Нейронные сети в проектировании. Основы и применение

Для работы с разделами архитектурных, конструктивных решений и сетями коммуникаций BIM парадигма позволяет вести разработку проектов по наиболее эффективному направлению, особенно с применением автоматизации в виде разработанных под компанию плагинов.

Частные инжиниринговые компании, являющиеся генеральными подрядчиками, напрямую заинтересованы в создании системы, минимизирующей трату времени. Именно они и являются на данных момент движителями тенденций на автоматизацию, в отличии от компаний разработчиков государственного вида управления, что к сожалению, тормозит развитие и мотивацию всей отрасли. К счастью, можно отметить медленное, но стабильное увеличение множества заинтересованных лиц, что теоретически может привести к полномасштабному внедрению BIM-систем на всех уровнях процесса проектирования.

Создать систему автоматизированного проектирования решающую большую часть работы с конструкциями и системами возможно с нынешним уровнем развития технологий. Термин: Генеративное проектирование (Generative Design) – метод создания проектно-сметной документации, путем генерирования  рабочей модели именуемой генеративной моделью проектирования, и автоматизированного создания на ее основе всей зависящей рабочей документации.  Генеративная модели проектирования (Generative Design Modeling) – метод создания рабочей модели с помощью методов машинного обучения и нейронных сетей, а также наполнение согласно алгоритмическим зависимостям информацией о создаваемых объектах.

Искусственный интеллект (Artificial Intelligence, AI) – парадигма возникшая в 1956 году основной целью которой является создание алгоритма позволяющего выработать мышление идентичное человеческому. На данный момент это группа из направлений :Машинное обучение, Поиск и оптимизация, Удовлетворение ограничений, Логические рассуждения, Вероятностные рассуждения, Теории контроля .Основа машинного обучения (Machine Learning, ML) состоит в решении задачи типизации данных, нахождении относительно стабильного шаблона из пула входящих данных

Круги Эйлера в направлении искусственного интеллекта

Алгоритмы машинного обучения включают в себя:

1. Нейронные сети
2. Деревья решений
3. Случайные леса
4. Ассоциации и обнаружение последовательности
5. Градиент повышения и расфасовки
6. Опорные векторные машины
7. Отображение ближайшего соседа
8. K-средства кластеризации
9. Самоорганизующиеся карты
10. Методы локальной оптимизации поиска
11. Максимальное ожидание
12. Многомерные адаптивные регрессионные сплайны
13. Байесовские сети
14. Оценка плотности ядра
15. Анализ главных компонентов
16. Сингулярное разложение
17. Смешанные Гауссовские модели
18. Последовательное сопроводительное построение правил

Рассмотрим принцип работы наиболее популярного алгоритма решений задач машинного обучения – нейронные сети. Тут присутствует собственная классификация архитектур с более чем ста видами архитектуры сетей.

                          Основные схемы построения нейронных сетей

Для понимания рассмотрим наиболее простую - перцептрон. Это нейросеть является прямолинейной. Она получает данные входа и выхода, а потом решая обратную задачу пытается определить веса синапсов, а поняв их, имеется возможность вносить новые данные и получать результаты по обученной сети. Сама структура представляет собой набор из массивов, расположенных столбцом и соединенных во всех направлениях, кроме вертикального –  множество детерминированных, то есть отдельных единиц выполняющих каждый свою функцию от общей функции, частей нейросети, которая состоит из массива сходного слоя, то есть массива ввода, массива скрытого слоя, выполняющего ключевую роль в обработке данных и выходной массив, который выполняет роль результирующего.

                                     Строение перцептрона

В скрытом слое нейросети после обработки входных данных возбуждаются определенные нейроны. Понятие возбуждение имеет смысл возникновения в нейроне значения 0 или 1, то есть условие загорания «лампочки», а ее действие в свою очередь зависит от математической функции выбора – сигмоиды. 

                                  Представление сигмоиды

Сигмодиа является основной функцией выбора в возбуждения отдельных нейронов. Однако в последнее время более широкое распространение получила функция активации ReLU . Изменение в активирующей функции стало необходимым по причине эффективности работы, так как у функции ReLU при достижении граничного условия, в данном примере 0, график возрастает, давая меньшею возможность вариации, а при несоответствии граничному условию значения в нейроне равно 0, то есть «лампочка» не горит, когда сигмоида давала возможность в определении значения в большем диапазоне, что давало не всегда корректное поведение сети.

               Функция активации ReLU.

Возбуждение, то есть активация в свою очередь ведет к возбуждению связанных далее с ними нейронов. Таким образом вычисление идете по нескольким путям в конечном итоге, приводящим к одному варианту. Структура может состоять из большего чем 1, множества скрытых слоев, регулирующих поведение нейросети.

Выбор в результирующем массиве необходимых значений происходит по тому же принципу, что и в скрытых слоях, только является уже итоговым.

Генеративное проектирование (Generative Design) – BIM основная система, идет как следующий этап в развитии методов проектирования, не замещая все ранее созданные системы, а объединяя их. Создание системы Generative Design (GD) базируется на разработке комплекса специализированного программного обеспечения, основным модулем которого является обеспечение, реализующее Generative Design Modeling (GDM), создание геометрии и информации.

