Computers and Structures 179 (2017) 75-94

listas de contenidos ofrecidos en ScienceDirect

Computers and Structures

Página principal de la revista: www.elsevier .com / localizar / compst RUC

El diseño óptimo de torres de líneas de transmisión de celosía de acero usando recocido

simulado y PLS-TORRE

Cenk Tort un , Serkan S ahin segundo , Oğuzhan Hasançebi do , ⇑

un MITENG Inc., Technocity, Campus ODTU, Ankara, Turquía
segundo MITENG Inc., Universidad Técnica de Oriente Medio, Departamento de Ingeniería Civil, Ankara, Turquía
do Universidad Técnica de Oriente Medio, Departamento de Ingeniería Civil, Ankara, Turquía

información del artículo abstracto

Historia del artículo: Este artículo presenta una nueva herramienta de optimización para el diseño automatizado de celosía de acero torres de líneas de transmisión
Recibido el 22 de marzo de el año 2016 Aceptado el 13 de octubre
en práctica de la ingeniería en el mundo real. Esta herramienta se ha desarrollado mediante la integración del algoritmo de optimización de
de el año 2016 Disponible en Internet el 15 de noviembre de el año
recocido simulado (SA) en el software PLS-torre comercial para optimizar las torres de celosía de acero para el peso mínimo de acuerdo con
2016
ASCE 10-97 diseño catión específico usando ambas variables de diseño de tamaño y de diseño. En este contexto, una novela de dos fases
algoritmo SA es fi específicamente desarrollado y en comparación con una formulación típica SA en tres problemas de peso de minimización
palabras clave:
de mundo real torres de celosía de acero para líneas aéreas de transmisión de alta tensión entre 110 y 400 kV.
optimización estructural
línea de transmisión de celosía acero de las torres de
recocido simulado
Dimensionamiento y optimización de diseño de

software PLS-TORRE
2016 Elsevier Ltd. Todos los derechos reservados.

1. Introducción
torres de líneas de transmisión sirven para mantener a los conductores sobre el suelo transferir
electricidad a partir de las fuentes de energía a las comunidades. En los últimos años, las redes de
transmisión eléctrica han experimentado cambios drásticos debido a la creciente demanda de
energía en todo el mundo. Los nuevos tipos de conductores, el aumento de la conciencia pública
sobre la estética y la conciencia ambiental y la necesidad de líneas de mayor capacidad han dado
lugar a una gran presión sobre los diseñadores para desarrollar torres económicos y diseñados de
manera óptima. Varios tipos de torres se utilizan en las redes de transmisión, incluyendo la celosía
de acero, poligonal acero, hormigón, madera y tipos híbridos
[1] . Sin embargo, debido a su tipo de alta proporciones de celosía de acero de resistencia a peso es a menudo
preferido por la mayoría de las empresas de servicios públicos.
La optimización del diseño de las torres de celosía de acero ha sido siempre una tarea dif fi cil
debido a un gran número de variables de diseño, en el que tamaño, disposición y, a veces las
variables de diseño de topología a menudo deben ser considerados de manera simultánea con el fin
de minimizar el peso de las estructuras. Por lo tanto, ha llamado la atención de numerosos
investigadores durante mucho tiempo. Debido al avance de la tecnología informática, en los últimos
años, la investigación sobre este tema se ha vuelto aún más popular. Mitra y Wolfenden [2] introducido
un algoritmo de programación dinámica para optimizar la ruta de la línea de transmisión. En ella, las
torres fueron seleccionados de un conjunto de estructuras de torres disponibles y el método
propuesto determinan la disposición de torres de suspensión que producen el coste minimumoverall
de la línea. Sheppard y Palmer [3] desarrollado un algoritmo basado en la técnica de programación
dinámica para optimizar las torres de transmisión, en el que el algoritmo buscó para el número de
paneles y de arriostramiento fi guraciones para formar los diseños más ligeros para las torres.
Natarajan y Santakumar [4] torres de transmisión optimizados utilizando ambas variables diseño de la
disposición y tamaño, donde una técnica de optimización no lineal restringida se integró con un
análisis de fiabilidad para obtener el peso mínimo de una torre para un índice de fiabilidad deseado.
Rao [5] empleada una técnica de optimización no lineal libre de derivado para el diseño peso mínimo
de alta tensión torres de líneas de transmisión bajo un conjunto de parámetros de control, incluyendo
parámetros geométricos, así como las tensiones en los conductores y tierra-cables. La técnica se
aplicó a una torre de doble circuito de 400 kV, lo que resulta en el ahorro en el peso de la torre 12%.
Taniwaki y Ohkubo [6] realizado un estudio para minimizar el costo de torres de transmisión de acero
que consiste de los miembros de tuberías circulares sujetas a ambas cargas estáticas y sísmicas.
Después de transformar el problema de diseño óptimo primaria en un subproblema aproximado
convexa y separable mediante el uso de variables de diseño directos y recíprocos, que resolvieron el
subproblema resultante por un método dual en un proceso de optimización de dos etapas. En Guo y
Li

⇑ Autor correspondiente.

Dirección de correo electrónico: oguzhan@metu.edu.tr (O. Hasançebi). [7] , Se introdujo un algoritmo genético de adaptación y

http://dx.doi.org/10.1016/j.compstruc.2016.10.017
0045-7949 / 2016 Elsevier Ltd. Todos los derechos reservados.
76 C. Tort et al. / Computers and Structures 179 (2017) 75-94
implementado en cuatro modelos diferentes de optimización de las torres de transmisión de acero
considerando variables tamaño, la disposición y el diseño de topología. Del mismo modo, Chunming
et al. [8] utilizado un algoritmo genético para la optimización de una estructura de torre 500 kV, donde
se seleccionaron áreas transversales y tipos de materiales de los miembros como variables de
diseño.
A pesar de fi desarrollos teóricos significativos en el campo de la optimización estructural, así
como aparición de nuevas técnicas de optimización en las últimas décadas, la popularidad de
optimización estructural en la práctica de diseño de ingeniería es todavía muy limitado y escaso. Esta
situación se puede atribuir a varias razones. En primer lugar, la mayoría de los métodos de
optimización desarrollados en la literatura tienen algunos inconvenientes en cuanto a sus
aplicaciones a problemas reales de ingeniería se refiere. Algunos métodos anteriores, como la
programación matemática (MP) técnicas, no fueron capaces de responder eficazmente a los
requisitos de diseño impuestas en aplicaciones prácticas [9,10] . Por otro lado, los métodos
desarrollados recientemente, tales como técnicas de búsqueda metaheurísticos, pueden manejar
todos los requisitos de los problemas prácticos de diseño debido a sus simples y fáciles de
implementar algoritmos de optimización [11-15] , Sin embargo, que a menudo requieren tiempo de
cálculo prohibitivamente larga para converger a una solución especialmente para estructuras a gran
escala sometidos a numerosas combinaciones de carga. Kaveh y sus co-autores han propuesto
recientemente un procedimiento de optimización en cascada para reducir el número de evaluaciones
de la función objetivo para problemas con numerosas variables de diseño mediante la operación del
algoritmo sobre una serie de etapas de optimización, donde el número de variables de diseño
empleadas se incrementa gradualmente el escenario después de escenario [16,17] . En segundo
lugar, los investigadores no han fi cientemente exhibido potencia y utilidad de las técnicas de
optimización estructural en problemas reales de diseño elegido de la práctica de la industria. Por el
contrario, un conjunto de problemas de prueba seleccionados de la literatura optimización estructural
existentes a menudo se han utilizado en los artículos publicados para demostrar y verificar un
algoritmo o estrategia nueva propuesta. En estos problemas de prueba las estructuras están
sometidas a unos pocos casos de carga se omiten único y más prácticos aspectos del proceso de
diseño, a pesar de que un código de prácticas de diseño se emplea en algunos de ellos. En
consecuencia, los diseños óptimos producidos a este tipo de problemas de prueba permanecen sin
valor en el punto de vista de un diseñador. Por lo tanto, más trabajo y esfuerzo se requieren para
ofrecer aplicabilidad práctica y utilidad de optimización estructural en práctica de la industria. De esta
manera, será posible difundir herramientas de optimización estructural en la práctica de diseño de
ingeniería. Uno de tales intentos se llevó a cabo recientemente en Flager et al. [18] , Donde se
demostró que el diseño óptimo de la estructura del techo de un estadio de atletismo de 65.000
asientos condujo a una reducción de costes de aproximadamente cuatro millones de dólares en
comparación con su diseño producido por un equipo de ingeniería utilizando el proceso de diseño
convencional.
Este estudio aborda el diseño óptimo práctica de celosía de acero torres de líneas de
transmisión en práctica de la ingeniería en el mundo real. El problema de diseño óptimo considerado
se formuló como lograr el diseño de peso mínimo de torres de celosía de acero usando ambas
variables tamaño y del diseño disposición simultáneamente bajo un conjunto de resistencia y
facilidad de mantenimiento limitaciones impuestas de acuerdo con ASCE 10-97
[19] diseñar especificación. Además, toda la fabricación, se tomaron detallando y montaje requisitos
de torres de celosía de acero en consideración como restricciones geométricas con el fin de producir
diseños optimizados de las torres que son viables y directamente aplicable en la práctica de la vida
real. El problema de optimización de diseño resultante se resuelve utilizando algoritmo de
optimización recocido simulado (SA). El recocido simulado, primero introducidos por Kirkpatrick et al. [20]
y Cerny [21] , Es una técnica de optimización meta-heurística inspirado naturaleza que imita el
mecanismo de enfriamiento de átomos metálicos para alcanzar el nivel de energía mínimo. La
técnica pronto se ganó una popularidad en todo el mundo y encontró un montón de aplicaciones en
diversos
disciplinas de la ciencia y la ingeniería debido a su sencilla implementación y características de
búsqueda mejoradas. Algunas aplicaciones de la técnica en el ámbito de la optimización estructural
se han reportado en las referencias. [22-28] . También se propusieron mejoras exitosas de la técnica
para mejorar sus funciones de búsqueda y convergencia en varias publicaciones, como el Ministerio
de Salud y Chiang
[29] , Chen y Su [30] , Genovese et al. [31] , Lamberti y Pappalettere [32] , Lamberti [33] , Hasançebi et
al. [34] , Etc. El algoritmo de recocido simulado utilizado en este estudio se basa esencialmente en la
mejora de la técnica tal como se formula en Hasançebi et al.
[34] . Además, una llamada de dos fases SA algorithmwas propone en este estudio como un método
exclusivo para la adquisición de diseño óptimo de torres de transmisión de acero más rápidamente
con un algoritmo de recocido. En la primera fase de este método, sólo los parámetros de diseño son
optimizadas por el recocido algorithmwhile los elementos de acero están dimensionados con un
enfoque heurístico basado diseño totalmente estresado. El objetivo de la primera fase es mejorar el
diseño inicial rápidamente en relativamente menos número de iteraciones (ciclos de refrigeración).
En la segunda fase, el mejor diseño obtenido en la fase anterior se utiliza como la solución inicial, y el
algoritmo de recocido se lleva a cabo de nuevo para las dos variables de diseño y de tamaño junto
con un nuevo conjunto de parámetros de recocido.
Los algoritmos de recocido simulado basado desarrollados para el tamaño óptimo y diseño de la
disposición de torres de líneas de transmisión de celosía de acero se integraron con el software
PLS-torre comercial [35]
(Desarrollado por Power Line Systems, Inc.) para ofrecer la práctica de los ingenieros una
herramienta útil que les da la capacidad de utilizar el diseño completo y analiza las características de
PLS-TORRE durante el proceso de diseño óptimo automatizado, así como a los modelos pre y
post-proceso de torre usando su interfaz gráfica de usuario. El PLS-torre, que está disponible en
todos los diseños de oficina trabajando en estructuras de líneas de transmisión de energía, es el
software más conocido y reconocido por las empresas privadas, así como las autoridades estatales.
El software fue específicamente desarrollado para el análisis y el diseño de las torres de celosía de
acero utilizados en las líneas de transmisión de energía. Permite el análisis estructural de las torres
de acero teniendo en cuenta las no linealidades geométricas, donde los elementos de acero se
pueden dimensionar de acuerdo con casi todos los principales de diseño especificaciones en el
mundo. En el estudio, la integración de los algoritmos de recocido simulado con el software PLS-torre
se realiza de tal manera que el módulo de optimización modi fi que la solución actual y genera un
diseño alternativo con un nuevo conjunto de variables tamaño y diseño. Un nuevo modelo de
elementos finitos (FEM) se genera en PLS-TOWER para este nuevo diseño con la ayuda de módulos
de generación de modelo que ha sido fi específicamente desarrollado por los autores para
automatizar la construcción de un nuevo modelo en PLS-torre sin ninguna interacción del usuario. se
ejecuta entonces El solucionador de elemento finito de PLS-torre para analizar el nuevo diseño y
obtener fuerzas en los miembros, reacciones comunes de apoyo y desplazamientos conjuntos.
Dependiendo del tamaño del modelo y tipo de análisis elegido (es decir, lineal o no lineal), todo el
proceso de análisis puede tomar desde una fracción de segundo a varios minutos. Los resultados de
los análisis se recogen en las tablas de resumen de grupo, que muestran todos los detalles del
miembro de conexión y diseño para el elemento más crítico de cada miembro del grupo. La PLS-torre
también está automatizado para realizar todas las comprobaciones de diseño y calcular el peso
resultante de la estructura. Los resultados obtenidos del módulo de diseño PLS-TORRE son
enviados de vuelta a módulo de optimización para el cálculo de la función objetivo en conjunción con
una función de penalización integrado.
La e fi ciencia numérica de los algoritmos de optimización basados ​SA desarrollados aquí se
investigó en tres torres de celosía de acero del mundo real para diversas líneas aéreas de
transmisión de alta tensión entre 110 y 400 kV. En estos ejemplos, las torres de suspensión o de
transmisión de tensión de la línea se optimizaron para alcanzar el peso mínimo diseños usando tres
variables de disposición y un número seleccionado de grupos de tamaño miembro en línea con el
diseño práctico de tales
 C. Tort et al. / Computers and Structures 179 (2017) 75-94 77

