ArrangementGAN, memarlıq çertyojlarındakı struktur və memarlıq elementlərini semantik olaraq ayırdıqdan sonra pix2pixHD əsaslı generativ rəqib şəbəkədən istifadə etməklə viskoz söndürücülərin müstəvi üzrə yerləşməsini avtomatik yaradan dərin öyrənmə dizayn yanaşmasıdır. Bu tədqiqatda ArrangementGAN təkbaşına istifadə edilməmişdir; əvvəlcə genetik alqoritm (GA) ilə şaquli söndürücü paylanmalarının Pareto-optimal nümunələri yaradılmış, daha sonra çoxqatlı perseptron (Multilayer Perceptron, MLP) bu həlləri öyrənərək mərtəbələr üzrə söndürücü saylarını sürətlə proqnozlaşdırmışdır. İkinci mərhələdə memarlıq çertyojlarından sütunlar, qapı/pəncərə, dolğu divarları və uyğun söndürücü bölgələri çıxarılaraq pix2pixHD əsaslı ArrangementGAN-a verilmişdir. Mənbədə optimal MLP üçün \(R^2=0.961\), `<%5` proqnoz xətası və təxminən iki tərtiblik hesablama səmərəliliyi artımı; bütün dizayn iş axını üçün isə ənənəvi yanaşma ilə müqayisədə 10 dəfədən çox səmərəlilik artımı bildirilmişdir. ArrangementGAN-ın 7 və 8 dərəcə seysmik dizayn şərtlərindəki mühəndislik hallarında norma tələblərini ödədiyi bildirilmişdir. Bununla belə, tədqiqat resenziyadan keçməmiş preprintdir; təlim məlumatlarının miqyası, mexaniki fizika biliklərinin öyrənmə modelinə məhdud inteqrasiyası və müxtəlif seysmik şərtlər arasında modelin ötürülə bilməsi mühüm məhdudiyyətlərdir.

Tədqiqatın mühüm xüsusiyyəti “söndürücü harada yerləşdirilməlidir?” sualını iki ayrı miqyasda nəzərdən keçirməsidir. Şaquli yerləşdirmə, binanın hansı mərtəbəsinə neçə söndürücü ayrılmalı olduğunu müəyyən edir. Müstəvi üzrə yerləşdirmə isə müəyyən mərtəbənin memarlıq/daşıyıcı planında bu söndürücülərin hansı açıqlıqlara və istiqamətlərə yerləşdiriləcəyini müəyyən edir. GA–MLP xətti birinci problemi, ArrangementGAN isə ikinci problemi həll edir.

Viskoz söndürücü, qurğunun zəlzələ və ya başqa dinamik yük altında nisbi hərəkətindən yaranan mexaniki enerjinin bir hissəsini viskoz müqavimət vasitəsilə yaymaq üçün istifadə olunan enerji sönümləmə elementidir. Lakin təkcə söndürücü sayını artırmaq kifayət deyil; mərtəbələrarası paylanma, simmetriya, qüvvə ötürmə yolu, böyük mərtəbə yerdəyişmələrinin olduğu zonalar, qəfil sərtlik dəyişmələri, memarlıq funksiyası və texniki xidmətə çıxış birlikdə nəzərə alınmalıdır.

Tədqiqatın həll etməyə çalışdığı problem

Ənənəvi söndürücü yerləşdirmə optimallaşdırması əsasən mühəndislik təcrübəsinə, iterativ analizlərə və genetik alqoritm və ya hissəcik sürüsü kimi optimallaşdırma üsullarına əsaslanır. Bu üsullar yüksək keyfiyyətli nəticələr verə bilsə də, xüsusilə mürəkkəb və ya hündür konstruksiyalarda çoxsaylı alternativlərin təkrar-təkrar analiz edilməsi hesablama müddətini artırır.

İkinci problem yalnız bir hədəfin optimallaşdırılmasının kifayət etməməsidir. Təkcə maksimum mərtəbə yerdəyişməsini azaltmaq və ya yalnız xərci aşağı salmaq, sürətlənmə, burulma, söndürücü sayı, simmetriya və tətbiq oluna bilmə kimi digər hədəfləri nəzərdən qaçıra bilər. Buna görə mənbə yerdəyişmə, sürətlənmə və iqtisadi səmərəliliyi birlikdə qiymətləndirən çoxməqsədli yanaşmadan istifadə edir.

Üçüncü problem əldə edilmiş optimal söndürücü sayının real memarlıq planına necə yerləşdiriləcəyidir. Alqoritm müəyyən mərtəbədə altı söndürücü lazım olduğunu deyə bilər; lakin bunlar qapı və pəncərələrlə toqquşmamalı, uyğun dolğu divarı zonalarında yerləşməli, daşıyıcı elementlərə etibarlı şəkildə bağlanmalı və mümkün qədər tarazlı/simmetrik paylanmalıdır. ArrangementGAN bu ikinci dizayn qatını hədəfləyir.

