מבוא ל Machine Learning in Structural Engineering

השילוב של למידת מכונה להנדסת מבנים הוא שינוי יסודי כיצד עיצובים מושגיים מפותחים.באופן מסורתי, מהנדסים נשענים על כללים היררניים, ניסיון העבר, חישובים ידניים הרהרטיביים להציע מערכות מבניות.בעוד יעיל, גישה זו מגבילה לעתים קרובות את חקרו של מערכת מבוזרת מוכרת. Machine Learning מרחיבה את המרחב העיצוב על ידי כך שמאפשרת גילוי נתונים של פתרונות חדשים, עלות בנייה, קיימות, וקיימות, יכולות לזהות אלגוריתמים של תהליכים מבניים, מודלים של תהליכים, מודלים של תהליכים אנושיים, וגרסאות תכנון, וצורות חשיבה, וצורות חשיבה, יכולות לזהות, וצורות חשיבה, וצורות חשיבה בסיסיות של תהליכים של תהליכים של חשיבה, וצורות חשיבה, וצורות חשיבה, אשר יכולות לזהות, וגרסאות תכנון, צורות חשיבה בסיסיות של חשיבה, חשיבה, חשיבה מתקדמות, ואפקטיביות של חשיבה, יכולות לזהות, מודלים של חשיבה מבניות של חשיבה, ואפקטיות, ואפקטיביות של תהליכים של תהליכים של תהליכים של חשיבה, חשיבה, וגרסאות עיצוביים, יכולות לזהות, מודלים של חשיבה מבניות, מודלים של חשיבה מבניות של חשיבה, מודלים של חשיבה, וצורות חשיבה, וצורות חשיבה, וצורות חשיבה, וצורות חשיבה, יכולות לזהות, כלומר, מודלים של חשיבה, מודלים

תפקידה של Machine Learning בעיצוב קונספטואלי

כיצד Machine Learning Differs משיטות מסורתיות

עיצוב קונספט מסורתי בדרך כלל עוקב אחר גישה למעלה: מהנדס מגדיר טופולוגיה המבוססת על כללים של אצבע, ואז מחדד אותו באמצעות ניתוח ואופטימיזציה. Machine Learning reverses את ההיגיון הזה במקום להתחיל עם צורה מוגדרת מראש, אלגוריתמים לומדים ממסד נתונים של עיצובים קיימים ומדדי הביצועים שלהם.שימוש בלמידה מבוקרת, מודל יכול לחזות התנהגות מבנית תחת עומסים שונים.

מפתח אלגוריתמים וטכניקות

כמה משפחות למידת מכונה רלוונטיות במיוחד לתכנון מבני:

  • (FLT:0)Neural Networks (NNs): להעמיק את 1 (רשתות עצביות עמוקות) קרוב ליחסים מורכבים בין הפרמטרים עיצוביים (ספא, כוח חומרי, גודל חבר) ופלטי ביצועים (מתח, עקירה, תדירות טבעית) הם משמשים כמודלים חלופיים להעריך במהירות מיליוני מועמדים עיצוב מבלי להפעיל ניתוח סופי מלא בכל פעם.
  • (FLT:0)Genetic Algorithms (GAs): ⁇ FLT:1 טכניקות חיפוש אבולוציוניות אלה מטפלות בפרמטרים עיצוביים כמו גנים ושימוש בבחירת, מעבר, ומוטציות כדי לפתח אוכלוסיות של עיצובים לקראת כושר אופטימלי (למשל, משקל מינימלי, נוקשות מקסימלית). GAs יעילים עבור משימות אופטימיזציה דיסקרטיות כגון בחירת סעיפים או s לתנצלויות.
  • Reinforcement Learning (RL): ההרחבה 1 ב-RL, סוכן לומד לקבל החלטות ⁇ - כלומר, להוסיף, להסיר או לחדש חברים מבניים - כדי למקסם את הפרס המצטבר. RL הראה הבטחה ביצירת מערכות ניהול כוח מאוחר יותר, אשר עומדות במגבלות עם מינימום פלדה כדי ליצור.
  • (FLT:0) עו"ד גריידיאל רשתות (gans:FLT) 1 GANs מורכב משתי רשתות עצביות - גנרטור שיוצר תמונות עיצוב ומפלי-הפלה המערכת את המציאות שלהם.הם יכולים לייצר פריסות מושגיות סבירות (למשל, רשתות עמודות, מיקום קיר של שיר) בתנאי מגבלות האתר והדרישות האדריכליות.

