragmentu była wielokrotnie mniejsza od charakterystycznego wymiaru ciała w skali wyższej. Fragment struktury ciała, występujący podczas procedury homogenizacji nazywamy RVE, czyli reprezentatywnym elementem objętościowym (ang. representative volume element). Zastosowanie sztucznego systemu immunologicznego pozwoliło na optymalne rozmieszczenie dwóch materiałów dla mikrostruktury RVE dla funkcji celu zależnej od parametrów macierzy sztywności oraz na identyfikację parametrów macierzy podatności mikrostruktury RVE. 7/12
W monografii przedstawiono również metodę identyfikacji stałych materiałowych w przypadku materiałów piezoelektrycznych, polegającą na znalezieniu stałych materiałowych oraz kierunków polaryzacji odpowiadających wyznaczonemu eksperymentalnie polu mechaniczno elektrycznemu. Zastosowano hybrydowy sztuczny system immunologiczny (wersja bazująca na metodzie Kriginga), który porównano z konwencjonalnym SSI. Sztuczny system immunologiczny oraz jego wersja hybrydowa zastosowane zostały również dla rozwiązania zadania z niepewnościami gdzie identyfikowane parametry materiałowe zostały zaburzone szumem o określonej wartości. W monografii przedstawiono wybrane przykłady zastosowań sztucznych systemów immunologicznych w zakresie optymalizacji układów mechanicznych, natomiast wszystkie pozostałe przykłady zastosowania SSI opisane zostały w wielu publikacjach (załącznik 4). Przez ostatnie dziesięciolecia w wielu placówkach badawczych na świecie prowadzone były intensywnie prace i badania nad rozwojem algorytmów i systemów immunologicznych, stosowanych dla zagadnień identyfikacji i optymalizacji. Sztuczne systemy immunologiczne zastosowano m.in. w systemach wyszukiwania informacji, w systemach wykrywania chorób serca, do rozpoznawania pisma odręcznego, wykrywania zagrożeń w sieciach sensorowych, do wykrywania wyłudzania danych, do sterowania robotami mobilnymi oraz dla wielu innych zagadnień. Podsumowując, SSI zastosowany był podczas optymalizacji dla wielu różnych zagadnień, niestety trudno jest znaleźć przykłady bezpośrednio związane z układami mechanicznymi, omawianymi w niniejszej pracy. Według mojej opinii przykłady optymalizacji immunologicznej, przedstawione w monografii, są nowatorskie i poruszają ważną problematykę. Za oryginalny wkład własny uznaje opracowanie: koncepcji oraz metodologii immunologicznej optymalizacji oraz identyfikacji dla wielu zagadnień mechanicznych, procedury równoczesnej optymalizacji kształtu, topologii oraz rozmieszczenia różnych materiałów konstrukcji dla układów przestrzennych oraz przystosowanie jej do zagadnień jedno- oraz wieloskalowych, 8/12
uniwersalnej procedury wymiany danych (PWD) podczas optymalizacji układów mechanicznych umożliwiającej połączenie sztucznego systemu immunologicznego (SSI) z dowolnym programem, hybrydowego sztucznego systemu immunologicznego, mającego na celu przyspieszenie procesu optymalizacji oraz zapewnienie lepszej zbieżności do optimum globalnego. Dodatkowo dla większości wykonanych przykładów optymalizacji przeprowadzone zostało porównanie sztucznego systemu immunologicznego oraz algorytmu ewolucyjnego. 5. Omówienie pozostałych osiągnięć naukowo - badawczych (artystycznych). W swojej pracy naukowej po uzyskaniu stopnia doktora nauk technicznych moje zainteresowania oprócz opisanych wyżej sztucznych systemów immunologicznych dotyczyły również innych bio-inspirowanych metod optymalizacji tj. algorytmów ewolucyjnych oraz algorytmów rojowych. Algorytmy ewolucyjne są metodami optymalizacji stochastycznej, których istota działania oparta jest na symulacji pewnych procesów zachodzących w organizmach żywych. W takich algorytmach populacja osobników (potencjalnych rozwiązań) poddana może być działaniu pewnych operatorów jednoargumentowych jak mutacja, czy wieloargumentowych, jak krzyżowanie oraz dokonywany jest etap selekcji, który decyduje o przetrwaniu najlepiej przystosowanych osobników. Prowadziłem badania