[论文解读] Data-Driven Design: Exploring new Structural Forms using Machine Learning and Graphic Statics

Lukas Fuhrimann, Vahid Moosavi+2 more|arXiv (Cornell University)|Sep 23, 2018

Design Education and Practice参考文献 8被引用 15

一句话总结

本文提出了一种数据驱动的结构设计框架，结合组合平衡建模（CEM）、自组织映射（SOM）和UMAP，以探索并可视化平衡结构形式的流形。通过生成并聚类数千个空间桁架网络，该方法揭示了设计参数与形态之间的非线性关系，使建筑师和工程师能够在统一的解空间内发现多样化且结构高效的解决方案。

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.

研究动机与目标

• 通过将机器学习与结构形态寻优相结合，拓展建筑师和工程师的设计空间视野。
• 解决传统方法在结构设计中难以扩展的庞大而复杂解空间导航难题。
• 开发一种系统化方法，利用数据驱动技术可视化并解读平衡结构形态的流形。
• 通过揭示参数空间与形态空间中的隐藏模式和关系，实现对结构形态的创造性探索。

提出的方法

• 使用组合平衡建模（CEM）为给定的边界条件和荷载条件生成大量处于静力平衡状态的空间桁架网络数据集。
• 应用自组织映射（SOM）将生成的结构形态聚类并嵌入至低维、拓扑保持的形态地图中。
• 采用均匀流形近似与投影（UMAP）分析解空间的全局结构，揭示其潜在流形。
• 该方法将输入参数（例如支座位置、荷载向量）映射到相应的结构形态，捕捉非线性依赖关系。
• 将解空间可视化为连续流形，实现对新颖高效形态的直观导航与发现。
• 该框架通过识别流形上各聚类及过渡关系，实现对结构多样性的交互式探索。

实验结果

研究问题

• RQ1 如何利用机器学习技术探索并可视化平衡结构形态的完整流形？
• RQ2 输入设计参数与最终结构拓扑之间存在何种非线性关系？
• RQ3 聚类与降维技术能否在大规模解空间中揭示有意义的结构类别？
• RQ4 如何结合图解静力学与数据驱动方法以增强结构设计的创造力？
• RQ5 最小数据集在多大程度上能够捕捉复杂解空间的本质结构？

主要发现

• 该方法成功生成并聚类了数千个平衡桁架网络，基于几何与荷载配置揭示了不同的结构家族。
• UMAP分析揭示了一个连续的低维流形，即使采样稀疏，也能捕捉解空间的内在结构。
• 基于输入参数与形态结果之间非线性相互作用，识别出三类不同的结构行为模式。
• 通过SOM生成的形态地图提供了可解释的、可视化的解空间表示，支持直观导航与设计探索。
• 该框架表明，最小数据集可有效表征高维解空间的全局结构，实现高效探索。
• 该方法能够发现超越传统设计直觉的新型、结构高效的形态。