GA–MLP hibrid yanaşması niyə istifadə edilmişdir?

GA–MLP hibrid yanaşması genetik alqoritmin çoxməqsədli axtarış qabiliyyətini MLP-nin sürətli reqressiya proqnozu ilə birləşdirmək üçün istifadə edilmişdir: GA təhlükəsizlik, sürətlənmə və iqtisadiyyat hədəfləri arasında Pareto-optimal şaquli söndürücü paylanmaları yaradarkən MLP hesablama baxımından bahalı olan bu həllərdən giriş–çıxış əlaqəsini öyrənərək yeni konstruksiyalar üçün mərtəbə üzrə söndürücü saylarını daha sürətlə proqnozlaşdırır.

Genetik alqoritmin rolu

Genetik alqoritm birbaşa yekun real-vaxt proqnoz mühərriki kimi deyil, yüksək keyfiyyətli təlim məlumatlarının istehsalçısı kimi yerləşdirilmişdir. Qurğunun dinamik cavabları hesablandıqdan sonra yerdəyişmə, sürətlənmə və iqtisadi hədəflər birlikdə nəzərə alınır. Təkmilləşdirilmiş paralel seçim strategiyasına malik GA tək bir həll əvəzinə bir-birindən üstün olmayan Pareto həllər çoxluğunu yaradır.

Pareto-optimal həll, bir hədəf yaxşılaşdırılarkən başqa hədəf pisləşdirilmədən daha da yaxşılaşdırılması mümkün olmayan həlli ifadə edir. Beləliklə, məsələn, yerdəyişməni azaltmaq üçün məhdudiyyətsiz sayda söndürücü əlavə etmək əvəzinə təhlükəsizlik və xərc arasında çoxməqsədli həll məkanı əldə edilir.

Mənbə dinamik cavabların Newmark üsulu ilə hesablandığını bildirir. Bununla yanaşı, əlçatan metod mətnində struktur hərəkət tənliyinin açıq riyazi yazılışı, Newmark \(\beta/\gamma\) parametrləri və ya GA-nın populyasiya ölçüsü, mutasiya nisbəti və çarpazlaşdırma nisbəti kimi detallar görünən şəkildə hesabatlandırılmamışdır. Bu dəyərlər Verianla tərəfindən tamamlanmamışdır.

MLP-nin altı girişi və on çıxışı

Tədqiqatda istifadə olunan MLP bir giriş qatı, iki gizli qat və bir çıxış qatından ibarətdir. Gizli qatlar müvafiq olaraq 64 və 32 neyron ehtiva edir. Giriş vektoru altıölçülüdür; mənbə təcrübə bölməsində bu girişləri mərtəbə kütləsi, mərtəbə sərtliyi, mərtəbə sayı, əsas tezlik və gözlənilən yerdəyişmə/sürətlənmə hədəfləri kimi müəyyən edir.

Çıxış vektoru onölçülüdür. Mənbəyə görə hər bir çıxış karkas konstruksiyanın müvafiq mərtəbəsinə təyin ediləcək söndürücü sayı ilə əlaqəlidir. Buna görə şəbəkənin məqsədi birbaşa çertyoj yaratmaq deyil, şaquli paylanma qərarını reqressiya ilə proqnozlaşdırmaqdır.

MLP neyron hesablanması

Mənbənin Tənlik 1 və 2-si tam bağlı MLP düyünündəki əsas əməliyyatı belə verir:

\[ z_j=\sum_i (w_{ij}x_i+b) \tag{1} \]

\[ y_j=f(z_j) \tag{2} \]

\(x_i\) giriş qiymətini, \(w_{ij}\) i giriş düyünü ilə j düyünü arasındakı çəkini, \(b\) bias terminini, \(z_j\) xətti kombinasiyanı və \(y_j\) aktivasiya funksiyasından sonrakı neyron çıxışını ifadə edir.

Riyazi baxımdan birinci tənlik girişləri çəkili şəkildə birləşdirir. İkinci tənlik isə bu xətti kombinasiyaya qeyri-xətti aktivasiya tətbiq edir. Beləliklə, şəbəkə yalnız xətti əlaqələri deyil, struktur parametrlərlə optimal söndürücü paylanması arasındakı daha mürəkkəb əlaqələri də təxmini təmsil edə bilir.

