[논문 리뷰] Data-Driven Design: Exploring new Structural Forms using Machine Learning and Graphic Statics

Lukas Fuhrimann, Vahid Moosavi외 2명|arXiv (Cornell University)|2018. 09. 23.

Design Education and Practice참고 문헌 8인용 수 15

한 줄 요약

이 논문은 조합 평형 모델링(CEM), 자기조직화 지도(SOM), UMAP를 결합한 데이터 기반 구조 설계 프레임워크를 제안한다. 이는 정적 평형 상태에 있는 공간 트러스 구조물의 다양성을 탐색하고 시각화하는 데 목적이 있다. 수천 개의 공간 트러스 네트워크를 생성하고 군집화함으로써 설계 파라미터와 형상 간의 비선형 관계를 드러내어, 건축가와 엔지니어가 통합된 해법 공간 내에서 다양한 구조적 효율성을 갖춘 솔루션을 발견할 수 있도록 한다.

ABSTRACT

The aim of this research is to introduce a novel structural design process that allows architects and engineers to extend their typical design space horizon and thereby promoting the idea of creativity in structural design. The theoretical base of this work builds on the combination of structural form-finding and state-of-the-art machine learning algorithms. In the first step of the process, Combinatorial Equilibrium Modelling (CEM) is used to generate a large variety of spatial networks in equilibrium for given input parameters. In the second step, these networks are clustered and represented in a form-map through the implementation of a Self Organizing Map (SOM) algorithm. In the third step, the solution space is interpreted with the help of a Uniform Manifold Approximation and Projection algorithm (UMAP). This allows gaining important insights in the structure of the solution space. A specific case study is used to illustrate how the infinite equilibrium states of a given topology can be defined and represented by clusters. Furthermore, three classes, related to the non-linear interaction between the input parameters and the form space, are verified and a statement about the entire manifold of the solution space of the case study is made. To conclude, this work presents an innovative approach on how the manifold of a solution space can be grasped with a minimum amount of data and how to operate within the manifold in order to increase the diversity of solutions.

연구 동기 및 목표

• 기계 학습을 구조 형상 탐색에 통합함으로써 건축가와 엔지니어의 설계 공간을 확장한다.
• 기존 방법이 확장성에 결함이 있는 복잡한 해법 공간을 탐색하는 데 도전하는 데 목적이 있다.
• 데이터 기반 기법을 사용하여 평형 구조 형상의 다양성을 체계적으로 시각화하고 해석하는 접근법을 개발한다.
• 파라미터 공간과 형상 공간 내 숨겨진 패턴과 관계를 드러냄으로써 창의적인 구조 형상 탐색을 가능하게 한다.

제안 방법

• 주어진 경계 조건과 하중 조건에 따라 정적 평형 상태에 있는 공간 트러스 네트워크의 대규모 데이터셋을 생성하기 위해 조합 평형 모델링(CEM)을 사용한다.
• 생성된 구조 형상을 저차원의 위상 구조를 유지하는 형상 지ap에 군집화하고 임bedding하기 위해 자기조직화 지도(SOM)를 적용한다.
• 균일 다각형 근사 및 투영(UMAP)을 사용하여 해법 공간의 전반적 구조를 분석하고 잠재된 다양체를 드러낸다.
• 입력 파라미터(예: 지지점 위치, 하중 벡터)를 결과 구조 형상에 매핑함으로써 비선형 의존성을 포착한다.
• 해법 공간을 연속적인 다양체로 시각화하여 직관적인 탐색과 새로운 효율적 형상의 발견을 가능하게 한다.
• 이 프레임워크는 다양체 전역에서의 군집과 전이를 식별함으로써 구조 형상의 다양성을 상호작용적으로 탐색할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 기계 학습 기법을 어떻게 활용하여 평형 구조 형상의 전체 다양체를 탐색하고 시각화할 수 있는가?
• RQ2 입력 설계 파라미터와 결과 구조 형상 간의 비선형 관계는 무엇인가?
• RQ3 군집화와 차원 축소가 대규모 해법 공간 내 의미 있는 구조적 유형을 드러낼 수 있는가?
• RQ4 그래픽 정적 해법과 데이터 기반 기법을 어떻게 융합하여 구조 설계의 창의성을 향상시킬 수 있는가?
• RQ5 최소한의 데이터셋이 복잡한 해법 공간의 본질적 구조를 얼마나 잘 포착할 수 있는가?

주요 결과

• 이 방법은 수천 개의 평형 트러스 네트워크를 성공적으로 생성하고 군집화하여 기하학적 및 하중 구성에 따라 명확한 구조적 가문을 드러냈다.
• UMAP 분석을 통해 희박한 샘플링에도 불구하고 해법 공간의 본질적 구조를 포착하는 연속적이고 저차원의 다양체를 발견했다.
• 입력 파라미터와 형상 결과 간의 비선형 상호작용을 바탕으로 세 가지의 명확한 구조적 행동 유형을 규명했다.
• SOM을 통해 생성된 형상 지도는 이해하기 쉬운 시각적 표현을 제공하여 직관적인 탐색과 설계 탐색을 가능하게 했다.
• 이 프레임워크는 고차원 해법 공간의 전반적 구조를 효과적으로 표현할 수 있는 최소한의 데이터셋이 고차원 해법 공간의 전반적 구조를 효과적으로 표현할 수 있음을 입증했다.
• 이 방법은 기존 설계 직관을 초월한 새로운 구조적 효율성을 갖춘 형상을 발견하는 데 성공했다.