Использование машинного обучения для создания оптимальных концептуальных проектов для структурных систем

Введение в машинное обучение в структурной инженерии

Интеграция машинного обучения в структурную инженерию знаменует фундаментальный сдвиг в том, как разрабатываются концептуальные проекты. Традиционно инженеры полагались на эвристические правила, прошлый опыт и итеративные ручные вычисления для предложения структурных систем. Хотя этот подход эффективен, он часто ограничивает исследование узким набором знакомых конфигураций. Машинное обучение расширяет пространство проектирования, позволяя на основе данных открывать новые решения, которые балансируют прочность, стоимость, осуществимость строительства и устойчивость. Современные алгоритмы могут обрабатывать огромные объемы структурных данных, выявлять скрытые шаблоны и генерировать альтернативы дизайна, которые могут упустить из виду дизайнеры-люди. В этой статье исследуется, как машинное обучение меняет ранний этап концептуального процесса проектирования для структурных систем, от мостов и высотных башен до устойчивых к землетрясениям рам и легких ферм.

Роль машинного обучения в концептуальном дизайне

Как машинное обучение отличается от традиционных методов

Традиционный концептуальный дизайн обычно следует подходу сверху вниз: инженер определяет топологию на основе эмпирических правил, а затем уточняет ее с помощью анализа и оптимизации. Машинное обучение меняет эту логику. Вместо того, чтобы начинать с заранее определенной формы, алгоритмы учатся из базы данных существующих конструкций и их показателей эффективности. Используя контролируемое обучение, модель может прогнозировать структурное поведение при различных нагрузках. Используя генеративное или подкрепление обучения, он может предлагать совершенно новые геометрии. Этот подход снизу вверх позволяет алгоритму обнаруживать неинтуитивные конфигурации, такие как органические ветвящиеся шаблоны для навесов стадиона или ферм с переменной глубиной, которые минимизируют материал при достижении целей отклонения.

Ключевые алгоритмы и методы

Несколько семейств машинного обучения особенно актуальны для структурного проектирования:

• Нейронные сети (NN): Глубокие нейронные сети приближенно представляют сложные отношения между параметрами проектирования (протяженность, прочность материала, размеры членов) и выходами производительности (стресс, смещение, естественная частота). Они используются в качестве суррогатных моделей для быстрой оценки миллионов кандидатов на проектирование без проведения полного анализа конечных элементов каждый раз.
• Генетические алгоритмы (GAs): Эти методы эволюционного поиска рассматривают параметры проектирования как гены и используют отбор, кроссовер и мутацию для развития популяций конструкций в направлении оптимальной пригодности (например, минимальный вес, максимальная жесткость).
• Обучение усилению (RL): В RL агент учится принимать последовательные решения — здесь, добавлять, удалять или изменять размер структурных элементов — чтобы максимизировать совокупное вознаграждение. RL показал перспективу в автономном создании боковых силорезистирующих систем, которые отвечают пределам дрейфа с минимальным тоннажем стали.
• Генеративные состязательные сети (GAN): GAN состоят из двух нейронных сетей — генератора, который создает дизайнерские изображения и дискриминатора, который оценивает их реализм. Они могут создавать правдоподобные концептуальные макеты (например, сетки колонок, расположения сдвига стен) с учетом ограничений сайта и архитектурных требований.

Например, суррогат нейронной сети может ускорить оценку пригодности внутри генетического алгоритма, что позволяет крупномасштабное проектирование космического исследования, которое ранее было вычислительно непомерно.

Преимущества машинного обучения в концептуальном дизайне

Принятие машинного обучения для концептуального проектирования дает несколько конкретных преимуществ:

• Скорость и пропускная способность: Обученная суррогатная модель может оценить проект кандидата в миллисекундах, по сравнению с минутами или часами для полного моделирования конечных элементов. Это ускорение позволяет инженерам исследовать сотни тысяч альтернатив за время, которое когда-то потребовалось для анализа горстки.
• Холистическая оптимизация: Модели машинного обучения могут одновременно учитывать несколько противоречивых целей — минимальный вес, максимальная жесткость, наименьший объем воплощенного углерода, наименьшее время строительства — и создавать передовые решения для компромиссов.
• Инновации и новизны:] Поскольку машинное обучение не ограничено человеческими предубеждениями в отношении знакомых форм, оно может предложить нетрадиционные геометрии, такие как изогнутые, разветвленные или оптимизированные по топологии формы, которые используют материал только там, где это необходимо. Эти конструкции часто достигают 20-30 % экономии материала по сравнению с обычными решениями.
• Приспособляемость к ограничениям: Трубопроводы машинного обучения могут включать в себя специфические ограничения для конкретного участка (например, сейсмическая зона, ветровые нагрузки, условия почвы, архитектурная оболочка) в качестве входных функций, автоматически адаптируя конструкции к местным условиям.
• Раннее обнаружение ошибок: На основе исторических данных о сбоях прогнозные модели могут отмечать концептуальные проекты, которые, вероятно, будут страдать от непропорционального коллапса, чрезмерной вибрации или хрупких режимов отказа, что позволяет инженерам перенаправлять усилия до начала детального проектирования.

