Generative Structural Design Integrating BIM and Diffusion Model

要約

AI を使用したインテリジェントな構造設計により、時間のオーバーヘッドが効果的に削減され、効率が向上します。
将来的にはエンジニアを支援し、さらにはエンジニアに取って代わる新しい設計パラダイムとなる可能性があるため、学術コミュニティでの研究のホットスポットとなっています。
ただし、現在の方法には、適用範囲、生成された結果の視覚的品質、結果の評価基準のいずれの点においても、対処すべきいくつかの制限があります。
この研究は包括的な解決策を提案します。
まず、ビルディング インフォメーション モデリング (BIM) をインテリジェントな構造設計に導入し、BIM と生成 AI を統合した構造設計パイプラインを確立します。これは、CAD 図面のみを考慮していた以前のフレームワークを強力に補完します。
世代の知覚の質と詳細を改善するために、この研究は 3 つの貢献を行います。
まず、生成フレームワークに関しては、人間の描画プロセスにインスピレーションを得て、AI モデルの生成の難易度を下げるために、従来のエンドツーエンドのフレームワークに代わる新しい 2 段階の生成フレームワークが提案されています。
次に、採用される生成 AI ツールに関しては、広く使用されている敵対的生成ネットワーク (GAN) ベースのモデルに代わる拡散モデル (DM) が導入され、さまざまな設計の前提条件を考慮するために新しい物理ベースの条件付き拡散モデル (PCDM) が提案されています。
。
第三に、ニューラル ネットワークに関しては、セルフ アテンション ブロック (SAB) と並列クロス アテンション ブロック (PCAB) で構成されるアテンション ブロック (AB) が、クロスドメイン データ融合を容易にするように設計されています。
定量的および定性的な結果は、PCDM の強力な生成および表現機能を示しています。
方法の有効性を調べるために、必要なアブレーション研究が行われます。
この研究は、DM が GAN に取って代わり、土木工学における生成問題の新しいベンチマークになる可能性があることも示しています。

要約(オリジナル)

Intelligent structural design using AI can effectively reduce time overhead and increase efficiency. It has potential to become the new design paradigm in the future to assist and even replace engineers, and so it has become a research hotspot in the academic community. However, current methods have some limitations to be addressed, whether in terms of application scope, visual quality of generated results, or evaluation metrics of results. This study proposes a comprehensive solution. Firstly, we introduce building information modeling (BIM) into intelligent structural design and establishes a structural design pipeline integrating BIM and generative AI, which is a powerful supplement to the previous frameworks that only considered CAD drawings. In order to improve the perceptual quality and details of generations, this study makes 3 contributions. Firstly, in terms of generation framework, inspired by the process of human drawing, a novel 2-stage generation framework is proposed to replace the traditional end-to-end framework to reduce the generation difficulty for AI models. Secondly, in terms of generative AI tools adopted, diffusion models (DMs) are introduced to replace widely used generative adversarial network (GAN)-based models, and a novel physics-based conditional diffusion model (PCDM) is proposed to consider different design prerequisites. Thirdly, in terms of neural networks, an attention block (AB) consisting of a self-attention block (SAB) and a parallel cross-attention block (PCAB) is designed to facilitate cross-domain data fusion. The quantitative and qualitative results demonstrate the powerful generation and representation capabilities of PCDM. Necessary ablation studies are conducted to examine the validity of the methods. This study also shows that DMs have the potential to replace GANs and become the new benchmark for generative problems in civil engineering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google