2019 Fiscal Year Annual Research Report
Machine learning and reinforcement learning for feature analysis of decent solution and optimization of steel structures
| Project/Area Number |
18K18898
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
大崎 純 京都大学, 工学研究科, 教授 (40176855)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
寒野 善博 東京大学, 大学院情報理工学系研究科, 教授 (10378812)
木村 俊明 京都大学, 工学研究科, 助教 (60816057)
|
|---|
| Project Period (FY) |
2018-06-29 – 2020-03-31
|
| Keywords | 機械学習 / 強化学習 / 建築骨組 / 構造設計 / 最適化 |
|---|
| Outline of Annual Research Achievements |
１．骨組構造の梁と柱の断面を逐次改良によって解く過程を，マルコフ決定過程としてモデル化し，最適方策を強化学習の手法の一つであるQ学習を用いて求めた。その結果を用いることによって，焼きなまし法によって骨組を最適化する過程を加速し，最適解の精度を向上できることを示した。
２．グラフ埋め込みを用いてトラスの接続関係をモデル化し，部材の特徴量を用いたQ学習によって，優良なトラスのトポロジーを学習する手法を開発した。訓練済みエージェントは，応力と変位の制約を満たしつつ部材を除去する処理が可能であり，任意の規模・位相・境界条件を有するトラスに適用可能である。
３．鋼構造平面骨組のブレース配置問題に対し，優良解と非優良解での配置の特徴を学習した。学習にはサポートベクターマシンを用い，RBFカーネルにおいて優良解に寄与する特徴量を抽出する手法を提案した。また，全ブレース体積と最大応力あるいはコンプライアンスを考慮した多目的最適化問題に対して，パレートランクを学習するアルゴリズムを提案した。さらに，小規模の骨組での学習結果を大規模の骨組の優良解の判別に適用するための方法を提案した。
４．高次元空間にあるデータを低次元で表現する次元圧縮を行うことを目的として，次元圧縮法の一つである主成分分析を，建築構造物に対するデータ駆動型の信頼性最適設計法の前処理として適用する手法を開発し，次元圧縮により従来よりも質の良い解が得られることを明らかにした。また，データ駆動型計算力学の手法の一つである距離最小化法について検討し，距離最小化法に対する従来の解法では必ずしも正しい解が得られないことを明らかにし，整数計画に基づく厳密解法を提案した。
|
