ArrangementGAN ni mbinu ya usanifu wa ujifunzaji wa kina inayotenganisha kimaana vipengele vya kimuundo na vya usanifu katika michoro ya usanifu, kisha kutumia mtandao zalishi pinzani unaotegemea pix2pixHD kuzalisha kiotomatiki mpangilio wa kwenye ndege wa vidhibiti vya mtetemo vya mnato. Katika utafiti huu ArrangementGAN haikutumiwa peke yake; kwanza algoriti ya kijenetiki (GA) ilitumiwa kuzalisha mifano ya Pareto-optimal ya usambazaji wa wima wa vidhibiti, kisha perceptroni yenye tabaka nyingi (Multilayer Perceptron, MLP) ikajifunza suluhu hizi na kukadiria kwa haraka idadi ya vidhibiti kwa kila ghorofa. Katika hatua ya pili, nguzo, milango/madirisha, kuta za kujazia na maeneo yanayofaa kwa vidhibiti yalitolewa kutoka kwenye michoro ya usanifu na kuingizwa katika ArrangementGAN inayotegemea pix2pixHD. Chanzo kinaripoti kwa MLP bora \(R^2=0.961\), hitilafu ya utabiri ya `<%5` na ongezeko la ufanisi wa ukokotoaji la takriban viwango viwili vya ukubwa; kwa mtiririko mzima wa usanifu, ongezeko la ufanisi la zaidi ya mara 10 ikilinganishwa na mbinu ya jadi limeripotiwa. ArrangementGAN imeripotiwa kukidhi mahitaji ya kanuni katika visa vya uhandisi chini ya masharti ya usanifu wa tetemeko ya daraja 7 na 8. Hata hivyo, utafiti huu ni preprint ambayo haijapitia uhakiki wa wenzao; ukubwa wa data ya mafunzo, ujumuishaji mdogo wa maarifa ya fizikia ya mekaniki katika modeli ya ujifunzaji, na uwezo wa kuhamisha modeli kati ya masharti tofauti ya tetemeko ni vikwazo muhimu.

Sifa muhimu ya utafiti ni kushughulikia swali “kidhibiti kiwekwe wapi?” katika viwango viwili tofauti. Mpangilio wa wima huamua ni vidhibiti vingapi vinapaswa kutengwa kwa kila ghorofa ya jengo. Mpangilio wa kwenye ndege huamua katika mpango wa usanifu/kimuundo wa ghorofa fulani vidhibiti hivyo viwekwe katika nafasi na mielekeo ipi. Msururu wa GA–MLP hutatua tatizo la kwanza, na ArrangementGAN tatizo la pili.

Kidhibiti cha mnato ni kipengele cha kupunguza nishati kinachotumiwa kusambaza sehemu ya nishati ya kimekanika inayotokana na mwendo wa jamaa wa muundo chini ya tetemeko la ardhi au mzigo mwingine wa dinamiki kupitia upinzani wa mnato. Hata hivyo, kuongeza tu idadi ya vidhibiti haitoshi; usambazaji kati ya ghorofa, ulinganifu, njia ya uhamishaji wa nguvu, maeneo yenye miondoko mikubwa kati ya ghorofa, mabadiliko ya ghafla ya ugumu, kazi ya usanifu na ufikivu wa matengenezo lazima yazingatiwe kwa pamoja.

Tatizo ambalo utafiti unajaribu kutatua

Uboreshaji wa jadi wa mpangilio wa vidhibiti mara nyingi hutegemea uzoefu wa kihandisi, uchanganuzi wa kurudia-rudia na mbinu za uboreshaji kama algoriti ya kijenetiki au kundi la chembe. Ingawa mbinu hizi zinaweza kutoa matokeo ya ubora wa juu, hasa katika miundo changamano au mirefu, kuchanganua tena na tena idadi kubwa ya njia mbadala huongeza muda wa ukokotoaji.

Tatizo la pili ni kwamba kuboresha lengo moja pekee hakutoshi. Kupunguza tu mkengeuko wa juu wa ghorofa au kupunguza gharama pekee kunaweza kupuuza malengo mengine kama uharakishaji, msokoto, idadi ya vidhibiti, ulinganifu na utekelezekaji. Kwa hiyo chanzo kinatumia mbinu yenye malengo mengi inayotathmini pamoja uhamisho, uharakishaji na ufanisi wa kiuchumi.

