Suurten kielimallien hyödyntäminen teräsrakenteiden elementtimenetelmämallien luomisessa
Winberg, Björn (2026)
2026
Rakennustekniikan DI-ohjelma - Master's Programme in Civil Engineering
Rakennetun ympäristön tiedekunta - Faculty of Built Environment
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2026-06-02
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202606016707
https://urn.fi/URN:NBN:fi:tuni-202606016707
Tiivistelmä
Suurten kielimallien (LLM, Large Language Model) nopea kehitys on avannut uusia mahdollisuuksia rakennusteollisuuden suunnitteluprosessien automatisointiin. Teräsrakenteiden elementtimenetelmämallien (FEM, Finite Element Method) luominen on perinteisesti edellyttänyt graafisten käyttöliittymien käyttöä tai aikaavievää manuaalista ohjelmointia. Tämän diplomityön tavoitteena oli selvittää, voidaanko kielimallien koodigenerointi yhdistää FEM-laskentaan niin, että 2D- teräsrakenteen malli syntyy luonnollisen kielen kuvauksesta ja vastaa toistettavasti ennalta rakennettua vertailumallia, sekä selvittää, mitkä tekijät ratkaisevat onnistumisen.
Työssä kehitettiin Python-pohjainen Aisteel-sovellus, joka yhdistää kielimallin koodigeneroinnin Metku-kirjaston FEM-laskentaan. Sovellus muuntaa käyttäjän luonnollisen kielen kuvauksen suoritettavaksi Python-koodiksi muutaman esimerkin oppimisella ilman mallin hienosäätöä. Tutkimuksessa testattiin viittä kielimallia kolmella eri teräsrakenteella: palkilla, kehällä ja ristikolla. Generointimenetelminä käytettiin wrapperia, jossa on valmiit apufunktiot ja scratchia, jossa apufunktioita ei ole. Kehotekielinä käytettiin englantia ja suomea. Testaus toteutettiin Groq-rajapinnalla yhteensä 6 000 ajolla.
Wrapper-menetelmä tuotti vertailumallia hyvin (keskiarvo 80–91 %) vastaavia tuloksia kaikilla rakenteilla. Yksinkertaisella teräspalkilla scratch-menetelmä ylitti wrapperin (92–93 %), mutta monimutkaisemmilla rakenteilla suorituskyky laski merkittävästi: teräskehällä keskiarvo jäi 17 %:iin ja lähes 70 % ajoista epäonnistui. Ablaatiotutkimus osoitti, että rakennekohtainen mallille annettu esimerkki on kriittinen, mutta kohdennettu API-syntaksiohje riitti palauttamaan korkean suorituskyvyn (94,9 %). Kehotekielen (englanti vs. suomi) vaikutus oli pääsääntöisesti merkityksetön.
Kielimallipohjainen FEM-mallinnus oli teknisesti toteutettavissa. Tutkimuksen merkittävin löydös on, että pullonkaula ei ole rakenteellisen ymmärryksen puute vaan kirjastokohtaisen API- syntaksin tuntemuksen puute. Kohdennettu dokumentaatio parantaisi tuloksia merkittävästi. Jatkokehityskohteiksi tunnistettiin Metku-spesifinen hienosäätö, agenttirakenteet iteratiivisella virhediagnostiikalla sekä laajennus 3D-rakenteisiin.
Työssä kehitettiin Python-pohjainen Aisteel-sovellus, joka yhdistää kielimallin koodigeneroinnin Metku-kirjaston FEM-laskentaan. Sovellus muuntaa käyttäjän luonnollisen kielen kuvauksen suoritettavaksi Python-koodiksi muutaman esimerkin oppimisella ilman mallin hienosäätöä. Tutkimuksessa testattiin viittä kielimallia kolmella eri teräsrakenteella: palkilla, kehällä ja ristikolla. Generointimenetelminä käytettiin wrapperia, jossa on valmiit apufunktiot ja scratchia, jossa apufunktioita ei ole. Kehotekielinä käytettiin englantia ja suomea. Testaus toteutettiin Groq-rajapinnalla yhteensä 6 000 ajolla.
Wrapper-menetelmä tuotti vertailumallia hyvin (keskiarvo 80–91 %) vastaavia tuloksia kaikilla rakenteilla. Yksinkertaisella teräspalkilla scratch-menetelmä ylitti wrapperin (92–93 %), mutta monimutkaisemmilla rakenteilla suorituskyky laski merkittävästi: teräskehällä keskiarvo jäi 17 %:iin ja lähes 70 % ajoista epäonnistui. Ablaatiotutkimus osoitti, että rakennekohtainen mallille annettu esimerkki on kriittinen, mutta kohdennettu API-syntaksiohje riitti palauttamaan korkean suorituskyvyn (94,9 %). Kehotekielen (englanti vs. suomi) vaikutus oli pääsääntöisesti merkityksetön.
Kielimallipohjainen FEM-mallinnus oli teknisesti toteutettavissa. Tutkimuksen merkittävin löydös on, että pullonkaula ei ole rakenteellisen ymmärryksen puute vaan kirjastokohtaisen API- syntaksin tuntemuksen puute. Kohdennettu dokumentaatio parantaisi tuloksia merkittävästi. Jatkokehityskohteiksi tunnistettiin Metku-spesifinen hienosäätö, agenttirakenteet iteratiivisella virhediagnostiikalla sekä laajennus 3D-rakenteisiin.