Процесс генерации дизайна

Создание оптимальных концептуальных проектов с помощью машинного обучения обычно следует структурированному конвейеру. Хотя инструменты и алгоритмы различаются, основной рабочий процесс состоит из пяти этапов:

1. Сбор и обработка данных

Качество любой модели машинного обучения зависит от данных, на которых она обучена. Для структурного проектирования, баз данных исторических проектов, опубликованных контрольных задач и синтетических наборов данных, генерируемых из параметрических моделей конечных элементов, являются общими источниками. Точки данных обычно включают параметры проектирования (пролеты, размеры залива, размеры членов, классы материалов), показатели производительности (отклонения, стрессы, естественные периоды, факторы нагрузки на коллапс) и контекстуальные особенности (сейсмическая зона, тип заполняемости, архитектурные ограничения). Необходимо проявлять осторожность для обеспечения разнообразия данных - проекты должны охватывать широкий спектр типологий и условий нагрузки, чтобы избежать переобучения узким режимам.

2. Особенности инженерии и представления

Необработанные параметры проектирования часто нуждаются в предварительной обработке, чтобы быть полезными для машинного обучения. Непрерывные переменные (например, длина пролета) могут быть стандартизированы, в то время как категориальные переменные (например, тип структурной системы) являются одногорячими закодированными. Графические представления все более популярны для ферм и систем кадра, где узлы и края кодируют суставы и члены соответственно. Это позволяет нейронным сетям графов изучать локальные и глобальные закономерности в структурной связности. Выбор представления напрямую влияет на способность модели обобщать новые конфигурации.

3. Модульное обучение и валидация

После того, как набор данных готов, соответствующие модели машинного обучения обучаются. Для суррогатного моделирования обучается глубокая нейронная сеть с несколькими скрытыми слоями для прогнозирования структурных реакций от параметров проектирования. Набор данных разделен на наборы обучения, проверки и тестирования. Ранняя остановка, отсев и регуляризация предотвращают переобучение. Для генеративного проектирования GAN или вариационный автокодер обучаются для изучения распределения допустимых структурных геометрий. Во время обучения модель учится создавать макеты, которые удовлетворяют неявным ограничениям - например, что существует непрерывный путь нагрузки или что интервал между колонками находится в реалистичных диапазонах.

4.Разработка и генерация

С помощью обученной модели дизайнеры могут выполнять крупномасштабные исследования. Один общий подход заключается в выборке миллионов векторов проектирования из изученного скрытого пространства модели и оценке их с использованием суррогатного. Парето-оптимальные проекты сохраняются. Альтернативно, алгоритм оптимизации (например, байесовская оптимизация) может использовать суррогат для направления поиска в перспективные области проектного пространства. Результатом является набор перспективных концептуальных проектов, каждый из которых сопровождается прогнозируемыми показателями производительности и оценками неопределенности.

5. Оценка и уточнение

Машинные конструкции не являются окончательными - они служат отправными точками для детального проектирования. Инженеры рассматривают концепции, проводят точечный анализ конечных элементов для проверки суррогатных прогнозов, оценки конструктивности и включают нормативные требования. Топ-кандидаты могут подвергаться ручной доработке или использоваться в качестве начальных семян для оптимизации более высокой точности. Этот процесс «человек в петле» гарантирует, что творчество алгоритма сочетается с профессиональным суждением и практическим опытом.

Реальные приложения и тематические исследования

Дизайн моста и оптимизация формы

Исследователи из Американского общества инженеров-механиков продемонстрировали суррогат нейронной сети для оптимизации топологии мостовых балок. Модель была обучена тысячам решений с конечными элементами и могла генерировать оптимизированные распределения материалов для мостов с переменным пролетом за секунды. Полученные конструкции снижали вес до 25% при сохранении целей прочности и жесткости. Этот подход теперь распространяется на семейства пешеходных и железнодорожных мостов, где специфические ограничения (диапазоны пролета, ширина, рейтинги нагрузки) подаются в качестве входов в генеративный процесс.

Стойкие к землетрясениям строительные рамы

В сейсмическом дизайне достижение пластичного поведения без чрезмерной жесткости является сложным компромиссом. Команда из Калифорнийского университета в Беркли применила обучение армированию для проектирования железобетонных моментных рам. Агент научился размещать непрерывное армирование в балках и колоннах для удовлетворения межэтажных пределов дрейфа при минимизации тоннажа стали. По сравнению с кодовыми конструкциями, RL-генерированные рамы использовали на 18% меньше стали и показали более равномерное распределение дрейфа, что важно для предотвращения отказов мягкого этажа.

Легкие системы Truss

Оптимизация фермы является классическим эталоном для генеративного дизайна. Используя генеративную состязательную сеть, обученную на оптимальных фермах из оптимизации топологии, инженеры из группы Autodesk Research производили топологии ферм органической формы для крыш с длинным пролетом. GAN был обусловлен границами домена дизайна и нагрузочными корпусами. Сгенерированные фермы часто отличались неректилиновыми шаблонами, с членами, разветвляющимися и сливающимися способами, которые имитируют костные трабекулы. Физическое тестирование прототипов, напечатанных на 3D-принтере, подтвердило, что проекты, созданные GAN, соответствовали производительности математически оптимизированных ферм, но могли быть созданы в 1000 раз быстрее.