Tatizo la tatu ni jinsi ya kuweka idadi bora ya vidhibiti iliyopatikana katika mpango halisi wa usanifu. Algoriti inaweza kusema kwamba vidhibiti sita vinahitajika katika ghorofa fulani; lakini haviwezi kugongana na milango au madirisha, vinapaswa kuwa katika maeneo yanayofaa ya kuta za kujazia, viunganishwe kwa kuaminika na vipengele vya kubeba mzigo, na visambazwe kwa uwiano/ulinganifu kadiri iwezekanavyo. ArrangementGAN inalenga safu hii ya pili ya usanifu.

Kwa nini mbinu mseto ya GA–MLP imetumiwa?

Mbinu mseto ya GA–MLP imetumiwa kuunganisha uwezo wa algoriti ya kijenetiki wa utafutaji wenye malengo mengi na utabiri wa haraka wa regresi wa MLP: GA huzalisha usambazaji wa wima wa vidhibiti wa Pareto-optimal kati ya malengo ya usalama, uharakishaji na uchumi, huku MLP ikijifunza uhusiano wa ingizo–tokeo kutoka kwa suluhu hizi zenye gharama kubwa ya ukokotoaji na kutabiri kwa haraka zaidi idadi ya vidhibiti kwa kila ghorofa kwa miundo mipya.

Jukumu la algoriti ya kijenetiki

Algoriti ya kijenetiki haijawekwa kama injini ya mwisho ya utabiri wa muda halisi, bali kama mzalishaji wa data ya mafunzo yenye ubora wa juu. Baada ya majibu ya dinamiki ya muundo kukokotolewa, uhamisho, uharakishaji na malengo ya kiuchumi huzingatiwa pamoja. GA yenye mkakati ulioboreshwa wa uteuzi sambamba huzalisha seti ya suluhu za Pareto ambazo hazitawaliwi na nyingine badala ya suluhu moja.

Suluhu ya Pareto-optimal ni suluhu ambayo haiwezi kuboreshwa zaidi katika lengo moja bila kuzorotesha lengo jingine. Hivyo, kwa mfano, badala ya kuongeza idadi isiyo na kikomo ya vidhibiti ili kupunguza uhamisho, hupatikana nafasi ya suluhu yenye malengo mengi kati ya usalama na gharama.

Chanzo kinasema kwamba majibu ya dinamiki yalikokotolewa kwa njia ya Newmark. Hata hivyo, katika maandishi ya mbinu yanayopatikana, uandishi wazi wa kihisabati wa mlinganyo wa mwendo wa muundo, vigezo vya Newmark \(\beta/\gamma\), au maelezo kama ukubwa wa idadi ya watu ya GA, kiwango cha mutation na kiwango cha crossover hayajaripotiwa wazi. Maadili haya hayajakamilishwa na Verianla.

Maingizo sita na matokeo kumi ya MLP

MLP iliyotumiwa katika utafiti ina tabaka moja la ingizo, tabaka mbili zilizofichwa na tabaka moja la matokeo. Tabaka zilizofichwa zina nyuroni 64 na 32 mtawalia. Vekta ya ingizo ina vipimo sita; katika sehemu ya majaribio chanzo kinafafanua maingizo haya kuwa wingi wa ghorofa, ugumu wa ghorofa, idadi ya ghorofa, masafa ya msingi na malengo yanayotarajiwa ya uhamisho/uharakishaji.

Vekta ya matokeo ina vipimo kumi. Kulingana na chanzo, kila tokeo linahusiana na idadi ya vidhibiti vitakavyotengwa kwa ghorofa husika ya muundo wa fremu. Kwa hiyo lengo la mtandao si kuzalisha mchoro moja kwa moja, bali kutabiri uamuzi wa usambazaji wa wima kwa regresi.

Ukokotoaji wa nyuroni ya MLP

Milinganyo 1 na 2 ya chanzo inatoa operesheni ya msingi katika nodi ya MLP iliyounganishwa kikamilifu kama ifuatavyo:

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

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

\(x_i\) inawakilisha thamani ya ingizo, \(w_{ij}\) uzito kati ya nodi ya ingizo i na nodi j, \(b\) neno la bias, \(z_j\) mchanganyiko wa mstari, na \(y_j\) tokeo la nyuroni baada ya fungsi ya uanzishaji.

Kwa kihisabati, mlinganyo wa kwanza huunganisha maingizo kwa uzito. Mlinganyo wa pili hutumia uanzishaji usio wa mstari kwenye mchanganyiko huu wa mstari. Hivyo mtandao unaweza kuwakilisha kwa makadirio si tu mahusiano ya mstari, bali pia mahusiano changamano zaidi kati ya vigezo vya kimuundo na usambazaji bora wa vidhibiti.

