Predictive modeling of dynamic and nonlinear structural behavior by machine learning and its application to computational morphogenesis

点击翻译按钮获取中文摘要

シェル構造物を対象として，線形弾性範囲における応力予測モデルの構築と，同モデルを用いた形態創生，ならびに，幾何学的非線形性を考慮した場合におけるシェルの応力予測モデルの構築と，同モデルを用いた形態創生を行った。初年度に計算機を購入するなどの設備投資を行ったことで，大量の教師データ作成も滞りなく実施可能となり，線形弾性範囲においては，かなり高精度の応力予測モデルを構築できることが確認された。3～4年目に実施予定であった同モデルを用いた形態創生も先行して実施し，良好な結果が得られたことから，研究成果をコロキウム構造形態の解析と創生2022や，第62回日本建築学会九州支部研究発表会で報告した。一方，幾何学的非線形性を考慮した場合におけるシェルの応力予測は，予測精度の確保に苦労した。それでも，予測モデルを用いることで計算時間の大幅な削減には成功し，同予測モデルを用いた形態創生手法を構築し，いくつかの数値解析例を通じて有効性を検証した。研究成果は，IASS2023にフルペーパーとして投稿中であり，現在査読中である。いずれの形態創生においても，シェルの形状を入力変数として機械学習させ，構造最適化における設計変数についてもシェルの形状を扱っている。今後は，形状だけに留まらず，断面についても入力変数ならびに設計変数として扱う予定である。本アプローチは，1回の計算コストが大きい非線形解析を最適化の繰返し計算の中で行うことで生じる計算時間の肥大化を機械学習に置き換えることで解決するものであり，事前に予測モデルを構築する必要がある点はデメリットであるものの，一度予測モデルを構築してしまえば，最適化問題の制約条件などを様々に変更して繰り返し構造形態創生を行っても現実的な計算時間で最適解を得ることが可能となるため，トライアルアンドエラーの必要な構造設計実務において有効なアプローチとなると考えられる。