2019 Fiscal Year Annual Research Report
Numerical modeling and optimization for integration of structure, design, and construction
| Project/Area Number |
18J21456
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
林 和希 京都大学, 工学研究科, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2018-04-25 – 2021-03-31
|
| Keywords | 建築構造最適化 |
|---|
| Outline of Annual Research Achievements |
今年度は離散構造物の最適化問題に強化学習を用いるための数理モデルの開発を行った。まず、前年度から継続して骨組構造の断面の設計や最適化に対してニューラルネットワークを用いた強化学習手法を適用した。学習させたモデルを遺伝的アルゴリズムや粒子群最適化などのメタヒューリスティクスによる確率的な探索に援用することで、より効率的に解空間を探索できることを平面骨組モデルについて確認した。
また、データマイニングを利用して建築構造分野で最先端の研究を行っているスイス連邦工科大学ローザンヌ校のProf. Smithの研究室に滞在し、建築構造物の最適設計に機械学習を導入するための方法を開発するための資料収集・強化学習をベースとしたアクティブ構造の制御手法の開発研究を行った。
さらに、離散構造物をグラフとして扱い、グラフの特徴量を抽出するグラフ埋め込みを用いた強化学習手法を開発した。グラフ埋め込みを用いることで、任意の節点・部材数の離散構造物に対して同一次元数の特徴量を抽出して評価できるようになった。この成果は、意匠・構造・施工性などの多次元での評価を要する建築設計に対してそれらをまとめて考慮した特徴量を抽出できる手法として位置づけられる。これまで特徴量の抽出の困難さのために機械学習の適用が困難であった建築構造設計に対してAIを適用する初期段階として位置づけられる。特にトラス構造の応力制約付き位相最適化問題を対象としたケーススタディを行い、学習させたモデルが任意の規模のトラスについて不要部材を除去するための性能を効率よく発揮することを確認した。また、学習させたモデルを用いた位相最適化の計算負荷が遺伝的アルゴリズムによる最適化と比べて十分に小さいことがわかった。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
骨組構造の最適化に手動で設計した特徴量を用いた強化学習手法を援用した研究成果は論文誌Engineering and Computersに掲載された。さらに、離散構造物をグラフとして扱うことでグラフ埋め込みを用いた特徴量を抽出し、その特徴量を用いた最適化手法をFrontiers in Built EnvironmentのComputational Methods in Structural Engineeringに投稿中である。これらの成果は、建築構造・意匠・施工を考慮した複雑な数理的モデルを機械学習手法を通して実現するための初期段階として評価できる。以上の論文誌への投稿に加え、国際シェル空間構造学会(IASS2019)でも離散構造物に機械学習を適用するための定式化手法を発表し、国内外の研究者と積極的な意見交換を行った。以上のように研究成果を積極的に発信し続けており、研究はおおむね順調に進展しているといえる。
|
| Strategy for Future Research Activity |
これまではケーススタディ的に骨組やトラス構造の最適化問題を定式化し、その問題に対して特徴量の設計手法と強化学習手法を複合したアプローチを適用してきたが、これらの成果をまとめることで、離散構造物に多様な設計要件を考慮した数理的モデルを適用するための定式化手法として大きな枠組みでこれまで行ってきた研究内容を俯瞰する必要がある。したがって、離散構造物の最適化問題というより一般化した問題設定に対してグラフ埋め込みと強化学習を併用した手法をより洗練させ、引き続き国内外に向けて研究成果を発信することを目指す。
|
Research Products
(4 results)