Aktivasiya funksiyaları

Mənbə hiperbolik tangens və Rectified Linear Unit (ReLU) funksiyalarını verir:

\[ f(x)=\tanh(x)=\frac{1-e^{-2x}}{1+e^{-2x}} \tag{3} \]

\[ f(x)=\max(0,x) \tag{4} \]

Mənbədə törəmələri də göstərilmişdir:

\[ f'(x)=1-\tanh^2(x) \tag{5} \]

\[ f'(x)= \begin{cases} 1, & x>0\\ 0, & \text{aksi halde} \end{cases} \tag{6} \]

Bu törəmələrin rolu geriyə yayılma zamanı çəkilərin hansı istiqamətdə və hansı böyüklükdə yenilənəcəyinin hesablanmasıdır. Mənbə təlim izahında Levenberg–Marquardt geriyə yayılmasına toxunarkən eksperimental hiperparametr bölməsində seçilmiş şəbəkə quruluşunu və öyrənmə sürətini ayrıca qiymətləndirir.

ArrangementGAN nədir və nəyi avtomatlaşdırır?

ArrangementGAN, semantik olaraq işlənmiş memarlıq çertyojundan mühəndislik prinsiplərinə uyğun müstəvi üzrə söndürücü yerləşməsi yaratmaq məqsədilə pix2pixHD görüntüdən-görüntüyə çevirmə arxitekturasından istifadə edən generativ rəqib şəbəkə əsaslı dizayn sistemidir; sistem Architectural Drawing Interpreter ilə çertyoju ayrışdırır, Arrangement Generator ilə söndürücü düzülüşünü yaradır və Structural Modeler ilə struktur parametrləri çıxarıb SAP2000 əsaslı sonlu element qiymətləndirməsinə bağlayır.

Mənbə Şəkil 1-in elmi mənası

Mənbənin 6. səhifəsindəki Şəkil 1 üçhissəli məlumat və mühəndislik axınını göstərir. Birinci hissə memarlıq çertyojunun semantik modelə çevrilməsini, ikinci hissə mövcud/optimal söndürücü yerləşməsi ilə əlaqəli struktur model məlumatını, üçüncü hissə isə pix2pixHD əsaslı ArrangementGAN-ın generator və diskriminator şəbəkələrini göstərir.

Bu şəklin elmi mesajı GAN-ın boş bir vizual generator olmamasıdır. Giriş çertyoju əvvəlcə struktur baxımından mənalı kateqoriyalara ayrılır və yekun dizayn daha sonra struktur analiz mühitinə bağlanır.

Semantik çertyoj ilkin emalı

Mənbə memarlıq çertyojunda yalnız model üçün lazım olan elementləri saxlayır:

Semantik seqmentasiyanın məqsədi lazımsız çertyoj detallarını azaltmaq və GAN-ın yalnız mühəndislik baxımından mənalı həndəsi xüsusiyyətləri öyrənməsini asanlaşdırmaqdır.

U-Net ilə pix2pixHD müqayisəsi

Tədqiqat iki görüntü yaratma arxitekturasını eyni söndürücü yerləşdirmə məlumat dəsti üzərində müqayisə edir. U-Net klassik CNN əsaslı görüntü sintezi yanaşması kimi; pix2pixHD isə adversarial training ehtiva edən yüksək ayırdetməli image-to-image translation modeli kimi qiymətləndirilmişdir.

Mənbənin Şəkil 3-dəki təmsilçi halında:

Bu iki rəqəm tək bir təmsilçi nümunəyə aiddir; bütün test məlumat dəstinin ümumi ortalaması kimi şərh edilməməlidir.

\(\gamma_{FM}\) hiperparametri

pix2pixHD-də \(\gamma_{FM}\), feature-matching loss komponentinin ümumi itkidəki çəkisinə təsir edən hiperparametrdir. Tədqiqat müxtəlif \(\gamma_{FM}\) dəyərlərində yaradılan çertyojları müqayisə etmiş və 20 test halında bir neçə metrikdən istifadə etmişdir.

Mənbədə \(\gamma_{FM}=0\) və ya 1 olduqda çertyojların daha səs-küylü və yerləşdirmə qaydalarını tutmaqda zəif olduğu; dəyər artdıqca nəticələrin yaxşılaşaraq müəyyən intervalda sabitləşdiyi bildirilir. Yekun ArrangementGAN sazlamasında:

\[ \gamma_{FM}=10 \]

seçilmişdir. Digər pix2pixHD parametrləri standart şəbəkə sazlamaları ilə qorunmuşdur.

ArrangementGAN təlim mühiti

IoU söndürücü yerləşməsində nəyi ölçür?

Intersection over Union (IoU), ArrangementGAN-ın yaratdığı söndürücü zonası ilə mühəndis tərəfindən yaradılmış hədəf söndürücü zonasının həndəsi baxımdan nə dərəcədə üst-üstə düşdüyünü kəsişmə sahəsini birləşmə sahəsinə bölməklə ölçür; dəyər böyüdükcə iki yerləşmənin məkan üzrə üst-üstə düşməsi artır, lakin bu metrik təkbaşına real zəlzələ performansının birbaşa ölçüsü deyil.