Fungsi za uanzishaji

Chanzo kinatoa fungsi za tanjenti haipaboliki na Rectified Linear Unit (ReLU):

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

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

Vinyambulisho vyake pia vimeonyeshwa katika chanzo:

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

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

Jukumu la vinyambulisho hivi ni kukokotoa mwelekeo na ukubwa wa kusasisha uzito wakati wa backpropagation. Chanzo kinapotaja Levenberg–Marquardt backpropagation katika maelezo ya mafunzo, pia kinatathmini kando muundo wa mtandao uliochaguliwa na kiwango cha ujifunzaji katika sehemu ya hyperparameter za majaribio.

ArrangementGAN ni nini na inafanya nini kiotomatiki?

ArrangementGAN ni mfumo wa usanifu unaotegemea mtandao zalishi pinzani unaotumia usanifu wa pix2pixHD wa image-to-image translation ili kuzalisha kutoka kwenye mchoro wa usanifu uliosindikwa kisemantiki mpangilio wa kwenye ndege wa vidhibiti unaolingana na kanuni za uhandisi; mfumo hutafsiri mchoro kupitia Architectural Drawing Interpreter, huzalisha mpangilio wa vidhibiti kupitia Arrangement Generator, na hutoa vigezo vya kimuundo kupitia Structural Modeler kisha kuunganisha na tathmini ya elementi finiti inayotegemea SAP2000.

Maana ya kisayansi ya Kielelezo 1 cha chanzo

Kielelezo 1 kwenye ukurasa wa 6 wa chanzo kinaonyesha mtiririko wa data na uhandisi wenye sehemu tatu. Sehemu ya kwanza inaonyesha ubadilishaji wa mchoro wa usanifu kuwa modeli ya kisemantiki, sehemu ya pili taarifa ya modeli ya kimuundo inayohusiana na mpangilio uliopo/bora wa vidhibiti, na sehemu ya tatu mitandao ya generator na discriminator ya ArrangementGAN inayotegemea pix2pixHD.

Ujumbe wa kisayansi wa kielelezo hiki ni kwamba GAN si kizalishaji tupu cha picha. Mchoro wa ingizo hugawanywa kwanza katika kategoria zenye maana ya kimuundo, na muundo wa mwisho baadaye huunganishwa na mazingira ya uchanganuzi wa kimuundo.

Usindikaji wa awali wa kisemantiki wa mchoro

Chanzo huhifadhi katika mchoro wa usanifu vipengele vinavyohitajika tu kwa modeli:

Lengo la segmentation ya kisemantiki ni kupunguza maelezo yasiyo ya lazima ya mchoro na kurahisisha GAN kujifunza sifa za kijiometri zenye maana ya kihandisi pekee.

Ulinganisho wa U-Net na pix2pixHD

Utafiti unalinganisha usanifu miwili ya uzalishaji wa picha kwenye seti moja ya data ya mpangilio wa vidhibiti. U-Net imetathminiwa kama mbinu ya kawaida ya usanisi wa picha inayotegemea CNN; pix2pixHD kama modeli ya image-to-image translation yenye azimio la juu inayojumuisha adversarial training.

Katika kisa wakilishi cha Kielelezo 3 cha chanzo:

Namba hizi mbili zinahusu mfano mmoja wakilishi; hazipaswi kufasiriwa kama wastani wa jumla wa seti nzima ya data ya majaribio.

Hyperparameter \(\gamma_{FM}\)

Katika pix2pixHD, \(\gamma_{FM}\) ni hyperparameter inayoathiri uzito wa sehemu ya feature-matching loss katika hasara ya jumla. Utafiti ulilinganisha michoro iliyozalishwa kwa maadili tofauti ya \(\gamma_{FM}\) na kutumia vipimo vingi katika visa 20 vya majaribio.

Chanzo kinaripoti kuwa wakati \(\gamma_{FM}=0\) au 1, michoro ina kelele zaidi na ni dhaifu katika kunasa kanuni za mpangilio; kadiri thamani inavyoongezeka, matokeo huboreka na kuwa thabiti katika masafa fulani. Katika mpangilio wa mwisho wa ArrangementGAN:

\[ \gamma_{FM}=10 \]

imechaguliwa. Vigezo vingine vya pix2pixHD vimehifadhiwa katika mipangilio ya kawaida ya mtandao.

Mazingira ya mafunzo ya ArrangementGAN

IoU hupima nini katika mpangilio wa vidhibiti?

