基于可微机制与神经网络的建筑结构实时设计

为建筑结构（如拱顶、塔楼和桥梁）设计机械效率几何是一个高昂的迭代过程。现有技术求解此类逆问题依赖传统优化方法，速度慢且计算成本高，限制了迭代速度和设计探索。虽然神经网络似乎提供了数据驱动的 amortization 优化解决方案，但它们通常需要大量微调，无法确保满足机械完整性等重要设计准则。在本工作中，我们将神经网络与可微机制模拟器结合，开发了一个加速建筑结构（表示为杆状系统）形状逼近问题求解的模型。该模型在生成设计时显式保证满足机械约束，同时生成与目标几何高度匹配的设计。我们在两项任务中验证了该方法：土坯拱顶和电缆网塔楼的设计。该模型在准确率和泛化能力方面优于完全神经网络方法，与直接优化相比在实时内实现了相当的准确率，实现了快速可靠的设计探索。我们进一步通过将其集成到3D建模软件中并制作实体原型来展示了其优势。本工作为受神经网络增强的建筑环境中的加速机械设计开辟了新的机遇。