Kontur əsaslı qiymətləndirmə

Mənbədə yaradılmış və hədəf çertyojlar əvvəlcə kiçik alt-görüntülərə bölünür. HSV rəng məkanından söndürücü konturları çıxarılır və OpenCV-nin kontur aşkarlama funksiyalarından istifadə etməklə koordinatlar müəyyən edilir.

Mənbənin Tənlik 12-si:

\[ S_{DIoU}= \frac{A_{\mathrm{intersection}}} {A_{\mathrm{union}}} \tag{12} \]

və birləşmə sahəsi:

\[ A_{\mathrm{union}} = A_{\mathrm{target}} + A_{\mathrm{GAN}} - A_{\mathrm{intersection}} \]

şəklindədir.

\(A_{\mathrm{target}}\), mühəndis dizaynındakı söndürücü yerləşdirmə sahəsini; \(A_{\mathrm{GAN}}\), GAN tərəfindən yaradılmış sahəni; \(A_{\mathrm{intersection}}\), iki sahənin kəsişməsini ifadə edir. Ölçü vahidsizdir.

İki yerləşmə tamamilə üst-üstə düşərsə nisbət 1-ə yaxınlaşır. Kəsişmə yoxdursa 0 olur. Lakin eyni IoU dəyərinə malik iki dizaynın struktur dinamik davranışı eyni olmaq məcburiyyətində deyil; buna görə tədqiqat IoU-nu dizayner qiymətləndirməsi və mühəndislik meyarları ilə birlikdə istifadə edir.

İnsan qavrayışı niyə ayrıca qiymətləndirilmişdir?

GAN çıxışının hədəf çertyoja piksel səviyyəsində bənzəməsi onun mühəndislik baxımından təbii və tətbiqolunan görünməsinə zəmanət vermir. Buna görə mənbə 30 təcrübəli inşaat mühəndisi və 10 magistratura tələbəsindən ibarət paneldən istifadə etmişdir.

İştirakçılara semantik söndürücü yerləşmələri göstərilmiş və iki tapşırıq verilmişdir:

1. Çertyojun insan tərəfindənmi, yoxsa ArrangementGAN tərəfindənmi hazırlandığını təxmin etmək.
2. Yerləşmənin rasionalığını 1 = məntiqsiz ilə 5 = məntiqli arasında qiymətləndirmək.

İnsan qiymətləndirməsi üçün Tənlik 7–11

Mənbə AI–insan fərqləndirmə metrikini aşağıdakı formada müəyyən edir:

\[ R_{EP-1} = \frac{1}{N_{ex}+N_{nonex}} \sum_i^{N_{ex}+N_{nonex}} \frac{N_F}{N_F+N_T} \tag{7} \]

Burada \(N_{ex}\) ekspertlərin sayını, \(N_{nonex}\) ekspert olmayan qiymətləndiricilərin sayını, \(N_T\) düzgün AI/manual təsnifatlarını və \(N_F\) yanlış təsnifatları ifadə edir. Buna görə Tənlik 7 mahiyyət etibarilə qiymətləndiricilərin yanlış fərqləndirmə nisbəti ilə əlaqəlidir.

Rasionallıq qiymətləndirməsi mənbədə:

\[ R_{EP-2} = \gamma_{ex} \frac{1}{N_{ex}} \sum_i^{N_{ex}} \left( \frac{1}{N_{img}} \sum_j^{N_{img}} S_j \right) + \gamma_{nonex} \frac{1}{N_{nonex}} \sum_i^{N_{nonex}} \left( \frac{1}{N_{img}} \sum_j^{N_{img}} S_j \right) \tag{8} \]

kimi verilir. \(S_j\), j-ci dizayna verilən 1–5 baldır.

Qrup çəkiləri mənbədə belə müəyyən edilir:

\[ \gamma_{ex} = \frac{\sigma_{nonex}/\mu_{nonex}} {\sigma_{ex}/\mu_{ex}+\sigma_{nonex}/\mu_{nonex}}, \qquad \gamma_{nonex}=1-\gamma_{ex} \tag{9} \]

Orta və standart sapma isə:

\[ \mu=\frac{\sum_{i=1}^{N}x_i}{N} \tag{10} \]

\[ \sigma= \sqrt{ \frac{\sum_{i=1}^{N}(x_i-\mu)^2}{N} } \tag{11} \]

şəklində yazılmışdır.