Intersection over Union (IoU) hupima kwa kugawa eneo la makutano kwa eneo la muungano kiwango ambacho eneo la kidhibiti lililozalishwa na ArrangementGAN linaingiliana kijiometri na eneo lengwa la kidhibiti lililoundwa na mhandisi; thamani inapoongezeka, mwingiliano wa anga wa mipangilio miwili huongezeka, lakini kipimo hiki peke yake si kipimo cha moja kwa moja cha utendaji halisi wa tetemeko la ardhi.

Tathmini inayotegemea kontua

Katika chanzo, michoro iliyozalishwa na michoro lengwa hugawanywa kwanza katika picha ndogo. Kontua za vidhibiti hutolewa kutoka nafasi ya rangi ya HSV na viwianishi huamuliwa kwa kutumia kazi za ugunduzi wa kontua za OpenCV.

Mlinganyo 12 wa chanzo:

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

na eneo la muungano:

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

limeandikwa hivyo.

\(A_{\mathrm{target}}\) ni eneo la mpangilio wa kidhibiti katika muundo wa mhandisi; \(A_{\mathrm{GAN}}\) ni eneo lililozalishwa na GAN; \(A_{\mathrm{intersection}}\) ni makutano ya maeneo hayo mawili. Kipimo hakina kizio.

Ikiwa mipangilio miwili inaingiliana kikamilifu, uwiano hukaribia 1. Ikiwa hakuna makutano, huwa 0. Hata hivyo, miundo miwili yenye thamani sawa ya IoU si lazima iwe na tabia sawa ya dinamiki ya kimuundo; kwa hiyo utafiti hutumia IoU pamoja na tathmini ya mbunifu na vigezo vya uhandisi.

Kwa nini mtazamo wa binadamu umetathminiwa kando?

Kufanana kwa tokeo la GAN na mchoro lengwa katika kiwango cha pikseli hakuhakikishi kwamba linaonekana la asili na linalotekelezeka kihandisi. Kwa hiyo chanzo kilitumia jopo la wahandisi 30 wa miundo wenye uzoefu na wanafunzi 10 wa uzamili.

Washiriki walionyeshwa mipangilio ya kisemantiki ya vidhibiti na kupewa kazi mbili:

1. Kukadiria ikiwa mchoro uliandaliwa na binadamu au na ArrangementGAN.
2. Kupima mantiki ya mpangilio kwa alama kati ya 1 = isiyo na mantiki na 5 = yenye mantiki.

Milinganyo 7–11 kwa tathmini ya binadamu

Chanzo kinafafanua kipimo cha kutofautisha AI–binadamu kama ifuatavyo:

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

Hapa \(N_{ex}\) ni idadi ya wataalamu, \(N_{nonex}\) idadi ya wakadiriaji wasio wataalamu, \(N_T\) uainishaji sahihi wa AI/manual, na \(N_F\) uainishaji usio sahihi. Kwa hiyo Mlinganyo 7 kimsingi unahusiana na kiwango cha wakadiriaji kushindwa kutofautisha kwa usahihi.

Tathmini ya mantiki imetolewa katika chanzo kama:

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

ambapo \(S_j\) ni alama ya 1–5 iliyotolewa kwa muundo wa j.

Uzito wa vikundi umefafanuliwa katika chanzo kama ifuatavyo:

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

Wastani na mkengeuko sanifu pia vimeandikwa kama:

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

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

hivyo.

Dokezo la ndani la chanzo: Wakati Mlinganyo 9 unaamua uzito wa kundi la wataalamu na wasio wataalamu kulingana na coefficients of variation, maandishi katika sehemu hiyo hiyo yanatumia msemo “equal weighting applied to both groups”. Kwa kuwa fomula na maelezo ya maneno hayasemi jambo lilelile kwa uwazi, tofauti hii inapaswa kuhifadhiwa bila kusawazishwa.

Matokeo ya tathmini ya binadamu

Katika sehemu ya matokeo, imeripotiwa kwamba %39,36 ya ya mipangilio iliyozalishwa na AI ilidhaniwa na wataalamu kuwa miundo ya uhandisi iliyotengenezwa kwa mikono. Matokeo haya hayamaanishi kwamba “%39,36 ya miundo ya AI ni sahihi”; yanahusiana tu na kazi ya wakadiriaji kutofautisha chanzo cha muundo.

