[논문 리뷰] Learning to simulate and design for structural engineering

Kai-Hung Chang, Chin-Yi Cheng|arXiv (Cornell University)|2020. 03. 20.

Infrastructure Maintenance and Monitoring참고 문헌 34인용 수 12

한 줄 요약

이 논문은 건물의 구조적 크기 설계를 자동화하기 위해 그래프 신경망을 사용하는 엔드 투 엔드 학습 파이프라인을 제안한다. 기울기 전파를 가능하게 하는 미분 가능한 신경 시뮬레이터(NeuralSim)와 신경 크기 조절 네트워크(NeuralSizer)를 결합하여 최적의 단면을 생성한다. 1000회 반복 후 유전 알고리즘과 유사한 성능을 달성하며, 시드로 사용될 경우 설계 시간을 최대 8배까지 단축시키고, 최소한의 재료 사용으로 모든 구조적 제약 조건을 충족시킨다.

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.

연구 동기 및 목표

• 건물의 시간이 많이 소요되고 반복적인 구조적 크기 설계 과정을 자동화하기 위해.
• 실제 공학 설계에서 최적화를 방해하는 큰 설계 공간과 느린 시뮬레이션 도구의 과제를 해결하기 위해.
• 그래프 표현을 사용하여 확장 가능하고, 미분 가능하며, 엔드 투 엔드 학습 프레임워크를 개발하기 위해.
• 계산 비용을 줄이며, 유전 알고리즘과 비교해도 우수하거나 유사한 품질의 설계를 도출하기 위해.
• 실용적이고 제약 조건을 충족하는 설계 솔루션을 제공하여 향후 최적화를 위한 초기 설계나 시드로 사용 가능하게 하기 위해.

제안 방법

• 건물 구조는 노드가 빔과 기둥이고, 간선이 연결을 나타내는 그래프로 표현된다.
• 구조적 시뮬레이션을 근사화할 수 있는 미분 가능한 그래프 신경망인 NeuralSim이 구조적 최적화를 위한 기울기 흐름을 가능하게 하도록 훈련된다.
• NeuralSizer는 그래프 구조와 시뮬레이션 피드백에 기반하여 빔과 기둥의 최적 단면 크기를 예측하는 또 다른 그래프 신경망이다.
• 파이프라인은 NeuralSim에서 유도된 기울기를 사용해 NeuralSizer를 훈련함으로써, 구조적 제약 조건 하에서 단면의 엔드 투 엔드 최적화를 가능하게 한다.
• 훈련 및 추론 중에 실제 시뮬레이션의 고비용을 빠르고, 미분 가능한 신경망 근사치로 대체한다.
• NeuralSizer의 출력은 사전 훈련된 NeuralSim을 사용해 평가되며, 아블레이션, 외삽 및 사용자 연구를 통해 시스템이 검증된다.

실험 결과

연구 질문

• RQ1 그래프 기반 딥 러닝 파이프라인이 모든 건축 코드 제약 조건을 충족시키면서도 구조적 크기 설계를 자동화할 수 있는가?
• RQ2 미분 가능한 신경 시뮬레이터가 전통적인 시뮬레이션 도구를 대체하여 기울기 기반 훈련을 효율적으로 가능하게 할 수 있는가?
• RQ3 제안된 방법의 성능은 설계 품질과 수렴 속도 측면에서 유전 알고리즘과 비교해 어떻게 되는가?
• RQ4 NeuralSizer가 생성한 설계는 향후 유전 알고리즘 최적화를 위한 효과적인 시드로 활용될 수 있는가?
• RQ5 생성된 설계가 실제 구조 설계 규칙과 원칙을 어느 정도 따르는가?

주요 결과

• NeuralSim은 실제 구조 시뮬레이션과 비교해 약 97%의 정확도를 달성하며, 1900배 빠르게 동작하여 기울기 계산을 효율적으로 가능하게 한다.
• NeuralSizer는 1000회 반복 후 유전 알고리즘으로부터 유도된 설계와 유사하거나 그 이상의 품질을 제공하며, 모든 제약 조건을 충족시킨다.
• 유전 알고리즘의 시드로 NeuralSizer를 사용할 경우 최소 8배의 수렴 속도 향상을 기록했으며, 최고의 경우 초기 성능에서 232.6% 향상된 결과를 보였다.
• 건물의 질량을 감소시켜 재료 비용과 이산화탄소 배출량을 직접적으로 낮추며, 지속 가능성 목표를 지원한다.
• NeuralSizer의 출력은 합리적인 수준의 구조 설계 규칙 준수를 보이며, 엔지니어가 사용할 수 있는 초기 설계로 적합하다.
• 아블레이션 및 외삽 연구를 통해 제안된 파이프라인의 강건성과 다양한 건물 유형 및 안전 계수에 대한 일반화 능력이 확인되었다.