Erklärbare Künstliche Intelligenz innerhalb des Generativen Designs von Fußgängerbrücken

Autor: Vera Balmer
Sprache: Englisch

Kurzfassung

Beim konzeptionellen Entwurf stützen sich Bauingenieure derzeit auf Vorwissen sowie herkömmliche iterative Entwurfstechniken wie Finite-Elemente-Analysen von Varianten. Künstliche Intelligenz (KI) hat das Potenzial, diesen Prozess neu zu erfinden, indem sie eine effiziente und signifikant andere Weise der Entwurfsvarian-tenuntersuchung ermöglicht. Für die Anwend-barkeit von KI ist die Verfügbarkeit eines großen Datensatzes unerlässlich. Solche Datensätze sind für Fußgängerbrücken kaum vorhanden oder können nur mithilfe langwieriger Datenerfassungs-prozesse generiert werden, da fast alle Datensätze keine Leistungsinformationen zu Kosten oder statischen Ausnutzungen enthalten.

Der erste Teil der Arbeit liefert einen neuen Ansatz zum automatisierten parameterbasierten gene-rativen Entwurf von Fußgängerbrücken. Auf Grundlage einer Literaturrecherche sowie einer Umfrage wird ein objektorientierter und parameter-basierter Entwurfsansatz entwickelt. Die vorge-schlagene Methode wird für ein reales Fuss-gängerbrückenprojekt in St. Gallen mit Autodesk Revit implementiert und getestet. Dazu wird ein synthetischer Datensatz mit 12'000 Fussgänger-brücken auf LOD 300 generiert. Für jede Fuss-gängerbrücke werden sechs Design Features mit Hilfe eines Latin-Hypercube-Schemas ausgewählt und dreiunddreißig zugehörige Leistungskennwerte erhoben. Letztere umfassen statische und dyna-mische Kenngrössen sowie die Kontrolle der Randbedingungen und Kosten. Die statischen und dynamischen Analysen werden auf automatisierte, parametrisierte Weise über eine neuartige Verbindung von Dynamo und Sofistik mit Python und Zero-touch-Knoten durchgeführt.

Bild 1: Struktur der Arbeit: (links) Generativer Brückenentwurf; (rechts) erklärbare KI- Ersatzmodelle.
Bild 1: Struktur der Arbeit: (links) Generativer Brückenentwurf; (rechts) erklärbare KI- Ersatzmodelle.

Im zweiten Teil der Arbeit werden zwei Arten des maschinellen Lernens (ML) trainiert: ein Vorwärts (Vorhersage von Leistungen bei gegebenen Entwurfsmerkmalen) und ein Rückwärts-Metamodell (Vorhersage von Entwurfsmerkmalen zu nutzerdefinierten Leistungskennwerten). Durch die Implementierung von erklärbaren KI-Modellen (XAI) wird in dieser Arbeit zum ersten Mal die Akzeptanz von KI und XAI beim Entwurf baulicher Anlagen untersucht. Zur Wahl einer geeigneten XAI wird eine Umfrage wird in Kombination mit einer Literaturrecherche durchgeführt. Alle XAI-Modelle werden in Autodesk Revit (Dynamo) auf Basis von weiteren 18'000 generativ gesampelten Fussgängerbrückendaten implementiert. Ein Ent-scheidungsbaum mit intrinsischer Erklärbarkeit dient als Vorwärtsmodell. Ein bedingter Variations-Autoencoder (CVAE) wird als inverses Modell entwickelt, bei dem Erklärbarkeit durch die Aus-wertung der individuellen und batchweisen Design-Sensitivitäten gewonnen wird, vgl. Abbildung 2.

Sowohl das Vorwärts- als auch das Rückwärtsmodell liefern Ergebnisse schneller als traditionelle Entwurfsmethoden und intuitive Lösungen im Vergleich zu analytischen Modellen. Durch den Vergleich der Modelle untereinander wird die Kohärenz der XAI verifiziert. Damit ebnet diese Arbeit den Weg künftiger Entwicklungen von XAI im konzeptionellen Entwurf von Fußgängerbrücken und darüber hinaus.
 

Bild 2: Nutzerschnittstelle des erklärbaren inversen Entwurfs der Fußgängerbrücke: nutzerdefinierte Kriterien (orange); KI generierte Ergebnisse und Erklärungen (rot).
Bild 2: Nutzerschnittstelle des erklärbaren inversen Entwurfs der Fußgängerbrücke: nutzerdefinierte Kriterien (orange); KI generierte Ergebnisse und Erklärungen (rot).