Identifying suitable profile joints in CAD using machine learning
Miettunen, Jere (2023)
Miettunen, Jere
2023
Konetekniikan DI-ohjelma - Master's Programme in Mechanical Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-05-04
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202305035047
https://urn.fi/URN:NBN:fi:tuni-202305035047
Tiivistelmä
Profile joints serve a critical role in connecting structural profiles, such as beams and columns. The process of selecting appropriate profile joints can be both complex and time-consuming for structural engineers. This thesis explores how machine learning techniques can be used to aid in the selection of profile joints.
Six different machine learning classifiers were implemented and compared. To train the classifiers, an experimental dataset was extracted from 80 professionally designed building models, with 14 informative features identified through multiple feature evaluation methods. Data collection proved to be a significant challenge, highlighting the importance of good data collection practices. This dataset had enough samples for only 20 different profile joints. As a result, the classifiers support only this limited number of joints, while the complete solution is required to classify up to 100 joints. Several evaluation methods were used to compare the implemented classifiers. The best classification accuracy of 98.5% was achieved with XGBoost classifier. Keras Tuner was used to build a neural network classifier that achieved a classification accuracy of 97.6%. This neural network was used in a proof-of-concept tool to assist the user in the target software.
As the amount of data was limited, a large effort was made to examine and understand the data available. Dimensionality reduction methods such as uniform manifold approximation and projection were used to visualize the data. In addition, the interpretability of the model was enhanced with a method to analyze how each feature contributes to the individual predictions.
This research contributes to the growing field of artificial intelligence-assisted building design by providing a foundation for future work on AI-based profile joint selection and offering a detailed analysis of various machine learning models in this context. The most pressing future work involves collecting more data and repeating the experiments with a larger dataset, as well as exploring alternative algorithms and feature engineering techniques to improve model performance and generalizability. Profiililiitokset ovat tärkeä osa rakennesuunnittelua. Ne yhdistävät profiileja, kuten palkkeja sekä pilareita. Sopivien profiililiitosten valitseminen voi olla monimutkaista ja aikaa vievää. Tässä diplomityössä tutkitaan erilaisten koneoppimistekniikoiden mahdollisuuksia helpottaa suunnittelijan työtä profiililiitosten valinnan osalta.
Työssä toteutettiin kuusi erilaista koneoppimiseen perustuvaa luokittelijaa. Niiden kouluttamista varten kerättiin 80 ammattimaisesti suunnitellusta rakennusmallista opetusdataa, josta tunnistettiin 14 informatiivista piirrettä useiden piirrevalintamenetelmien avulla. Datan kerääminen osoittautui merkittäväksi haasteeksi, mikä korostaa hyvien tiedonkeruukäytäntöjen tärkeyttä. Kerätyssä data-aineistossa oli riittävästi näytteitä 20 eri profiililiitoksen osalta. Tämän vuoksi toteutetut luokittelijat tukevat vain tätä rajallista määrää liitoksia, kun taas täyttä tukea varten luokittelijan tulisi pystyä tunnistamaan jopa 100 liitosta. Luokittelijoita vertailtiin käyttäen useita arviointimenetelmiä. Parhaan luokittelutarkkuuden 98,5 % saavutti XGBoost -luokittelija. Keras Tuner -ohjelmaa käytettiin rakentamaan neuroverkkoluokittelija, jolla saavutettiin 97,6 %:n luokittelutarkkuus. Tätä neuroverkkoa käytettiin kohdeohjelmistossa osana alustavaa työkalua, joka avustaa käyttäjää profiililiitosten valinnassa.
Käytettävissä olevan datan tutkimiseen ja ymmärtämiseen panostettiin erityisen paljon, koska data-aineiston määrä oli rajallinen. Datan visualisointiin käytettiin dimensionaalisuuden vähentämiskeinoja, kuten yhtenäisen moniston approksimointia ja projektointia. Lisäksi mallin tulkittavuutta parannettiin menetelmällä, jolla analysoidaan piirteiden arvojen vaikutusta yksittäisiin ennusteisiin.
