Koneoppimisen soveltaminen rakennesuunnittelun mallinnustyökalujen valinnassa

Abstract

Tietomallintava rakennesuunnittelu on tullut rakennusalalle jäädäkseen. Se auttaa havainnollistamaan rakenteet aikaisemmassa vaiheessa, jolloin yhteensovittaminen voidaan suorittaa ajoissa. Tietomallintaminen on kuitenkin tietyiltä osin tuonut suunnitteluun lisää tehtäviä, jolloin suunnittelun kustannukset nousevat. Haasteena on tuhansien mallinnustyökalujen tarjonta, josta oikean löytäminen tiettyyn tehtävään voi olla haastavaa. Tekla Structures -ohjelmistolla tehtävästä mallintamisesta voidaan kerätä käyttödataa. Sen avulla saadaan työkalujen käytöstä tarvittavaa tietoa, jotta niitä voidaan suositella käyttäjille.

Tutkimuksen päätavoitteena on selvittää, miten koneoppimista voidaan hyödyntää mallinnustyökalujen suosittelemiseen mallintamisesta kerättävään käyttödataan pohjautuen. Päätavoitteen saavuttamiseksi täytyy myös selvittää, mitä koneoppimisen menetelmää tähän voidaan hyödyntää, sekä miten työkalujen käyttö- ja metadata saadaan tietokoneilla luettaviksi. Työssä selvitetään myös, miten koneoppimismallia tulisi arvioida, jotta tuloksia voidaan pitää luotettavina. Lopuksi tehdään vertailu neljän eri suunnitteluyksikön mallikäyttäytymisestä. Mallinnustyökalujen käytössä ei tarkasteltu asetuksia tai tarkempaa metadataa. Tässä työssä huomioidaan vain itse työkalun lisääminen malliin. Työssä käytetään tavoitteiden saavuttamiseksi kahta erilaista tutkimusmenetelmää. Kirjallisuusselvitys perehdyttää tietomallintamiseen yleisesti, sekä Tekla Structures - ohjelmistolla tehtävään mallintamiseen, joka on olennainen osa tätä tutkimusta. Lisäksi kirjallisuuskatsauksen avulla tutkitaan koneoppimisen menetelmiä, jotka soveltuvat suositteluun tai ennustamiseen. Aineistona käytetään olemassa olevaa kirjallisuutta, jotka löytyvät julkisista tietolähteistä, yliopiston tietokannasta sekä ohjelmistojen tarjoajien tuottamia ohjeita.

Kirjallisuustutkimuksen pohjalta voidaan toteuttaa työn empiirinen tutkimus. Tässä toteutetaan kolme erilaista koneoppimismallia, joita arvioidaan kolmella eri testitilanteella: helppo, keskivaikea ja vaikea. Koneoppimismenetelmiksi valikoitui Markovin malliin pohjautuva todennäköisyysmatriisin luonti, assosiaatiosäännön oppiminen sekä takaisinkytketty neuroverkko. Jotta malleja voidaan opettaa, täytyi käyttödata muuntaa niille soveltuviksi. Lopuksi vertaillaan neljän eri suunnitteluyksikön mallikäyttäytymistä koneoppimismallin avulla.

Arvioinnin tuloksissa nähdään, että kaikki koneoppimismallit suoriutuivat helposta ja keskivaikeasta testitilanteesta hyvin. Assosiaatiosäännössä huomattiin, että se ei tunnista käyttöjärjestystä, jolloin ei voida tuottaa yhtä selkeää ennustetta. Vaikea arviointitilanne osoittautui kaikille malleille haasteelliseksi, joka osoitti niiden virheellisyyden, sekä korkealaatuisen tietojoukon merkityksen koneoppimisessa. Yksikkökohtaisessa vertailussa havaittiin samankaltaisten työkalujen välille yhteyksiä eri yksiköissä. Lisäksi havaittiin eroavaisuuksia asunto- ja teollisuusrakentamisen suunnittelussa käytettävien mallinnustyökalujen laajuudessa.

Building information modeling in structural design is here to stay. It helps to illustrate the structures in early phases of the design process so that coordination can be done in time. However, in certain respects BIM has brought more tasks to the design process causing an increase in design costs. The challenge is the supply of thousands of modeling tools, where finding the right tool for specific tasks can be difficult. Usage data can be collected from modeling with Tekla Structures software. It helps to obtain the necessary information about the use of modeling tools so that they can be recommended to users.

The main goal of the research is to find out how machine learning can be implemented to recommend modeling tools based on usage data that is collected from modeling. To achieve the main goal, it is also necessary to find out which machine learning method can be used for this task. As well as how to make the tools usage data and metadata readable by machines. The work also explains how the machine learning model should be evaluated so that the results can be considered reliable. Finally, a comparison of modeling behavior between four different design units is made. Modeling tool settings or more detailed metadata is ignored within the research. Only the addition of the tools was considered. To achieve the goals, two different research methods are used in the research. The literature review introduces building information modeling in general and with Tekla Structures, which is an essential part of this research. Literature review also examines machine learning methods that are suitable for recommendation or prediction. Existing literature found in public information sources, the university’s database, and instructions produced by software providers are used as material.

The empirical study phase of the work can be carried out based on the literature research. Three different machine learning models were implemented and then evaluated with three different test situations: easy, medium-hard, and hard. Selected machine learning methods were a probability matrix creation based on the Markov model, association rule learning and recurrent neural network. Usage data had to be converted so that it is suitable for the models. Finally, the modeling behavior of four different design units are compared using one machine learning model. The models’ evaluation results showed that all of them performed well in easy and medium-hard test situations. Association rule had difficulties in recognizing the order of using the modeling tools. Therefore, it cannot provide a single clear prediction. The hard evaluation situation turned out to be a challenge for all the models. This proved that the models are not perfect, and the importance of the high-quality data in machine learning. Modeling tool usage had similarities in all the design units chosen for the research. In addition, differences were observed in the scope of modeling tools used in the planning of residential and industrial construction.