Parametric Modelling and Generative Design of Concrete Structures
Investigation and Evaluation of Generative Design Toolboxes for the Bridge Design Case
Autorin: Nathalie Chiaverio
Sprache: Englisch
Kurzfassung
Der Entwurf von Bauwerken, und insbesondere der Brückenentwurf, beinhaltet eine Vielzahl unterschiedlicher Entwurfsparameter. Zusammen mit den möglichen Zielen und Leistungsvorgaben kann dies zu einer riesigen Menge an verschiedenen Entwurfsoptionen führen. In letzter Zeit gibt es ein zunehmendes Interesse an der Suche nach Möglichkeiten zur frühzeitigen Erkundung des Entwurfsraums, anstelle einer einfachen Validierung der ersten Entwurfsentscheidungen. Als Folge des stetig wachsenden Einsatzes von Künstlicher Intelligenz (KI) ist Generativer Entwurf (Generative Design) ein möglicher Ansatz für das beschriebene Problem. Generativer Entwurf automatisiert nicht nur den Optimierungsprozess, sondern kann auch zur Generierung von Entwurfsoptionen führen, die jenseits der Ideen und der Erfahrungen des/der Ingenieurs/-in liegen.
In dieser Arbeit geht es um die Untersuchung und Bewertung bestehender generativer Entwurfstoolboxen für den Fall des Brückenentwurfs. Für die Untersuchung wird ein parametrisches Modell einer Brücke in der Software Grasshopper für Rhinoceros 3D implementiert. Als Referenzstruktur wird die Blennerhassett Island Bridge verwendet. Ein wesentlicher Teil der Arbeit umfasst die Toolbox Design Space Exploration (DSE), die ein Plugin für Grasshopper ist und am MIT entwickelt wurde. Ausserdem wird Octopus, ein weiteres Optimierungstool für Grasshopper, näher untersucht.
Die Toolbox DSE funktioniert für das implementierte Modell und sie generiert eine Sammlung verschiedener Entwurfsmöglichkeiten. Ausserdem wird eine optimale Lösung mit einer Verringerung des Stahlgewichts um fast 10 %, im Vergleich zum Basisfall, gefunden. Viele Entwürfe sind jedoch weit vom Optimum entfernt und 71 % der Gesamtdaten sind aufgrund der zu hohen Auslastung gar ungültig. Es gibt also eine erhebliche Menge an verschwendetem Rechenaufwand, weshalb der Algorithmus NSGA-II für ingenieurtechnische Probleme nicht optimal erscheint. Im Vergleich zum DSE schneidet das Optimierungstool Octopus aus ingenieurwissenschaftlicher Sicht besser ab. Die generierten Designs liegen näher an der optimalen Lösung und die Anzahl der ungültigen Designs ist deutlich geringer.
Insgesamt wirft die Arbeit auch die allgemeine Frage nach dem Wert von Generativen Entwurfsstrategien für den Ingenieurbereich auf. Generativer Entwurf ermöglicht die Generierung verschiedener Designoptionen und liefert dem/der Ingenieur/-in eine große Auswahl von optimalen Lösungen. Bei der Anwendung von KI bei der Lösung eines Problems muss der/die Ingenieur/-in jedoch auch ökologische und soziale Aspekte berücksichtigen. So muss die für die Berechnung verwendete Energie in einem vertretbaren Umfang liegen. Die Wahl eines nachhaltigen Algorithmus ist daher entscheidend. Ob die generierten Daten brauchbar sind oder nicht, wird aber nicht allein durch den Optimierungsalgorithmus bestimmt. Auch die Definition der Zielfunktionen und die Implementierung einer geeigneten Verlustfunktion sind wesentlich für die Ausgabedaten. Generativer Entwurf hat auf jeden Fall Potential; allerdings nur, wenn die Anwendung für das betrachtete Problem effizient ist.
