在傳統鋼筋混凝土結構設計中，結構尺寸與造型配置等變數一般都是利用以往經驗來設定初始值，例如梁柱長度與斷面型式、尺寸等等，事實上，這些變數之間都是相關的。工程師因設計時間過於倉促，最終設計成果往往未能有效率地使各個變數間發揮其最佳效能。而結構最佳化設計問題屬於具有限制條件、非線性以及離散變數的最佳化問題，傳統最佳化設計方法例如梯度法或線性規畫等方法並不適用於求解此類問題。
類神經網路法有別於以往傳統方法，是一種平行分散式處理計算模式。其基本的運作原理乃以大量、簡單的處理單元，或稱神經細胞互相連接，藉由整體處理單元對外界輸入訊號的簡單運算來處理資訊，擁有類似於人腦的許多特性及優點。
本研究主要目的在於將類神經網路法配合交叉驗證法與訓練測試法運用於鋼筋混凝土梁構件、柱構件、梁柱構架等結構成本最少化之最佳化設計，本文亦進一步綜合建立鋼筋混凝土建築結構成本最少化之最佳化設計模式。利用本文之研究成果，可使傳統僅滿足耐震需求的鋼筋混凝土建築結構，進一步達到成本最少化之最佳化設計。

In the traditional design of reinforced concrete structures, structural variables such as size and shape configurations generally use past experience to set the initial value such as the length, cross-section type and size of beam and column. In fact, these variables are correlated. Due to overly hasty design, the final results designed by engineer often failed to efficiently play the best performance for all structural variables. The optimization designs of structure belong to the constrained, nonlinear and discrete variable optimization problems. The traditional design methods such as optimal gradient method or linear programming are not applicable for solving this type of problem.
Artificial Neural Networks method is different from the traditional one which is a kind of parallel distributed processing computing model. The basic principle of operation is based on a large but simple processing unit, or called Neuron connected to each other; by using the whole processing unit by the simple arithmetic of the external input signal to process information, which is similar to many features and benefits of human brains.
Main purpose of this paper lies in the Artificial Neural Networks training with cross-validation method and Train-and-Test method used in reinforced concrete beam members, column members, beams and other structural cost minimization framework of optimal design. The paper has further consolidated to establish the cost minimization of reinforced concrete buildings of structural optimization design patterns. Using the results of this study can make traditional reinforced concrete structure which only meets seismic requirements further achieve cost minimization of the optimal design.

目錄
誌謝	I
中文摘要 Ⅲ
英文摘要 Ⅳ
目錄	V
圖目錄	IX
表目錄	XI
