Prediction of the Most Fire-Sensitive Point in Building Structures with Differentiable Agents for Thermal Simulators

要約

建物の構造の安定性を確保するには、火災の安全性が重要ですが、構造が火災安全要件を満たすかどうかを評価することは困難です。
火災は構造内の任意の時点で発生する可能性があり、すべての潜在的な火災シナリオをシミュレートすることは高価で時間がかかります。
この課題に対処するために、最も火災に敏感なポイント（MFSP）の概念と、その識別のための効率的な機械学習フレームワークを提案します。
MFSPは、火災が開始された場合、建物の安定性に最も深刻な影響を与える場所として定義され、最悪のケースの火災シナリオを効果的に表しています。
私たちのフレームワークでは、グラフニューラルネットワーク（GNN）は、火災下の最大インターストーリードリフト比（MIDR）を予測することにより、従来の有限要素分析（FEA）シミュレーターの効率的で微分可能なエージェントとして機能し、MFSP予測因子のトレーニングと評価を導きます。
さらに、新しいエッジアップデートメカニズムと転送学習ベースのトレーニングスキームでフレームワークを強化します。
大規模なシミュレーションデータセットの評価は、MFSPを特定する際に提案されたフレームワークの良好なパフォーマンスを示し、構造設計における火災安全評価を最適化するための変革的なツールを提供します。
開発されたすべてのデータセットとコードは、オンラインでオープンソースされています。

要約(オリジナル)

Fire safety is crucial for ensuring the stability of building structures, yet evaluating whether a structure meets fire safety requirement is challenging. Fires can originate at any point within a structure, and simulating every potential fire scenario is both expensive and time-consuming. To address this challenge, we propose the concept of the Most Fire-Sensitive Point (MFSP) and an efficient machine learning framework for its identification. The MFSP is defined as the location at which a fire, if initiated, would cause the most severe detrimental impact on the building’s stability, effectively representing the worst-case fire scenario. In our framework, a Graph Neural Network (GNN) serves as an efficient and differentiable agent for conventional Finite Element Analysis (FEA) simulators by predicting the Maximum Interstory Drift Ratio (MIDR) under fire, which then guides the training and evaluation of the MFSP predictor. Additionally, we enhance our framework with a novel edge update mechanism and a transfer learning-based training scheme. Evaluations on a large-scale simulation dataset demonstrate the good performance of the proposed framework in identifying the MFSP, offering a transformative tool for optimizing fire safety assessments in structural design. All developed datasets and codes are open-sourced online.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google