Predictive modeling of dynamic and nonlinear structural behavior by machine learning and its application to computational morphogenesis
Project/Area Number |
22K04416
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 23010:Building structures and materials-related
|
Research Institution | The University of Kitakyushu |
Principal Investigator |
藤田 慎之輔 北九州市立大学, 国際環境工学部, 准教授 (80775958)
|
Project Period (FY) |
2022-04-01 – 2026-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥3,770,000 (Direct Cost: ¥2,900,000、Indirect Cost: ¥870,000)
Fiscal Year 2025: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2024: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
Keywords | 最適化 / 機械学習 / 構造形態創生 |
Outline of Research at the Start |
近年,最適化手法を用いて合理的な建築構造形態を創出する研究が発展しているが,それらの手法は主に静的線形範囲において優良な形態を模索するものであるため,動的非線形挙動との差異が大きい場合には構造形態を抜本的に見直す必要が生じ,設計者に負担を強いることとなる. 本研究では,最適化計算の各ステップの中で更に繰り返し計算が必要となる動的・非線形解析を行う代わりに,動的・非線形挙動の予測モデルを事前に用意して当該計算に代替させることにより計算時間を大幅に短縮し,計算コストの問題から原則として線形・弾性範囲内における力学性状のみしか考慮してこなかった従来の構造形態創生手法を,動的・非線形範囲にまで拡張する.
|
Outline of Annual Research Achievements |
シェル構造物を対象として,線形弾性範囲における応力予測モデルの構築と,同モデルを用いた形態創生,ならびに,幾何学的非線形性を考慮した場合におけるシェルの応力予測モデルの構築と,同モデルを用いた形態創生を行った。初年度に計算機を購入するなどの設備投資を行ったことで,大量の教師データ作成も滞りなく実施可能となり,線形弾性範囲においては,かなり高精度の応力予測モデルを構築できることが確認された。3~4年目に実施予定であった同モデルを用いた形態創生も先行して実施し,良好な結果が得られたことから,研究成果をコロキウム構造形態の解析と創生2022や,第62回日本建築学会九州支部研究発表会で報告した。 一方,幾何学的非線形性を考慮した場合におけるシェルの応力予測は,予測精度の確保に苦労した。それでも,予測モデルを用いることで計算時間の大幅な削減には成功し,同予測モデルを用いた形態創生手法を構築し,いくつかの数値解析例を通じて有効性を検証した。研究成果は,IASS2023にフルペーパーとして投稿中であり,現在査読中である。 いずれの形態創生においても,シェルの形状を入力変数として機械学習させ,構造最適化における設計変数についてもシェルの形状を扱っている。 今後は,形状だけに留まらず,断面についても入力変数ならびに設計変数として扱う予定である。 本アプローチは,1回の計算コストが大きい非線形解析を最適化の繰返し計算の中で行うことで生じる計算時間の肥大化を機械学習に置き換えることで解決するものであり,事前に予測モデルを構築する必要がある点はデメリットであるものの,一度予測モデルを構築してしまえば,最適化問題の制約条件などを様々に変更して繰り返し構造形態創生を行っても現実的な計算時間で最適解を得ることが可能となるため,トライアルアンドエラーの必要な構造設計実務において有効なアプローチとなると考えられる。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
初年度から2年目までは,動的・非線形応答予測システムの開発と実装を行うこととしている。動的問題に対してはまだ研究が進行していないものの,幾何学的非線形解析については,予測モデルの構築のみならず,同予測モデルを用いた構造形態創生まで数値実験が進展していることを鑑みれば,研究自体は概ね順調に進展していると考えられる。
|
Strategy for Future Research Activity |
まず,初年度には実装まで至らなかった動的応答に対する予測システムを構築する。並行して,初年度に行った幾何学的非線形応答の予測システムについて,予測精度の改善を試みる。 それらの予測システムを用いた構造形態創生をいくつかの数値解析モデルに対して適用し,有効性の検証を行うことを目標とする。 また,研究が順調に進展する前提であるが,別のアプローチからの研究にも着手する。これまではあくまであらゆる形状・断面の構造物に対してその応答予測システムを構築し,その予測モデルを用いて形態創生を行うアプローチによって非線形問題を有限時間で扱うことのできる形態創生手法の提案を行っているが,平行して,最適解そのものを教師データとして機械学習させ,最適化問題の各種制約条件を入力変数とすることで即座に優良解の候補を算出するアプローチも有効である可能性がある。同種の研究については,新たに大学院生の研究テーマとして設定し,平行して研究を進めていく。
|
Report
(1 results)
Research Products
(8 results)