Menegozzo Sperotto, MarcoGonzáles July, Patrick J.2025-07-142025-07-142025-07-08https://hdl.handle.net/20.500.11801/7394This thesis investigates the use of machine learning techniques to approximate high-dimensional response surfaces for multi-objective optimization in structural design. The study focuses on reducing computational cost by leveraging surrogate models to predict energy absorption under multiple loading conditions based on geometric parameters. The methodology combines Random Forest regression for force-displacement curve prediction, Gaussian Process Regression (GPR) for surface approximation, and NSGA-II for multi-objective optimization. Each configuration is evaluated across three independent load cases, axial and two lateral directions, and structural mass, forming a ten-dimensional space for design exploration. Results demonstrate that surrogate models can approximate energy response surfaces with high accuracy, enabling efficient optimization without additional simulations. The framework effectively identifies trade-offs between energy absorption and material efficiency, offering a scalable tool for real world engineering applications.Esta tesis investiga el uso de técnicas de aprendizaje automático para aproximar superficies de respuesta en espacios de alta dimensión, aplicadas a la optimización multiobjetivo en diseño estructural. El estudio se enfoca en reducir el costo computacional mediante el uso de modelos sustitutos que predicen la absorción de energía bajo múltiples condiciones de carga, a partir de parámetros geométricos. La metodología combina regresión mediante Bosques Aleatorios para la predicción de curvas fuerza-desplazamiento, Regresión por Procesos Gaussianos (GPR) para la aproximación de superficies, y el algoritmo NSGA-II para la optimización multiobjetivo. Cada configuración es evaluada en tres casos de carga independientes, en dirección axial y dos laterales, y también se considera la masa estructural, conformando un espacio de diseño de diez dimensiones. Los resultados demuestran que los modelos sustitutos pueden aproximar con alta precisión las superficies de respuesta de energía, permitiendo una optimización eficiente sin requerir simulaciones adicionales. El marco propuesto identifica de manera efectiva los compromisos entre absorción de energía y eficiencia material, ofreciendo una herramienta escalable para aplicaciones de ingeniería en el mundo real.en-USAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/multi-objective optimizationsurrogate modelingGaussian Process RegressionRandom Foreststructural designGaussian processesDecision treesMathematical optimizationEnergy harvestingThesis(c) 2025 Patrick J. Gonzáles July