Каждый из этапов следует производить согласно действующим ТНПА, заранее внедряя информацию как граничное условие и составляя таким образом электронный каталог, который будет является одним из модульных решений комплекса GD с возможностью взаимодействия, обменом информации с любой системой: BIM, CAD

Все этапы являются предполагаемыми самим автором, основаны на здравой логике и опыте работы.

Первый этап создания модели состоит из принятия условий, входящих данных, самого глобального уровня: участок для генерального планирования: его контур, площадь, учет соседних строений, геодезическое расположение, расположение относительно движения солнца, учет климатических особенностей, учет нагрузок от ветра, снега, учет геологических изысканий и прочих параметров. После чего можно с задаваемыми характеристиками: высоты здания, этажности, площади, включаемых архитектурных элементов и прочих параметров сгенерировать форму здания и получить множество вариаций, отобранных архитекторами, геометрии модели, где каждый запуск настроенного программного обеспечения дает новый результат, новую форму.

Вторым этапом является согласование формы. Далее следует детализировать форму, генерируя в ней внесенные пользователем дополнительные объекты, этим может заниматься нейронная сеть, обученная на других архитектурных моделях из BIM с внесением всего перечня возможных архитектурных элементов для их генерирования.

Третьим этапом есть формирование и расчет каркасной модели, на основе формы с архитектурными элементами. Каркас формируется согласно граням и этажности формы, на любом этапе возможно внесение ручных изменений с сохранением модели в различных вариантах. В качестве первоначального расчета все элементы являются сборными. Программный комплекс для расчета сторонний, импорт геометрии в общем формате с сохранение настроек узлов, автоматически расставленных на основании нейронной сети обучаемой на существующих проектах. Проверка и корректировка работы человеком.

Четвертый этап представляет из себя подбор на основании расчетной модели вариантов конструктивных решений регламентируемых ТНПА. К аналитической модели применяются готовые сборные решения, внесенные монолитные решения и решения, выявленные на обучении нейронной сети загрузкой детализированных готовых моделей из BIM. На этом этапе применяется задача оптимизации машинного обучения.

После создания конструктивной модели наступает пятый этап – внедрение коммуникаций и расстановка конструкций, не являющихся несущими элементами. Входными данными является поток людей задаваемый вручную, графически, в виде линий с задаваемой пропускной способностью. На основе которых производиться генерация перегородок. Архитектор на каждом плане генерирует автоматическую расстановку элементов коммуникационных сетей: санузлы, противопожарные элементы, элементы вентиляции и прочее, на основе созданных помещений.

Шестой этап: согласно планам всех этажей определяются вручную точки подключения сетей, это входные данные для следующей генерации к выходным данным, элементами систем расположенным по всем этажам вдоль конструкций по кратчайшему пути.

Седьмой этап – это проверка на ошибки в сооружении и их корректировка.

Восьмой этап: Создание листов с заранее маркированными по системе элементами в трех проекциях и заданному количеству детализированных узлов и разрезов. Наложение авто расставления размеров – применение к каждому виду проекции размеров и маркировки на основе нейронной сети. Корректировка ручным трудом. Составление сметной документации согласно формам регламента.

Входными данными являются: Геодезическое расположение, генеральный план, геологические изыскания и сведения о соединяемых дорогах. Алгоритмы машинного обучения могут быть применены лишь в решении задачи для определения несущего грунта основания свай, все оставшееся решается с помощью алгоритмизации на основе внешних данных, длины сборного элемента, ширины моста, длина моста. Монолитные элементы   выбираются после утверждения сборных, позже происходит полный пересчет и решение задачи оптимизации. Далее на основе готовой модели, состоящей из элементов, добавляем 8 этап.

Если говорить про реализацию концепций генеративного дизайна различными производителями ПО, стоит начать с самого начала. Первопроходцем в широкие массы стала компания Robert McNeel & Associates которая внедрила в свой основной продукт, Rhinoceros 3D, генеративное дизайн в 2012 году, вместе с системой визуального программирования. Генеративный дизайн основывался на создании поколения исходя из заданных условий, из этого поколения отбирались исходя из определенных условий наилучшие экземпляры, которые в свою очередь являлись родительскими поколениями для создания новых поколения по такому же циклу. За все время существования такой системы она не получила широкого распространения в связи с чрезмерной новаторской идеей и тяжелому входу в процесс создания таких моделей.

                       Пример работы генеративного дизайна в Rhinoceros 3D

В 2020 году компания Autodesk внедрила в свой продукт Autodesk Revit схожую систему генеративного проектирования - Generative Design.

Основная схема создания модели по принципу Generative Design

С ростом спроса в области нейронных в последнее время, начал возрождаться и интерес к процессу генеративного проектирования, потому как этот процесс, по сути является подпроцессом машинного обучения. По причине возросшего интереса к нейронным сетям появляются интересные проекты связанные с процессом расчета конструкций, ярким примером может послужить ПО Prometey. Данная система задумывается в качестве расчетной, основной целью которой, является созданий изополей напряжения в конструкции  и автоматический подбор арматуры.

Представление результата расчета

Таким образом можно смело сказать, что машинное обучение в ближайшее время будет тесно связано с процессом проектирования. На данный момент шаги к этому делаются как крупными компаниями по разработке ПО, так и небольшими разработчиками. В активной стадии развития в этом направлении находится компания ЭНЭКА, одной из задач которой является максимальная автоматизация процессов проектирования.

Компания «ЭНЭКА» осуществляет проектирование моек. Разработка проекта электроснабжения в Казахстане.