2020 Fiscal Year Annual Research Report
Numerical modeling and optimization for integration of structure, design, and construction
| Project/Area Number |
18J21456
|
|---|
| Research Institution | Kyoto University |
|---|
| Research Fellow |
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 | 構造最適化 / 機械学習 / 強化学習 / グラフ埋め込み / トラス / 骨組 / 設計支援 |
|---|
| Outline of Annual Research Achievements |
前年度に提案した、部材接続関係が一般に規則的でないトラスや骨組構造の最適設計に向けたグラフ埋め込みと強化学習を組み合わせた手法をさらに改良した。具体的には、節点や部材の接続関係が異なる構造物をまとめて訓練に用いるためにグラフ埋め込みの定式化手法を修正した。グラフとは点とエッジからなるデータを指し、既往のグラフ埋め込み手法では点の特徴量を抽出する手法が数多く提案されてきた。一方で、提案手法ではエッジの特徴量を抽出する手法を独自に定式化しており、これは建築構造部材の特徴量とみなせる。特徴量は周辺節点や部材を考慮した数値情報であり、接続関係に依らず同一サイズのベクトルで表現されることから，任意の規模の構造物に対して部材に作用する複雑な力を考慮した特徴量の計算が可能となる。
提案手法の有効性を確かめるため、トラスの位相最適化問題と骨組の部材断面最適化問題の二種類に対して提案手法による学習モデルの訓練を行い、部材の設計変更と構造性状の変化との因果関係を考慮した「賢い」最適化ができていることを確認した。さらに、訓練時に数値設定をどのようにすべきかについて、複数のパラメータ設定による数値解析を行い、適切なパラメータ設定を検討した。
提案手法は学習タスクを適切に設定することで、構造最適化問題だけでなく施工経路決定問題や意匠決定プロセスなど多様な問題に拡張することが可能である。言い換えれば、提案するモデルは建築の多角的な評価指標を考慮できる、冗長な数理モデルと位置付けられる。以上の成果をもとに、国内外の学会で研究発表を行った。
|
| Research Progress Status |
令和2年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和2年度が最終年度であるため、記入しない。
|
Research Products
(6 results)