Chanzo pia kinaripoti tofauti ya alama za mantiki kati ya ArrangementGAN na muundo wa mikono kuwa %12,01 na kueleza kwamba matokeo yanaendana na kanuni za mpangilio “uniform, dispersed, peripheral”.

Yanayoungwa mkono na yasiyoungwa mkono na utafiti

Utafiti unaunga mkono: Katika seti ya data na visa vya uhandisi vilivyochunguzwa, mipangilio bora ya wima iliyozalishwa na GA inaweza kutabiriwa na MLP kwa ulinganifu mkubwa; ArrangementGAN inayotegemea pix2pixHD inaweza kuzalisha kutoka kwenye michoro ya usanifu mipangilio ya kisemantiki ya vidhibiti inayofanana na muundo wa mikono; na utendaji huwa wa juu zaidi katika visa vya daraja 7 na 8 wakati mafunzo mahususi kwa masharti yanapotumiwa.

Utafiti hauungi mkono: Mfumo haujathibitisha kwamba utazalisha muundo salama katika aina yoyote ya jengo, eneo lolote la tetemeko au chini ya kanuni yoyote bila uthibitishaji. Tokeo la modeli halipaswi kufasiriwa kama mbadala wa jukumu la usanifu, uchanganuzi na uzingatiaji wa kanuni la mhandisi wa miundo aliye na leseni. Pia chanzo hakifanyi jaribio la kimwili la muundo wa ukubwa kamili chini ya tetemeko halisi la ardhi.

Mbinu na Matokeo ya Utafiti

1. Mtiririko wa jumla wa kazi

2. Utafutaji wa hyperparameter za MLP

Mipangilio mitano ya mtandao ililinganishwa:

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

Kwa kila muundo, viwango vinne vya ujifunzaji vilijaribiwa: 0,1; 0,01; 0,001 na 0,0001. Chanzo kinasema kuwa katika kiwango cha ujifunzaji 0,1 kiliona mitikisiko dhahiri; 0,001 na 0,0001 vilifikia muunganiko kwa uthabiti zaidi, lakini mafanikio ya 0,0001 yalipungua. Hatimaye 0,001 kilichaguliwa.

3. Majaribio ya MLP yaliyorudiwa mara kumi

Michoro ya box plot katika Kielelezo 9 cha chanzo inalinganisha mipangilio mitano ya MLP chini ya jaribio lililorudiwa mara 10 kwa hitilafu za mafunzo na majaribio. Ukaribu wa hitilafu za mafunzo na majaribio umefasiriwa na chanzo kama kiashiria cha generalization nzuri.

Usanifu wa [64,32] ulichaguliwa kama MLP ya mwisho kwa sababu ulijitokeza kwa median RMSE ya chini na utofauti mdogo katika data za mafunzo na majaribio.

Chanzo kinatumia istilahi “precision” na “accuracy” kwa tatizo la regresi. Asilimia hizi hazipaswi kulinganishwa moja kwa moja na kipimo cha accuracy cha uainishaji; zinapaswa kuchukuliwa kama istilahi za chanzo chenyewe katika kuripoti.

Mlinganyo wa \(R^2\) uliotumiwa katika chanzo unapaswa kufasiriwaje?

Mlinganyo 13 wa chanzo umechapishwa kama usemi wa \(R^2\) unaoweka uwiano wa jumla ya miraba ya utabiri kuzunguka wastani wa thamani halisi dhidi ya utofauti wa jumla wa thamani halisi, na katika matokeo ya jedwali thamani inafasiriwa kuwa na ulinganifu bora kadiri inavyokaribia 1; kwa kuwa mlinganyo haujatolewa katika umbo lilelile la kawaida la \(1-\mathrm{SSE}/\mathrm{SST}\), Verianla haubadilishi kimya kimya kuwa katika umbo la kawaida.

Katika chanzo Mlinganyo 13 uko hivi:

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

\(n\) inawakilisha idadi ya sampuli, \(\hat{y}_i\) thamani iliyotabiriwa, \(y_i\) thamani halisi, na \(\bar{y}\) wastani wa thamani halisi.

Chanzo katika Jedwali 4 na Kielelezo 10 kinafasiri thamani 0,9610 kama modeli inayoeleza takriban %96,1 ya mabadiliko. Hili ni tafsiri ya waandishi wa chanzo na limewasilishwa bila kubadilisha umbo la mlinganyo.

