Optimum Design of Truss and Frame Structures Through Reuse
Master thesis
![Thumbnail](/ntnu-xmlui/bitstream/handle/11250/3038933/no.ntnu%3ainspera%3a107175085%3a22120571.pdf.jpg?sequence=5&isAllowed=y)
Permanent lenke
https://hdl.handle.net/11250/3038933Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
Sammendrag
Den økonomiske utviklingen i samfunnet har historisk sett vært avhengig av økt forbruk og etterspørsel av byggevarer, noe som har medført økende energiforbruk og forurensning. I dag blir bygninger og konstruksjonselementer utformet med hensyn på ett formål og "engangsbruk". Ved slutten av levetiden blir bygninger revet med få eller ingen konstruksjonselementer som blir sendt videre til gjenvinning. Ettersom utbygging øker i både mengde og hyppighet, vil miljøgiftene assosiert med utbygging også øke. Denne oppgaven har som formål å utforske utformingen av fagverk- og rammekonstruksjoner gjennom gjenbruk. En rekke Grasshopper-komponenter er utviklet som et middel for å undersøke ulike strukturelle optimaliseringsteknikker gitt et lager av gjenbrukbare elementer.
I motsetning til å bruke et kommersielt elementmetodeprogram og ignorere kompleksiteten i konstruksjonsanalyse, har et eget skreddersydd program blitt utviklet for å verifisere modellene så raskt som mulig med full åpenhet og forståelse av metodene. Analyseprogrammet ble sammenlignet mot Autodesk: Robot Structural Analysis i en casestudie og viste seg å være nøyaktig med kun 0.047% og 0.023% avvik for henholdsvis forskyvninger og rotasjoner. Videre ga programmet element-utnyttelser i henhold til antagelsene i modellen. I tillegg er det blitt utviklet et konsept for å automatisere lastpåføring.
De tre primære gjenbruksmetodene som er utviklet og gransket i casestudiene er brute force, heuristics og branch and bound. Brute force og heuristics er implementert på en slik måte at det er mulig å ta hensyn til kutting av elementer i materialbanken. Denne metoden gjør det mulig for enkeltelementer å bli brukt i flere posisjoner i konstruksjonen. Metodene er blitt grundig analysert gjennom fire unike case-studier laget for å gi så mye verdifull innsikt som mulig. Livssyklusanalysen og de økonomiske implikasjonene av gjenbruk foreslår potensiale til å redusere karbonekvivalenter med 88% mot en 49% økt kostnad. Relativ størrelse og riktighet ved materialbanken i forhold til konstruksjonen og lastsituasjonen påvirket resultatene fra livssyklusanalysen og kostnadsanalysen betydelig. I tillegg antyder betraktelige forskjeller mellom gjenbruksmetodene et stor potensiale i å forbedre og tilpasse de kombinatoriske optimaliseringsteknikkene. Heuristics-metoden produserte de beste resultatene og var samtidig raskere enn de andre metodene. Likevel skiller brute force og branch and bound seg fra heuristics metoden ved at de er søkemetoder som han potensiale til å finne det optimale resultatet med sikkerhet og bør ikke forkastes i videre forskning.
Videre er maskinlæringsplattformen Tensorflow med programmeringsgrensesnittet Keras benyttet til å utforske hvordan kunstige nevrale nettverk kan brukes til å predikere maks forskyvning for en konstruksjon i tillegg til tilhørende verdi fra livssyklusanalyse. Det beste oppnådde resultatet fra maskinlæringsmodellen var en gjennomsnittsfeil på 9.91% og 0.15% i prediksjonen av henholdsvis forskyvning og LCA. Economic development has historically relied on increasing material demand, which has led to growing energy consumption and carbon dioxide emissions. Today, structural elements used in buildings are typically designed for a single use and purpose. At the end of the lifespan, buildings are demolished, and some elements are recycled. As the output of constructions multiply worldwide, the damaging effects on the environment will only escalate. This thesis aims to explore the design of truss and frame structures through reuse. A series of Grasshopper components have been made as a means to investigate different structural optimization techniques given a stock of reusable elements.
In opposition to using a commercial finite element analysis solver and ignoring the complexity of structural analysis, a taylor-made program for solving truss and frame systems was developed to verify the models as quickly as possible with full transparency and understanding of the methods. The solver was benchmarked in a case study against Autodesk: Robot Structural Analysis and proven to be accurate, deviating only 0.047% and 0.023% for displacements and rotations, respectively. Moreover, program achieved utilization results as expected considering the assumptions. In addition, a concept for automating load application was developed using the gift wrapping method.
The three primary reuse methods developed and scrutinized in the case studies are brute force, heuristics and branch and bound. The brute force and heuristics are implemented with the possibility to include cutting, i.e. a method which allows for elements to be used in multiple positions in the structure. The reuse methods were examined through four different case studies designed to yield as much valuable insight as possible. The research on life cycle assessment and the financial implications of reuse suggested upper bound potential to reduce carbon equivalents by 88% with a 49% additional cost. Relative size and correctness in terms of length and profiles of reuse elements in the material bank with reference to the structure and the load situation was significantly influencing the life cycle assessment and the monetary cost results. Moreover, considerable deviations between the methods in terms of optimization and computation times suggested big potential in improving and adapting the combinatorial optimization technique. The heuristics method generally achieved the superior results while also obtaining the calculations faster than the other methods. However, both brute force and branch and bound are search techniques with the potential to conclusively find the optimal solution unlike heuristics and should not be discarded.
Furthermore, the machine learning platform Tensorflow was used with the API Keras to explore how artificial neural networks can be used to predict multiple objective values based on a set of benchmarks related to optimization. In the case study the neural network attempts to predict maximum displacement and the LCA value (associated with reuse). The best result achieved was a mean error of 9.91% and 0.15% in the prediction for displacement and LCA, respectively.