[论文解读] 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 12

一句话总结

本文提出了一种端到端学习流程，利用图神经网络自动化建筑结构的截面尺寸设计，结合可微神经模拟器（NeuralSim）与神经截面尺寸网络（NeuralSizer），生成最优截面。该方法在1000次迭代后性能可与遗传算法相媲美，作为初始种子使用时可将设计时间缩短高达8倍，并在最小化材料使用的同时满足所有结构约束条件。

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.

研究动机与目标

• 自动化建筑结构尺寸设计中耗时且反复进行的过程。
• 解决大规模设计空间与缓慢的仿真工具带来的挑战，这些挑战阻碍了实际工程中的优化。
• 开发一种可扩展、可微分且端到端的学习框架，用于基于图表示的结构优化。
• 在降低计算成本的同时，生成与遗传算法相当或更优的设计。
• 提供一种实用的、满足约束条件的设计方案，可作为进一步优化的初始设计或种子。

提出的方法

• 建筑结构被表示为图，其中节点代表梁和柱，边代表连接关系。
• 训练一个可微图神经网络（NeuralSim），以近似结构仿真，从而支持优化过程中的梯度传播。
• 另一个图神经网络（NeuralSizer）基于图结构和仿真反馈，预测梁和柱的最优截面尺寸。
• 通过NeuralSim的梯度反传，对NeuralSizer进行端到端训练，实现在结构约束下的截面尺寸联合优化。
• 在训练和推理过程中，用快速、可微的神经网络近似替代昂贵的真实仿真。
• 使用预训练的NeuralSim评估NeuralSizer的输出，并通过消融研究、外推测试和用户研究对系统进行验证。

实验结果

研究问题

• RQ1 基于图的深度学习流程能否在满足所有建筑规范约束的前提下，实现结构尺寸设计的自动化？
• RQ2 可微神经模拟器能否在结构优化中替代传统仿真工具，从而实现高效的基于梯度的训练？
• RQ3 与遗传算法相比，所提方法在设计质量与收敛速度方面表现如何？
• RQ4 NeuralSizer生成的设计能否作为遗传算法进一步优化的有效初始种子？
• RQ5 所生成的设计在多大程度上遵循真实世界中的结构设计规则与原则？

主要发现

• NeuralSim与真实结构仿真相比准确率达约97%，且速度提升1900倍，可高效计算梯度。
• NeuralSizer生成的设计在1000次迭代后与遗传算法相当或更优，且所有约束均被满足。
• 将NeuralSizer的输出作为遗传算法的初始种子，可实现最小8倍的收敛速度提升，最佳情况下早期性能提升达232.6%。
• 该方法降低了建筑质量，直接减少了材料成本与碳排放，支持可持续发展目标。
• NeuralSizer的输出合理遵循了结构设计规则，适合作为工程师的初始设计参考。
• 消融研究与外推测试证实了该流程在不同建筑类型与安全系数下的鲁棒性与泛化能力。