Development of a combined method of graph embedding and machine learning for optimal design of skeletal structures

2022 Fiscal Year Final Research Report

• Project/Area Number: 21K20461
• Research Category: Grant-in-Aid for Research Activity Start-up
• Allocation Type: Multi-year Fund
• Review Section: 0304:Architecture, building engineering, and related fields
• Research Institution: Kyoto University
• Principal Investigator: Hayashi Kazuki 京都大学, 工学研究科, 助教 (80908757)
• Project Period (FY): 2021-08-30 – 2023-03-31
• Keywords: 構造最適化 / 機械学習 / グラフ埋め込み / 幾何学的深層学習 / 離散構造物

Outline of Final Research Achievements

In order to obtain optimal solutions for complex and large-scale design problems for discrete structures with less computational effort, the formulation of graph embedding and machine learning algorithms have been improved. This improvement contributed to developing more efficient and versatile structural optimization workflows. The improved graph modeling and graph embedding methods are applied to various structures such as trusses, steel structural frames, lattice shells, and kerf-bending structures, and demonstrated the efficacy, efficiency, and versatility of the structural optimization workflow encapsulating the proposed method.

Free Research Field

建築構造最適化

Academic Significance and Societal Importance of the Research Achievements

人工知能技術は、入力・出力するデータのトポロジー（データ同士がどのような接続関係を以て連関しているか）を機械学習モデルの中で明示的に考慮することによって性能を劇的に向上させており、データのトポロジーに着目した機械学習手法は幾何学的深層学習という領域でも活発に研究されている。本研究は、建築構造物の部材の複雑な接続関係を明示的に考慮した幾何学的深層学習モデルを構築することにより、機械学習モデルの性能の大幅な向上を実現した。建築分野から独自の機械学習モデルを構築した学術的意義を有するだけでなく、人工知能技術を用いて安全で安心な構造物を効率的に設計するための萌芽的成果であり、大きな社会的意義を有する。