Parametric Modelling and Generative Design - A Multi-Step Machine Learning Approach for Design and Optimization of Network Tied-Arch Bridges
Autorin: Sophia Kuhn
Sprache: Englisch
Kurzfassung
Der konzeptionelle Tragwerksentwurf beruht heutzutage in großem Maße auf der Intuition und Erfahrung des Bauingenieurs, beinhaltet häufig die Untersuchung von ähnlichen Vergleichsobjekten und ist meist eine zeitaufwendige und anspruchsvolle Aufgabe mit zahlreichen iterativen Arbeitsschritten. Diese Masterarbeit stellt die Hypothese auf, dass der uns heute bekannte konzeptionelle Tragwerksentwurf durch die Verwendung von modernen Methoden des maschinellen Lernens (ML) erheblich unterstützt und verbessert wird. Die Entwicklung eines mehrstufigen ML-Konzepts zur Verbesserung des Design- und Optimierungsprozesses von Netzwerk-Bogenbrücken zeigt das immense Potential der Anwendung von ML-Algorithmen auf die konzeptionelle Phase des Tragwerksentwurfs.
Auf der Datenbank von weltweit errichteten Netzwerk-Bogenbrücken wird eine Clusteranalyse zur Identifizierung von Strukturen und Mustern durchgeführt. Die zwei unbeaufsichtigt lernenden Algorithmen K-Prototype und DBSCAN wurden erfolgreich angewendet, obschon dieser aus kontinuierlichen wie auch kategorialen Brückenparametern besteht. Eine übereinstimmende Struktur wurde durch beide Algorithmen identifiziert und zeigt große Ähnlichkeit bei allen Brückenparametern von Netzwerk-Bogenbrücken mit ähnlicher Länge.
Nachfolgend wurde ein Modell trainiert („Bestandsdatenmodell“), welches in einer vorbestimmten Reihenfolge geeignete Brückenparameter für neue Projektkonstellationen voraussagen kann. Aufgrund ihrer Eignung für den Umgang mit uneinheitlichen Datenarten wurde die CatBoost Bibliothek für die Durchführung der Regression und Klassifizierung gewählt. Sie verwendet die beaufsichtigte Lernmethode von sich ansteigend verbessernden Entscheidungsbäumen. Alle Programmieraufgaben wurden mit Python ausgeführt. Mithilfe der Vorausberechnungen des Bestandsdatenmodells wurde ein parametrisches Modell erstellt, das Grasshopper und Karamba3D in einer Rhino-7-Umgebung benutzt. Dieses generative Modell gibt für jegliche Parameteränderungen in Echtzeit Rückmeldungen zur baustatischen Analyse. Das Zusatzmodul Octopus wird eingesetzt, um mittels des Optimierungsalgorithmus HypE eine Mehrzieloptimierung der Brückenparameter zu erreichen. Zielfunktionen zur Berechnung von Materialkosten, baulicher Effizienz und ästhetischer Qualität wurden entwickelt.
Die Verwendung von ML-Algorithmen zur Generierung neuer Brückendesigns führt nachweislich zu einer Verkürzung der Optimierungszeit bei der Suche nach optimalen Designlösungen. Insbesondere liefert das Bestandsdatenmodel gut fundierte Parameterschätzungen bereits zu Beginn eines Projekts. Die Vorhersage basieren dabei auf Werten von umgesetzten Bauwerken und bergen daher großes Potential als Priorinformation für zu planende Bauprojekte indem ein einfacher Zugang zu diesen Informationen bereitgestellt wird. Ein limitierender Faktor des umgesetzten Konzepts bleibt jedoch der kleine Datenbestand zum Training des Modells. Ferner bleibt die Einbringung der Expertise und Kreativität des Bauingenieurs unabdingbar, da das ML-Modell mögliche Fehler der Vergangenheit übernehmen kann und bauliche Innovation nicht eigenständig fördert.