estructuras. Los miembros en las torres fueron seleccionados de ángulo Europea pro fi le base de
datos y las comprobaciones de diseño se realizaron como por ASCE 10-97 [19] especificación. Se
informaron los pesos optimizados de diseño de las torres de los dos algoritmos de recocido (SA y de
dos fases SA) junto con el tiempo total de cálculo necesaria para el proceso de optimización en cada
ejemplo de diseño. pesos Las torres optimizadas también se compararon con los resultados de
proceso de diseño convencional con el fin de cuantificar ahorro de material logrado a través de la
optimización. Las secciones restantes del papel se organizan como sigue. La segunda sección
presenta la formulación del problema de diseño óptimo de torres de transmisión de celosía basado
en ASCE 10-97 [19] especificación. El algoritmo de recocido empleado en el papel se discute en la
tercera sección a lo largo con el enfoque SA de dos fases propuesto. La cuarta sección se
proporcionan descripciones detalladas sobre la integración de algoritmos de recocido con software
PLSTOWER. El pariente e fi ciencia de las dos variantes SA se analiza en la Sección 5 para el mundo
real torres de líneas de transmisión. Sección 6 se resumen las principales conclusiones de este
estudio.

2. Problema declaración

El problema de diseño óptimo de una torre de línea de transmisión de celosía de acero puede
ser definida como fi Nding el diseño minimumweight de la torre usando ambas variables de diseño
tamaño y la distribución bajo un conjunto de resistencia y facilidad de mantenimiento limitaciones
impuestas de acuerdo con ASCE 10-97 [19] diseñar especificación. La formulación de este problema
matemáticamente puede expresarse como sigue.

2.1. variables de diseño

Figura 1. Las tres variables de diseño (anchuras de panel) se considera que cambian la geometría de una torre de celosía en este

El comportamiento estructural de una torre de transmisión se rige por los tamaños de la sección estudio.

transversal de los miembros de celosía y la geometría de la torre. Por lo tanto, el conjunto de variables
de diseño empleado consiste en dos vectores de diseño representados como UN ( Eq. (1) ) y S ( Eq. (2) ).
2.2. Función objetiva
El diseño del vector de tamaño UN contiene los tamaños de sección transversal de todos los miembros ( norte
metro) en una torre. Los miembros de la torre se seleccionan de un discreto per fi l de base de datos donde
Por lo general, el coste de las estructuras de acero no se puede asociar directamente sólo con el
secciones de acero discretas están ordenados e indexados en el orden creciente de áreas de sección
peso de la estructura, ya que se ve afectada por muchos otros factores, como la fabricación, montaje,
transversal. Por lo tanto, el diseño del vector de encolado UN se define como un vector de norte metro valores
costes de transporte, etc. Sin embargo, existe un alto nivel de correlación entre el peso y el costo de
enteros, cada uno correspondiente al número de índice de una sección de acero seleccionado en la pro
una torre de celosía de acero. Por consiguiente, la función objetivo del problema en cuestión se
fi le base de datos para un miembro de la torre.
define como reducir al mínimo el peso total elemento ( W) de la torre, que se formula como sigue:

T
UN ¼ ½ UN 1; . . . ; UN N m re 1 Þ

W ¼ X N m q L yo UN yo re 3 Þ
T
S ¼ ½ S 1; . . . ; S NS re 2 Þ yo

El diseño del vector de diseño S comprende todas las variables de diseño ( norte s) dónde q es la unidad de peso de acero, L yo y UN yo son la zona longitudinal y en sección transversal

que se emplean para modificar la geometría de una torre. En general se puede definen numerosos de yo- º miembro de la torre.

parámetros de fi nir la geometría de la torre, incluyendo anchuras altura total de la torre, cross-brazo
(consola), alturas de panel y anchuras de panel. Sin embargo, las distancias eléctricas requeridas de
los conductores a los elementos de acero y el suelo requieren la determinación de los anchos de
altura total de la torre y de la consola acordados previa. Del mismo modo, las alturas de panel son a
menudo determinados por mantener los arriostramientos en un ángulo de 45 a partir de la horizontal.
Con este fin, en este estudio sólo los anchos de paneles a lo largo de la altura de una torre son
seleccionados como variables de diseño de diseño durante el proceso de optimización en el
cumplimiento de las exigencias de la práctica del diseño. Figura 1 muestra las tres variables de
diseño definida por una torre de transmisión típico tipo de pinos. Teóricamente, se puede de fi ne una
anchura de panel en cada panel a través de la altura de una torre, como se aplica en algunos
problemas de referencia en la literatura, tales como 47-bar braguero de torre de transmisión [36] . Sin
embargo, en la práctica las variables de diseño deben definirse solamente en paneles donde la
inclinación de patas de la torre cambiar a fin de asegurar la rectitud del cuerpo de la torre dentro de
las diferentes partes.
2.3. restricciones
Los miembros de torres de líneas de transmisión deben tener el tamaño para satisfacer el
estrés, la estabilidad, y los límites de esbeltez de acuerdo con un código elegido de la práctica del
diseño. En la práctica, los desplazamientos nodales son por lo general no se considera como un
criterio de diseño, a pesar de que se puede integrar fácilmente en el proceso de optimización, si es
necesario. Un diseñador es responsable de la triangulación del sistema estructural de una torre de
celosía de acero en una manera de evitar la inestabilidad y la aparición de significativo momento de
flexión en los miembros. Con este fin, se supone que los miembros de torre resisten las cargas
aplicadas mediante el desarrollo de solamente fuerzas de tracción o compresión, y no están
sometidas a momentos de flexión significantes. Por lo tanto, los estados límites de diseño consisten
en rendimiento y fractura para los miembros en tensión, y cediendo y el pandeo para los miembros
en compresión. Además, ASCE 10-97

[19] proporciona diversos límites de esbeltez sobre los miembros para las condiciones de facilidad de

servicio.
78 C. Tort et al. / Computers and Structures 179 (2017) 75-94

2.3.1. capacidad de compresión 2.3.1.3. miembros redundantes. Para todos los miembros redundantes robustas,
La capacidad de compresión PAG do de un miembro cargado axialmente se obtainedbymultiplying
su adhesión a la sectionarea bruto UN con el diseño tensión de compresión (permisible) F do como se KL = r ¼ L = r 0 6 L re 10 a Þ
r 6 120
calcula por las ecuaciones. (4) - (6) ,
Para los miembros redundantes delgados sin restricciones contra la rotación en ambos extremos,
PAG do ¼ F do UN re 4 Þ

8> <>:
2 F cr
KL = r
Si KL KL = r ¼ L = r 120 6 L re 10b Þ
Cc r 6 do do r 6 250
F do ¼ 1 1 2 re 5 Þ
pag 2 mi
Si KL Para delgado miembros redundantes restringidos parcialmente contra la rotación en un extremo,
re KL = r Þ 2 r> do do
y sin restricciones en el otro,
q
do do ¼ pag ffiffiffiffiffiffiffiffiffiffiffiffiffi
2 E = Fy re 6 Þ
KL = r ¼ 28: 6 þ 0: 762 L = r 120 6 L re 10c Þ
r 6 290
dónde mi es el módulo de elasticidad del acero, L es la longitud no soportada, r es el radio de giro, K es
Para delgado miembros redundantes restringidos parcialmente contra la rotación en ambos
la longitud efectiva de coeficiente, F y es la tensión de fluencia, F cr es la tensión crítica, y do do es la
extremos,
relación de esbeltez crítica entre pandeo elástico e inelástico.

KL = r ¼ 46: 2 þ 0: 615 L = r 120 6 L re 10d Þ

La tensión crítica F cr corresponde a la reducción de la tensión de fluencia del material de F y basado r 6 330
en anchura ( w) - espesor ( t) relación de la sección transversal, y se calcula usando la Ec. (7)

2.3.2. capacidad de tensión

8 >>>> <>>>>:
La capacidad de tensión PAG t de un miembro cargado axialmente se obtiene multiplicando diseño
Fy Si w t 6 80 Wpagffiffiffiffi
Fy
tensión de tracción F t del miembro con su superficie neta, UN red ; como dado por la ecuación. (11) .
h yo F y

F cr ¼ 1: 677 0: 677 w = t Si 80pag 6 w t < 144 W pagffiffiffiffi

W ffiffiffiffi re 7 Þ
re w = t Þ min Fy Fy

PAG t ¼ F t UN red re 11 Þ
0: 0332 pag 2 mi
Si w t PAG 144 Wpagffiffiffiffi
re w = t Þ 2 Fy
Para un elemento angular, la tensión de diseño de tracción F t se calcula en base a si el miembro
dónde W = 1 de F y en ksi y W = 2,62 para F y en MPa. está conectado por ambas piernas o una única pata como sigue:
Las relaciones de esbeltez eficaces re KL = r Þ de los miembros de la ecuación. (5) se
determinan para miembros de pata, otros miembros de compresión y miembros redundantes, como
si está conectado por ambas piernas 0:90 F y
se discute en las siguientes subsecciones. Ft¼ Fy re 12 Þ
si está conectado por una sola pierna

2.3.1.1. elementos de pata. Para todos los miembros de patas atornilladas en ambas caras en las conexiones, El área neta se calcula basándose en el desgarro del miembro a través de su sección más débil
que pasa a través de los orificios utilizando la Ec. (13) ,

KL = r ¼ L = r 0 6 L re 8 Þ
r 6 150 UN red ¼ UN ef HTN h re 13 Þ

2.3.1.2. Otros miembros de compresión. Para los miembros robusto, con una carga concéntrica en dónde h es el diámetro del agujero, t es el grosor del miembro, norte h es el número de agujeros de

ambos extremos, perno a deducir de la sección transversal, y UN ef; es el área efectiva miembro.