nad zastosowaniem klasycznego algorytmu ewolucyjnego do optymalizacji wielu układów mechanicznych. Jedną z wad algorytmu ewolucyjnego jest jego znaczna pracochłonność obliczeniowa dlatego w celu przyspieszenia optymalizacji dodatkowo wprowadziłem rozproszony algorytm ewolucyjny, pracujący na kilku niezależnie ewoluujących podpopulacjach na jednym lub na wielu komputerach równocześnie. Drugim stosowanym przeze mnie algorytmem optymalizacji był algorytm rojowy. Algorytm ten bazuje natomiast na modelach zachowań społecznych zwierząt poruszających się i żyjących w gromadach. Ukierunkowany ruch takiej grupy jednostek możliwy jest jedynie przy zachowaniu pewnych warunków, a mianowicie: bezkolizyjności, zgodności prędkości jednostek sąsiadujących oraz dążenia do poruszania się w określonym kierunku. W podejściu 9/12
tym cząstki przemieszczają się w hiperprzestrzeni, przy czym każda z cząstek porusza się w kierunku najlepszego położenia (rozwiązania) znalezionego przez nią samą wcześniej oraz najlepszego rozwiązania znalezionego dotychczas przez jej sąsiadów. Trzy opisane wcześniej algorytmy optymalizacji zastosowane zostały do następujących zadań m.in.: - optymalizacji układów powłokowych i powłokowo-bryłowych ze względu na kształt, topologię oraz własności materiałowe, - optymalizacji układów termomechanicznych, - optymalizacji i identyfikacji dla układów kompozytowych, - optymalizacji sprężystych układów drgających, - identyfikacji w zagadnieniach akustyki. Pierwsze zadanie dotyczyło optymalizacji układów powłokowych oraz powłokowo bryłowych, które w początkowej fazie składały się z materiału jednorodnego, w wyniku zmieniających się własności materiałowych stawał się materiałem niejednorodnym (optymalizacja własności materiałowych). W wyniku zmieniających się własności materiałowych część elementów skończonych mogła zostać wyeliminowana, w rezultacie czego zmienił się brzeg zewnętrzny układu powłokowego lub powłokowobryłowego (optymalizacja kształtu) oraz generowane były nowe brzegi wewnętrzne w postaci otworów (optymalizacja topologiczna). Optymalizację przeprowadzono przy użyciu sztucznego systemu immunologicznego, algorytmu rojowego oraz algorytmu ewolucyjnego. Przykłady zastosowania optymalizacji układów powłokowych i powłokowo-bryłowych ze względu na kształt, topologię oraz własności materiałowe opublikowane zostały w kilku artykułach (zał. 4, pkt. II, poz. A3, C2, E1, E20, E23, E24, E39, E46). Kolejne zadanie dotyczyło optymalizacji z zakresu termosprężystości (pola sprzężone). Rozpatrywane były ciała poddane jednoczesnemu oddziaływaniu pól termicznych jak i mechanicznych. Pola sprzężone to szczególny przypadek współwystępowania zjawisk o różnej naturze fizycznej. Aby zakwalifikować dane zjawisko do klasy problemów sprzężonych, zbiór zmiennych opisujących dane zjawiska fizyczne nie może być zredukowany i zastąpiony poprzez opis układu jednego zjawiska fizycznego oraz zjawiska zachodzące w poszczególnych obszarach nie mogą być od siebie oddzielone. Dla pól sprzężonych można wyróżnić dwie klasy problemów: sprzężenie następuje na styku obszarów poprzez warunki brzegowe (np. 10/12
interakcja płyn ciało stałe), obszary, w których zachodzą zjawiska, pokrywają się częściowo lub zupełnie, tak więc sprzężenie zachodzi poprzez równania opisujące różne zjawiska fizyczne (np. termosprężystość, piezoelektryczność, elektromagnetyzm). Jako przykład optymalizacji układów sprzężonych rozważano układy termomechaniczne, dla których poszukiwano optymalnego kształtu radiatorów dla kilku różnych funkcji celu (m.in. minimalizacja objętości, temperatury oraz maksymalnej wartości naprężenia redukowanego). Optymalizację przeprowadzono przy użyciu sztucznego systemu immunologicznego oraz algorytmu rojowego. Przykłady zastosowania optymalizacji układów termomechanicznych opublikowane zostały w kilku artykułach (zał. 4, pkt. II, poz. B6, E10, E15, E22). Kolejne zagadnienie, to optymalizacja oraz