Mənbədaxili qeyd: Tənlik 9 ekspert və ekspert olmayan qrupların çəkisini variasiya əmsallarına görə müəyyən edərkən, eyni bölmədəki mətn “equal weighting applied to both groups” ifadəsindən istifadə edir. Formula ilə şifahi izah eyni şeyi aydın şəkildə demədiyinə görə bu fərq aradan qaldırılmadan qorunmalıdır.

İnsan qiymətləndirməsinin nəticəsi

Nəticələr bölməsində AI tərəfindən yaradılmış yerləşmələrin %39,36-sının ekspertlər tərəfindən manual mühəndislik dizaynı hesab edildiyi bildirilmişdir. Bu nəticə “AI dizaynlarının %39,36-sı doğrudur” demək deyil; yalnız qiymətləndiricilərin dizaynın mənbəyini fərqləndirmə tapşırığına aiddir.

Mənbə həmçinin ArrangementGAN ilə manual dizayn arasındakı rasionallıq balı fərqini %12,01 kimi bildirir və nəticələrin “uniform, dispersed, peripheral” yerləşdirmə prinsipləri ilə uyğun olduğunu ifadə edir.

Tədqiqatın dəstəklədiyi və dəstəkləmədiyi

Tədqiqatın dəstəklədiyi: Araşdırılan məlumat dəstində və mühəndislik hallarındakı GA tərəfindən yaradılmış şaquli optimal yerləşmələrin MLP tərəfindən yüksək uyğunluqla proqnozlaşdırıla bildiyi; pix2pixHD əsaslı ArrangementGAN-ın memarlıq çertyojlarından manual dizayna bənzər semantik söndürücü yerləşmələri yarada bildiyi; şərtəxüsusi təlim tətbiq olunduqda 7 və 8 dərəcə hallarında performansın daha yüksək olduğu dəstəklənir.

Tədqiqatın dəstəkləmədiyi: Sistem istənilən bina tipində, istənilən zəlzələ bölgəsində və ya istənilən normativ altında doğrulama aparılmadan təhlükəsiz dizayn yaradacağını sübut etmir. Model çıxışı lisenziyalı inşaat mühəndisinin dizayn, analiz və normativ məsuliyyətinin yerini aldığı kimi şərh edilməməlidir. Bundan əlavə, mənbə tammiqyaslı konstruksiyanı real zəlzələ altında fiziki olaraq sınaqdan keçirmir.

Tədqiqatın Metodu və Nəticələri

1. Ümumi iş axını

2. MLP hiperparametr skanı

Beş şəbəkə konfiqurasiyası müqayisə edilmişdir:

• [30,25]
• [30,40]
• [40,30]
• [64,32]
• [128,64]

Hər quruluş üçün dörd öyrənmə sürəti sınanmışdır: 0,1; 0,01; 0,001 və 0,0001. Mənbə 0,1 öyrənmə sürətində nəzərə çarpan dalğalanmalar müşahidə etdiyini; 0,001 və 0,0001-in daha sabit yaxınlaşdığını, lakin 0,0001-in uğurunun azaldığını bildirir. Nəticədə 0,001 seçilmişdir.

3. On təkrarlı MLP təcrübələri

Mənbənin Şəkil 9-dakı qutu qrafikləri beş MLP konfiqurasiyasını 10 təkrarlı təcrübə altında təlim və test xətası baxımından müqayisə edir. Təlim və test xətalarının bir-birinə yaxın olması mənbə tərəfindən yaxşı ümumiləşdirmə göstəricisi kimi şərh edilmişdir.

[64,32] arxitekturası həm təlim, həm də test məlumatında daha aşağı median RMSE və daha aşağı dəyişkənliklə seçildiyi üçün yekun MLP kimi seçilmişdir.

Mənbə reqressiya problemi üçün “precision” və “accuracy” terminlərindən istifadə edir. Bu faizlər avtomatik olaraq təsnifat accuracy metriyi ilə eyniləşdirilməməlidir; mənbənin öz hesabat terminologiyası kimi qiymətləndirilməlidir.

Mənbədə istifadə olunan \(R^2\) tənliyi necə şərh edilməlidir?

Mənbənin Tənlik 13-ü proqnozların həqiqi dəyərlərin ortalaması ətrafındakı kvadratlar cəmini həqiqi dəyərlərin ümumi variasiyasına nisbətləndirən \(R^2\) ifadəsi kimi çap edilmişdir və cədvəl nəticələrində dəyər 1-ə yaxınlaşdıqca daha yaxşı uyğunluq kimi şərh edilir; tənlik geniş yayılmış \(1-\mathrm{SSE}/\mathrm{SST}\) yazılışı ilə eyni formada verilmədiyinə görə Verianla bu formulu səssizcə standart formaya çevirmir.