KL = r ¼ L = r 0 6 L re 9a Þ Para un miembro de ángulo, el área efectiva miembro UN ef; se calcula en base a si el miembro
r 6 120 está conectado por ambas piernas, pierna larga o la pierna corta como sigue:
Para los miembros robusto, con una carga concéntrica en un extremo y la excentricidad
encuadre normal en el otro extremo,
si está conectado por ambas piernas o pata larga solamente
UN ef ¼ UN
UN re licenciado en Letras Th? Tennesse un si está conectado por pata corta solamente
KL = r ¼ 30 þ 0:75 L = r 0 6 L re 9b Þ
r 6 120
re 14 Þ

Para los miembros robusto, con excentricidad framing normales en ambos extremos,
dónde segundo y un son las anchuras de piernas largas y cortas para las secciones angulares desiguales, y norte un

es el número de ángulos para una sección; es decir, norte un ¼ 1 para las secciones angulares individuales, y norte un

¼ 2 para las secciones de doble ángulo, etc.

KL = r ¼ 60 þ 0: 5 L = r 0 6 L re 9c Þ
r 6 120

Para los miembros delgados sin restricciones contra la rotación en ambos extremos,
2.3.3. relaciones máximas de esbeltez
La pierna, otras y redundantes miembros se requiere para no exceder los siguientes valores

KL = r ¼ L = r 120 6 L re 9d Þ límite de relación de esbeltez:

r 6 200 8> <>:

Para los miembros delgados restringido parcialmente contra la rotación en un extremo, y sin
restricciones en el otro, k máx ¼ KL 200 para
¼ 150 para que otros
elementos miembros 250 para los
de pata re 15 Þ
r máx
miembros redundantes
KL = r ¼ 28: 6 þ 0: 762 L = r 120 6 L re 9e Þ
r 6 225

Para los miembros delgados restringido parcialmente contra la rotación en ambos extremos, 2.3.4. requisitos geométricos
Mientras que el tamaño de un torre de transmisión, se requiere que las cargas aplicadas se
realizan de forma segura desde el pico de tierra-alambre y brazos transversales al suelo a través de

KL = r ¼ 46: 2 þ 0: 615 L = r 120 6 L re 9f Þ los miembros de pata. Para una transmisión segura de cargas, los miembros de patas deben ser
r 6 250 diseñados de tal
 C. Tort et al. / Computers and Structures 179 (2017) 75-94 79

que la pierna superior tiene una sección de ángulo con una anchura de brida ( w) Del mismo modo, los requisitos geométricos se normalizan y se expresó como un conjunto de
y el espesor ( t) no más grandes que las de la sección de ángulo de la pierna inferior. En otras funciones para el manejo de restricción, como sigue:
palabras, tanto el ancho de brida y el espesor de las secciones de ángulo utilizadas para elementos
de pata debe aumentar, como uno va desde la parte superior a la parte inferior a través de la altura do Wisconsin ¼ máx w yo þ 1 1: 0; 0 re 19a Þ
w yo
de la torre. Estos requisitos geométricos se expresan matemáticamente en las ecuaciones. (16) y (17)
y también se ilustra en la Figura 2 para una torre típica.

do TI ¼ máx t yo þ 1 1: 0; 0 re 19b Þ
t yo
w yo þ 1 6 w yo re dieciséis Þ

t yo þ 1 6 t yo re 17 Þ do 2 ¼ X N lm máx re do wi; do TI Þ re 19c Þ

yo ¼ 1

En las ecuaciones. (16) y (17) , w yo y w yo þ 1 representar los anchos de los perfiles angulares se utilizan
para los miembros inferior y superior de las piernas, respectivamente, y t yo y t yo þ 1 son los espesores de dónde norte lm es el número total de elementos de pata en la torre, do Wisconsin y

estas secciones angulares. do TI son las violaciónes restricción geométrica para el yo- º miembro de pata de la torre, y do 2 es la
suma de restricción geométrica máximo violado por todos los miembros de pata en la torre.
2.3.5. Las formulaciones de restricciones y que las restricciones
Los estados límite de diseño discutidos anteriormente se normalizan y se expresaron como un Finalmente, las limitaciones son manejados en el presente estudio utilizando un enfoque función
conjunto de funciones para el manejo de restricción, como sigue: de penalización externo, donde el ed modi fi (sin restricciones) de la función objetivo se formula como
sigue:
do ci ¼ máx re PAG mc Þ yo 1: 0; 0 re 18a Þ
re PAG do Þ yo / ¼ W re 1 þ r 1 do 1 þ r 2 do 2 Þ re 20 Þ

do TI ¼ máx re PAG monte Þ yo
re PAG t Þ yo
dónde r 1 y r 2 consulte los coe fi pena cientes se utilizan para ajustar el grado de penalización por
1: 0; 0 re 18b Þ violaciónes de las limitaciones del estado límite de diseño y geométricas, respectivamente. Ambos
coe fi pena cientes se establecen en un valor de 1,0 durante ejemplos numéricos basados ​en los
análisis de sensibilidad realizado.

do k yo ¼ máx re k Þ yo 1: 0; 0 re 18c Þ
re k máx Þ yo

3. Los algoritmos de optimización

do 1 ¼ X N m máx re do ci; do TI; do k yo Þ re 18d Þ

yo ¼ 1
La optimización del diseño resultante problemdescribed en la sección anterior se resolvió
usando el algoritmo de recocido simulado (SA). La razón detrás de recocido simulado se extiende al
dónde re PAG mc Þ yo , re PAG monte Þ yo , re k Þ yo son las cargas de compresión y tensión desarrollada en el yo-
proceso de recocido de los sistemas físicos aplicados en la termodinámica. En este proceso, un
º miembro de la torre y su relación de esbeltez, respectivamente; re PAG do Þ yo , re PAG t Þ yo , re k máx Þ yo son
sistema físico inicialmente en un estado de alta energía se enfrió gradualmente hacia abajo hasta
los valores permitidos de las cantidades anteriores de acuerdo con ASCE10-97 [19] , do ci, do TI, y do k yo son
que se alcanza su nivel de energía mínimo. La idea de que este proceso puede ser simulado para
violaciónes limitación para la capacidad de compresión, la capacidad de la tensión y la relación de
resolver problemas de optimización fue iniciado independientemente por Kirkpatrick et al. [20]
esbeltez de la yo- º miembro de la torre, y do 1 es la suma de las limitaciones de diseño del estado
límite máximo violados por todos los miembros.

y Cerny [21] , Estableciendo una analogía directa entre la reducción del nivel de energía de un
sistema físico y la reducción del costo de una función objetivo.

3.1. El recocido simulado

Wi+2
Un número de variaciones y mejoras del algoritmo de recocido se han propuesto en la literatura
para mejorar su rendimiento de la búsqueda. El algoritmo SA empleado en el presente estudio se

ti+2 basa en la mejora de la técnica tal como se formula en Hasançebi et al. [34] . A continuación, los
pasos básicos implicados en este algoritmo se describen brevemente.

Paso 1. Inicialización y ajuste de un programa de enfriamiento: El primer paso es la inicialización

Wi+1
y ajuste de un programa de enfriamiento apropiado. Una base de datos per fi l se asigna para
las variables de tamaño y límites superior e inferior se determinan para las variables de diseño.
ti+1
Los parámetros de programación de enfriamiento se calculan utilizando las fórmulas de la
ecuación. (21) basado en la selección de una probabilidad de aceptación de partida ( PAG s), una
probabilidad final de aceptación ( PAG f), y el número de ciclos de enfriamiento ( norte do).

W yo

1=Nc1
1 s Þ1 ln re PAG F Þ; gramo ¼ En re PAG
T s ¼? re 21 Þ
En re PAG s Þ; T F ¼? En re PAG F Þ
t yo

En la Ec. (21) , T s, T F y gramo se conocen como temperatura de partida, la temperatura final, y

el factor de enfriamiento, respectivamente. La temperatura inicial se asigna como la
temperatura actual,
Figura 2. requisitos geométricos en perfiles de acero de los miembros de pata en una torre. es decir, T ¼ T s.
80 C. Tort et al. / Computers and Structures 179 (2017) 75–94

Paso 2. Generación de un diseño inicial: El diseño inicial se genera tal azar que el diseño actual. De lo contrario ( r> PAG), el candidato es rechazado y el diseño actual se
dimensionamiento variables de diseño se establecen en algunos valores enteros entre 1 y el mantiene.
número de secciones de acero discretos disponibles en la base de datos per fi l, y variables de
q ffiffiffi ffiffiffiffiffiffiffiffiffiffiffi ffiffi ffiffiffiffiffiffiffiffiffi
diseño diseño se inicializan a los valores reales entre su prede fi Ned límites inferior y superior. 3
u re k Þ ¼ u re k 1 Þ PAG
t
= PAG
re k 1 Þ ; 0: 9 6
pag re k 1 Þ u 6 1: 1 re 25 Þ
Un modelo de elemento finito (FEM) de la torre se genera automáticamente para el diseño inicial
en PLS-TORRE usando el módulo de generación de modelo, como se discute en la siguiente
sección. El miembro, las propiedades del material y geométricas, así como las asignaciones de RE/ tra ¼ tanh doce y treinta y cinco RE/ re 26 Þ
K
carga en el FEM también se llevan a cabo automáticamente. Opcionalmente se ejecuta
entonces un infinito solucionador elemento lineal o geométricamente no lineal de PLS-torre para
analizar el diseño y para obtener la fuerza y ​deformación respuestas de la torre en los casos de PAG ¼ u exp RE/ tra re 27 Þ
carga aplicadas. do) se calcula con la ecuación. (20) . KT re k Þ

En las ecuaciones. (25) - (27) , u is a correction factor introduced to ensure that the operational
average acceptance probability follows the theoretical acceptance probability in a numerical
implementation of the algorithm; P ð k 1 Þ

t
and P ð k p1 Þ are the theoretical
and practical (operational) average acceptance probabilities at the ( k 1)-th cooling cycle,
respectively; D/ tra is the transformed value of D/ value using a sigmoid function, T ð k Þ is the
temperature at k- th cooling cycle, and finally K is the a parameter called Boltzmann value, which
Paso 3. La generación de diseños de candidatos: Una serie de diseños candidatos se generan
is manipulated as the working average of D/ tra values, i.e. K ¼ ð D/ tra Þ a v e. The rationale and
en el entorno del diseño actual. Esto se realiza como sigue: (i) se selecciona una variable de
further details of the formulations given in Eqs. (25)–(27) can be found in Hasançebi et al. [34] ,
diseño, (ii) se da la variable seleccionada una pequeña perturbación en una prede fi barrio Ned
and will not be repeated here for the sake of brevity.
(Eq. (22) ), Y (iii) finalmente, un diseño candidato se genera al asumir el valor de la variable
perturbada, manteniendo todos los demás igual que en el diseño actual. De ello se desprende
que un diseño candidata difiere de la actual en términos de una sola variable de diseño. Es
importante tener en cuenta que cada variable de diseño se selecciona sólo una vez en un orden
aleatorio para originar un diseño candidato. Por lo tanto, el número total de diseños candidatos
Step 5. Iterations of a cooling cycle: A single iteration of a cooling cycle is referred to the case
generados en una única iteración de un ciclo de enfriamiento es igual al número total de
where all design variables are selected once and perturbed to generate candidate designs.
variables de diseño, es decir, norte metro þ norte s.
Generally, a cooling cycle is iterated a certain number of times in the same manner to ensure
that objective function is reduced to a reasonably low value associated with the temperature of
the cooling cycle. Having selected the iterations of the starting and final cooling cycles ( i s and i f ), the
iteration of a cooling cycle ( i c) is determined by a linear interpolation between i s and i f as follows:

X0k¼ Xkþ zk re 22 Þ

En la Ec. (22) , X k denota un tamaño seleccionado ( UN yo) o el diseño ( S j) variable, z k es la cantidad

de perturbación aplicada a la variable seleccionada, y X 0 k se refiere al valor perturbado de la
variable. Para cada variable dimensionar el z k se ajusta a un valor entero elegido al azar dentro
de un prede fi barrio Ned [ norte w 1; norte w 1], la cual se define en este estudio de la siguiente
manera: i c ¼ int ð i f þ ð i f is Þ T Tf ð 28 Þ
Tf Ts

pag ffiffiffiffiffiffiffiffiffi
Þ In this study, the iterations of the starting and final cooling cycles were all taken as 1. This was
norte w 1 ¼ En t re norte segundo re 23 Þ performed for the sake of reducing the computation time. It was also found that the final design
after optimization was not affected significantly by the number of iterations of cooling cycles.
Para cada variable de diseño del z k se establece en un valor real elegido al azar dentro de un
prede fi nida barrio [ norte w 2; norte w 2], la cual se define en este estudio de la siguiente manera:

S bajo Step 6. Reducing temperature: When the iterations of a cooling cycle are completed, the
norte w 2 ¼ S upp re 24 Þ
10 temperature is reduced by the ratio of the cooling factor g, and the temperature of the next
cooling cycle is set.
En las ecuaciones. (23) y (24) , norte segundo denota el número de secciones de acero en discreta
per fi l de base de datos, S bajo y S upp representar la prede fi nida límites inferior y superior para
una variable de diseño. Cabe señalar que la constante 10 en el denominador de la ecuación. (24)
Tðkþ1Þ¼ TðkÞg ð 29 Þ

determina el ancho de barrio para las variables de diseño, y se ha elegido sobre la base de los Step 7. Termination criterion: The steps 3–6 are repeated until the whole cooling cycles are
análisis de sensibilidad. implemented.

Etapa 4. La evaluación de un candidato y el diseño de pruebas Metropolis: Cada vez que un
diseño candidato se genera, su función objetivo (/ un) se calcula según la ecuación. (20) y está
previsto que competir con la función objetivo del diseño actual (/ do). Si el candidato ofrece una
mejor solución (es decir, RE/ ¼ / a / c 6 0), se acepta de forma automática y reemplaza el diseño
actual. De lo contrario, la llamada prueba de Metropolis se recurre para determinar el ganador,
en el que la probabilidad de aceptación PAG de un diseño pobre candidato se le asigna el uso de
las ecuaciones. (25) - (27) . prueba Metropolis está fi nalizado mediante la generación de un
número aleatorio r entre 0 y 1, tal que si ( r 6 PAG), el candidato es aceptado y que sustituye
3.2. Two-phase simulated annealing
A standard design procedure of transmission line towers requires that each particular tower is
designed with different combinations of body and leg extensions. The various body extensions of a
tower are required to increase its height and thus to obtain the required minimum ground clearance as
well as clearances for road or river crossings. On the other hand, leg extensions are used to spot the
tower on the land according to various geographic and surface conditions along the line. Therefore,
during the design process of a particular tower type, a family of finite element (FE)
 C. Tort et al. / Computers and Structures 179 (2017) 75–94 81

models is generated corresponding to different combinations of body and leg extensions of the tower.
The cross-arms as well as tower body that invariably present in every combination are referred to as
basic-body, which is jointly shared by all tower family. Different body and leg extensions are added to
the basic body of the tower to generate the family. The member groups in the basic body are grouped
and designed together according to the maximum forces and strength utilization values across the
tower family. On the other hand, the members that belong to a particular combination of body and leg
extension, should be grouped internally and sized independently during the design process. To this
end, a practical design application of a transmission line tower involves sizing of a high number of
member groups, and requires concurrent analyses of finite element models of the entire tower family.
tower through the annealing algorithm described above often requires a very long computation time
and effort, which makes it impractical to be used in a typical design office.
Hence, a two-phase simulated annealing method was proposed in this study as an exclusive
method for finding the optimum design of steel lattice towers more rapidly with an annealing
algorithm. In the first phase of this method, only the layout parameters are optimized by the annealing
algorithmwhile the steel members are sized with a fully stressed design based heuristic approach.
The objective of the first phase is to improve the initial design rapidly in relatively less number of
iterations (cooling cycles). In the second phase, the best design obtained in the prior phase is utilized
as the initial design, and the annealing algorithm is implemented anew for both layout and size
variables together under a new set of annealing parameters over a much reduced number of cooling
cycles. The basic computational steps of the two-phase SA algorithm are summarized below and are
also presented in the flowchart shown in Fig. 3 .

On the other hand, simulated annealing is a non-deterministic search technique, and it partially
works on the basis of randomized search of the design space, like every other meta-heuristic
approach. A size and layout optimum design of a transmission line

Fig. 3. Flowchart of the two-phase simulated annealing algorithm.

82 C. Tort et al. / Computers and Structures 179 (2017) 75–94

Phase 1: In Eq. (30) , A i and A i; mod refer to current and modified value of a size variable for a
member or member group, respectively, and the s s is the amount of increment (or step
Step1. Initialization and setting of a cooling schedule: The parameters are initialized and a rapid size) in the value of the size variable.
cooling schedule is generated in which the number of cooling cycles N c can be set to 30.
e. Repeat steps b through d until all members or member groups satisfy design limit state
Step2. Generation of an initial design: An initial design is created in a usual manner by assigning constraints or all member groups are set to the largest section in the profile database.
random values to all design variables within the ranges of their predefined limits, and its modified
objective function is calculated using Eq. (20) .

Step3. Creating and resizing of candidate designs: A candidate design is then generated by It is worthwhile to mention that the second termination criterion might happen if a candidate
perturbing a layout variable in the current design and resizing all the members deterministically design has a very distorted tower geometry at a time, in which case the design limit states may not be
based on a fully stressed based heuristic approach under the new geometry of the truss using satisfied even if all members are set to the largest section in the profile database. It should also be
the following iterative algorithm. noted that the maximum number of iterations performed in resizing algorithm is equal to

a. Initially assign all the members to the smallest section in the profile database by setting all
the sizing variables to 1,
i.e. A i ¼ 1; i ¼ 1; . . . ; N m. It should be noted once again that the size variables are denoted
with the index numbers of the assigned steel sections in the profile database.
b. Analyze the candidate design using PLS-TOWER solver.
c. Check design limit states only (not geometric constraints) for the tower and identify
member or member groups which violate design limit state constrains.
ð N sec 1 Þ= s s, where N sec is the number of steel sections in the profile database. Accordingly, iteration
number and execution time of the resizing algorithm are controlled by the step size parameter. A very
low value of step size increases accuracy of the resizing algorithm, yet may adversely affect overall
execution time of the algorithm, if the discrete profile database includes a high number of steel
sections. In this study the s s is set to a value of 5 for a profile list consisting of around one hundred
steel sections. This way it is ensured that resizing algorithm will be completed in a maximum of 20
iterations.

d. For member or member groups that violate design limit state constraints, adopt a larger
cross-section from the profile list by incrementing their size variables all at once, and
keep the others unchanged using Eq. (30) . Step 4. Evaluating the candidate design and Metropolis test: The created and resized candidate
design in Step 3 is compared with the current design. If the candidate provides a better solution, it
replaces the current design, otherwise the winner is determined in the Metropolis test using Eqs. (25)–(27)
if violated
A i; mod ¼ A i þ s s ð 30 Þ .
Ai otherwise

PLS-Tower

Initial Model
Generation

PLS-Tower

User Interface

Optimization Candidate Model

Algorithm Generation

PLS-Tower

Convergence
Evaluation
Test

Metropolis
Test

Fig. 4. Integration of the PLS-TOWER and SA optimization algorithms.

 C. Tort et al. / Computers and Structures 179 (2017) 75–94
Step 5. Iterations of a cooling cycle: A single iteration of a cooling cycle is completed when all the
layout variables are selected once in a randomorder to generate candidate designs. The cooling
cycle may be iterated a number of times according to Eq. (28) .
Step 6. Reducing temperature: The temperature is reduced as per Eq. (29) .
Step 7. Termination criterion: The steps 3–6 are repeated until the whole cooling cycles are
implemented.
Phase 2:
In the second phase of the proposed approach, the annealing algorithm described in Section 3.1 is
mainly implemented for both size and layout design variables together. However, instead of initiating
the algorithm from a randomly generated design, the best design obtained in phase 1 is utilized as the
initial design of the second phase. Accordingly, the search is initiated from a very promising design
point unlike before, and the need for an exhaustive cooling schedule is not required any more. Hence,
a mild (rapid) cooling schedule is chosen that employs the algorithm over a reduced number of
cooling cycles with a new set of annealing parameters. It was shown in the numerical examples that
the second phase produced comparable solutions to those of the original SA algorithm, although the
former employs a rapid cooling schedule and thus requires much less computation time.
Fig. 5. The user interface in the integrated optimization software to select the initial PLS-TOWER model and angle profile database file.
83
4. Integration of PLS-TOWER and SA optimization algorithms
The lattice steel towers resist the applied loading acting as truss structures. Therefore, they are
modeled and analyzed as space trusses, in which the members are assumed to carry primarily axial
compression or tension forces. The structural analysis of a tower is usually performed using finite
element method, in which the tower geometry is discretized into a certain number of elements
(members) and nodes (joints). Today, various finite element (FE) computer programs and software
package are used by the designers working in the industry to analyze towers under ultimate design
loads. The PLS-TOWER (developed by Power Line Systems, Inc.) is the most well-known and
recognized software by the private corporations as well as state authorities [35] . This software has
been automated to conduct geometrically linear and nonlinear analysis of lattice steel towers and also
to perform strength checks according to the available design specifications around the world.
The simulated annealing based algorithms developed for optimum size and layout design of steel
lattice transmission line towers were integrated with PLS-TOWER software to offer practicing
engineers a useful tool, which gives them ability to utilize full design and analyses features of
PLS-TOWER during automated optimum design process as well as to pre- and post-process tower
models using its graphical user interface. Fig. 4 illustrates the
84 C. Tort et al. / Computers and Structures 179 (2017) 75–94

Fig. 6. Schematic of the 397-member, 220 kV suspension tower (all units are in mm).
 C. Tort et al. / Computers and Structures 179 (2017) 75–94 85

Table 1
Optimized weight and computing time of 397-member, 220 kV suspension tower in each run of the SA algorithm.

Run# Optimized weight (kg) Time (min) Mean Standard deviation

Weight (kg) Time (min) Weight (kg) Time (min)

Run1 4778.4 569 4754 549 89 30

Run2 4649.4 565
Run3 4672.2 574
Run4 4824.6 527
Run5 4845.0 507

Table 2
Optimized weight and computing time of 397-member, 220 kV suspension tower in each run of the two-phase SA algorithm.