4. Ulinganisho wa majibu ya kimuundo ya MLP na GA

Katika Kielelezo 11, majibu ya kimuundo ya muundo wa vidhibiti unaotegemea GA na muundo uliotabiriwa na MLP yanalinganishwa kwa seti nne za majaribio. Chanzo kinaripoti kwamba mikunjo iko karibu na kwamba mbinu ya MLP hutoa faida ya ukokotoaji hasa katika mizunguko mifupi ya usanifu wa kihandisi.

Katika sehemu ya matokeo, kwa hatua ya MLP zimeripotiwa:

• \(R^2 = 0.961\),
• hitilafu ya utabiri < %5,
• uboreshaji wa takriban viwango viwili vya ukubwa katika ufanisi wa ukokotoaji

.

5. Jaribio la hyperparameter la ArrangementGAN

Kielelezo 4 cha chanzo kinaonyesha jinsi matokeo ya pix2pixHD yanavyobadilika kwa kuonekana wakati thamani za \(\gamma_{FM}\) zinabadilishwa. Katika thamani za chini kuna kelele na makosa ya mpangilio, ilhali katika thamani za juu kufanana na mchoro lengwa na mantiki ya usambazaji wa vidhibiti huongezeka.

Katika Kielelezo 5, \(S_{DIoU}\), WIOU, PA, \(S_{DWratio}\), \(W_{cv}\) na vipimo vya ziada vinavyofafanuliwa katika chanzo kama \(\alpha\) vililinganishwa katika visa 20 vya majaribio. Mpangilio wa mwisho ni \(\gamma_{FM}=10\).

6. Masharti ya usanifu wa tetemeko ya daraja 7 na 8

Chanzo kinaripoti kwamba sampuli za viwango tofauti vya uimarishaji wa tetemeko zilipounganishwa katika seti moja ya mafunzo, modeli inayotegemea pix2pixHD ilielekea kwenye wastani wa usambazaji na kupata ugumu wa kunasa kwa usahihi hitaji la kipekee la vidhibiti la kila sharti.

Kwa hiyo modeli tatu zilifundishwa:

• M-Group7: data ya masharti ya daraja 7 pekee,
• M-Group8: data ya masharti ya daraja 8 pekee,
• M-Mix Group: data mchanganyiko ya daraja 7–8.

Kisa kimoja halisi cha kimuundo cha daraja 7 na kisa kimoja cha daraja 8 ambavyo havikutumiwa katika mafunzo vilichaguliwa kwa majaribio.

Kwa nini masharti ya usanifu wa daraja 7 na 8 yanahitaji mafunzo ya modeli tofauti?

Katika utafiti, daraja la usanifu wa tetemeko hubadilisha idadi inayohitajika ya vidhibiti na usambazaji wa mpangilio, kwa hiyo data mchanganyiko ya mafunzo ya daraja 7–8 ilisababisha modeli kuelekea kuwasilisha wastani wa tofauti kati ya masharti; matokeo ya jedwali pia yanaonyesha kwamba modeli M-Group7 na M-Group8 zilizofundishwa katika darasa la tetemeko linalolingana na sharti la majaribio zilitoa thamani za juu zaidi za \(W_{cv}\) katika seti zao zinazolingana.

Ukinzani wa ndani wa chanzo: Ingawa maelezo ya maandishi yanasema kwamba thamani ya M-Mix kwa Group7 iko juu ya 0,5, thamani ya Jedwali 6 ni 0,427. Maelezo hayo hayo yanasema M-Group8 kwa Group8 haikupita 0,5, lakini thamani ya Jedwali 6 ni 0,595. Verianla haijabadilisha namba zinazoonekana kwenye jedwali wala kuficha ukinzani huu.

Mwelekeo wazi ndani ya jedwali lenyewe ni kwamba modeli inayolingana na sharti la majaribio hutoa matokeo bora zaidi: katika jaribio la Group7 M-Group7 = 0,670; katika jaribio la Group8 M-Group8 = 0,595. Matokeo haya yanaunga mkono maoni ya chanzo kwamba katika siku zijazo seti za data zinazowakilisha masharti tofauti ya usanifu zinapaswa kuainishwa na kufundishwa kwa utenganisho.

7. Uthibitishaji wa kihandisi

Katika sehemu ya matokeo, chanzo kinasema ArrangementGAN ilitumika katika visa vya uhandisi chini ya masharti ya uimarishaji wa tetemeko ya daraja 7 na 8, na kwamba majibu muhimu ya kimuundo kama uwiano wa mkengeuko kati ya ghorofa na uharakishaji chini ya viwango vya tetemeko vya mara kwa mara, vya usanifu na nadra yalitimiza mahitaji ya kanuni.