Mənbədə Tənlik 13 belədir:

\[ R^2= \frac{ \sum_{i=1}^{n}(\hat{y}_i-\bar{y})^2 }{ \sum_{i=1}^{n}(y_i-\bar{y})^2 } \tag{13} \]

\(n\) nümunə sayını, \(\hat{y}_i\) proqnozlaşdırılan dəyəri, \(y_i\) həqiqi dəyəri və \(\bar{y}\) həqiqi dəyərlərin ortalamasını təmsil edir.

Mənbə Cədvəl 4 və Şəkil 10-da 0,9610 dəyərini modelin dəyişmənin təxminən %96,1-ini izah etdiyi kimi şərh edir. Bu şərh mənbə müəlliflərinin şərhidir və tənliyin forması dəyişdirilmədən ötürülmüşdür.

4. MLP ilə GA struktur cavablarının müqayisəsi

Şəkil 11-də dörd test dəsti üçün GA əsaslı söndürücü dizaynı ilə MLP tərəfindən proqnozlaşdırılmış dizaynın struktur cavabları müqayisə edilir. Mənbə əyrilərin bir-birinə yaxın olduğunu və MLP yanaşmasının xüsusilə qısa mühəndislik dizayn dövrlərində hesablama üstünlüyü təmin etdiyini bildirir.

Nəticələr bölməsində MLP mərhələsi üçün:

• \(R^2 = 0.961\),
• proqnoz xətası < %5,
• hesablama səmərəliliyində təxminən iki tərtib yaxşılaşma

bildirilir.

5. ArrangementGAN hiperparametr testi

Mənbənin Şəkil 4-ü \(\gamma_{FM}\) dəyərləri dəyişdirildikdə pix2pixHD çıxışlarının vizual olaraq necə dəyişdiyini göstərir. Aşağı dəyərlərdə səs-küy və yerləşdirmə xətaları görünərkən, daha yüksək dəyərlərdə hədəf çertyoja oxşarlıq və söndürücü paylanmasının rasionallığı artır.

Şəkil 5-də 20 test halı üzrə \(S_{DIoU}\), WIOU, PA, \(S_{DWratio}\), \(W_{cv}\) və mənbədə \(\alpha\) kimi müəyyən edilmiş əlavə metriklər müqayisə edilmişdir. Yekun sazlama \(\gamma_{FM}=10\)-dur.

6. 7 və 8 dərəcə seysmik dizayn şərtləri

Mənbə müxtəlif seysmik gücləndirmə dərəcələrinə aid nümunələri tək bir təlim dəstində birləşdirdikdə pix2pixHD əsaslı modelin paylanmanın ortalamasına yönələrək hər şərtin özünəməxsus söndürücü ehtiyacını düzgün tutmaqda çətinlik çəkdiyini bildirir.

Buna görə üç model təlimləndirilmişdir:

• M-Group7: yalnız 7 dərəcə şərtlərinə aid məlumat,
• M-Group8: yalnız 8 dərəcə şərtlərinə aid məlumat,
• M-Mix Group: qarışıq 7–8 dərəcə məlumat.

Təlimdə istifadə olunmayan bir 7 dərəcə və bir 8 dərəcə real struktur halı test üçün seçilmişdir.

7 və 8 dərəcə dizayn şərtləri niyə ayrıca model təlimi tələb edir?

Tədqiqatda seysmik dizayn dərəcəsi tələb olunan söndürücü sayını və yerləşdirmə paylanmasını dəyişdirdiyinə görə qarışıq 7–8 dərəcə təlim məlumatları modelin şərtlər arasındakı fərqləri ortalamağa meyl göstərməsinə səbəb olmuşdur; cədvəl nəticələri də test şərti ilə eyni seysmik sinifdə təlimlənən M-Group7 və M-Group8 modellərinin öz uyğun test dəstlərində ən yüksək \(W_{cv}\) dəyərlərini verdiyini göstərir.

Mənbədaxili uyğunsuzluq: Mətn izahı Group7 üçün M-Mix dəyərinin 0,5-dən yuxarı olduğunu desə də, Cədvəl 6-da dəyər 0,427-dir. Eyni izah Group8 üçün M-Group8-in 0,5-i keçə bilmədiyini söylədiyi halda Cədvəl 6-da dəyər 0,595-dir. Verianla cədvəldə görünən rəqəmləri dəyişdirməmiş və bu ziddiyyəti gizlətməmişdir.

Cədvəlin öz daxilindəki aydın meyl test şərti ilə uyğun modelin ən yaxşı nəticəni verməsidir: Group7 testində M-Group7 = 0,670; Group8 testində M-Group8 = 0,595. Bu nəticə mənbənin gələcəkdə müxtəlif dizayn şərtlərini təmsil edən məlumat dəstlərinin təsnifləşdirilərək təlimlənməsi barədə şərhini dəstəkləyir.