Run# Weight (kg) Time (min) Mean Standard deviation

Phase 1 Phase 2 Phase 1 Phase 2 Overall time Weight (kg) Overall time (min) Weight (kg) Overall time (min)

Run1 5335.7 4695.5 21 153 174 4701 177 26 5

Run2 5322.2 4673.5 21 150 171
Run3 5354.1 4742.3 21 160 181
Run4 5333.8 4704.3 21 158 179
Run5 5357.8 4688.3 21 160 181

integration of PLS-TOWER with the optimization algorithms discussed in the preceding section.
Prior to initiation of an optimum design process with the integrated optimization software, an
initial model of the tower with an arbitrary geometry (panel widths) must be formed by the user in
PLS-TOWER. Due to electrical clearances between conductors and steel members, the tower
structures are usually developed with a complex 3D geometry. The PLS-TOWER offers unique
symmetry features for joint and elements to facilitate a rapid formation of the finite element mesh for
the tower. Two types of joints are introduced as either primary or secondary. The primary joints are
directly defined with their locations in 3D Cartesian coordinate system. The secondary joints, on the
other hand, are specified according to their relative positions with respect to two primary joints. The
tower members are generated in the model likewise by specifying their end joints and symmetry
conditions. The member properties are assigned next such that for each member the designer defines
eccentricity code, restraint code, unbraced length ratios, connected leg(s) of the member, etc. This is
followed by member grouping in which the individual members are grouped together to have the
same angle section due to symmetry, practicality and/or fabrication requirements. For instance, the
designer is often required to use the identical angle sections for a number of panels in the leg
although the stress levels are lesser in the upper panels. Although it is heavier, the use of identical
sections eliminates the need for the splices, which may result in more economical and also
convenient designs for manufacturing and erection viewpoints. Once the member groups are
introduced, the group properties are specified by indicating material type, group type, element type,
etc. for each group. The material type contains information regarding the material properties of steel
grades which the group members are manufactured from. The group type indicates structural
functions of members in the group, such as leg, redundant, other, etc. On the other hand, element
type describes the type of finite element used to model the members in a group, such as beam, truss,
etc. Ideally, all members in a tower should be modeled as truss elements in a 3-D truss model, where
the joints are idealized as moment-free pins. However, this often gives rise to planar joints and
mechanisms at the intersection of members that all lie in one-plane. To surmount this problem, the
PLS-TOWER offers the use of beam elements with rotational stiffness at the ends. It is a customary
practice to model the leg members and struts hav-
ing intermediate joints between their ends as beam elements, while diagonals and single struts are
modeled as truss elements.
Once the initial model of the tower is generated in PLS-TOWER, the integrated optimization
software can be executed. The user interface shown in Fig. 5 appears on screen and asks the user to
select the initial PLS-TOWER model and angle profile database file. Then, the initial PLS-TOWER
input file is searched for primary joints and member group types. This information is reflected in the
user interface and listed in two selection windows, as depicted in Fig. 5 . The user selects the primary
joints and member group types to be optimized from these windows. In addition, the upper and lower
limits of the primary joint coordinates are also specified in the user-interface. Throughout the
optimization, the primary joint coordinates are not allowed to breach these limits.
At each cooling cycle of the optimization algorithm, a number of candidate designs are generated
by perturbing design variables in the current solution, as explained in detail in the preceding section.
Whenever a candidate design is produced, the design variables pertaining to this solution are stored
in a vector consisting of primary joint coordinates and index numbers of the angle sections in the
profile database selected for member groups. First, the design variables are converted into string
format compatible with PLS-TOWER. Then, a model-generation module developed in this study
scans through the data structure of initial PLS-TOWER input file, and it creates a new input file with
modified design information, where the primary joint coordinates and selected sections of the member
groups are revised according to the candidate design.
In the evaluation stage of this solution, PLS-TOWER software is called to run the generated input
file of the candidate design on the command line. The results of the analyses include joint
displacements and member forces under each load case as well as design checks according to a
chosen code of design practice, such as ASCE 10-97 [19] , and they are written into a text file by
PLS-TOWER. In this text file, a summary of the analyses and design checks are also reported briefly
in so-called group summary tables which display the details of member and connection designs only
for the most critical member of each group under tension and compression cases separately. The
most critical member corresponds to the one that has the largest compression or tension capacity
usage amongst all the members in the group considering all the load cases. The displayed
information for a critical member of each
86 C. Tort et al. / Computers and Structures 179 (2017) 75–94

group consists of assigned angle type (single angle, double angle, etc.), assigned angle size, Table 3
Comparison of the SA optimized designs of the 397-member, 220 kV suspension tower with its existing design.
maximum calculated force in the member, member’s load capacity, maximum capacity usage,
unbraced length ratios of the member in various axes and their allowable values, number of bolts,
hole diameters, connection shear and bearing capacities, etc. The evaluation module developed in Design Existing tower SA algorithm Two-phase SA
variables algorithm
this study is automated to retrieve the required values and design checks for each member group
from the group summary tables. In addition, the final weight of the resulting tower corresponding to Size variables (member groups) G 1
L120 120 12 L130 130 10 L110 110 12
the candidate design is directly extracted from the result file, and the modified (unconstrained)
G2 L120 120 12 L130 130 10 L110 110 11
objective function value of the candidate design is calculated using Eqs. (3)–(20) . In this way the
G3 L120 120 10 L120 120 10 L110 110 10
integrated optimization software incessantly enables transfer of the data between the PLS-TOWER G4 L120 120 10 L120 120 8 L110 110 8
and optimization algorithmuntil all the cooling cycles are completed. G5 L100 100 10 L110 110 8 L100 100 8
G6 L100 100 8 L100 100 6 L90 90 8
G7 L75 75 6 L75 75 5 L70 70 6
G8 L65 65 6 L50 50 4 L50 50 4
G9 L65 65 6 L45 45 4 L45 45 4
G 10 L60 60 5 L55 55 4 L55 55 4
G 11 L60 60 5 L55 55 4 L55 55 4
G 12 L60 60 5 L55 55 4 L55 55 4
G 13 L75 75 5 L60 60 4 L60 60 4
5. Test problems and optimization results G 14 L65 65 5 L60 60 4 L60 60 4
G 15 L75 75 5 L60 60 4 L60 60 4
G 16 L65 65 5 L60 60 4 L55 55 4
The numerical efficiency of the annealing algorithms discussed in Section 3 was investigated for
G 17 L60 60 5 L55 55 4 L55 55 4
three case studies chosen from real-world applications. The case studies referred to a 220 kV
G 18 L60 60 5 L55 55 4 L55 55 4
suspension tower, a 110 kV tension tower, and finally a 400 kV suspension tower. In an overhead G 19 L65 65 5 L55 55 4 L55 55 4
transmission line, suspension towers are mainly designed to carry conductors through suspension G 20 L65 65 5 L60 60 4 L55 55 4
G 21 L65 65 5 L55 55 4 L55 55 4
insulators, whereas tension towers serve to deviate the line route and also prevent mass collapse of
G 22 L60 60 5 L55 55 4 L55 55 4
the suspension towers. The design loads acting on the towers consisted of dead loads of tower, wires
G 23 L65 65 5 L55 55 4 L55 55 4
(conductors and ground wires) and permanently attached equipment; ice loads on the tower, wires G 24 L65 65 5 L60 60 4 L55 55 4
and equipment; wind loads on tower, wires and equipment; loads from wires’ tensile forces; erection G 25 L50 50 4 L50 50 4 L50 50 4

and maintenance loads; unbalanced loads; and finally failure loads, such as broken wire conditions. In G 26 L60 60 5 L55 55 4 L55 55 4
G 27 L60 60 5 L55 55 4 L55 55 4
conformity with the original designs of the towers, these loads were calculated and assembled in
G 28 L45 45 4 L45 45 4 L45 45 4
separate load combinations as per international loading standards, including IEC 60826 [37] and EN
G 29 L50 50 4 L45 45 4 L45 45 4
50341 [38] . The wind loads on wires were transmitted to the tower from conductors at the end of the G 30 L45 45 4 L45 45 4 L45 45 4
cross-arms and from ground wires at the top of the peak. On the other, the wind load acting on the G 31 L120 120 8 L45 45 4 L45 45 4
G 32 L65 65 6 L65 65 5 L65 65 4
tower itself should be calculated anew and online for each candidate design sampled in the course of
G 33 L65 65 6 L55 55 4 L60 60 4
optimization since each candidate design has a different wind area based on cross-sections assigned
G 34 L60 60 4 L55 55 4 L55 55 4
to member groups in a candidate design. G 35 L45 45 4 L45 45 4 L45 45 4
G 36 L65 65 5 L55 55 4 L55 55 4
G 37 L65 65 5 L55 55 4 L55 55 4
G 38 L65 65 5 L55 55 4 L55 55 4
G 39 L50 50 4 L45 45 4 L45 45 4
G 40 L60 60 5 L55 55 4 L55 55 4
G 41 L60 60 4 L60 60 4 L60 60 4
G 42 L50 50 4 L45 45 4 L45 45 4
G 43 L45 45 4 L45 45 4 L45 45 4
G 44 L45 45 4 L45 45 4 L45 45 4
G 45 L75 75 5 L45 45 4 L45 45 4
In each case study considered here, both the annealing algorithm (SA) and its two phase variant G 46 L70 70 5 L45 45 4 L45 45 4
(two-phase SA) developed in this paper were employed together to minimize the weight of a lattice G 47 L60 60 6 L60 60 4 L60 60 4

tower using three layout variables and a selected number of sizing variables (member groups) in line G 48 L50 50 4 L45 45 4 L45 45 4
G 49 L60 60 6 L65 65 4 L65 65 4
with the practical design of such structures. The steel sections used for member groups were selected
G 50 L50 50 4 L45 45 4 L45 45 4
from European angle profile database and the design checks were performed as per ASCE 10-97 [19]
G 51 L70 70 5 L45 45 4 L45 45 4
specification. The choice of control parameters in SA algorithm was carried out in line with the G 52 L70 70 5 L45 45 4 L45 45 4
recommendations in Hasançebi et al. G 53 L70 70 5 L45 45 4 L45 45 4
G 54 L100 100 6 L60 60 4 L60 60 4
G 55 L60 60 4 L45 45 4 L45 45 4
G 56 L50 50 4 L45 45 4 L45 45 4
G 57 L60 60 6 L60 60 4 L60 60 4

[34] , as follows: P s ¼ 0:50, P f ¼ 10 3, N c ¼ 300. This led to the following cooling schedule parameters G 58 L45 45 4 L45 45 4 L45 45 4

from Eq. (21) : T s = 1.4427, Layout variables (m) x 1 = y 1

T f = 0.0620 and g = 0.9928. On the other hand, extensive numerical experimentations were carried out 1.50 1.24 1.37
x2= y2 1.10 1.00 1.05
with the two-phase SA to obtain the optimal parameter settings of this algorithm, which would enable
x3= y3 1.10 1.00 1.04
it to converge to a reliable solution in a relatively short time. Accordingly, the optimal settings of the
Weight (kg) 6346.1 4649.4 4673.5
control parameters were set as follows: P s ¼ 0:50, P f ¼ 10 3, N c ¼ 30 for phase 1, and P s ¼ 0:25, P f ¼ 10
4, N c ¼ 100 for phase 2.

of the towers achieved as well as total computing time required by the entire optimization process. It
In each case study, a total of five independent runs were carried out with both SA and two-phase is important to emphasize that all design considerations, such as profile dataset, geometry
SA algorithms each, considering the stochastic nature of the technique. The performances of the two requirements and loading were kept exactly identical to the design process of the towers in industry
SA variants were evaluated in terms of the optimized weights practice. Hence, the optimized
 C. Tort et al. / Computers and Structures 179 (2017) 75–94 87

Fig. 7. Schematic of the 438-member, 110 kV tension tower (all units are in mm).

designs of the towers were also compared with the results of conventional design process in order to
quantify material saving achieved in the optimization process. In order to achieve an unbiased
comparison for execution time of the algorithms, all the optimization runs were carried out with a
personal computer having Intel Core i7-4720HQ 2.60 GHz 6 MB L3 processor.
5.1. 397-member, 220 kV suspension tower
The first design example is a 220 kV suspension tower ( Fig. 6 )
made up of 397 members. It is a 31.5-m high, double circuit tower having lattice-mast type geometry
with two earth-wire peaks to carry the earthening and optical communication wires. The tower
88 C. Tort et al. / Computers and Structures 179 (2017) 75–94

Table 4
Optimized weight and computing time of 438-member, 110 kV tension tower in each run of the SA algorithm.

Run# Optimized weight (kg) Time (min) Mean Standard deviation

Weight (kg) Time (min) Weight (kg) Time (min)

Run1 12044.8 845 12,193 843 280 26

Run2 12149.0 814
Run3 12399.1 885
Run4 12537.2 838
Run5 11835.1 834

Table 5
Optimized weight and computing time of 438-member, 110 kV tension tower in each run of the two-phase SA algorithm.