Hata hivyo, katika maandishi yanayopatikana chanzo hakitoi jina kamili la kanuni hiyo au maadili yote ya mipaka katika jedwali la kina. Kwa hiyo Verianla haiongezi jina la kanuni maalum au thamani ya kizingiti.

Namba nyingine mbili katika sehemu ya matokeo:

Kuongezeka kwa kasi kwa takriban viwango viwili vya ukubwa na ufanisi wa jumla wa usanifu wa zaidi ya mara 10 havipaswi kuunganishwa kama kipimo kimoja. Chanzo kinaripoti hivi katika miktadha tofauti.

8. Nguvu za utafiti

Nguvu ya kwanza ni kutenganisha majukumu ya uboreshaji na ujifunzaji wa kina zalishi. GA hutafuta suluhu za Pareto za ubora wa juu; MLP hujifunza kuzitabiri kwa haraka; ArrangementGAN huzibadilisha kuwa mpango wa usanifu.

Nguvu ya pili ni kwamba haukutegemea tu kufanana kwa picha. Vipimo vya computer vision, tathmini ya binadamu na kanuni za uhandisi vilitumika pamoja.

Nguvu ya tatu ni kuzingatia kwa majaribio kwamba sharti la usanifu wa tetemeko hubadilisha tabia ya modeli, na kuonyesha kwamba seti mchanganyiko ya data haitoi matokeo bora katika kila hali.

Nguvu ya nne ni kuripoti sehemu muhimu ya maunzi ya mafunzo, ukubwa wa picha, kiwango cha ujifunzaji, batch size, epoch, matoleo ya programu na hyperparameter kuu.

9. Vikwazo vikuu

Chanzo bado hakijapitia uhakiki wa wenzao.

Mafanikio ya modeli ya ujifunzaji wa kina hutegemea wigo wa data ya mafunzo. Chanzo pia kinataja moja kwa moja ukomavu wa modeli na ukubwa wa seti ya data kama vikwazo.

Mfumo wa sasa wa ujifunzaji hauingizi moja kwa moja kanuni zote za fizikia ya mekaniki ya miundo ndani ya mtandao wa neva. Waandishi wanapendekeza hasa kwamba katika siku zijazo modeli rahisi za kimekanika ziunganishwe katika mfumo wa ujifunzaji.

Mafunzo mchanganyiko ya masharti ya daraja 7 na 8 yanaonyesha mwelekeo wa modeli kuelekeza usambazaji mahususi wa sharti kwenye wastani. Kwa hiyo haiwezi kudhaniwa kwamba modeli inayofanikiwa katika usambazaji mmoja wa mafunzo itadumisha utendaji huo huo katika darasa tofauti la usanifu wa tetemeko.

Chanzo hakiripoti wazi idadi ya jumla ya sampuli katika seti ya data, hyperparameter zote za uboreshaji za GA, au vigezo vya Newmark vilivyotumiwa katika suluhisho la dinamiki. Mapungufu haya yanazuia uwezo kamili wa kuzalisha tena matokeo kwa kujitegemea.

Kuna ukinzani wa moja kwa moja wa namba kati ya maelezo ya \(W_{cv}\) katika chanzo na Jedwali 6.

Tathmini ya binadamu ilifanywa na wataalamu 30 na wakadiriaji 10 wasio wataalamu. Jopo hili hutoa taarifa muhimu kuhusu ushawishi wa kuona na wa kihandisi wa ArrangementGAN; lakini si utafiti mpana wa idadi ya watu unaowakilisha mtazamo wa jamii nzima ya uhandisi wa miundo.

10. Mielekeo ya kazi ya baadaye

Waandishi wanapendekeza mielekeo mitatu mikuu ya utafiti:

• kuunganisha modeli rahisi za kimekanika katika mfumo wa ujifunzaji,
• kuendeleza vipimo vya kina zaidi vinavyotathmini pamoja ubora wa uzalishaji wa picha na utendaji halisi wa kimuundo,
• kuchunguza data ya mafunzo iliyounganishwa ya maandishi–picha ili kutafiti uwezekano wa modeli moja kufanya kazi chini ya masharti tofauti ya usanifu.

Mapendekezo haya si matokeo mapya yaliyothibitishwa katika utafiti wa sasa; ni mipango ya waandishi kwa utafiti wa baadaye.

Maelezo ya Chanzo na Mbinu

Kichwa asilia: An Intelligent Design Method for Vibration-Damping Structures Based on Deep Learning

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

Chanzo cha taarifa za waandishi: Hakuna mstari wa waandishi unaoonekana kwenye ukurasa wa kwanza unaoonekana wa PDF iliyopakiwa; mpangilio wa waandishi umethibitishwa kutoka rekodi rasmi ya bibliografia ya SSRN.