第一章 緒論	1
1.1 研究背景與動機	1
1.2 研究目的	1
1.3 研究流程	5
1.4 研究內容	6
第二章 文獻回顧	8
2.1 最佳化設計方法	8
2.2 鋼筋混凝土結構最佳化	10
2.3 類神經網路	11
2.3.1類神經網路	11
2.3.2實驗計畫法(DOE)	17
第三章 基本理論	18
3.1 鋼筋混凝土設計	18
3.1.1 鋼筋混凝土單筋梁設計	18
3.1.2 鋼筋混凝土雙筋梁設計	19
3.1.3 鋼筋混凝土柱設計	20
3.2 類神經網路法介紹	21
3.2.1 類神經網路法摘要	21
3.2.2 類神經網路法發源	22
3.2.3 倒傳遞類神經網路法之機制	22
3.2.4 倒傳遞類神經網路法的演算步驟	26
3.2.5 類神經網路法之特色	29
3.3 CAFE軟體	30
第四章 最佳化設計模式	33
4.1基本假設	33
4.2 目標函數與束制條件	33
4.2.1 鋼筋混凝土單筋梁之束制條件	34
4.2.2 鋼筋混凝土雙筋梁之束制條件	35
4.2.3 鋼筋混凝土柱之束制條件 	36
4.2.4 鋼筋混凝土構架之束制條件	37
4.3 CAFE軟體最佳化流程	37
4.3.1構件最佳化流程	38
4.3.2梁柱構架最佳化流程	38
4.4 小結 	39
第五章 鋼筋混凝土梁構件最佳化設計	40
5.1 鋼筋混凝土單筋矩形梁最佳化設計	40
5.1.1基本設計資料	40
5.1.2案例一	44
5.1.3案例二	50
5.1.4案例三	54
5.2 鋼筋混凝土雙筋矩形梁最佳化設計	57
5.2.1基本設計資料	57
5.2.2案例四	61
5.2.3案例五	67
5.2.4案例六	71
5.3 結果討論	74
第六章 鋼筋混凝土柱構件最佳化設計	75
6.1 鋼筋混凝土柱最佳化設計	75
6.1.1基本設計資料	75
6.1.2案例一	80
6.1.3案例二	86
6.2 結果討論	91
第七章 鋼筋混凝土梁柱構架最佳化	92
7.1鋼筋混凝土梁柱構架最佳化設計	92
7.1.1基本設計資料	94
7.1.2案例一	97
7.2.3案例二	100
7.1.4案例三	102
7.1.5案例四	105
7.1.6案例五	108
7.1.7案例六	112
7.1.8案例七	115
7.2結果討論	118
第八章 結論與建議	119
8.1 結論 	119
8.2 建議 	121
參考文獻	        122

 

圖目錄
圖 1.1傳統結構最佳化設計方法	2
圖 1.2基於神經網路之結構最佳化模式(三階段)	3
圖 1.3 基於神經網路之結構最佳化模式(整合版)    4
圖 3.1類神經網路流程圖	23
圖 3.2CAFE軟體最佳化流程圖	32
圖 5.1單筋梁斷面示意圖	40
圖 5.2案例一訓練測試法誤差收斂曲線	46
圖 5.3案例一交叉驗證曲線	47
圖 5.4案例一敏感性直條圖	47
圖 5.5案例一線性敏感性直條圖	47
圖 5.6案例一帶狀主效果圖	47
圖 5.7案例二訓練測試法誤差收斂曲線	52
圖 5.8案例二交叉驗證曲線	52
圖 5.9案例二線性敏感性直條圖	53
圖 5.10案例三訓練測試法誤差收斂曲線	55
圖 5.11案例三交叉驗證曲線	56
圖 5.12案例三線性敏感性直條圖	56
圖 5.13雙筋梁斷面示意圖	58
圖 5.14案例四訓練測試法誤差收斂曲線	63
圖 5.15案例四交叉驗證曲線	63
圖 5.16案例四線性敏感性直條圖	64
圖 5.17案例五訓練測試法誤差收斂曲線	69
圖 5.18案例五交叉驗證曲線	69
圖 5.19案例五線性敏感性直條圖	69
圖 5.20案例六訓練測試法誤差收斂曲線	72
圖 5.21案例六交叉驗證曲線	73
圖 5.22案例六線性敏感性直條圖	73
圖 6.1柱斷面示意圖	76
圖 6.2案例一訓練測試法誤差收斂曲線	82
圖 6.3案例一交叉驗證曲線	82
圖 6.4案例一線性敏感性直條圖	83
圖 6.5案例二訓練測試法誤差收斂曲線	87
圖 6.6案例二交叉驗證曲線	88
圖 6.7案例二線性敏感性直條圖	88
圖 7.1鋼筋混凝土構架圖	96

 
表目錄
表 5.1各案例設計參數範圍	42
表 5.2 最小梁斷面寬度(cm)	44
表 5.3 鋼筋總斷面積(cm2)	44
表 5.4案例一訓練相關係數因子	48
表 5.5案例一60t-m最佳化設計結果之比較	48
表 5.6案例一80t-m最佳化設計結果之比較	49
表 5.7案例一100t-m最佳化設計結果之比較	49
表 5.8案例一120t-m最佳化設計結果之比較	50
表 5.9案例二訓練相關係數因子	53
表 5.10案例二成本最佳化設計結果	53
表 5.11案例三訓練相關係數因子	56
表 5.12案例三成本最佳化設計結果	57
表 5.13雙筋梁各案例設計參數範圍	60
表 5.14案例四訓練相關係數因子	64
表 5.15案例四80t-m最佳化設計結果之比較	65
表 5.16案例四100t-m最佳化設計結果之比較	65
表 5.17案例四120t-m最佳化設計結果之比較	66
表 5.18案例四140t-m最佳化設計結果之比較	66
