马里乌什·戈尔奇卡,R&;金斯潘的一位高级结构工程师想知道,我们是否已经准备好迎接人工智能和神经网络

所承诺的数字独创性水平。

作为金斯潘研究团队的一员,我热衷于结构力学的发展,以及如何进一步促进建筑环境的技术发展。作为我硕士论文的一部分,我正在研究人工智能(AI)和机器学习(ML)在AEC行业中的应用。我的研究着眼于人工智能和机器学习如何塑造我们的工作方式,如何管理和交付项目,最重要的是,他的问题是,该行业是否准备好接受这种水平的数字独创性。

面向建筑师和工程师的

人工智能尽管人工智能技术在过去70年里一直在缓慢发展,但公众对人工智能的关注最近迅速增加,

这已不是什么秘密。

如果我们考虑到在过去的几十年里,结构力学一直在发展预测应变和应力的精确理论模型,并且这些理论模型需要一组固定的输入参数,如材料属性、边界条件等。产生诸如挠度、应力等结果——毫不奇怪,这是一个相当复杂和耗时的过程。因此,由于这些复杂性,经常需要有经验的工程师为其他方解释结果。这就是人工智能可以支持这种发展水平的地方,通过使用现成的整理数据来预测行为和简化研究过程。

我们E还可以查看建筑师、工程师和承包商在有限的项目预算下协同工作的迭代性质如何具有其复杂性。克服项目障碍的成熟解决方案通常比创新和突破性的想法更受青睐,但这种情况可以通过引入工具来改变,这些工具可以提供对实际结果的快速而准确的预测——这又是人工智能的工作。

给出快速而准确结果的

模型称为降阶模型。模型或元模型,并且可以基于AI方法。元模型通常需要较少的输入参数,并在较短的时间内提供结果。元模型的一些示例可能包括预测复杂建筑几何结构上的风荷载[1]、估计剩余结构使用寿命[2]或根据混合物成分比例预测混凝土强度[3]。

引入这些方法无疑会在时间和成本上产生项目效率。当他们还在早期的时候Doption阶段,用不了多久,这就会成为一种经过验证的首选解决方案。

<!--Develop3D Ads 300x250 inarticle 7p-->
广告
广告

人工智能与神经网络

对于任何基于人工智能的解决方案来说

,最关键的元素是用于流程的底层数据。数据包含可以收集或生成的输入和输出的示例。重要的是,数据必须代表任务,以便创建可靠的模型。出几个D在不同类型的模型中,人工神经网络(Ann)已被证明在大多数情况下优于其他模型。

人工神经网络是受生物神经网络启发的计算系统,其有效地复制活体大脑的元素,并且是ML中最常用的工具之一,因为它们被设计为复制人类学习的方式。

这样的系统通过考虑活动的例子和测量重复的输出来“学习”执行任务——它们是E擅长发现模式,这些模式对于人类程序员来说通常过于复杂,无法手动提取和教授机器。

Ann的

架构包含以三层结构组织的神经元——三组层通常被命名为:输入层、隐藏层和输出层。

神经元通过权重在这些层之间连接,而权重在过程开始时是未知的。在学习过程中调整这些权重。

到目前为止在使用Ann的行业中,只创建了“专用”元模型。这意味着为特定结构构建的元模型不能被重用于类似的结构或任何其他改变的资产(这限制了元模型的实用价值)。

然而,佐治亚理工学院的M.Nourbakhsh的研究提出了一组25个参数,用于描述具有1D结构元素的任何结构中的任何结构元素。这种方法产生了一个元模型,它可以是AP适用于各种不同的结构,因此是“可推广的”[4]。这个解决方案的潜力是巨大的。这样的元模型可以作为智能助手,帮助设计师做出更好的决策。助理可以在后台运行,并对多个项目的每个决策提供近乎即时的反馈。

工作环境和数据流

构建“可推广的”元模型

的想法是最近才引入的。因此,在任何实际之前应用程序需要进行练习和测试,因为在AEC行业中没有人可以依赖黑盒机制。从而为我的研究创造了一个绝佳的机会和场所。

缺乏公开可用的数据意味着我必须为我的研究目的获取新的数据。手动创建结构模型和提取数据将极其耗时,并且可能无法在给定的时间范围内完成。相反,所需的数据是半自动生成的在Autodesk Dynamo及其与其他应用程序的连接的帮助下。图1显示了软件的使用以及我如何在不同部分之间进行连接,因此创建了一个参数化环境。

