論文の概要: Learning to simulate and design for structural engineering

• arxiv url: http://arxiv.org/abs/2003.09103v3
• Date: Wed, 12 Aug 2020 23:21:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 21:57:58.455972
• Title: Learning to simulate and design for structural engineering
• Title（参考訳）: 構造工学のシミュレーションと設計を学ぶ
• Authors: Kai-Hung Chang (1), Chin-Yi Cheng (1) ((1) Autodesk Research)
• Abstract要約: 本研究では,建物構造をグラフとして定式化し,柱と梁の最適断面を学習するためのエンドツーエンドパイプラインを作成する。 提案した構造設計の性能は、遺伝的アルゴリズム(GA)によって最適化された設計と同等であり、全ての制約が満たされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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.
• Abstract（参考訳）: 建物の構造設計プロセスは時間がかかり、手間がかかる。 このプロセスを自動化するために、構造エンジニアは最適化手法とシミュレーションツールを組み合わせて、建築規制の対象となる最小限の建築質量で最適な設計を見つける。 しかし、実際には構造エンジニアは、設計スペースの大規模化、最適化手法の反復的性質、遅いシミュレーションツールなどにより、ほとんどの建物のサブ最適設計の最適化や妥協を避けることが多い。 本研究では,建物構造をグラフとして定式化し,事前学習可能な構造シミュレータを用いて,柱と梁の最適断面を学習するエンド・ツー・エンドパイプラインを作成する。 提案する構造設計の性能は、遺伝的アルゴリズム(ga)によって最適化されたものと同等であり、全ての制約を満たしている。 建築重量を削減した最適構造設計は、材料コストを下げるだけでなく、炭素フットプリントを下げることもできる。

関連論文リスト

• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。 我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Quantum annealing-based structural optimization with a multiplicative design update [0.0]
  本稿では、量子アニール(QA)による反復最適化に基づく新しい構造設計フレームワークを提案する。 新規性は、QAによる最適化問題を反復的に解決した未知の設計乗算器を用いて、設計の更新に成功したことにある。 構造最適化における密度に基づくアプローチに合わせて、乗算器は設計材料を表現するために乗法的であり、設計変数として機能する。
  論文  参考訳（メタデータ） (2024-06-27T02:07:38Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• ECoDe: A Sample-Efficient Method for Co-Design of Robotic Agents [11.449817465618658]
  自律ロボットエージェントを共同設計するには、エージェントのコントローラと物理的設計を同時に最適化する必要がある。 デザインスペースが大きくなると、これは難しくなります。 共設計のサンプル効率を向上させるための多要素探索手法を提案する。
  論文  参考訳（メタデータ） (2023-09-08T02:54:31Z)
• Efficient Quality Diversity Optimization of 3D Buildings through 2D Pre-optimization [101.18253437732933]
  品質多様性アルゴリズムは、エンジニアの直感を伝える様々なソリューションセットを作成するために使用することができる。 しかし、品質の多様性は、非常に高価な問題では効率的ではない。 品質の多様性のあるトレーニングデータを生成することで、より優れた機械学習モデルを作成できることを示します。
  論文  参考訳（メタデータ） (2023-03-28T11:20:59Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)
• Structural Design Recommendations in the Early Design Phase using Machine Learning [6.071146161035648]
  ApproxiFramerは機械学習ベースのシステムで、リアルタイムで構築計画のスケッチから構造的レイアウトを自動的に生成する。 我々は、スケッチレベルの建築計画のための構造設計ソリューションを反復的に生成するように、畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2021-07-19T01:02:14Z)
• Biogeography-Based Optimization of RC structures including static soil-structure interaction [0.0]
  本稿では, バイオジオグラフィーを用いたコンクリート構造物の構造設計のコストを最小化する手法を提案する。 SAP2000は静的土壌構造相互作用(SSSI)のようなモデリング面を考慮した計算エンジンとして使用される
  論文  参考訳（メタデータ） (2021-03-08T22:48:04Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Topology optimization of 2D structures with nonlinearities using deep learning [0.0]
  クラウドコンピューティングは最適な非線形構造を探索することを可能にする。 最適化設計を予測するための畳み込みニューラルネットワークモデルを開発した。 開発したモデルは、反復的なスキームを必要とせずに、最適化された設計を正確に予測することができる。
  論文  参考訳（メタデータ） (2020-01-31T12:36:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。