| 研究課題/領域番号 |
23K04104
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分23010:建築構造および材料関連
|
|---|
| 研究機関 | 京都大学 |
|---|
研究代表者 |
大崎 純 京都大学, 工学研究科, 教授 (40176855)
|
|---|
| 研究分担者 |
山川 誠 東京理科大学, 工学部建築学科, 教授 (50378816)
林 和希 京都大学, 工学研究科, 助教 (80908757)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2025年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2024年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2023年度: 2,730千円 (直接経費: 2,100千円、間接経費: 630千円)
|
|---|
| キーワード | 構造最適化 / 機械学習 / 鋼構造骨組 / パラメータの不確定性 / 立体骨組 / 平面骨組 / 建築骨組 / 構造設計 / 不確定性 |
|---|
| 研究開始時の研究の概要 |
初年度では，パラメータのばらつきを考慮した際の最悪応答量を教師あり学習で近似し，重要な特徴量のモデル化と抽出法を提案する。荷重の不確定性は大きいので，別に考慮するものとして，材料と形状のパラメータのばらつきを考慮する。
次年度以降では，パラメータのばらつきを考慮した最悪応答量の近似手法を応用し，教師あり学習あるいは強化学習による構造最適化手法を拡張して構造設計を行うエージェント
を開発する。その際，グラフ埋め込みの方法を用いて，サイズの異なる骨組にも適用できる汎用的な方法を提案する。
|
| 研究実績の概要 |
・静的地震力を受ける平面骨組を対象とし，梁・柱の部材断面と材料定数のばらつきを考慮して，応力と層間変形角の最大値をニューラルネットワークで予測するモデルを作成した。また，最大応答の推定のために重要な特徴量をPFI（Permutation Feature Importance）で選択（抽出）し，少ない特徴量で最大応答量を精度を落とすことなく予測可能であることを示した。
・鋼構造立体骨組を対象とし，応力，柱梁耐力比，層間変形角に関する制約を満たし，鋼材量が最小となるような部材断面寸法を規格値集合から選択する離散最適化問題に対し，ポリシーネットワークを用いた強化学習によって断面寸法を更新する手法を提案した。また，この手法は3次元畳み込みを用いるため，小規模な骨組での学習結果を大規模な骨組に適用できる。
・平面分解した構面の最適化により得られた部材断面に基づいて，立体骨組の断面を再構築する離散最適化手法として，マルチエージェント強化学習による手法を提案した。エージェント1は状態から累積報酬の期待値を予測し，エージェント2は各行動による累積報酬を予測する。本手法により，平面骨組への分解と立体骨組への再構築により，立体骨組を最適化することができる。
・周期的な格子構造を対象として，ニューラルネットワークによる応答予測モデルの構築法を提案し，静的荷重に対する剛性最大化を目的とした位相最適化を行った。また，隣接部材との接続関係を考慮するフィルタリングを用いた特徴選択により，少ない特徴数を用いて十分な精度のニューラルネットワークが構築でき，その結果を用いた焼きなまし法により近似最適解が少ない解析回数で精度よく得られることを示した。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
研究目的を達成するために必要な基本的手法を構築することができた。2年度では，国際会議と国内会議で発表し，査読付き論文を執筆予定である。
|
| 今後の研究の推進方策 |
2年度と最終年度では，研究計画に記載のとおり，下記の3つの方針で進める。
・グラフ構造を用いた特徴量のモデル化と抽出法の導入
・強化学習による平面骨組の構造設計法の提案
・平面骨組への分解と復元による立体骨組の設計法
なお，計画では機械学習の手法としてサポートベクターマシンを中心に考えていたが，計算効率の関係からニューラルネットワークに移行することを考えている。また，研究分担者の研究室から研究代表者の研究室に博士課程学生が入学し，研究体制も十分である。
|