7. Mühəndislik doğrulaması

Mənbə nəticələr bölməsində ArrangementGAN-ın 7 və 8 dərəcə seysmik gücləndirmə şərtlərindəki mühəndislik hallarına tətbiq edildiyini və tez-tez baş verən, dizayn və nadir zəlzələ səviyyələri altında mərtəbələrarası yerdəyişmə nisbəti və sürətlənmə kimi əsas struktur cavablarının norma tələblərini ödədiyini bildirir.

Bununla yanaşı, mənbə əlçatan mətndə bu normanın tam adını və ya bütün limit dəyərlərini ətraflı cədvəl şəklində vermir. Buna görə Verianla müəyyən bir normativ adı və ya hədd dəyəri əlavə etmir.

Nəticələr bölməsindəki digər iki rəqəm:

Təxminən iki tərtiblik sürətlənmə ilə 10 dəfədən çox ümumi dizayn səmərəliliyi eyni ölçü kimi birləşdirilməməlidir. Mənbə bunları fərqli kontekstlərdə bildirir.

8. Tədqiqatın güclü tərəfləri

Birinci güclü tərəf optimallaşdırma ilə generativ dərin öyrənmənin vəzifələrini ayırmasıdır. GA yüksək keyfiyyətli Pareto həllərini kəşf edir; MLP onları sürətlə proqnozlaşdırmağı öyrənir; ArrangementGAN isə memarlıq planına çevirir.

İkinci güclü tərəf yalnız görüntü oxşarlığına əsaslanmamasıdır. Kompüter görməsi metrikləri, insan qiymətləndirməsi və mühəndislik prinsipləri birlikdə istifadə edilmişdir.

Üçüncü güclü tərəf seysmik dizayn şərtinin model davranışını dəyişdirdiyini eksperimental olaraq nəzərə alması və qarışıq məlumat dəstinin hər vəziyyətdə ən yaxşı nəticəni vermədiyini göstərməsidir.

Dördüncü güclü tərəf təlim avadanlığının, görüntü ölçüsünün, öyrənmə sürətinin, batch size, epoch, proqram versiyalarının və əsas hiperparametrlərin mühüm hissəsinin hesabatlandırılmasıdır.

9. Əsas məhdudiyyətlər

Mənbə hələ resenziyadan keçməmişdir.

Dərin öyrənmə modelinin uğuru təlim məlumatlarının əhatəsindən asılıdır. Mənbə də modelin yetkinliyini və məlumat dəstinin miqyasını birbaşa məhdudiyyət kimi göstərir.

Mövcud öyrənmə sistemi struktur mexanikasının bütün fiziki prinsiplərini birbaşa neyron şəbəkəsinə daxil etmir. Müəlliflər gələcəkdə sadələşdirilmiş mexaniki modellərin öyrənmə çərçivəsinə inteqrasiyasını xüsusilə tövsiyə edirlər.

7 və 8 dərəcə şərtlərinin qarışıq təlimi modelin şərtəxüsusi paylanmanı orta qiymətə yönəltmək meylini göstərir. Buna görə bir təlim paylanmasında uğurlu olan modelin fərqli seysmik dizayn sinfində eyni performansı qoruduğu güman edilə bilməz.

Mənbədə məlumat dəstindəki ümumi nümunə sayı, GA-nın bütün optimallaşdırma hiperparametrləri və dinamik həldə istifadə olunan Newmark parametrləri açıq şəkildə hesabatlandırılmamışdır. Bu çatışmazlıqlar tam müstəqil təkraristehsal imkanını məhdudlaşdırır.

Mənbənin \(W_{cv}\) izahı ilə Cədvəl 6 arasında birbaşa rəqəmsal ziddiyyət vardır.

İnsan qiymətləndirməsi 30 ekspert və 10 ekspert olmayan qiymətləndirici ilə aparılmışdır. Bu panel ArrangementGAN-ın vizual və mühəndislik baxımından inandırıcılığı barədə faydalı məlumat verir; lakin bütün struktur mühəndisliyi icmasının qavrayışını təmsil edən geniş populyasiya tədqiqatı deyil.

10. Gələcək tədqiqat istiqamətləri

Müəlliflər üç əsas tədqiqat istiqaməti təklif edirlər:

• öyrənmə çərçivəsinə sadələşdirilmiş mexaniki modellərin inteqrasiya edilməsi,
• görüntü yaratma keyfiyyəti ilə real struktur performansını birlikdə qiymətləndirən daha əhatəli metriklərin hazırlanması,
• müxtəlif dizayn şərtlərində tək modelin işləyə bilməsini araşdırmaq məqsədilə mətn–görüntü birləşik təlim məlumatlarının öyrənilməsi.