Tämä työ edesauttaa kasvavaa tekoälyavusteista rakennussuunnittelua luomalla perustan tekoälypohjaisen profiililiitosten valinnan jatkokehitykselle ja tarjoamalla yksityiskohtaisen analyysin erilaisten koneoppimismallien hyödyntämisestä tässä asiayhteydessä. Tärkein jatkokehityksen kohde on kokeiden toistaminen suuremmalla data-aineistolla. Lisäksi tulisi tutkia vaihtoehtoisia algoritmeja sekä piirteiden käsittelytekniikoita mallin suorituskyvyn ja yleistettävyyden parantamiseksi.
Six different machine learning classifiers were implemented and compared. To train the classifiers, an experimental dataset was extracted from 80 professionally designed building models, with 14 informative features identified through multiple feature evaluation methods. Data collection proved to be a significant challenge, highlighting the importance of good data collection practices. This dataset had enough samples for only 20 different profile joints. As a result, the classifiers support only this limited number of joints, while the complete solution is required to classify up to 100 joints. Several evaluation methods were used to compare the implemented classifiers. The best classification accuracy of 98.5% was achieved with XGBoost classifier. Keras Tuner was used to build a neural network classifier that achieved a classification accuracy of 97.6%. This neural network was used in a proof-of-concept tool to assist the user in the target software.
As the amount of data was limited, a large effort was made to examine and understand the data available. Dimensionality reduction methods such as uniform manifold approximation and projection were used to visualize the data. In addition, the interpretability of the model was enhanced with a method to analyze how each feature contributes to the individual predictions.
This research contributes to the growing field of artificial intelligence-assisted building design by providing a foundation for future work on AI-based profile joint selection and offering a detailed analysis of various machine learning models in this context. The most pressing future work involves collecting more data and repeating the experiments with a larger dataset, as well as exploring alternative algorithms and feature engineering techniques to improve model performance and generalizability.
Työssä toteutettiin kuusi erilaista koneoppimiseen perustuvaa luokittelijaa. Niiden kouluttamista varten kerättiin 80 ammattimaisesti suunnitellusta rakennusmallista opetusdataa, josta tunnistettiin 14 informatiivista piirrettä useiden piirrevalintamenetelmien avulla. Datan kerääminen osoittautui merkittäväksi haasteeksi, mikä korostaa hyvien tiedonkeruukäytäntöjen tärkeyttä. Kerätyssä data-aineistossa oli riittävästi näytteitä 20 eri profiililiitoksen osalta. Tämän vuoksi toteutetut luokittelijat tukevat vain tätä rajallista määrää liitoksia, kun taas täyttä tukea varten luokittelijan tulisi pystyä tunnistamaan jopa 100 liitosta. Luokittelijoita vertailtiin käyttäen useita arviointimenetelmiä. Parhaan luokittelutarkkuuden 98,5 % saavutti XGBoost -luokittelija. Keras Tuner -ohjelmaa käytettiin rakentamaan neuroverkkoluokittelija, jolla saavutettiin 97,6 %:n luokittelutarkkuus. Tätä neuroverkkoa käytettiin kohdeohjelmistossa osana alustavaa työkalua, joka avustaa käyttäjää profiililiitosten valinnassa.
Käytettävissä olevan datan tutkimiseen ja ymmärtämiseen panostettiin erityisen paljon, koska data-aineiston määrä oli rajallinen. Datan visualisointiin käytettiin dimensionaalisuuden vähentämiskeinoja, kuten yhtenäisen moniston approksimointia ja projektointia. Lisäksi mallin tulkittavuutta parannettiin menetelmällä, jolla analysoidaan piirteiden arvojen vaikutusta yksittäisiin ennusteisiin.
Tämä työ edesauttaa kasvavaa tekoälyavusteista rakennussuunnittelua luomalla perustan tekoälypohjaisen profiililiitosten valinnan jatkokehitykselle ja tarjoamalla yksityiskohtaisen analyysin erilaisten koneoppimismallien hyödyntämisestä tässä asiayhteydessä. Tärkein jatkokehityksen kohde on kokeiden toistaminen suuremmalla data-aineistolla. Lisäksi tulisi tutkia vaihtoehtoisia algoritmeja sekä piirteiden käsittelytekniikoita mallin suorituskyvyn ja yleistettävyyden parantamiseksi.