Mwandishi anayewajibika / wa mawasiliano: Katika rekodi ya SSRN Dongsheng Du ameorodheshwa kama “Contact Author”.

Ushirika wa taasisi: SSRN inatoa taarifa ya Nanjing Tech University kwa Dongsheng Du, Yunlong Zhang, Weizhi Xu na Shuguang Wang. Kwa Zhengyu Luo, Yan Geng na Xi Chen, rekodi ya SSRN haitoi ushirika wa taasisi; Verianla haijabuni taarifa ya taasisi iliyokosekana.

Jukwaa: SSRN.

Namba ya SSRN: 7180412.

DOI: 10.2139/ssrn.7180412.

Tarehe ya rekodi ya SSRN: 25 Julai 2026.

Urefu: kurasa 33.

Aina ya chanzo: Preprint ya usanifu wa uhandisi wa miundo inayotegemea ujifunzaji wa mashine / ujifunzaji wa kina.

Hali ya uhakiki: PDF ya chanzo inaeleza wazi kwamba utafiti haujapitia uhakiki wa wenzao.

Leseni: Sehemu ya “License Information” inaonekana katika faharasa rasmi ya rekodi ya SSRN; hata hivyo, kwa kuwa rekodi inayopatikana haionyeshi wazi masharti maalum ya matumizi tena, leseni huria haijadhaniwa. Vielelezo vya chanzo havipaswi kutumiwa tena kama vilivyo.

Algoriti kuu: algoriti ya kijenetiki iliyoboreshwa; uboreshaji wa Pareto wenye malengo mengi; Multilayer Perceptron; pix2pixHD; ArrangementGAN; segmentation ya kisemantiki; uchanganuzi wa IoU/kontua.

Muunganisho wa uchanganuzi wa kimuundo: Chanzo kinaripoti kwamba moduli ya Structural Modeler katika mtiririko wa ArrangementGAN imeunganishwa na uchanganuzi wa elementi finiti kupitia SAP2000.

Mgawanyo wa data wa MLP: %80 mafunzo, %20 majaribio.

Mafunzo ya ArrangementGAN: picha ya chaneli tatu ya 2048 × 1024 pikseli; lr = 0,0002; batch size = 4; 150 epoch; Adam optimizer; \(\gamma_{FM}=10\) ya mwisho.

Tathmini ya binadamu: wahandisi 30 wa miundo wenye uzoefu katika udhibiti wa mtetemo na wanafunzi 10 wa uzamili.

Mgongano wa maslahi: Waandishi wanatangaza kwamba hakuna maslahi ya kifedha yanayojulikana au uhusiano binafsi unaoweza kuathiri utafiti.

Upatikanaji wa data: “Data will be made available on request.”

Ufadhili: Hakuna sehemu tofauti ya ufadhili inayoonekana katika chanzo; haijadhaniwa kwamba hakukuwa na ufadhili.

CRediT / michango ya waandishi: Hakuna sehemu tofauti ya michango ya waandishi inayoonekana katika chanzo.

Vikwazo vikuu vya kuzalisha tena: Ukubwa wa jumla wa seti ya data ya mafunzo, hyperparameter zote za uboreshaji za GA, mlinganyo wazi wa mwendo/vigezo vya Newmark na maadili yote ya mipaka ya kanuni ya tetemeko iliyotumiwa hayajatolewa kikamilifu katika mbinu kuu inayopatikana.

Kikomo cha kuripoti ndani ya chanzo: Kuna ukinzani wa moja kwa moja kati ya maelezo ya \(W_{cv}\) kwenye ukurasa wa 25 na Jedwali 6 kwenye ukurasa wa 27. Pia msemo “equal weighting” katika tathmini ya wataalamu/wasio wataalamu haulingani kikamilifu na uzito unaotegemea coefficient of variation katika Mlinganyo 9.

Kikomo kikuu cha tafsiri: Utafiti unaonyesha utendaji wa mfumo wa usanifu wa kihandisi unaosaidiwa na AI katika data na masharti ya visa vilivyochunguzwa. Matokeo hayaonyeshi kwamba mipangilio iliyozalishwa na AI inaweza kutumika moja kwa moja katika mifumo tofauti ya miundo, nchi, kanuni na masharti ya tetemeko bila uthibitishaji wa ziada wa kihandisi.