本研究由 Xuyou Yang、Ding Wen Bao、Xin Yan 和 Yucheng Zhao 完成,提出了一种利用条件生成对抗网络(Conditional Generative Adversarial Networks, cGANs)实现端到端算法的方式,以取代传统迭代计算过程,从而加速建筑形态生成中的拓扑优化过程。
随着 20 世纪计算机与科技的快速发展,拓扑优化(TO)方法已在全球多个领域得到广泛应用。
这种新型结构优化方法已被应用于包括建筑形态生成在内的多个学科领域。特别是 1990 年代提出的双向进化结构优化法(Bi-directional Evolutionary Structural Optimisation, BESO),目前被全球数以千计的工程师与建筑师广泛使用,用于创造创新且具有标志性的建筑。
为了将拓扑优化与人工智能(AI)算法相结合,并借助其强大能力提升 BESO 方法的多样性与效率,本研究提出一种非迭代方法——通过条件生成对抗网络(GANs)加速建筑形态生成中的拓扑优化过程,命名为 OptiGAN。
OptiGAN 通过使用 Ameba 软件生成的拓扑优化结果进行训练,能够在给定条件下预测出多种优化后的建筑与结构设计方案。
结构优化的目标是在满足各种约束条件的同时,获得最佳结构性能。在过去三十年中,随着高速计算机与算法的持续发展,工程领域的研究者不断探索更高效的结构优化方法。
拓扑优化是目前最常用的离散结构(如桁架与框架)优化设计方法之一。
其核心目标是寻找最优的杆件空间布局与连接方式。而连续结构的拓扑优化,则是通过确定设计域中孔洞的位置与几何形状来实现最优设计。
本研究开发的 OptiGAN,是一种非迭代方法,能够以高精度加速建筑形态生成过程中的拓扑优化。
研究展示了如何结合拓扑优化与生成对抗网络,建立基于人工智能的结构优化技术。
这一新方法在建筑与工程领域具有广阔的应用潜力,能够显著提升拓扑优化生成设计的多样性,例如在壳体结构中的应用。
【制作团队】
企划:了有和
脚本:parametrichouse
排版:了有和
校对:Tav、林晨
监制:了有和、Beatrice
版权声明:未经授权,不得转发。
内容版权归原作者所有,内容代表作者观点,我们的服务,和 EasyRef 上的所有内容,均按「现状」提供,不提供任何类型的担保,无论是明示还是暗示皆然,内容及品牌是上传所有者的财产,内容均来源于公开信息。
*已标注信息来源
原文链接:https://parametrichouse.com/topological-optimisation/