表 5.19案例五訓練相關係數因子	70
表 5.20案例五成本最佳化設計結果	70
表 5.21案例六訓練相關係數因子	73
表 5.22案例六成本最佳化設計結果	74
表 6.1各案例設計參數範圍	77
表 6.2 最小柱斷面寬度(cm)	79
表 6.3鋼筋總斷面積(cm2)	80
表 6.4案例一訓練相關係數因子	83
表 6.5案例一Pu=100t、彎矩30t-m最佳化設計結果之比較	84
表 6.6案例一Pu=200t、彎矩60t-m最佳化設計結果之比較	84
表 6.7案例一Pu=100t、彎矩80t-m最佳化設計結果之比較	85
表 6.8案例一Pu=200t、彎矩160t-m最佳化設計結果之比較	85
表 6.9案例二訓練相關係數因子	88
表 6.10案例二Pu=100t、彎矩30t-m成本最佳化設計結果	89
表 6.11案例二Pu=100t、彎矩50t-m成本最佳化設計結果	89
表 6.12案例二Pu=100t、彎矩80t-m成本最佳化設計結果	89
表 6.13案例二Pu=200t、彎矩30t-m成本最佳化設計結果	90
表 6.14案例二Pu=200t、彎矩50t-m成本最佳化設計結果	90
表 6.15案例二Pu=200t、彎矩80t-m成本最佳化設計結果	90
表 7.1各樓層地震力	96
表 7.2案例一最小可用標準斷面之層間位移轉角	98
表 7.3案例一最佳化標準斷面之層間位移轉角	99
表 7.4案例一最佳化分析結果之價格比較	99
表 7.5案例二最佳化標準斷面之層間位移轉角	101
表 7.6案例二最佳化分析結果之價格比較	102
表 7.7案例三最小可用標準斷面之層間位移轉角	104
表 7.8案例三最佳化標準斷面之層間位移轉角	104
表 7.9案例三最佳化分析結果之價格比較	105
表 7.10案例四最佳化標準斷面之層間位移轉角	107
表 7.11案例四最佳化分析結果之價格比較	108
表 7.12案例五最小可用標準斷面之層間位移轉角	110
表 7.13案例五最佳化標準斷面之層間位移轉角	110
表 7.14案例五最佳化分析結果之價格比較	111
表 7.15案例六最佳化標準斷面之層間位移轉角	113
表 7.16案例六最佳化分析結果之價格比較	114
表 7.17案例七最佳化可變斷面之層間位移轉角	116
表 7.18案例七最佳化分析結果之價格比較	117

【1】	葉怡成，實驗計畫法 --- 製程與產品最佳化，五南圖書，2001。
【2】	葉怡成，高等實驗計畫法，五南圖書，2009。
【3】	Schmit, L. A., “Structural design by systematic synthesis”, Proceedings of the 2nd Conference on Electronic Computation, ASCE, pp. 105-122. , 1960.
【4】	Rajeev,S. and Krishnamoorthy,C.S., “Genetic algorithms-based methodologies for design optimization of trusses”, Journal of Structural Engineering, pp.350-358,1997.
【5】	呂良正、楊楚賢，「結合有限元素及數學分析套裝軟體之諧調質量阻尼器最佳化分析與設計」，碩士論文，國立台灣大學土木工程研究所，2012。
【6】	呂良正、呂其翰，「雙向結構最佳化演進法及多重材料拓樸最佳化之探討」，碩士論文，國立台灣大學土木工程研究所，2010。
【7】	洪彥欽，「基因演算法於結構最佳化之設計」，碩士論文，國立交通大學土木工程研究所，1994。
【8】	簡士傑、葉怡成，「以遺傳演算法作鋼桁架結構之離散最佳化設計」，中國土木水利工程學會，第八卷，第三期，第355-362頁，1992。
【9】	陳士毓，「多重進化遺傳演算法於結構最佳化設計之應用」，碩士論文，國立台灣大學機械工程學研究所，2001。
【10】	葉建祿，「以改良遺傳演算法作桁架鋼結構最佳化設計」，碩士論文，中華工學院土木工程研究所，1995。
【11】	謝阜錝，「結構最佳化設計之新式協力進化遺傳演算法」，碩士論文，國立台灣大學機械工程學研究所，2002。
【12】	梁俊偉，「平行混成多層遺傳演算法應用於幾何非線性結構最佳化設計之研究」，碩士埨文，國立中山大學機械工程研究所，2000
【13】	Chen, T. Y. and Chen, C. J., “Improvements of Simple Genetic Algorithms in Structural Design,” International Journal for Numerical Methods in Engineering,Vol.40, pp.1323-1334, 1997
【14】	Holland, J. H., “Adaptation in Natural and Artificial Systems,” The University of Machigan Press, 1975.