这种新的参数化工作环境允许高度自动化的过程,为此,总共使用三个独特的参数化模型创建了示例结构的12种不同几何形状,每个模型都由单个参数控制。我的模型包含3D空间框架和三维空间桁架(这些结构的例子可以在图2中看到)具有相同的边界条件分配给相同类型的结构。

模型中的结构元素

数量从250到1600不等。总共有300多万名成员被创建、分析并最终用于模型培训。为了确保数据的可变性,在运行结构分析之前,每个成员都被分配了一个随机横截面。考虑到这一点,您可以看到T从字面上看,没有机会生成两个完全相同的模型。

“
在参数化工作环境
中自动生成的独特三维空间框架和三维空间桁架的
示例

训练数据/构建元模型

一旦建立了环境,就可以开始生成数据。在普通笔记本电脑上,生成500MB保存在.CSV文件中的数据大约需要48小时。每个数据点包含一组25个带有信息的输入参数关于构件在空间中的位置、施加的载荷和支撑、横截面特征以及靠近分析构件的构件的总结刚度。对于每个数据点,保存一个附加特征,即构件中的最大Von Misses应力。

在Python编程语言和可用的外部库的帮助下,在Dynamo之外继续进行

进一步的工作。这些库已经开发得很好,使人工智能解决方案的工作变得更容易。强烈推荐这家酒店。D通过在一开始就检查不同的统计特性来获得对数据的直觉。

为了在Ann的帮助下构建元模型,需要将数据分为两个不同的集合:训练集和测试集。需要进一步定义和训练Ann模型,这里使用具有30个神经元的单个隐藏层。然后可以使用来自保存的测试集的“看不见的”数据来测试模型。

用人工智能

预测应力我们进行的测试

之一Ed Out验证了元模型可用于预测“看不见的”结构的结果,但在同一类结构(穹顶、板、墙等)中。

这意味着,对于两个类别中的结构,实现了高质量的预测,显示R2分数高达0.75(其中最大值为1.00)。平均而言,构件中的预测应力与真实值相差10%至20%。对于训练数据集中包含不太完整的结构的一个类,预测是AR严重错误。它展示了数据质量对于基于人工智能的解决方案的重要性。

另一项测试检查了结合来自12个不同结构的知识的单个元模型是否可以预测“看不见的”结构的结果。结果表明,生成的数据量不足以进行模型训练,并且Ann算法不能识别训练数据中的模式。它显示了数据量对模型概括性的重要性。这意味着一般应用程序的元模型需要的数据集比任何个人可用的数据集都要大,但可以在行业的累积努力中生成。

人工智能在结构工程领域的

应用带来的机遇和挑战一样多。工程师的民事责任确定结构系统的尺寸需要比本工作中的元模型更高的准确性和置信度。同时,用元模型预测的结果给出了很好的指示。结构性能的评估,否则需要咨询结构工程师。

这只是我研究的一个元素,旨在展示工程师和建筑师手中的人工智能解决方案的好处。以上展示了新一代工程工具的潜力,这将有助于更智能、更高效地工作。它将帮助工程师和建筑师将他们的注意力转移到工作的创造性部分,而计算机则完成剩下的部分。平凡的部分.

“
马里乌什·戈尔奇卡,R&;金斯潘
D级结构工程师

Mariusz的研究是他在2月28日星期四举行的BIM Show Live 2019上演讲的基础。人工神经网络在结构静力分析中的应用在这里,将进一步举例说明人工智能和人工神经网络如何成为有效的解决方案,从最初的概念阶段就为建筑项目提供效率,并实现软着陆。

■bimshowlive.Co.UK


参考文献

[1]S.Wilkinson,用于生成设计的近似计算流体动力学,伦敦大学学院,2015
[2]W.Z.Taffese,E.Sistonen,MA钢筋混凝土结构耐久性和使用寿命评估的中国学习:最新进展和未来方向,建筑自动化,77/2017
[3]M.Słonski,使用神经网络、计算机和结构预测高性能混凝土抗压强度的模型选择方法的比较,88/2010
[4]M.Nourbakhsh,建筑施工中结构设计备选方案的改进早期探索的可推广替代模型佐治亚理工学院,2016年

 ;

 ;

如果您喜欢这篇文章,请免费

订阅我们的电子邮件通讯或打印/PDF杂志<!--relpost-thumb-wrapper--><!--close relpost-thumb-wrapper-->

广告