Sztuczna inteligencja w kształtowaniu konstrukcji, wprowadzenie do sieci neuronowych

• Autorzy: Wojnar Maksymilian , Wojnar Andrzej

Identyfikatory

DOI

10.5604/01.3001.0055.2222

Warianty tytułu

EN

Artificial intelligence in structural design, an introduction to neural networks

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia potencjalne zastosowanie sztucznej inteligencji, w szczególności sztucznych sieci neuronowych (ang. artificial neural networks, ANN), w projektowaniu konstrukcji inżynierskich. Przedmiotem pracy jest automatyczne rozpoznawanie geometrycznego kształtu łuku jako kołowego, eliptycznego lub parabolicznego. Poprawna identyfikacja kształtu łuku jest fundamentalna dla tworzenia schematu statycznego i modelu obliczeniowego konstrukcji, co jest niezbędne do analizy wytrzymałościowej konstrukcji. W artykule analizowane są dwie metody identyfikacji bazujące na ANN: wielowarstwowy perceptron (ang. multilayer perceptron, MLP) oraz konwolucyjna sieć neuronowa (ang. convolutional neural network, CNN). Sieć MLP klasyfikuje typ łuku na podstawie geometrycznych cech wybranych punktów leżących na łuku, natomiast sieć CNN dokonuje rozpoznania na podstawie graficznej reprezentacji łuku jako czarno-białego obrazu. Omówiono również perspektywy zastosowań AI w inżynierii lądowej, ze szczególnym uwzględnieniem modeli generatywnych oraz ich potencjalnego wykorzystania w projektowaniu, symulacjach i automatyzacji procesów budowlanych.

EN

This article presents the potential application of artificial intelligence, particularly artificial neural networks (ANNs), in the design of engineering structures. The subject of the paper is the automatic recognition of the geometric shape of an arc as circular, elliptical or parabolic. Correct identification of the arc shape is fundamental to the creation of the static scheme and computational model of the structure, which is necessary for strength analysis of the structure. This paper analyzes two identification methods based on ANN: multilayer perceptron (MLP) and convolutional neural network (CNN). The MLP network classifies the type of arc based on the geometric features of selected points lying on the arc, while the CNN network makes recognition based on the graphical representation of the arc as a black and white image. The prospects for AI applications in civil engineering are also discussed, with a focus on generative models and their potential use in the design, simulation and automation of construction processes.

• Wydawca: Fundacja Polskiego Związku Inżynierów i Techników Budownictwa
• Czasopismo: Inżynieria i Budownictwo
• Rocznik: 2025
• Tom: R. 81, nr 4
• Strony: 431--437
• Opis fizyczny: Bibliogr. 9 poz., il.

Twórcy

autor

Wojnar Maksymilian

• Akademia Górniczo-Hutnicza, Wydział Informatyki, Elektroniki i Telekomunikacji, Kraków

• https://orcid.org/0000-0003-4510-5976

autor

Wojnar Andrzej

• Politechnika Rzeszowska , Wydział Budownictwa, Inżynierii Środowiska i Architektury

• https://orcid.org/0000-0002-0537-3864

Bibliografia

• [1] McCulloch WS., Pitts W.: “A logical calculus of the ideas immanent in nervous activity”, Bulletin of Mathematical Biophysics 5, 115-133 (1943).
• [2] Rosenblatt F.: “The perceptron: A perceiving and recognizing automaton”. Report, Project PARA, Cornell Aeronautical Laboratory, 85-460-1 (1957).
• [3] Bishop C.: “Pattern Recognition and Machine Learning (Information Science and Statistics)”. Springer-Verlag (2006).
• [4] Goodfellow I., Bengio Y., Courville A.: “Deep learning”. MIT Press (2016).
• [5] Vaswani A., et al.: “Attention is All you Need”. Advances in Neural Information Processing Systems 30 (2017).
• [6] Peebles W., Xie S.: “Scalable Diffusion Models with Transformers”. arXiv cs.CV 2212.09748 (2023).
• [7] Goodfellow I., et al.: “Generative Adversarial Networks”. arXiv statML 1406.2661 (2014).
• [8] Ho J., Jain A., Abbeel P.: “Denoising diffusion probabilistic models”. Proceedings of the 34th International Conference on Neural Information Processing Systems 574 (2020).
• [9] Raissi M., Perdikaris P., Karniadakis G.: "Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations”. arXiv cS.AI 1711.10561 (2017).