【15】	Goldberg, D. E., “Genetic Algorithms in Search, Optimization and MachineLearning,” Addison Wesley, Reading Mass, 1989.
【16】	Hajela, P., “Genetic Search-An Approach to the Nonconvex Optimization Problem,”AIAA Journal, pp. 1205-1210, Vol.28, No.7, 1990.
【17】	Jenkins, W. M., “Toward Structural Optimization via the Genetic Algorithms,” Computer & Structures, Vol.40, No.5, pp1321-1327, 1991.
【18】	秦志中，「鋼筋混凝土梁之最佳化設計」，碩士論文，私立淡江大學土木工程研究所，1982。
【19】	顏裕益，「鋼筋混凝土架構之最佳化設計」，碩士論文，私立淡江大學土木工程研究所，1986。
【20】	柯遠輝，「鋼筋混凝土梁之多準則最佳化設計」，碩士論文，國立屏東科技大學土木研究所，1995。
【21】	陳尊明，「鋼筋混凝土柱之多準則最佳化設計」，碩士論文，國立屏東科技大學土木研究所，1995。
【22】	宋孔慶，「鋼筋混凝土構件最佳化設計之研究」，碩士論文，國立臺灣大學土木工程研究所，1996。
【23】	葉雲玉，「鋼筋混凝土構架最佳化初步設計」，碩士論文，國立屏東科技大學土木研究所，1996。
【24】	銀徽，「以超啟發式法則進行鋼筋混凝土結構最佳化設計」，碩士論文，國立臺灣科技大學營建工程系，2009。
【25】	Kudva J.N., Munir N. and Tan P.W., “Damage in Smart Structure Using Neural Networks and Finite Element Analysis”, Smart Materials and Structures,pp.108~112, 1992.
【26】	Wu X., Ghaboussi J. and Garrnett J.H., “Use of Neural Network in Detection of Structural Damage”, Computer & Structures, Vol. 42 no.4, pp.649~659, 1992.
【27】	Worden K., Ball A.D. and Tomlinson G.R., “Fault Location in Framework Structure Using Neural Network”, Smart Materials and Structures, Vol. 2,pp.189~200, 1993.
【28】	R.Ceravolo and A. De Stefano, Politecnico di Torino, “Damage Location in Structures through a connective use of FEM Modal Analysis”, Modal Analysis,Vol. 10 no.3, pp.178~186, 1995.
【29】	Li Cheng-Jung and Asok Ray, “Neural Network Representation of Fatigue Damage Dynamic”, Smart Materials and Structures, Vol. 4, pp.126~133, 1995.
【30】	Pandey A.K. and Biswas M., “Damage Diagnosis of Truss Structures by Estimation of Flexibility Change”, Modal Analysis, Vol. 10 no.2, pp.104~117, 1995.
【31】	Szewczyk Z.P. and Hajela P., “Damage detection in structure based on feature-sensitive neural network”, J. Comput. Civil Engng. ASCE, Vol. 8,pp.163~178, 1994.
【32】	劉興業、王海超、鄧文樵，「人工神經元網路在公路工程震害預測方面的應用」，地震工程與工程振動，第16 卷4 期，pp.97~104，1996。
【33】	黃崇福，「模糊人工神經元網路在地震工程中的應用」，<地震工程與工程振動，第13 卷2 期，pp.84~92，1993。
【34】	徐敬海、鄧偉慶、鄭民憲，「建築物震害預測模糊震害指數法」，地震工程工程震動，第22 卷6 期，pp.84~88，2002。
【35】	瞿偉廉、陳偉，「多層及高層框架結構地震損傷診斷的神經網路方法」，地震工程與工程振動，第22 卷1 期，pp.43~48，2002。
【36】	瞿偉廉、黃東梅，「高聳塔架結構節點損傷基於神經網路的兩步診斷法」，地震工程與工程振動，第23 卷2 期，pp.143~149，2003。
【37】	葉怡成，「機器學習在土木工程專家系統應用之研究」，博士論文，pp.30~41，成功大學土木工程研究所，1992。
【38】	葉怡成，類神經網路模式應用與實作，儒林圖書有限公司，1993。
【39】	林子超，「類神經網路在結構損傷偵測分析的應用」，碩士論文，成功大學土木工程研究所，1997。
【40】	褚朝慶，「系統識別與類神經網路在橋樑破壞檢測的應用」，碩士論文，台灣大學土木工程研究所，1998。
【41】	黃心豪，「時空域類神經網路於橋樑破壞檢測的應用」，碩士論文，台灣大學土木工程研究所，1999。
【42】	吳吉峰，「系統識別與類神經網路於碧潭橋破壞檢測之應用」，碩士論文，台灣大學土木工程研究所，2000。
【43】	凃宗廷，「類神經網路於房屋結構系統識別之應用」，碩士論文，交通大學土木工程研究所，2001。
【44】	蔡中暉、徐德修， 「以類神經網路評估鋼筋混凝土結構之損壞」，Journal of the Chinese Institute of Civil and Hydraulic Engineering，Vol. 10 no.1，pp.31~38，1998.
