Vis enkel innførsel

dc.contributor.advisorRønnquist, Anders
dc.contributor.advisorHaakonsen, Sverre Magnus
dc.contributor.authorSkjærseth, Isak Edvard
dc.contributor.authorBergstrøm, Glenn Edson
dc.date.accessioned2021-11-10T18:19:23Z
dc.date.available2021-11-10T18:19:23Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:78584794:15967893
dc.identifier.urihttps://hdl.handle.net/11250/2828943
dc.descriptionFull text available on 2024-06-29
dc.description.abstractI nåtidens design-paradigme er det et klart skille mellom rollene til henholdsvis arkitekt og ingeniør. Dette skillet gjenspeiles i de digitale verktøyene som er tilgjengelig for de to disiplinene. Arkitektene har verktøy for å skape geometri uten å måtte ta hensyn til tyngdekraften. Ingeniørene har på sin side verktøy for å verifisere konstruksjoner, uten særlig rom for kreativitet. Mellom disse grenene eksisterer det et tomrom. Dette tomrommet kan fylles ved å tilrettelegge for bedre samhandling mellom de to disiplinene. Det er behov for en ny beregningsstrategi som lar designeren utforske relasjonen mellom form og kreft i tidligfase-prosjektering. Denne oppgaven utforsker muligheten for å bruke surrogatmodellering som ett ledd i denne strategien. Målet er å bruke surrogatmodellering for å evaluere konstruksjonen i sanntid i det konseptuelle design-stadiet. En surrogatmodell er en meta-modell. Den er satt sammen ved å integrere flere maskinlæringsmodeller for å simulere en underliggende og mer kompleks modell. Maskinlæringsmodellene er trent, ved bruk av «supervised learning», til å predikere utfallet av ulike resultater fra elementmetoden. Surrogatmodeller er, i denne oppgaven, anvendt for å predikere maksimal deformajson, elastisk energi, global deformasjon, elementutnyttelse, og knekking. Disse predikeres for buer og skallkonstruksjoner i henholdsvis to og tre dimensjoner. Strategier for å lage surrogatmodeller utforskes og evalueres med fokus på presisjonen til estimatene. To eksempelstudier gjennomføres der kompliserte gitterskallgeometrier etableres ved bruk av både «Force Density Method» og Non-Uniform Rational Basis Splines. I disse mulighetsstudiene blir surrogatmodellene evaluert på både deres presisjon og responstid. Resultatene viser at pålitelig informasjon er oppnåelig gjennom surrogatmodellering. Modeller bygget for å predikere en enkelt verdi viser seg å være gjennomgående nøyaktige for både enkle og kompliserte geometrier. Økt grad av kompleksitet i geometri gir dårligere presisjon for de mer avanserte surrogatmodellene. Disse modellene anses fortsatt å kunne gi nyttig informasjon om det konseptuelle design-stadiet. Resultatene viser en betydelig redusert responstid. Dette gjelder for både enkeltverdi prediksjon, og mer kompliserte problemer. Begrensninger i FEA-programmet som er benyttet medførte at det ikke var mulig å simulere en underliggende ikke-lineær analyse. Dette medførte at det ikke var mulig å sammenligne en surrogatmodell som predikerer en ikke-lineær analyse mot en faktisk ikke-lineær analyse. Potensialet til surrogatmodellering sin responstid er derfor fortsatt uvisst.
dc.description.abstractIn the contemporary design paradigm the roles of the architect and the engineer are clearly separated. This separation is reflected in the digital tools available to the two disciplines. The first has tools made for generating geometries in absence of gravity. The second, tools for verifying geometries with no room for creativity. Between the two there is a void. This void can be filled by better integrating the roles of the two disciplines in conceptual design. To achieve this integration, there is a need for a new computational strategy that enables the designer to explore the relationship between form and forces at an early design stage. This thesis explores the possibilities for surrogate modeling to play a part in such a strategy by providing real time feedback on structural efficiency in the conceptual design stage. A surrogate model is a meta-model. It is assembled by integrating several machine learning models to simulate the behavior of a more complex model. These machine learning models are trained, through supervised learning, to predict outcomes of different applications of the Finite Element Analysis (FEA). Surrogate models are, in this thesis, applied to predict the maximum displacement, elastic energy, global deformation, element utilization and buckling behaviour of arches and discrete gridshells in two and three dimensions respectively. Strategies for creating the surrogate models are explored, and evaluated, with emphasis on the accuracy of the model predictions. Two case studies are conducted where challenging gridshell geometries are established through the Force Density Method and Non-Uniform Rational Basis Splines. In these case studies, the surrogate models are evaluated based on both their accuracy and their rate of feedback. The results demonstrate that reliable structural feedback is obtainable through surrogate modeling. The models built for single value prediction has proven to be the most consistently accurate, as they remained reliable for the more challenging problems. The more complex models, like the model predicting global deformation, struggles to sustain the accuracy as the complexity of the problems increased. These models are still believed to provide useful information about structural behaviour. The results shows a significant increase in feedback rate compared to traditional FEA. This is the case for both single value prediction and more complex problems. Due to the limitations of the applied FEA software, it was not possible to create a surrogate model replicating non-linear analysis. Therefore surrogate modeling was not compared to a non-linear FEA. Consequently, the true potential of the surrogate model in terms of feedback rate is yet to be discovered.
dc.languageeng
dc.publisherNTNU
dc.titleExploring Surrogate Modeling as a Tool for Structural Assessment in Conceptual Design
dc.typeMaster thesis


Tilhørende fil(er)

FilerStørrelseFormatVis

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel