Physics-informed, Generative Adversarial Design of Funicular Shells
本文提出了一种结合膜因子约束与辅助判别器的物理启发式生成对抗网络框架，该框架成功生成了稳定、结构高效且前所未见的索力壳几何形状，从而将索力多边形的概念推广到了三维结构。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几个世纪以来，建筑师和工程师们一直在追求一种特定的结构完美：即一种仅靠其自身形状来承重，而无需沉重的内部支撑或钢筋来防止开裂的建筑。这一理念可以追溯到17世纪，当时科学家们意识到，如果你将一根链条松散地悬挂在两点之间，它会形成一条处于纯拉伸状态的曲线。如果将这条悬挂的链条倒过来，所形成的拱形则处于纯压缩状态，这意味着其每一部分都处于被挤压而非被拉伸的状态。对于像石材或混凝土这类在受压时非常强韧但在受拉时很脆弱的材料来说，这是最有效的建造方式。虽然这一原理在简单的拱形结构中表现出色，但将其扩展到复杂的、三维的壳体结构（例如现代建筑的曲面屋顶）仍然是一个难题。设计这些形状通常需要运行复杂的计算机模拟，而这些模拟耗时很长，且寻找完美形态的过程往往涉及不断地尝试与验证，直到结构达到稳定。
来自西班牙和法国的一个研究小组开发了一种解决这一难题的新方法，使用的是一种通过自我博弈进行学习的人工智能技术。该系统不再为每一个新设计都运行缓慢的传统模拟，而是训练一个计算机系统来发明具有天然效率的新型壳体形状。研究人员创建了一个包含数千种不同壳体形式的数据库，并模拟了它们在自身重量下的表现。随后，他们训练了一个人工智能模型，使其能够识别出结构稳固与结构不稳固之间的差异。该系统使用一个“生成器”来创造新的、未见过的壳体设计，并使用一个“判别器”来进行评判。至关重要的是，判别器受物理学引导；它不仅是在寻找看起来逼真的图像，还在通过计算结构的挤压程度与弯曲程度之比，来检查该形状在现实世界中是否能够屹立不倒。
结果表明，这种方法可以成功生成由压缩主导的平滑且复杂的壳体几何形状，这正是混凝土结构的理想状态。在测试中，计算机生成的形状中，“膜效应因子”（衡量结构依赖挤压力而非弯曲力的指标）非常高，通常接近可能的最大值。这表明人工智能正在学习创造出不需要钢筋强化的形态，这对于像3D打印混凝土这样难以添加钢筋的新型施工技术来说是一个显著优势。研究人员发现，该系统可以创造各种各样的形状，包括中间带有孔洞的形状，而不会塌陷成单一的、重复的模式。当他们使用标准的工程软件对计算机生成的形状进行物理性能复核时，结果证实了人工智能确实生成了可行且高效的结构。
这项研究还强调了计算机学习方式的重要性。研究人员发现，仅仅让人工智能进行随机猜测是行不通的；系统需要一个特定的引导来理解物理规则。通过使用一个充当物理专家的预训练模型，系统学会了避免产生失败的设计。他们还发现，人工智能需要清晰地看到设计中的“孔洞”，因此他们教它生成一张关于材料存在与否的地图。这使得系统能够处理带有空隙的复杂设计，而这种设计在实际建筑中非常普遍。最终的输出是一系列平滑、流动的表面，看起来像是生长出来的而非建造出来的，同时又遵循着严格的力学定律。
这项工作并不声称已经解决了结构设计中的所有问题，但它展示了一个探索壳体建筑可能性的强大新工具。研究人员表明，通过将人工智能与基本的物理定律相结合，可以生成既美观又高效的结构形态。该系统产生了此前从未见过的设计，证明了计算机可以比传统方法更广泛地探索可能的形状空间。虽然生成的形状仍需人类工程师进行最终检查以确保其具备施工条件，但研究证实，这种方法可以快速产生高质量的候选方案，用于开发新型的可持续建筑形式。快速生成这些形状的能力可以帮助建筑师和工程师设计出使用更少材料、消耗更少能源的建筑，从而将悬链线的效率引入复杂的现代三维结构世界。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。