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.
Fatkov МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ РАБОТЫ СОВРЕМЕННЫХ ПОГЛОЩАЮЩИХ АППАРАТОВ АВТОСЦЕПКИ И РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ДЛЯ РАСЧЕТА ИХ ХАРАКТЕРИСТИК