אלגוריתמים אלה משולבים לעתים קרובות.לדוגמה, רשת עצבית פונדקאית יכולה להאיץ את הערכות הכושר בתוך אלגוריתם גנטי, המאפשר חקר חלל עיצוב בקנה מידה גדול שהיה בעבר אסרטיבי.

היתרונות של Machine Learning בעיצוב קונספטואלי

אימוץ למידת מכונה עבור עיצוב קונספטואלי מניב מספר יתרונות קונקרטיים:

  • (FLT:0Speed ו- Throughput: 1) מודל חלופי מאומן יכול להעריך עיצוב מועמד ב- מילימטרים, בהשוואה ל דקות או שעות עבור סימולציה של אלמנט סופי מלא.זה האצה מאפשר למהנדסים לחקור מאות אלפי חלופות בזמן שנדרש פעם לנתח קומץ.
  • (FLT:0) אופטימיזציה ההוליסטית: FLT:1 מכונות מודלים יכולים לשקול במקביל מטרות מרובות סותרות - משקל מינימלי, נוקשות מקסימלית, זמן בנייה נמוך יותר מגלם פחמן, קצר יותר - לייצר חזית של פתרונות עיצובים מסחר.
  • (FLT:0) חדשנות וחידוש: FLT:1 כי למידת מכונה אינה מוגבלת על ידי הטיה אנושית כלפי צורות מוכרות, היא יכולה להציע ג'ממטות לא קונבנציונליות, כגון מעוקל, מתפתל, או צורות מטופמות טופולוגיה לשימוש בחומר רק היכן שנדרש.
  • (FLT:0) ,Adaptability to Constraints:cioFLT:1 צנרת למידת מכונות יכול לשלב מגבלות ספציפיות לאתר (למשל, אזור סיסמי, עומסי רוח, תנאי קרקע, מעטפה ארכיטקטונית) כתכונות קלט, להתאים באופן אוטומטי עיצובים לתנאים מקומיים.
  • (FLT:0) גילוי שגיאות מוקדם: FLT:1 על ידי למידה מהנתונים ההיסטוריים של כשל, מודלים חזטיביים יכולים לסמן עיצובים מושגיים כי הם עלולים לסבול מהתמוטטות לא פרופורציונלית, רטט מופרז, או מצבי כישלונות מתפתלים, המאפשרים למהנדסים להפנות מאמצים לפני עיצוב מפורט מתחיל.

תהליך תכנון

יצירת עיצובים מושגיים אופטימליים עם למידת מכונה בדרך כלל עוקב אחר צינור מובנה. בעוד כלים ואלגוריתמים משתנים, זרימת העבודה הבסיסית מורכבת מחמישה שלבים:

1. איסוף נתונים ותיקון

האיכות של כל מודל למידת מכונה תלויה בנתונים שהיא מאומנת על.עבור עיצוב מבני, מסדי נתונים של הפרויקט ההיסטוריים, בעיות דידומות, ונתונים סינתטיים שנוצרו ממודלים של אלמנט סופיים הם מקורות משותפים. נקודות נתונים כוללים בדרך כלל פרמטרים עיצוב (ספציפיות, גדלים המפרץ, גדלים חברים, ציונים חומריים), מדדי ביצועים (הדה, לחצים, תקופות טבעיות, התמוטטות), תכונות קונטקסטואליות (אזור מתאים, יש להימנע ממגוון נתונים) כדי למנוע מגבלות רחבות (טווח) ואקלים) כדי למנוע מגבלות לחץ).

2.הנדסה והייצוג

פרמטרים עיצוב Raw לעתים קרובות צריך עיבוד מוקדם כדי להיות שימושי עבור למידת מכונה. משתנים רציף (למשל, אורך טווח) עשוי להיות סטנדרטי, בעוד משתנים קטגוריים (למשל, סוג מערכת מבני) הם אחד-חם מוצפן. ייצוגים Graph פופולריים יותר ויותר עבור הדרים ומערכות, שבו נקודות קצה וקודמים encodes משותף וחברים, בהתאמה, מאפשר גרף עצבי ללמוד רשתות מקומיות כדי ליצור אינטראקציה ישירות מודלים של תכונות.

