Мохов И.

Научный руководитель – доцент каф.ОАП Уморина Ж.Э.

(Уральский государственный архитектурно-художественный университет)
ПРОЦЕДУРНАЯ ГЕНЕРАЦИЯ И ОПТИМИЗАЦИЯ КОНСТРУКЦИИ АРОЧНОГО
ПЕРЕКРЫТИЯ
В этой статье рассматривается метод генеративного проектирования для создания и
оптимизации конструкции арочного перекрытия с элементами фуникулера. Этот метод бросает вызов
устаревшей системе колонн, которая использовалась более века. Вводя план этажа с расположением
колонн, дизайнеры могут создавать различные опорные конструкции фуникулера, расширяя выбор
конструкций перекрытий за пределы простых колонн и балок и способствуя созданию архитектурных
пространств с более разнообразными элементами дизайна. Применяя методы машинного обучения
(искусственные нейронные сети) для оценки и оптимизации структурных характеристик и
конструктивных возможностей фуникулера определяются оптимальные решения. Для достижения
этой цели, модель машинного обучения обучается и используется в качестве быстрой оценки, чтобы
помочь эволюционному алгоритму найти оптимальные проекты. Этот междисциплинарный метод
сочетает в себе информатику и структурный дизайн, обеспечивая гибкий выбор дизайна для создания
конструкций перекрытия. При проектировании конструкции фуникулерной арки широко
используется графический метод статики для оценки и создания силы и формы. Графическая статика
(2D/3D) — это метод проектирования и анализа конструкций, основанный на геометрии. История
графической статики восходит к эллинистической эпохе, когда Архимед использовал алгебраические
формулы и иллюстрации, чтобы объяснить в своей книге "О равновесии плоскостей плоскости, что
вес объекта обратно пропорционален расстоянию в условиях равновесия по закону рычаги. Эпоха
Возрождения положила начало современной механике. Галилео Галилей, Роберт Гук и Исаак Ньютон
внесли большой вклад в научное развитие механики. Специфическая для графической статики,
механика содержит три важных фактора: Силы представлены в виде векторов, силы могут быть
составлены и разложены, и баланс сил может быть достигнуто в условиях равновесия.
Вычислительное решение трехмерной графической статики помогает дизайнерам генерировать
трехмерные многогранные формы путем манипулирования диаграммами сил с заданными
граничными условиями. При нахождении формы в 3D графической статике, правила преобразования
правила преобразования от диаграмм сил к диаграммам форм работают точно так же так же, как и в
2D. Модель машинного обучения может быть обучена для классифицирования изображения
геометрий на основе эстетических наклонностей архитектора (Turlock and Steinfeld 2019). Примеры
фуникулерных структур переводятся в черно-белые и белые пространственно различимые
изображения, которые затем используются для обучения конволюционной нейронной сети (CNN).
Архитектурное пространство, структурированное с помощью системы Maison Domino может
быть перепроектировано с использованием фуникулерной структуры созданной методом
графической статики. Топология и правила деления контролируют генерацию диаграммы сил;
поэтому фуникулярные формы также генерируются как двойная геометрия. Обученная нейросетевая
модель может находить формы с помощью заданными пользователем оценочными метриками.
Машинное обучение модель обучается и используется в качестве быстрого оценщика, чтобы помочь
эволюционному алгоритму находить оптимальные конструкции. Этот метод охватывает
междисциплинарную границу информатики науки и структурного проектирования, обеспечивая
гибкий выбор для создания конструкций перекрытий.