Run# Weight (kg) Time (min) Mean Standard deviation

Phase 1 Phase 2 Phase 1 Phase 2 Overall time Weight (kg) Overall time (min) Weight (kg) Overall time (min)

Run1 14507.5 12916.7 38 275 313 12,120 319 458 13

Run2 14456.9 11801.3 37 304 341
Run3 14504.6 11827.1 42 270 312
Run4 15015.1 12055.1 37 273 310
Run5 14361.1 11999.5 38 281 319

was initially intended to be designed as a tubular tower due to landing obstructions, but later was
converted into lattice mast type due to economical considerations. While modeling the tower in
PLS-TOWER, three primary joints were considered and the 397 members of the tower were grouped
into 58 sizing variables (member groups).
The tower was subjected to a total number of 11 load combinations, and the member groups
were sized according to ASCE 10-97
[19] specification. The wind loading on the tower were considered as per ‘‘SAPS”, which is a wind
load calculation procedure ignoring the shielding effect of members on each other [35] . The steel
sections assigned to member groups were selected from a profile database consisting of 73
European angle profiles. The thickness and size limitations imposed in the original design of the tower
were also observed here to perform an unbiased comparison with the industry practice. Accordingly,
the minimum thicknesses of the steel sections assigned to member groups were selected as 6 mm for
leg members and 4 mm for other members. The minimum sections assigned to member groups were
not allowed to be lighter than L65 65 6 for leg members and L45 45 4 for other members. No
redundant member was utilized for this tower. All members were selected to be A572-50 steel grade.
The tower was designed using both the SA and two-phase SA algorithms by performing five
independent runs each by randomizing the initial geometry of the tower. Tables 1 and 2 display the
results of the runs in terms of the optimized weight of the tower and computing time in each run of the
SA and two-phase SA algorithms, respectively. It can be seen from Table 1 that the SA algorithm
produced optimized weights for the tower between 4649.4 and 4845.0 kg with a mean of 4754 kg and
a standard deviation of 89 kg. The total computing time of the SA algorithm for this example was 549
min on average with a standard deviation of 30 min. As far it concerns the two-phase SA algorithm, Table
2
times faster. In Table 3 , the original design of the tower in conventional industry practice is compared
with the optimized designs found by the two SA variants in their best runs in terms of primary joints
(layout variables), section designations assigned to each member group and overall design weights.
Considering the fact that the existing tower designed by senior engineers had a design weight of 6346
kg, the optimized designs of the tower with the SA and two-phase SA algorithms resulted in 26.7%
and 26.4% weight reductions, respectively compared to its original design.
5.2. 438-member, 110 kV tension tower
The second design example is a 43.9-m high 110 kV tension tower consisting of 438 members. It
is a single circuit tower having a pine-tree type geometry, as shown in Fig. 7 . The electrical phases
are held by the three cross-arms in vertical configuration, whereas a single ground wire is placed at
the top of the tower. The tower was modeled in PLS-TOWER such that it had three primary joints to
optimize and 64 member groups, and a total number of 49 load combinations were considered. The
steel sections assigned to member groups were selected from a profile database consisting of 67
European angle profiles in conformity with the original design of the tower in industry practice. Only
the steel sections heavier than L50 50 5 were used while sizing the member groups. In addition, the
minimum thicknesses of the steel sections assigned to member groups were enforced to be 6 mm for
leg members and 5 mm for other members. The steel material quality was assigned as S355 for all
member groups. The configuration of the redundant members as well as their section assignments
were carried out the same way as in the original tower design. The wind load applied on the tower
structure was calculated per IEC 60826

shows that in the first phase the tower weight was quickly reduced to a value between 5322.2 and
5357.8 kg in 21 min of computing time. The second phase implemented thereafter yielded optimized
design weights of the tower between 4673.5 and 4742.3 kg with a mean of 4701 kg and a standard
deviation of 26 kg. The overall (phase 1 + phase 2) computing time of the two-phase SA algorithm for
this example was 177 min on average with a standard deviation of 5 min. For this example, the
average performance of two-phase SA algorithm was slightly better than that of the SA algorithm,
even though the former located the optimum approximately three
[37] and the member groups were sized according to ASCE 10-97
[19] specification.
Again this tower was designed using both SA and two-phase SA algorithms by performing five
independent runs each. The results were reproduced in Tables 4 and 5 in terms of the optimized
weight of the tower and computing time in each run of the SA and two-phase SA algorithms,
respectively. It can be observed from
Table 4 that the SA algorithm has yielded optimized weights for the tower between 11835.1 and
12537.2 kg with a mean of 12193 kg and a standard deviation of 280 kg. The total computing time of
the SA algorithm for this example was 843 min on average with a standard deviation of 26 min. As far
it concerns the two-
 C. Tort et al. / Computers and Structures 179 (2017) 75–94 89

phase SA algorithm, Table 5 shows that in the first phase the tower weight was quickly reduced to a Table 6
Comparison of the SA optimized designs of the 438-member, 110 kV tension tower with its existing design.
value between 14361.1 and
15015.1 kg in 37–42 min of computing time. The second phase implemented thereafter resulted in
optimized design weights of the tower between 11801.3 and 12916.7 kg with a mean of Design Existing tower SA algorithm Two-phase SA
variables algorithm

12,120 kg and a standard deviation of 458 kg. The overall (phase 1 + phase 2) computing time of the Size variables (member groups) G 1
L150 150 12 L150 150 12 L150 150 12
two-phase SA algorithm for this example was 319 min on average with a standard deviation of 13
G2 L150 150 12 L140 140 12 L140 140 12
min. Again, for this example the two-phase SA algorithm exhibited a slightly better performance than
G3 L150 150 12 L140 140 12 L140 140 12
the SA algorithmon average with a significant reduction in computation time. In Table 6 , the original G4 L150 150 12 L140 140 12 L140 140 12
design of the tower in conventional industry practice is compared with the optimized designs found by G5 L150 150 12 L140 140 12 L140 140 12

the two SA variants in their best runs. Considering the fact that the weight of the existing tower was G6 L150 150 12 L140 140 12 L140 140 12
G7 L150 150 12 L140 140 12 L140 140 12
13,207 kg, the optimized designs of the tower with SA and two-phase SA algorithms resulted in
G8 L130 130 10 L110 110 10 L100 100 12
10.4% and 10.6% weight reductions, respectively compared to its original design.
G9 L130 130 10 L100 100 8 L100 100 8
G 10 L130 130 10 L100 100 7 L100 100 6
G 11 L80 80 6 L75 75 6 L75 75 6
G 12 L100 100 6 L100 100 6 L100 100 6
G 13 L80 80 6 L80 80 6 L80 80 6
G 14 L70 70 5 L50 50 5 L50 50 5
G 15 L60 60 5 L50 50 5 L50 50 5
G 16 L65 65 5 L50 50 5 L50 50 5
5.3. 693-member, 400 kV suspension tower G 17 L90 90 6 L80 80 6 L80 80 6
G 18 L90 90 6 L90 90 6 L90 90 6
G 19 L65 65 5 L60 60 5 L60 60 5
The last design example is a 80.4-m high, 400 kV suspension tower consisting of 693 members.
G 20 L80 80 6 L70 70 5 L70 70 5
The tower was designed to carry double circuits and has a pine-tree type geometry with two earthwire
G 21 L80 80 6 L75 75 5 L75 75 5
peaks, as shown in Fig. 8 . Similar to the first and second design examples, three primary joints were G 22 L80 80 6 L70 70 5 L70 70 5

defined to modify geometry of the tower for layout optimization, and the 693 members were grouped G 23 L80 80 6 L70 70 5 L70 70 5
G 24 L70 70 5 L60 60 5 L60 60 5
into 96 sizing variables (member groups). A total number of 44 load combinations were considered in
G 25 L70 70 5 L60 60 5 L70 70 5
accordance with EN 50341 [38] , and the member groups were sized according to ASCE 10-97 [19] specification.
G 26 L80 80 6 L75 75 8 L75 75 6
The steel sections assigned to member groups were selected from a profile database incorporating G 27 L70 70 5 L65 65 7 L65 65 5
72 European angle profiles. The minimum thicknesses of the steel sections assigned to member G 28 L60 60 5 L55 55 5 L50 50 6

groups were determined as 6 mm for leg members and 5 mm for other members. Additionally, the G 29 L60 60 5 L55 55 5 L55 55 5
G 30 L80 80 6 L65 65 5 L60 60 5
minimum sections assigned to member groups were not allowed to be lighter than L60 60 6 for leg
G 31 L60 60 5 L60 60 5 L55 55 5
members and L45 45 5 for other members. The steel material quality was assigned as S355 for all
G 32 L60 60 5 L60 60 5 L60 60 5
members. The configuration of the redundant members as well as their section assignments were G 33 L60 60 5 L55 55 5 L55 55 6
carried out the same way as in the original tower design. G 34 L80 80 6 L60 60 5 L55 55 5
G 35 L60 60 5 L50 50 5 L50 50 5
G 36 L50 50 5 L50 50 5 L50 50 5
G 37 L50 50 5 L50 50 5 L50 50 5
G 38 L50 50 5 L50 50 5 L50 50 5
G 39 L50 50 5 L50 50 5 L50 50 5
G 40 L50 50 5 L50 50 5 L50 50 5
G 41 L50 50 5 L50 50 5 L50 50 5
G 42 L50 50 5 L50 50 5 L50 50 5
G 43 L90 90 6 L90 90 6 L90 90 6
The tower was designed using both the SA and two-phase SA algorithms by performing five G 44 L80 80 6 L75 75 6 L75 75 6
independent runs each. The results of the runs were displayed in Tables 7 and 8 in terms of the G 45 L50 50 5 L50 50 5 L50 50 5
G 46 L50 50 5 L50 50 5 L50 50 5
optimized weight of the tower and computing time in each run of the SA and two-phase SA
G 47 L50 50 5 L50 50 5 L50 50 5
algorithms, respectively. It can be seen from Table 7 that the SA algorithm produced optimized
G 48 L50 50 5 L50 50 5 L50 50 5
weights for the tower between 30030.2 and 30701.4 kg with a mean of G 49 L50 50 5 L50 50 5 L50 50 5
G 50 L50 50 5 L50 50 5 L50 50 5
G 51 L50 50 5 L50 50 5 L50 50 5
G 52 L50 50 5 L50 50 5 L50 50 5
30,306 kg and a standard deviation of 276 kg. The total computing time of the SA algorithm for this
G 53 L50 50 5 L50 50 5 L50 50 5
example was 1678 min on average with a standard deviation of 39 min. As far it concerns the
G 54 L50 50 5 L50 50 5 L50 50 5
twophase SA algorithm, Table 8 shows that in the first phase the tower weight was quickly reduced to G 55 L50 50 5 L50 50 5 L50 50 5
a value between 37842.8 and G 56 L50 50 5 L50 50 5 L50 50 5
G 57 L50 50 5 L50 50 5 L50 50 5
G 58 L50 50 5 L50 50 5 L50 50 6
38411.8 kg in 58–59 min of computing time. The second phase implemented thereafter yielded
G 59 L50 50 5 L50 50 5 L50 50 5
optimized design weights of the tower between 30245.2 and 30646.8 kg with a mean of 30,381 kg G 60 L70 70 5 L50 50 5 L50 50 5
and a standard deviation of 185 kg. The overall (phase 1 + phase G 61 L50 50 5 L50 50 5 L50 50 6
G 62 L60 60 5 L50 50 5 L50 50 5
G 63 L70 70 5 L50 50 5 L50 50 5
2) computing time of the two-phase SA algorithm for this example was 609 min on average with a
G 64 L60 60 5 L60 60 5 L60 60 5
standard deviation of 7 min. It should be noted that unlike the first two test problems, in which
Layout variables (m) x 1 = y 1
two-phase SA algorithm was superior over standard SA in terms of the mean design weight, the latter
4.54 4.25 4.25
exhibited a slightly better performance than the former in this test example. It seems that performing
x2= y2 0.80 0.81 0.80
accelerated cooling cycles in larger design spaces x3= y3 0.80 0.70 0.75

Weight (kg) 13207.1 11835.1 11801.3

90 C. Tort et al. / Computers and Structures 179 (2017) 75–94

Fig. 8. Schematic of the 693-member, 400 kV suspension tower (all units are in mm).

reduces the search capability of the SA engine as the number of optimization variables increases. by perturbing design variables one at a time usually decreases as we perform less cooling cycles. In
This might be due to the fact that the fraction of design space explored in the optimization process summary, it becomes more difficult to reconstruct the optimal sequence of design variable
 C. Tort et al. / Computers and Structures 179 (2017) 75–94 91

Table 7
Optimized weight and computing time of 693-member, 400 kV suspension tower in each run of the SA algorithm.

