Machine Learning-Assisted Computational Structural Design
Das Projekt „Machine Learning-Assisted Computational Structural Design“ zielt darauf ab, Techniken des Maschinellen Lernens (ML) in den strukturellen Entwurfsprozess zu integrieren. Dadurch soll die Erforschung neuartiger Strukturformen erleichtert und die Effizienz von Formfindungs- und Strukturoptimierungsprozessen verbessert werden. Die Forschung konzentriert sich auf graphenbasierte Darstellungen von Strukturen, Automatic Differentiation (AD) und Graph Neural Networks (GNNs) als zentrale Methoden zur Bewältigung von Herausforderungen im strukturellen Design.
Das Projekt baut auf dem Combinatorial Equilibrium Modeling (CEM)-Rahmenwerk auf, einer Formfindungsmethode, die auf grafischer Statik und der Graphentheorie basiert. Eine zentrale Entwicklung innerhalb dieser Forschung ist die Einführung von Logic-Informed Graph Neural Networks (LIGNNs), die logische Einschränkungen als semantic loss functions einbinden, um sicherzustellen, dass automatisch generierte Topologien den vorgegebenen Gültigkeitsbedingungen entsprechen. Dieser Ansatz ermöglicht die automatisierte Erstellung gültiger Topologiediagramme und reduziert damit den manuellen Aufwand in der strukturellen Formfindung.
Mitwirkende:
Lazlo Bleker, Pierluigi D'Acunto, Professorship of Structural Design, School of Engineering & Design, Technical University Munich
Prof. Dr. Kam-Ming Mark Tam, Department of Architecture, University of Hong Kong
Förderprogramm:
International Graduate School of Science and Engineering (IGSSE)
Laufzeit:
2021-2025
Zugehörige Publikationen:
Bleker, Lazlo; Tam, Kam-Ming Mark; D’Acunto, Pierluigi: A Graph-Based Grammar for Structural Design using Deep Reinforcement Learning. Proceedings of the IASS 2024 Symposium, 2024