[論文レビュー] Learning to simulate and design for structural engineering

Kai-Hung Chang, Chin-Yi Cheng|arXiv (Cornell University)|Mar 20, 2020

Infrastructure Maintenance and Monitoring参考文献 34被引用数 12

ひとこと要約

本論文では、建物の構造的断面寸法設計を自動化するエンドツーエンド学習パイプラインを提案する。グラフニューラルネットワークを用い、微分可能ニューラルシミュレータ（NeuralSim）とニューラルサイズングネットワーク（NeuralSizer）を組み合わせ、最適な断面を生成する。1000イテレーション後、遺伝的アルゴリズムと同等の性能を達成し、シードとして使用することで設計時間を最大8倍短縮する。また、最小限の材料使用ですべての構造的制約を満たす。

ABSTRACT

The structural design process for buildings is time-consuming and laborious. To automate this process, structural engineers combine optimization methods with simulation tools to find an optimal design with minimal building mass subject to building regulations. However, structural engineers in practice often avoid optimization and compromise on a suboptimal design for the majority of buildings, due to the large size of the design space, the iterative nature of the optimization methods, and the slow simulation tools. In this work, we formulate the building structures as graphs and create an end-to-end pipeline that can learn to propose the optimal cross-sections of columns and beams by training together with a pre-trained differentiable structural simulator. The performance of the proposed structural designs is comparable to the ones optimized by genetic algorithm (GA), with all the constraints satisfied. The optimal structural design with the reduced the building mass can not only lower the material cost, but also decrease the carbon footprint.

研究の動機と目的

• 建物の構造的寸法設計における時間のかかる反復的プロセスを自動化すること。
• 現実の工学的最適化を妨げる大規模な設計空間と遅いシミュレーションツールの課題に対処すること。
• グラフ表現を用いたスケーラブルで微分可能かつエンドツーエンドの学習フレームワークを構築し、構造的最適化を実現すること。
• 計算コストを低減しつつ、遺伝的アルゴリズムの設計と同等またはそれを上回る性能を発揮する設計を生成すること。
• 実用的で制約を満たす設計ソリューションを提供し、さらなる最適化のための初期設計またはシードとして利用可能にすること。

提案手法

• 建物の構造をグラフとして表現し、ビームと柱をノードとし、接続をエッジとする。
• 微分可能グラフニューラルネットワーク（NeuralSim）を用い、構造的シミュレーションを近似する。これにより最適化のための勾配伝搬が可能になる。
• 別のグラフニューラルネットワーク（NeuralSizer）が、グラフ構造とシミュレーションフィードバックに基づいてビームと柱の最適断面寸法を予測する。
• パイプラインは、NeuralSimからの勾配を用いてNeuralSizerを訓練し、構造的制約のもとで断面寸法をエンドツーエンド最適化する。
• トレーニングおよび推論中、高価な実際のシミュレーションの代わりに高速で微分可能なニューラル近似を用いる。
• NeuralSizerの出力を事前に訓練済みのNeuralSimで評価し、アブレーション、外挿、ユーザースタディーを用いてシステムを検証する。

実験結果

リサーチクエスチョン

• RQ1 グラフベースのディープラーニングパイプラインは、すべての建築基準の制約を満たしながら、構造的寸法設計を自動化できるか？
• RQ2 微分可能なニューラルシミュレータは、従来のシミュレーションツールに代わって構造的最適化において効率的な勾配ベースのトレーニングを可能にするか？
• RQ3 本手法の性能は、遺伝的アルゴリズムと比較して、設計品質および収束速度の面でどの程度か？
• RQ4 NeuralSizerが生成する設計は、遺伝的アルゴリズムによるさらなる最適化のための有効な初期シードとして機能するか？
• RQ5 生成された設計は、現実の構造的設計ルールや原則にどの程度従っているか？

主な発見

• NeuralSimは実際の構造的シミュレーションと比較して約97％の精度を達成し、1900倍高速である。これにより、効率的な勾配計算が可能になる。
• NeuralSizerは1000イテレーション後、遺伝的アルゴリズムの設計と同等またはそれを上回る性能を発揮し、すべての制約を満たす。
• 遺伝的アルゴリズムのシードとしてNeuralSizerを用いることで、収束が最小8倍速くなり、最良ケースでは初期性能が232.6％向上した。
• 本手法により建物の質量が低減され、材料費と二酸化炭素排出量の削減に貢献し、持続可能性の目標を支援する。
• NeuralSizerの出力は、構造的設計ルールに妥当に従っており、エンジニアが初期設計として利用するのに適している。
• アブレーションおよび外挿の研究から、本手法のパイプラインは異なる建物タイプや安全係数に対しても、頑健性と一般化能力を示している。