深層学習アプローチによる力学的感性の視覚化

点击翻译按钮获取中文摘要

2022年度は前年度に引続き，力学的感性を対象物体内部の力学的負荷の状態を直感的に把握する能力であるととらえ，その解釈の手がかりとして「力の流れ」を具現化した位相最適化形状に注目した．位相最適化形状は，与えられた設計領域と境界条件に対して力学的合理性を実現するように定まるものであり，また構造物内部の力の流れの可視化手段として設計教育に用いられている例もみられることから，力の流れの表現形式のひとつとして解釈できる．一方で，構造設計者は力学的な解析を行うことなく直感的に同様の形状を空間的パターンとして想起していることが推測される．したがって，任意の境界条件から力の流れを表現する画像が力学的解析なしに得られるならば，その写像の分析によって力学的感性を視覚化できる可能性がある．ここでは，ニューラルネットワークを用いる次元圧縮手法の一つである変分オートエンコーダ（Variational Auto Encoder, VAE）を利用し，訓練データとして様々な境界条件のもとで生成された位相最適化形状の画像を与える．VAEは，エンコーダ，潜在変数，デコーダによって構成され，入力と同じデータを出力するようにネットワークを学習させることによって，少数の潜在変数として入力の特徴を抽出することができる．両端支持はり（一般的な橋梁構造物に対応する形状）の位相最適化形状を表す画像の学習によって形成されるデコーダ（潜在変数空間から形状画像への写像）の観察によって，潜在変数空間を2次元とした場合，この変数空間がはりの変位拘束点の空間的な位置に対応することが確認された．また，3次元の潜在変数空間でも同様に境界条件との対応がみられた．さらにどちらの場合でも連続的な潜在変数空間から不連続な形状変化を表現できることが確認されている．