3.מודל אימון ואימות

ברגע ש-Dataset מוכן, מודלים מתאימים של למידת מכונה מאומן.עבור מודלים חלופיים, רשת עצבית עמוקה עם כמה שכבות מוסתרות מאומנת לחזות תשובות מבניות מפרמטרים עיצוביים.התמונים מחולקים לאימון, אימות וקבוצת בדיקה. עצירת מוקדם, ירידה, ועומס קבוע מונעים על פני התאמה.עבור עיצוב generative, gan או autoencoder וריאציות הוא מאומנים ללמוד את ההפצה של פתומים מבניים, במהלך טווח, לדוגמה, אשר קיים.

4.מחקר עיצוב ודור

עם מודל מאומן, מעצבים יכולים לבצע מחקר בקנה מידה גדול.גישה נפוצה אחת היא לטעום מיליוני וקטורים עיצוב מהחלל המלומד של המודל ולבחון אותם באמצעות עיצובים פונדקאית. Pareto-optimal נשמרים. לחלופין, אלגוריתם אופטימיזציה (למשל, אופטימיזציה Bayesian אופטימיזציה) יכול להשתמש בפונדקאית כדי להנחות את החיפוש לכיוון אזורים מבטיחים של חלל העיצוב.

הערכה וסירוב

העיצובים הממותגים של המכונה אינם סופיים – הם משמשים כנקודות התחלה למהנדסים מפורטים, מנהלים ניתוחי יסוד סופיים של מבחן זיהוי תחזיות חלופיות, הערכה של בנייה, ושילוב דרישות רגולטוריות. מועמדים יכולים לעבור חדד או לשמש כזרעים ראשוניים עבור אופטימיזציה גבוהה נאמנות.זה תהליך אנושי-ב-תועלת מבטיח כי יצירתיות מהאלגוריתם הוא משולב עם שיפוט מקצועי וניסיון מעשי.

יישומים אמיתיים ומקריות

עיצוב גשר וכושר אופטימיזציה

החוקרים ב-FLT:0.7 האגודה האמריקנית של מהנדסי מכונות FIRLT:1 , הראו רשת עצבית פונדקאית אופטימיזציה של גורדי הגשר.המודל הוכשר על אלפי פתרונות יסוד סופיים ויכולה לייצר התפלגות חומרים מטובים עבור גשרים ב-Sub-span בתוך שניות.העיצובים המתקבלים מופחתים עד 25% תוך שמירה על חוזק ומטרות קשיחות.

מבנה רעידת אדמה - Resistant Building

בעיצוב סיסמי, השגת התנהגות דוקטרטרית ללא נוקשות מוגזמת היא צוות מורכב מסחר- off.A צוות מ-FLT:0 אוניברסיטת קליפורניה, ברקלירמנטל 1 יישם חיזוק למידה כדי לעצב מסגרות קונקרטיות מחזקות.הסוכן למד להציב חיזוק מתמשך בדבורים ובעמודות כדי לעמוד במגבלות בין-היסטוריה תוך צמצום פלדה לגדילה.

מערכות של Lightweight Trus

אופטימיזציה של Trus היא ציון קלאסי עבור עיצוב ניו יורק.שימוש ברשת ניו יורקית מאומנים על הדרים אופטימליים אופטימיזציה טופולוגיה אופטימיזציה, מהנדסים ב FLT:0Autodesk ResearchFLT:1 קבוצה המיוצרת באופן אורגני הדרים לפשטים עבור גגות ארוכים.

מערכות מאוחרות יותר

עבור בניינים גבוהים, סידור קירות Shear, Outriggers, ו חגורת trusses הוא קריטי.מחקר שפורסם ב FLT:0Engineering StructuresFLT:1 השתמש ברשת עצבית עמוקה כדי לנבא ולהפיע רגעים עבור יותר מ -10,000 תצורה מערכתית מאוחר יותר.הפונדק שימש אז בתוך אלגוריתם גנטי למזער את העלות החומרית.