identyfikacja pewnych parametrów dla układów kompozytowych, które posiadają wysoki stosunek wytrzymałości do wagi w porównaniu z materiałami tradycyjnymi. Spośród materiałów kompozytowych szczególnie szeroko stosowane są laminaty (kompozyty warstwowe). Poszukiwane były: liczba i kolejności warstw jak również ułożenie warstw i ich grubość co pozwoliło uzyskać optymalne własności wytrzymałościowe. Przeprowadzona została również identyfikacja sprężystych stałych materiałowych w laminacie wielowarstwowym o różnym ułożeniu warstw. Optymalizację przeprowadzono przy użyciu sztucznego systemu immunologicznego oraz algorytmu rojowego. Przykłady zastosowania identyfikacji i optymalizacji w układach kompozytowych opublikowane zostały w kilku artykułach (zał. 4, pkt. II, poz. B2, E6, E18). Następne zadanie to optymalizacja układów drgających analizowanych przy użyciu połączonej metody elementów skończonych i metody elementów brzegowych (MES/MEB). Zadanie analizy polegało na wyznaczeniu pól przemieszczeń, przyśpieszeń i sił brzegowych (naprężeń) w układach tarczowych, zbrojonych elementami usztywniającymi obciążonych dynamicznie oraz na optymalizacji postaci konstrukcyjnej tych układów dla kryteriów optymalizacyjnych, zbudowanych w oparciu o wyznaczone pola. Poszukiwano optymalnego rozmieszczenia żeber w prostokątnej tarczy dla kilku różnych wariantów warunków brzegowych, podlegającej zmiennym w czasie obciążeniom (obciążenia sinusoidalne i 11/12
Heaviside a). Optymalizację przeprowadzono przy użyciu sztucznego systemu immunologicznego oraz algorytmu rojowego. Przykłady zastosowania optymalizacji sprężystych układów drgających opublikowane zostały w kilku artykułach (zał. 4, pkt. II, poz. C5, D2, E8, E12, E13, E25, E26). Ostatnie zagadnienie, w którym wykorzystano bioinspirowane algorytmy to identyfikacja impedancji ścian w pomieszczeniu dla zagadnienia akustyki. Projektowanie pomieszczeń z uwzględnieniem zjawisk akustycznych wymaga znajomości parametrów absorpcji fali akustycznej materiału ścian. Analizę pola ciśnienia akustycznego wykonywano za pomocą metody rozwiązań podstawowych MRP (metoda bezsiatkowa). Optymalizację przeprowadzono przy użyciu sztucznego systemu immunologicznego oraz algorytmu rojowego. Przykłady zastosowania identyfikacji w zagadnieniach akustyki opublikowane zostały w kilku artykułach (zał. 4, pkt. II, poz. A1, B5, E7, E9, E16, E17, E29). Opracowane metodologie, algorytmy oraz przykłady użycia algorytmów inspirowanych biologicznie (sztuczne systemy immunologiczne, algorytmy ewolucyjne oraz algorytmy rojowe) dla wielu zagadnień mechanicznych przedstawiono w artykułach publikowanych w czasopismach, rozdziałach książek oraz w streszczeniach i artykułach konferencyjnych. Szczegółowe informacje o udziałach, w tym procentowych, dla publikacji współautorskich przedstawiłem w spisie publikacji w załączniku 4. Jestem autorem lub współautorem 4 publikacji naukowych w czasopismach znajdujących się w bazie Journal Citation Reports (JCR), 7 publikacji naukowych z tzw. "listy filadelfijskiej" - źródło: Web of Science (z pominięciem publikacji wymienionych wyżej), 12 publikacji naukowych w pozostałych czasopismach (z pominięciem publikacji wymienionych wyżej). Jestem autorem lub współautorem 3 publikacji naukowych zamieszczonych jako rozdziały w książkach oraz 52 publikacji naukowych znajdujących się w materiałach konferencyjnych. Mój indeks Hirsch'a opublikowanych publikacji według bazy Web of Science (WoS) wynosi 6, natomiast liczba cytowań publikacji według bazy Web of Science (WoS) wynosi 74. Opracowane metody i algorytmy były prezentowane przez mnie na 28 konferencjach naukowych w kraju i zagranicą m.in. w Finalandii, Potrtugalii, we Włoszech, Francji, Austaralii, Hiszpanii, Japonii, Brazylii oraz w Czechach. Pozostałe informacje o osiągnięciach dydaktycznych, współpracy naukowej i popularyzacji nauki oraz o stażach zagranicznych przedstawiłem w załączniku 4. 12/12