Bu təkliflər mövcud tədqiqatda doğrulanmış yeni nəticələr deyil; müəlliflərin gələcək tədqiqat planlarıdır.

Mənbə və Metod Qeydi

Orijinal başlıq: An Intelligent Design Method for Vibration-Damping Structures Based on Deep Learning

Müəlliflər: Dongsheng Du; Yunlong Zhang; Weizhi Xu; Zhengyu Luo; Shuguang Wang; Yan Geng; Xi Chen.

Müəllif məlumatının mənbəyi: Yüklənmiş PDF-in görünən ilk səhifəsində müəllif sətri yoxdur; müəlliflərin sırası SSRN-in rəsmi biblioqrafik qeydindən təsdiqlənmişdir.

Məsul / əlaqə müəllifi: SSRN qeydində Dongsheng Du “Contact Author” kimi göstərilir.

Affiliasiya: SSRN Dongsheng Du, Yunlong Zhang, Weizhi Xu və Shuguang Wang üçün Nanjing Tech University məlumatını verir. Zhengyu Luo, Yan Geng və Xi Chen üçün SSRN qeydində affiliasiya göstərilməyib; Verianla çatışmayan qurum məlumatını uydurmamışdır.

Platforma: SSRN.

SSRN nömrəsi: 7180412.

DOI: 10.2139/ssrn.7180412.

SSRN qeyd tarixi: 25 iyul 2026.

Uzunluq: 33 səhifə.

Mənbə növü: Maşın öyrənməsi / dərin öyrənmə əsaslı struktur mühəndisliyi dizayn preprinti.

Resenziya statusu: Mənbə PDF açıq şəkildə tədqiqatın resenziyadan keçmədiyini bildirir.

Lisenziya: SSRN-in rəsmi qeyd indeksində “License Information” bölməsi görünür; lakin əlçatan qeyd konkret təkrar istifadə şərtlərini aydın şəkildə göstərmədiyinə görə açıq lisenziya fərz edilməmişdir. Mənbə şəkilləri eynilə təkrar istifadə edilməməlidir.

Əsas alqoritmlər: təkmilləşdirilmiş genetik alqoritm; Pareto çoxməqsədli optimallaşdırma; Multilayer Perceptron; pix2pixHD; ArrangementGAN; semantik seqmentasiya; IoU/kontur analizi.

Struktur analiz bağlantısı: Mənbə ArrangementGAN iş axınındakı Structural Modeler modulunun SAP2000 ilə sonlu element analizinə bağlandığını bildirir.

MLP məlumat bölgüsü: %80 təlim, %20 test.

ArrangementGAN təlimi: 2048 × 1024 piksel üçkanallı görüntü; lr = 0,0002; batch size = 4; 150 epoch; Adam optimizer; yekun \(\gamma_{FM}=10\).

İnsan qiymətləndirməsi: 30 vibrasiya nəzarəti üzrə təcrübəli inşaat mühəndisi və 10 magistratura tələbəsi.

Maraqların toqquşması: Müəlliflər məlum maliyyə marağının və ya tədqiqata təsir edə biləcək şəxsi münasibətin olmadığını bəyan edirlər.

Məlumatların əlçatanlığı: “Data will be made available on request.”

Maliyyələşdirmə: Mənbədə ayrıca maliyyələşdirmə bölməsi görünmür; maliyyələşdirmənin olmadığı fərz edilməmişdir.

CRediT / müəllif töhfələri: Mənbədə ayrıca müəllif töhfələri bölməsi görünmür.

Əsas təkraristehsal məhdudiyyətləri: Ümumi təlim məlumat dəstinin ölçüsü, GA-nın bütün optimallaşdırma hiperparametrləri, açıq hərəkət tənliyi/Newmark parametrləri və istifadə olunan zəlzələ normativinin bütün limit dəyərləri əlçatan əsas metodda tam verilməmişdir.

Mənbədaxili hesabat məhdudiyyəti: \(W_{cv}\) üçün 25. səhifədəki izahla 27. səhifədəki Cədvəl 6 arasında birbaşa ziddiyyət vardır. Bundan əlavə, ekspert/ekspert olmayan qiymətləndirmədəki “equal weighting” ifadəsi Tənlik 9-dakı variasiya-əmsalı əsaslı çəkilərlə tam uyğun deyil.

Əsas şərh məhdudiyyəti: Tədqiqat AI dəstəkli mühəndislik dizayn sisteminin araşdırılan məlumat və hal şərtlərindəki performansını göstərir. Nəticələr AI tərəfindən yaradılan yerləşmələrin müxtəlif struktur sistemlərində, ölkələrdə, normativlərdə və seysmik şərtlərdə əlavə mühəndislik doğrulaması aparılmadan birbaşa tətbiq oluna biləcəyini göstərmir.