CN116097265A - 基于梁的物理结构的基于机器学习的设计 - Google Patents
基于梁的物理结构的基于机器学习的设计 Download PDFInfo
- Publication number
- CN116097265A CN116097265A CN202080103592.3A CN202080103592A CN116097265A CN 116097265 A CN116097265 A CN 116097265A CN 202080103592 A CN202080103592 A CN 202080103592A CN 116097265 A CN116097265 A CN 116097265A
- Authority
- CN
- China
- Prior art keywords
- design
- structural design
- encoded
- beams
- physical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 561
- 238000010801 machine learning Methods 0.000 title claims abstract description 159
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 13
- 238000011960 computer-aided design Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000012938 design process Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
一种计算系统(100),可包括设计空间访问引擎(108),其被配置为访问物理结构的设计空间(210)。计算系统(100)还可包括结构设计引擎(110),其被配置为将设计空间(210)编码成三维(3D)矩形组(222)。各个3D矩形(222)可以定义物理结构中的候选梁位置(224),并且3D矩形的候选梁位置(224)可以由各个3D矩形(222)的顶点对之间的线定义。结构设计引擎(110)还可以提供已编码设计空间(220、320、420、520)作为机器学习(ML)模型(120)的输入,通过ML模型(120)基于已编码设计空间(220、320、420、520)生成物理结构的设计,并且提供物理结构的设计以支持物理结构的制造。
Description
背景技术
现代计算机系统可用于创建、使用和管理产品和其它物品的数据。例如,计算机辅助技术(Computer-Aided Technology,CAx)系统可以用于辅助产品的设计、分析、模拟或制造。CAx系统的示例包括计算机辅助设计(Computer-Aided Design,CAD)系统、计算机辅助工程化(Computer-Aided Engineering,CAE)系统、可视化和计算机辅助制造(Computer-Aided Manufacturing)系统、产品数据管理(Product Data Management,PDM)系统、产品生命周期管理(Product Lifecycle Management,PLM)系统等。这些CAx系统可以包括便于产品结构和产品制造过程的设计和模拟测试的组件(例如CAx应用)。
附图说明
在以下具体描述中并参考附图描述了某些示例。
图1示出了支持基于梁的物理结构的基于机器学习(ML)的结构设计的计算系统的示例。
图2示出了经由已编码设计空间的物理结构的框架布局的基于ML的示例性设计。
图3示出了基于ML确定物理结构设计的梁分类的示例。
图4示出了基于ML确定物理结构设计的梁的偏移或旋转值的示例。
图5示出了基于ML确定物理结构设计的端部切割分类的示例。
图6示出了结构设计引擎对ML模型的示例性训练。
图7示出了系统可以实现来支持基于ML的结构设计的逻辑的示例。
图8示出了支持基于ML的结构设计的计算系统的示例。
具体实施方式
本文的讨论涉及物理结构,包括基于梁的物理结构。基于梁的物理结构可以指包括梁的任何结构,并且梁可以包括任何线性结构元件。梁可以为各种产品、建筑结构等提供框架结构,并且梁可以在设计中用作承载或形状限定元件,或者用于各种其它目的。作为一个示例,钢梁框架结构可以用于建筑框架、平台、进出通道或任何数量的其它物理结构。
基于梁的物理结构的设计可能是复杂的。例如,钢框架结构和其它基于梁的物理结构的设计可能需要这样的领域专家,在布置梁框架以满足修整和合并刚性钢构件的载荷要求以便满足强度、成本、使用和维护要求的艺术和科学、以及其它所需的基于梁的设计专长方面具备一定知识。现代CAD工具可能需要这样的领域专家来执行许多重复和乏味的任务,以产生基于梁的物理结构的令人满意的设计。尽管CAD工具可以提供创建形成基于梁的物理结构的复杂几何特征的能力,但是当前的CAD系统可能提供很少或不提供关于如何实际生成梁布局、确定端部切割参数以及产生具有期望的强度、成本和使用属性的基于梁的物理结构的多个其它设计组件的指导。
