One the use of Machine Learning in the design of structures.

Abstract

FE-analyse kan tilnærmes på en maskin-lærings måte. Man kan tolke simuleringene som input til nevrale netverks modeller og forsøke å predikere en eller flere output. Denne masteroppgaven utforsker hvor godt modellene presterer, om de kan bli brukt som et alternativ til FE-simuleringer, eller om de kan brukes sammen med simuleringene for å regne ut reaksjonskrefter. Forskjellige muligheter med tanke på modellarkitektur, type nevralt nettverk, mengden data som trengs for å produsere akseptable output, og hvordan håndtere dataen blir eksperimentert med. Tre dataset ble generert med Abaqus slik at det er mulig å teste om modellene lærer. Graph Convolutional Networks blir testet ut for å finne mønstre i informasjonen som kommer fra meshingen laget i Abaqus, uten at dette ga noen positiv effekt på predikeringene gjort av modellene. Long Short-Term Memory nettverk blir brukt på tidsseriedata laget i Abaqus. Disse viser seg å lære raskt og gjøre lite feil. Nevrale nettverk blir brukt på tidsseriedata og blir brukt for å finne mønstre i parameterene som bestemmer tverrsnittet til bjelkene. Hovedsaklig er det deformasjon i U2 retningen som blir predikert, men reaksjonskrefter testes også ut, for det meste med gode resultater.

FE-analysis can be approached in a machine-learning fashion. We can interpret the simulations as inputs to different neural network models and choose to predict one or more datapoints as outputs. This master thesis explores how the models created performs, if they can be used as an alternative to FE-simulations or if they can be used together with the simulation to calculate reaction forces. Further, different options concerning model architecture, type of neural network, the amount of data needed for acceptable outputs, and how to handle the data are experimented with. Three datasets were made with Abaqus to test how the models fit the data of different simulations. Graph Convolutional Networks are tried out to extract information from the mesh created by Abaqus, however, they were not able to contribute positively to the predictions from the trained models. Long Short-Term Memory networks are applied to the time-series data produced by Abaqus and shows to train quickly and have low error. Neural networks are tried on time-series data and used to extract features from parameters connected to the cross-section of the beams. Primarily, the deformation of the nodes in the U2 direction is predicted, but reaction forces are also tested out, mostly with good results.