Samir El Mourabit, Sweco
Smartare stålprojektering med maskininlärning Digitaliseringens intåg i samhället har knappast undgått någon. Nya trendord som disruption, automatisering och AI vittnar om de utmaningar vi står inför. Pågående eller kommande genombrott inom digitalisering kommer säkerligen förändra våra vardagliga liv och våra arbeten. Listan över sådana genombrott låter sig inte göras kort, men några framstående exempel är AI (artificiell intelligens), IoT (internet of things), Blockchain, kvantdatorer och autonoma fordon. AI
M
itt i detta virrvarr pågår ändå byggnadskonstruktörens vardag, och i takt med att fler programvaror, standarder och tekniska system introduceras blir det svårare och svårare att hålla sig uppdaterad med det senaste. Det krävs mycket av oss konstruktörer för att både bemästra BIM, Finita Element-analyser och produktionsanpassade lösningar. Hur ska vi lyckas hänga med i omvärldens utvecklingssprång när vi redan har fullt upp på vår hemmaarena? Faktum är att nästintill alla våra projekt numera genomförs med 3D-modeller och BIM. Det innebär att stora mängder digitala fotspår, med andra ord data, lämnas kvar när ett projekt avslutas. Denna data kan visa sig vara mycket värdefull på fler sätt än förväntat. Uppsjön av färdiga BIM-modeller i avslutade projekt utgör nämligen en enorm kunskapsbank som reflekterar byggnadskonstruktörernas samlade kunskap och erfarenhet. Här finns en möjlighet att tillämpa maskininlärning (en form av AI) för att dra nytta av denna kunskapsbank. Trots detta är det än så länge sällsynt med sådana användningsexempel i vår bransch. NR 3 • 201 9 • NY HET ER O M STÅ L BYG G NA D
Maskininlärning i BIM-modeller
Sweco har experimenterat med maskininlärning i BIM-modeller för att ta tillvara denna potential, ett exempel är knutpunkter i detaljerade stålstommar. En prototyp i form av ett datorprogram har utvecklats, som med hjälp av en maskininlärningsalgoritm kan analysera befintliga stålmodeller och ”lära sig” hur knutpunkterna detaljerats. För att lära sig anledningen till vilken detaljlösning som använts tittar programmet på ett antal styrande parametrar, som antal anslutande profiler i knutpunkten, profilstorlekar, vinklar, längder, m.m. Det går till och med att importera in snittkrafter till stålstommen från befintliga beräkningsmodeller, och ha med dessa bland parametrarna som maskininlärningsalgoritmen lär sig ifrån. När tillräckligt många stålstommar har analyserats kan programmet baserat på sin ”erfarenhet” föreslå lämpliga detaljlösningar till knutpunkter i nya basmodeller. Detta kan liknas vid hur en konstruktör under sitt arbetsliv samlar på sig erfarenhet, för att så småningom skapa sig en intuition av vilken utformning som passar bäst för en viss knutpunkt. Låt oss titta närmare på det datorprogram som utvecklats för att lättare förstå
hur denna process går till. Rent praktiskt är det ett fristående datorprogram med ett grafiskt användargränssnitt som utvecklats. Detta program används tillsammans med stålmodeller i programmet Tekla Structures. Det typiska programflödet vid användning kan delas upp i följande steg: 1. Användaren instruerar programmet att identifiera alla knutpunkter i en befintlig stålmodell i Tekla (en knutpunkt definieras av att ändarna av minst två stålelement ligger nära varandra med en viss tolerans). 2. När programmet identifierat alla knutpunkter visualiseras dessa i modellen med en liten sfär, se figur 1. Efter detta kan användaren göra två olika saker beroende på om modellen är detaljerad eller inte: a) Om stålmodellen är detaljerad kan användaren markera önskade knutpunkter och instruera programmet att skriva in dem i sin databas. b) Om stålmodellen inte är detaljerad kan användaren markera önskade knutpunkter och instruera programmet att läsa från sin databas för att hitta lämpliga matchningar (med hjälp av en maskininlärningsalgoritm). ➤ AI • 43