【45】	曹增皓、蔡中暉、徐德修，「以震動訊號及類神經網路作既有鋼筋混凝土損壞診斷之研究」，八十八年電子計算機於土木水利工程應用研討會論文集，pp.1799~1807，中興大學，2000。
【46】	蔡元耀，「類神經網路應用於現地深開挖水平地盤反力參數推估之研究」，碩士論文，朝陽科技大學營建工程學系，2005。
【47】	林旺春，「建築結構強震紀錄之類神經網路參數識別」，碩士論文，中原大學土木工程研究所， 2006。
【48】	李元宏，「類神經網路結合非線性能量消散原理應用於土壤液化潛勢評估之研究」，碩士論文，國立臺灣大學土木工程研究所，2008。
【49】	黃廷堅，「以類神經網路預估建築工程造價之研究」，碩士論文，國立臺灣大學土木工程研究所，2010。
【50】	Jin Cheng, “ A hybrid artificial neural network method with uniform design for structural optimization”,Comput Mech ,pp.44:61–71, 2009.
【51】	Oscar Moller, “Structural optimization for performance-based design in earthquake engineering: Applications of neural networks”, Structural Safety 31,pp. 490–499 , 2009.
【52】	Saeed G. , Eysa S. , “Optimal Design of Structures for Earthquake Loading by Self Organizing Radial Basis Function Neural Networks”,Advances in Structural Engineering Vol. 13 No. 2, 2010.
【53】	Yeh Jiin-Po, Chen Kun-Yu, “ Forecasting the lowest cost and steel ratio of reinforced concrete simple beams using the neural network”, Journal of Civil Engineering and Construction Technology Vol. 3(3), pp. 99-107, 2012.
【54】	Patel Jiten,Choi Seung-Kyum, “Classification approach for reliability-based topology optimization using probabilistic neural networks”, Struct Multidisc Optim ,pp.45:529–543, 2012.
【55】	Mohd Suhairil Meon et al , Frame Optimization using Neural Network, international journal advanced science engineering information technology ,Vol. 2 No. 1, 2012.
【56】	Reza Kamyab Moghadas et al, Prediction of Optimal Design and Deflection of Space Structures Using Neural Networks, Mathematical Problems in Engineering Volume, Article ID 712974, 18 pages, 2012
【57】	鄭建麟，「利用實驗計畫法研究氟化物電漿中氮化矽反應性粒子蝕刻之最佳化」，碩士論文，國立清華大學，2002。
【58】	張凱評，「田口式實驗計畫法應用於板金液壓成形最佳化製程與回彈分析-以中部某航空製造廠為例」，碩士論文，雲林科技大學，2006。
【59】	許鴻川，「以實驗計畫法探討燒結型熱管之性能」，碩士論文，國立成功大學，2008。
【60】	吳政昌，「田口實驗計畫法導入氣壓回收系統發電最佳化分析」，碩士論文，逢甲大學，2011。
【61】	鄧在國，「實驗計劃法應用於可靠度環境測試實驗最佳化之探討-以背光模組為例」 ，碩士論文，明新科技大學，2010。
【62】	陳建志，「實驗計畫法應用於太陽能光電製程改善:以線鋸切片機台製程最佳化為例」，碩士論文，國立成功大學，2011。
【63】	吳宗達，「以均勻設計與類神經網路作桁架最佳化設計」，碩士論文，中華大學土木工程研究所，2013。