אתגרים ומגבלות

למרות ההבטחה, פריסת למידת מכונה עבור עיצוב מושגי אינה ללא מכשולים.יש לטפל בנושאים הבאים לפני אימוץ נרחב:

  • (FLT:0) איכות נתונים וזמינות: FLT:1 באיכות גבוהה, נתונים עיצוביים מבניים בעלי איכות גבוהה, הם בקושי חלק. פרויקטים רבים אינם משותפים באופן פומבי בשל חששות קנייניים, ואלה שיש לעתים קרובות חסר פורמט עקבי או ביצועים metadata. הדור Synthetic מסייע אך אינם יכולים ללכוד את כל מצבי הכשלים בעולם האמיתי או מגבלות בנייה.
  • (ב) ⁇ :0) מדל אינטר-הסתברות: (FLTRE:1) רשתות ניאל הן קופסאות שחורות - הן מספקות תחזיות מדויקות אך אינן מסבירות את ה-FLT:2 מדוע LT:3 עיצוב מסוים הוא אופטימלי.מהנדסים צריכים לסמוך על הצעות האלגוריתם, במיוחד עבור מערכות קריטיות בטיחות.
  • (FLT:0) חישובים: 10.10.03: אימוני רשתות עצביות עמוקות על נתונים גדולים דורשות GPUs ומחשוב ענן. בעוד הקצוב הוא מהיר, שלב האימונים יכול להיות יקר. חברות קטנות יותר עלולות להיות חסרות גישה לתשתיות כאלה, אם כי שירותים מבוססי ענן מורידים את המחסום.
  • (FLT:0) אינטגרציה עם זרימת עבודה קיימת: OVAFLT (:1 רוב המהנדסים מבניים משתמשים בתוכנה אלמנט סופי מיוחד (למשל, SAP2000, ETABS, ANSYS) ייבוא עיצובים ממותגים לפלטפורמות אלה ולהבטיח תאימות עם שגרה של בדיקת קוד נשאר נקודת חיכוך.
  • (FLT:0) הכללה ורובוסטנס: מודלים של LT:1 מודלים שהוכשרו על מתודולוגיה מבנית אחת (למשל, מסגרות פלדה) עשויים להופיע עניות על אחר (למשל, RC Shear קיר ליבות).

כיוונים עתידיים

תחום הלמידה של המכונה לתכנון קונספטואלי מתפתח במהירות.כמה מגמות מתעוררות מבטיחות להתגבר על המגבלות הנוכחיות:

  • (FLT:0) עיצוב גרפי עם הסברה: אדריכלות חדשה כגון מודלים של תוספי עצביים ורשתות צוואר בקבוקוני קונספט לאפשר למעצבים לראות אילו תכונות (למשל, עמודה ספיגה, עומק לספם יחס) להניע את הפלט.שקיפות זו בונה אמון ומסייעת למהנדסים לפרש מדוע עיצובים מסוימים מוצעים.
  • (FLT:0) תאומים ו- Lifecycle Feedback:FLT:1 כמו בניינים וגשרים הם כלי חיישנים, נתונים של ביצועים בעולם האמיתי ניתן להאכיל בחזרה למודלים למידה מכונה.
  • (FLT:0) Reinforcement Learning for Active Constraints:FLT) 1 מעבר למושגים סטטיים, סוכני ה-RL מאומנים במערכות עיצוב שיכולות להתאים לשינויים בעומסים (למשל, מבנים הניתנים להגדרה מחדש לאירועים זמניים) זה פותח אפשרויות חדשות עבור מערכות מבוזרות ותגובה.
  • (FLT:0) Multi-Fidelity Optimization: ההרחבה של מודלים פונדקיים זולים עם מדי פעם גורם סופי נאמנות גבוה ניתוחים מפחיתים את אי הוודאות ללא חישובים מיותרים.
  • (FLT:0) עיצוב בולט: FIRLT:1 מודלים של למידת מכונות אשר מאומן על בניית קודים וסטנדרטים יכול להבטיח באופן אוטומטי כי עיצובים יצרו לספק כוח, שירות, דרישות טיהור.עבודה מוקדמת עם עיבוד שפה טבעי של קוד מראה הבטחה.

מסקנה

למידת מכונה הופכת את שלב העיצוב המושגי בהנדסה מבנית מפעילות אינטנסיבית, ממוקדת ניסיון בתהליך מחקר מונע נתונים.על ידי מינוף רשתות עצביות, אלגוריתמים גנטיים, למידה חיזוק ורשתות ניווניות, מהנדסים יכולים לייצר במהירות, להעריך, ולחדד מערכות שמשיגות ביצועים גבוהים יותר בחוזק, עלות וקיימות.