Run# Optimized weight (kg) Time (min) Mean Standard deviation

Weight (kg) Time (min) Weight (kg) Time (min)

Run1 30436.6 1739 30,306 1678 276 39

Run2 30030.2 1657
Run3 30074.2 1652
Run4 30288.8 1648
Run5 30701.4 1692

Table 8
Optimized weight and computing time of 693-member, 400 kV suspension tower in each run of the two-phase SA algorithm.

Run# Weight (kg) Time (min) Mean Standard deviation

Phase 1 Phase 2 Phase 1 Phase 2 Overall time Weight (kg) Overall time (min) Weight (kg) Overall time (min)

Run1 38367.4 30257.5 59 545 604 30,381 609 185 7

Run2 37947.4 30646.8 59 553 612
Run3 38015.2 30250.1 59 542 601
Run4 37842.8 30503.0 58 551 609
Run5 38411.8 30245.2 58 560 618

Table 9
Comparison of the SA optimized designs of the 693-member, 400 kV suspension tower with its existing design.

Design variables Existing tower SA algorithm Two-phase SA algorithm

Size variables (member groups) G 1

L160 160 18 L160 160 15 L160 160 15
G2 L160 160 16 L160 160 15 L160 160 15
G3 L150 150 16 L160 160 15 L160 160 15
G4 L150 150 15 L150 150 14 L140 140 15
G5 L140 140 14 L150 150 14 L140 140 15
G6 L140 140 14 L150 150 14 L140 140 15
G7 L130 130 12 L140 140 12 L130 130 12
G8 L130 130 12 L120 120 12 L130 130 10
G9 L110 110 8 L120 120 8 L120 120 8
G 10 L100 100 6 L100 100 7 L100 100 7
G 11 L100 100 6 L100 100 6 L100 100 6
G 12 L100 100 10 L130 130 10 L130 130 10
G 13 L60 60 5 L50 50 5 L50 50 5
G 14 L90 90 6 L90 90 6 L90 90 6
G 15 L100 100 6 L70 70 5 L70 70 5
G 16 L130 130 8 L130 130 8 L130 130 10
G 17 L120 120 8 L110 110 8 L110 110 8
G 18 L80 80 6 L70 70 5 L70 70 5
G 19 L100 100 8 L100 100 6 L100 100 6
G 20 L120 120 10 L110 110 8 L110 110 8
G 21 L90 90 6 L55 55 5 L55 55 5
G 22 L100 100 6 L100 100 7 L100 100 7
G 23 L90 90 7 L100 100 6 L90 90 6
G 24 L70 70 5 L60 60 5 L60 60 5
G 25 L80 80 6 L75 75 6 L75 75 6
G 26 L100 100 7 L100 100 6 L100 100 6
G 27 L100 100 7 L100 100 6 L100 100 6
G 28 L100 100 6 L90 90 6 L90 90 6
G 29 L100 100 6 L90 90 6 L90 90 6
G 30 L90 90 6 L80 80 6 L100 100 7
G 31 L90 90 6 L80 80 6 L90 90 6
G 32 L75 75 6 L75 75 6 L75 75 5
G 33 L70 70 5 L70 70 5 L65 65 5
G 34 L70 70 5 L65 65 5 L65 65 5
G 35 L65 65 5 L65 65 5 L65 65 5
G 36 L70 70 5 L70 70 5 L70 70 5
G 37 L65 65 5 L55 55 5 L55 55 5
G 38 L75 75 6 L75 75 6 L75 75 6
G 39 L60 60 6 L45 45 5 L45 45 5
G 40 L45 45 5 L50 50 5 L45 45 5
G 41 L45 45 5 L45 45 5 L45 45 5
G 42 L45 45 5 L45 45 5 L45 45 5
G 43 L45 45 5 L45 45 5 L45 45 5
G 44 L45 45 5 L45 45 5 L45 45 5
G 45 L45 45 5 L45 45 5 L45 45 5
G 46 L60 60 6 L60 60 5 L60 60 5

( continued on next page)

92 C. Tort et al. / Computers and Structures 179 (2017) 75–94

Table 9 ( continued)

Design variables Existing tower SA algorithm Two-phase SA algorithm

G 47 L60 60 6 L55 55 5 L55 55 5

G 48 L60 60 5 L50 50 5 L50 50 5
G 49 L45 45 5 L45 45 5 L45 45 5
G 50 L45 45 5 L45 45 5 L45 45 5
G 51 L45 45 5 L45 45 5 L45 45 5
G 52 L45 45 5 L45 45 5 L45 45 5
G 53 L70 70 5 L60 60 5 L60 60 5
G 54 L75 75 5 L70 70 5 L70 70 5
G 55 L90 90 6 L80 80 6 L80 80 6
G 56 L90 90 6 L80 80 6 L80 80 6
G 57 L90 90 6 L60 60 5 L65 65 5
G 58 L80 80 6 L70 70 5 L70 70 5
G 59 L60 60 5 L45 45 5 L45 45 5
G 60 L55 55 5 L50 50 5 L50 50 5
G 61 L50 50 5 L45 45 5 L45 45 5
G 62 L50 50 5 L45 45 5 L45 45 5
G 63 L45 45 5 L45 45 5 L45 45 5
G 64 L45 45 5 L45 45 5 L45 45 5
G 65 L45 45 5 L45 45 5 L45 45 5
G 66 L55 55 5 L50 50 5 L50 50 5
G 67 L50 50 5 L45 45 5 L45 45 5
G 68 L50 50 5 L45 45 5 L45 45 5
G 69 L45 45 5 L45 45 5 L45 45 5
G 70 L45 45 5 L45 45 5 L45 45 5
G 71 L45 45 5 L45 45 5 L45 45 5
G 72 L60 60 5 L45 45 5 L45 45 5
G 73 L55 55 5 L50 50 5 L50 50 5
G 74 L50 50 5 L45 45 5 L45 45 5
G 75 L50 50 5 L45 45 5 L45 45 5
G 76 L45 45 5 L45 45 5 L45 45 5
G 77 L45 45 5 L45 45 5 L45 45 5
G 78 L45 45 5 L45 45 5 L45 45 5
G 79 L60 60 5 L50 50 5 L50 50 5
G 80 L60 60 5 L45 45 5 L45 45 5
G 81 L55 55 5 L50 50 5 L50 50 5
G 82 L50 50 5 L45 45 5 L45 45 5
G 83 L50 50 5 L45 45 5 L45 45 5
G 84 L45 45 5 L45 45 5 L45 45 5
G 85 L45 45 5 L45 45 5 L45 45 5
G 86 L45 45 5 L45 45 5 L45 45 5
G 87 L80 80 6 L80 80 6 L80 80 6
G 88 L65 65 5 L65 65 5 L65 65 5
G 89 L50 50 5 L45 45 5 L45 45 5
G 90 L55 55 5 L50 50 5 L50 50 5
G 91 L45 45 5 L45 45 5 L45 45 5
G 92 L55 55 5 L50 50 5 L50 50 5
G 93 L55 55 5 L45 45 5 L45 45 5
G 94 L50 50 5 L45 45 5 L45 45 5
G 95 L45 45 5 L45 45 5 L45 45 5
G 96 L60 60 5 L55 55 5 L55 55 5

Layout variables (m) x 1 = y 1

7.93 7.00 7.02
x2= y2 1.25 1.00 1.04
x3= y3 1.25 1.00 1.00

Weight (kg) 33561.6 30030.2 30245.2

perturbations which leads to find the global optimum. In Table 9 , the original design of the tower in
conventional industry practice is compared with the optimized designs found by the two SA variants in
their best runs. Considering the fact that the weight of the existing tower was 33,562 kg, the optimized
designs of the tower with the SA and two-phase SA algorithms resulted in 10.5% and
tional SA and the two-phase SA algorithms were initiated from the currently available structural
configuration resulting from conventional design process. The five independent runs performed with
both SA and two-phase algorithms under this situation have indicated that the performances of both
algorithms have been improved significantly. More specifically, the SA algorithm produced optimized
weights for the tower between 28530.4 and

9.9% weight reductions, respectively compared to its original design.

In an effort to improve search characteristics of the annealing algorithm, two search strategies
were also tested in this example. In the first strategy, the two-phase SA algorithmwas initiated from
the optimized design (i.e. 30030.2 kg) found by the conventional SA algorithm. Five independent runs
were performed, and in none of these runs this initial design could be improved with the twophase SA
algorithm. In a second strategy, however, the conven-
28926.7 kg with a mean of 28,726 kg and a standard deviation of 167 kg. The total computing time of
the SA algorithm was 1654 min on average with a standard deviation of 5 min. On the other hand, a
range of optimum design weights between 29414.1 and 29479.4 kg was produced to this tower with
the two-phase SA algorithm with a mean of 29,447 kg and a standard deviation of 30 kg. The total
computing time of the SA algorithm was 548 min on average with a standard deviation of 2 min.
Therefore,
 C. Tort et al. / Computers and Structures 179 (2017) 75–94 93

Table 10 Table 10 ( continued)

The optimized designs of the 693-member, 400 kV suspension tower when initiated from currently available structural
configuration. Design variables SA algorithm Two-phase SA algorithm

G 75 L45 45 5 L45 45 5
Design variables SA algorithm Two-phase SA algorithm
G 76 L45 45 5 L45 45 5
Size variables (member groups) G 1 G 77 L45 45 5 L45 45 5
L150 150 16 L150 150 16 G 78 L45 45 5 L45 45 5
G2 L150 150 15 L150 150 16 G 79 L50 50 5 L50 50 5
G3 L150 150 15 L150 150 15 G 80 L45 45 5 L45 45 5
G4 L140 140 15 L140 140 15 G 81 L50 50 5 L50 50 5
G5 L140 140 13 L140 140 15 G 82 L45 45 5 L45 45 5
G6 L140 140 13 L140 140 15 G 83 L45 45 5 L45 45 5
G7 L130 130 12 L140 140 13 G 84 L45 45 5 L45 45 5
G8 L120 120 10 L110 110 12 G 85 L45 45 5 L45 45 5
G9 L110 110 8 L110 110 10 G 86 L45 45 5 L45 45 5
G 10 L100 100 7 L100 100 7 G 87 L80 80 6 L80 80 6
G 11 L90 90 6 L90 90 7 G 88 L65 65 5 L65 65 5
G 12 L130 130 8 L130 130 10 G 89 L45 45 5 L45 45 5
G 13 L50 50 5 L50 50 5 G 90 L50 50 5 L50 50 5
G 14 L90 90 6 L90 90 6 G 91 L45 45 5 L45 45 5
G 15 L70 70 5 L70 70 5 G 92 L50 50 5 L50 50 5
G 16 L130 130 8 L130 130 8 G 93 L45 45 5 L45 45 5
G 17 L110 110 8 L110 110 8 G 94 L45 45 5 L45 45 5
G 18 L75 75 5 L70 70 5 G 95 L45 45 5 L45 45 5
G 19 L100 100 6 L100 100 6 G 96 L55 55 5 L55 55 5
G 20 L110 110 8 L110 110 8
Layout variables (m) x 1 = y 1
G 21 L55 55 5 L55 55 5
7.09 7.00
G 22 L100 100 6 L100 100 6
x2= y2 1.04 1.00
G 23 L90 90 6 L90 90 6
x3= y3 1.00 1.00
G 24 L60 60 5 L60 60 5
G 25 L75 75 5 L75 75 5 Weight (kg) 28530.4 29414.1
G 26 L90 90 6 L90 90 6
G 27 L90 90 6 L90 90 6
G 28 L80 80 6 L90 90 6 initiation of the algorithms from a good design, rather than a randomly generated one, seems to
G 29 L75 75 8 L80 80 7
enhance their performances. The optimized designs of the tower found by two SA variants when the
G 30 L75 75 6 L75 75 5
G 31 L90 90 6 L75 75 5
algorithms were initiated from a good design point (i.e. currently available structural configuration

G 32 L75 75 5 L75 75 5 resulting from conventional design process) are reported in Table 10 .
G 33 L65 65 5 L65 65 5
G 34 L65 65 5 L60 60 5
G 35 L60 60 5 L60 60 5
G 36 L65 65 5 L65 65 5
G 37 L60 60 5 L55 55 5 6. Conclusion
G 38 L75 75 6 L75 75 6
G 39 L45 45 5 L45 45 5
Optimization of steel transmission line towers is particularly important in the sense that these
G 40 L45 45 5 L50 50 5
G 41 L45 45 5 L45 45 5 structures are designed once as either suspension or tension towers in several different types for
G 42 L45 45 5 L45 45 5 each line, yet multitudes of them are erected along transmission lines extending to several hundreds
G 43 L45 45 5 L45 45 5 of kilometers. Accordingly, even a small percentage of weight reduction that can be achieved in the
G 44 L45 45 5 L45 45 5
design of a single tower may add up to hundreds or thousands of tons of steel material when the
G 45 L45 45 5 L45 45 5
entire transmission line is considered.
G 46 L60 60 5 L60 60 5
G 47 L55 55 5 L55 55 5
G 48 L50 50 5 L50 50 5
G 49 L45 45 5 L45 45 5
G 50 L45 45 5 L45 45 5
Apart from developing a practical optimization tool that can be used in industry practice for
G 51 L45 45 5 L45 45 5
G 52 L45 45 5 L45 45 5 optimum design of steel lattice transmission line towers, this study aimed to demonstrate a practical
G 53 L60 60 5 L55 55 5 application of structural optimization in industry practice. A typical annealing algorithm was first
G 54 L70 70 5 L70 70 5 integrated with commercial PLS-TOWER software to develop the optimization tool, which was
G 55 L80 80 6 L80 80 6
automated to optimize steel lattice towers for minimum weight according to ASCE 10-97 [19] design
G 56 L80 80 6 L80 80 6
specification using both size and layout design variables. However, simulated annealing is a
G 57 L65 65 5 L60 60 5
G 58 L70 70 5 L70 70 5 non-deterministic search technique, which partially works on the basis of randomized search of the
G 59 L45 45 5 L50 50 5 design space, and thus requires a very long computation time to locate the optimum. Therefore, a
G 60 L50 50 5 L50 50 5
two-phase SA approach was proposed in this study as an exclusive method for acquiring optimum
G 61 L45 45 5 L45 45 5
design of steel lattice towers more rapidly with an annealing algorithm in this tool. In the first phase of
G 62 L45 45 5 L45 45 5
G 63 L45 45 5 L45 45 5 this method, only the layout parameters are optimized by annealing algorithm while the steel
G 64 L45 45 5 L45 45 5 members are sized with a fully stressed design based heuristic approach. In the second phase, the
G 65 L45 45 5 L45 45 5 best design obtained in the prior phase is utilized as the initial design, and the annealing algorithm is
G 66 L50 50 5 L50 50 5
G 67 L45 45 5 L45 45 5
G 68 L45 45 5 L45 45 5
G 69 L45 45 5 L45 45 5
G 70 L45 45 5 L45 45 5
G 71 L45 45 5 L45 45 5
G 72 L45 45 5 L45 45 5
G 73 L50 50 5 L50 50 5
G 74 L45 45 5 L45 45 5
94 C. Tort et al. / Computers and Structures 179 (2017) 75–94
implemented anew for both layout and size variables together under a new set of annealing
parameters over a much reduced number of cooling cycles.
The efficiency of the two SA variants was compared by optimizing three real-world structures. In
each case study, either a suspension or tension type transmission line tower was optimized by
performing five independent runs with the SA and two-phase SA algorithms each, considering the
stochastic nature of the technique. All design considerations, such as profile dataset, geometry
requirements and loading were kept exactly identical to the design process of the towers in industry
practice. Results were reported in
Tables 1, 2, 4, 5, 7 and 8 in terms of the optimized weights of the towers and computing time required
by each run. The results indicate that the two-phase SA algorithm produces slightly better or
comparable solutions to those of the SA algorithm even though the former takes much less time to
converge to the optimum solution. The optimized design weights of the towers were also compared
with the results of conventional design process in Tables 3, 6 and 9 in order to quantify material
saving achieved through optimization. The results indicate that optimum design process leads to
weight reduction in the range of 10–26% as compared to industry practice.
Acknowledgements
This research has been funded by the Scientific Research Council of Turkey (TUBITAK
Research Grant No: TEYDEB 3110254), which is gratefully acknowledged.
References
[1] Kiessling F, Nefzger P, Nolasco JF, Kaintzyk U. Overhead power lines: planning,
design, construction. New York: Springer; 2003 .
[2] Mitra G, Wolfenden K. A computer technique for optimizing the sites and
heights of transmission line towers - a dynamic programming approach. Comput J 1968;10(4):347–51 .
[3] Sheppard DJ, Palmer AC. Optimal design of transmission towers by dynamic
programming. Comput Struct 1972;2(4):445–68 .
[4] Natarajan K, Santhakumar AR. Reliability-based optimization of transmission
line towers. Comput Struct 1995;55(3):387–403 .
[5] Rao GV. Optimum design for transmission line towers. Comput Struct 1995;57
(1):81–92 .
[6] Taniwaki K, Ohkubo S. Optimal synthesis method for transmission tower truss
structures subjected to static and seismic loads. Struct Multidiscip Optim 2004;26(6):441–54 .
[7] Guo HY, Li ZL. Structural topology optimization of high-voltage transmission
tower with discrete variables. Struct Multidiscip Optim 2011;43(6):851–61 .
[8] Chunming W, Tingting S, Bin M, Jing G. Research on the optimal layout of high-
strength steel in the transmission tower. Phys Procedia 2012;33:619–25 .
[9] Belegundu AD, Arora JS. A study of mathematical programming methods for
structural optimization part 1: theory. Int J Numer Meth Eng 1985;21 (9):1583–99 .
[10] Belegundu AD, Arora JS. A study of mathematical programming methods for
structural optimization part II: numerical results. Int J Numer Meth Eng 1985;21(9):1601–23 .
[11] Saka MP. Optimum design of steel frames using stochastic search techniques
based on natural phenomena: a review. In: Topping EB, editor. Civil
engineering computations: tools and techniques. Stirlingshire, UK: SaxeCoburg Publications; 2007. p. 105–47 .
[12] Saka MP, Dogan E. Recent developments in metaheuristic algorithms: a
review. Comput Technol Rev 2012;5(4):31–78 .
[13] Saka MP, Geem ZW. Mathematical and metaheuristic applications in design
optimization of steel frame structures: an extensive review. Math Probl Eng 2013:1–33 .
[14] Saka MP. Shape and topology optimization design of skeletal structures using
metaheuristic algorithms: a review. Comput Technol Rev 2014;9:31–68 .
[15] Lamberti L, Pappalettere C. Metaheuristic design optimization of skeletal
structures: a review. Comput Technol Rev 2011;4(1):1–32 .
[16] Kaveh A, Ghazaan MI. Optimum design of large-scale truss towers using
cascade optimization. Acta Mech 2016;227(9):2645–56 .
[17] Kaveh A, Bolandgerami A. Optimal design of large scale space steel frames
using cascade enhanced colliding body optimization. Struct Multidiscip Optim
2016. doi: http://dx.doi.org/10.1007/s00158-016-1494- [published online]. [18] Flager F, Soremekun G, Adya A,
Shea K, Haymaker J, Ficher M. Fully constrained
design: a general and scalable method for discrete member sizing optimization of steel truss structures.
Comput Struct 2014;140:55–65 .
[19] American Society of Civil Engineers (ASCE10-97). Design of latticed steel
transmission structures; 2000. [20] Kirkpatrick S, Gelatt CD, Vecchi MP. Optimization by simulated annealing.
Science 1983;220(4598):671–80 .
[21] Cerny V. Thermodynamical approach to the traveling salesman problem: an
efficient simulation algorithm. J Optim Theory Appl 1985;45(1):41–51 .
[22] Bennage WA, Dhingra AK. Single and multiobjective structural optimization in
discrete-continuous variables using simulated annealing. Int J Numer Meth Eng 1995;38(16):2753–73 .
[23] Shim PY, Manoochehri S. Generating optimal configurations in structural
design using simulated annealing. Int J Numer Meth Eng 1997;40(6):1053–69 .
[24] Ceranic B, Fryer C, Baines RW. An application of simulated annealing to the
optimum design of reinforced concrete retaining structures. Comput Struct 2001;79(17):1569–81 .
[25] Hasançebi O, Erbatur F. Layout optimisation of trusses using simulated
annealing. Adv Eng Softw 2002;33(7–10):681–96 .
[26] Degertekin SO. A comparison of simulated annealing and genetic algorithm for
optimum design of nonlinear steel space frames. Struct Multidiscip Optim 2007;34(4):347–59 .
[27] Garcia-Lopez NP, Sanchez-Silva M, Medaglia AL, Chateauneuf A. A hybrid
topology optimization methodology combining simulated annealing and SIMP. Comput Struct
2011;89(15–16):1512–22 .
[28] Marti JV, Gonzalez-Vidosa F, Yepes V, Alcala J. Design of prestressed concrete
precast road bridges with hybrid simulated annealing. Eng Struct 2013;2013 (48):342–52 .
[29] Moh JS, Chiang DY. Improved simulated annealing search for structural
optimization. AIAA J 2000;38(10):1965–73 .
[30] Chen TY, Su JJ. Efficiency improvement of simulated annealing in optimal
structural designs. Adv Eng Softw 2002;33(7–10):675–80 .
[31] Genovese K, Lamberti L, Pappalettere C. Improved global–local simulated
annealing formulation for solving non-smooth engineering optimization problems. Int J Solids Struct
2005;42(1):203–37 .
[32] Lamberti L, Pappalettere C. Weight optimization of skeletal structures with
multi-point simulated annealing. Comput Model Eng Sci 2007;18(3):183–222 .
[33] Lamberti L. An efficient simulated annealing algorithm for design optimization
of truss structures. Comput Struct 2008;86(19–20):1936–53 .
[34] Hasançebi O, Çarbas S, Saka MP. Improving the performance of simulated annealing in structural optimization.
Struct Multidiscip Optim 2010;41 (2):189–203 .
[35] PLS-TOWER manual: analysis and design of steel latticed towers used in
transmission and communication facilities. Power Line Systems, Inc.; 2015 .
[36] Ahrari A, Deb K. An improved fully stressed design evolution strategy for
layout optimization of truss structures. Comput Struct 2016;164:127–44 .
[37] International Electrotechnical Commission (IEC) 60826. Loading and strength
of overhead transmission lines. 3rd ed. Geneva; 2003. [38] European Norm (EN) 50341. Overhead electrical
lines exceeding AC. Brussels;
2012.