本文的公开内容可以提供用于基于ML的结构设计的系统、方法、设备和逻辑。如本文更详细描述的,提出了各种特征以支持通过机器学习来生成基于梁的物理结构的结构设计。所描述的基于ML的结构设计特征可以通过基于ML生成基于梁的物理结构设计的框架布局、梁分类、偏移或旋转值、端部切割分配或各种其他设计组件来支持物理结构的设计。本文所述的基于ML的结构设计特征还可以利用已编码设计空间来表示基于梁的结构设计,包括对设计空间中的候选和确定的梁位置的编码。这种已编码设计空间可以被稀疏地定义,并且用物理结构设计的各种设计元素、参数和特征来编码。在这方面,本文所述的已编码设计空间不需要编码用于对物理结构设计建模的CAD坐标系的各个单独的点或体素(voxel)。这样做,本发明的已编码设计空间特征可以大大减少由ML模型提供、处理、学习和应用的数据量。由此可见,与传统设计过程或其它强力计算和基于ML的设计技术相比,本文所述的基于ML的结构设计特征可以提供提高的计算速度并减少处理延时。
这些和其它基于ML的结构设计特征以及技术益处在本文中更详细地描述。
图1示出了支持生成基于梁的物理结构的基于ML的结构设计的计算系统100的示例。计算系统100可以采取单个或多个计算设备(例如应用服务器、计算节点、台式或膝上型计算机、智能电话或其他移动设备、平板设备、嵌入式控制器等)的形式。在一些实现方式中,计算系统100实现CAx工具、应用或程序,以帮助用户设计、分析、模拟或3D制造物理结构。
作为支持本文所述的基于ML的结构设计特征的任何组合的示例实现方式,图1所示的计算系统100包括设计空间访问引擎108和结构设计引擎110。计算系统100可以以各种方式(例如硬件和编程)来实现引擎108和110(包括其组件)。针对引擎108和110的编程可以采取存储在非瞬态机器可读存储介质上的处理器可执行指令的形式,并且针对引擎108和110的硬件可以包括执行这些指令的处理器。处理器可以采取单处理器或多处理器系统的形式,并且在一些示例中,计算系统100使用相同的计算系统特征或硬件组件(例如公共处理器或公共存储介质)来实现多个引擎。
在图1所示的示例中,计算系统100还包括机器学习模型120。计算系统100本身可以实现ML模型120,或者在一些实现方式中远程访问ML模型120。ML模型120可以实现或支持任何数量的机器学习能力、算法、技术或过程以支持物理结构设计。例如,ML模型120可以实现任何数量的监督、半监督、无监督或增强学习模型,以生成物理结构设计或其任何设计组件。作为说明性示例,ML模型120可以利用马尔可夫(Markov)链、上下文树、支持向量机、卷积神经网络、贝叶斯(Bayesian)网络或各种其他机器学习组件、技术或算法来解释基于梁的物理结构的现有设计,并且随后生成结构设计、创建结构框架、确定设计参数或以其他方式支持基于梁的物理结构的设计。作为本文中的继续示例,在设计空间访问引擎108和结构设计引擎110的背景下讨论ML模型120的训练和应用。
在操作中,设计空间访问引擎108可访问物理结构的设计空间。在操作中,结构设计引擎110可以将设计空间编码成三维(3D)矩形组,并且各个3D矩形可以定义物理结构中的候选梁位置,并且3D矩形中的候选梁位置可以由各个3D矩形的顶点对之间的线来定义。结构设计引擎110还可以提供已编码设计空间作为ML模型120的输入,并且通过ML模型120基于已编码设计空间生成物理结构的设计。物理结构的设计可以包括由ML模型120根据候选梁位置确定的梁位置处的梁。结构设计引擎110还可以提供物理结构的设计以支持物理结构的制造。
这些和其它基于ML的结构设计特征在本文中更详细地描述。接下来结合图2至图5描述在应用ML模型以支持物理结构设计中的示例特征,并且稍后结合图6描述示例ML模型训练特征。
图2示出了经由已编码设计空间进行的物理结构的框架布局的基于ML的示例性设计。在图2的示例中,通过设计空间访问引擎108和结构设计引擎110呈现了说明性计算系统。也设想了本文所述的基于ML的结构设计特征的任何其他系统实现方式。
在图2所示的示例中,设计空间访问引擎108访问设计空间210。设计空间可以指用于CAD物理结构的设计、建模或生成的任何有界空间。一些CAD应用可以将设计空间实现为边界框,并且设计空间访问引擎108可以获得设计空间210作为描绘物理结构设计的边界、体积、面积或其他空间特性的用户指定输入。作为另一示例,设计空间访问引擎108可从基于梁的物理结构设计的设计库访问设计空间210作为模板或预配置的边界空间。例如,CAD应用可包括用于不同类型或类别的物理结构的模板化设计区域,且设计空间访问引擎108可相应地访问预配置的设计空间。作为又一示例,设计空间访问引擎108可获得设计空间210作为包围预先存在的物理结构设计的边界体积,从而使用这种边界体积作为不同物理结构(例如下一版本的物理结构)的设计的开始点。
由设计空间访问引擎108访问的设计空间210可表示3D体积,物理结构设计的元素可定位在该体积内或占据该体积。结构设计引擎110可以实现基于ML的设计能力,以生成用于设计空间210的基于梁的物理结构设计,或者生成、确定或产生物理结构设计的所选设计组件。在这样做时,结构设计引擎110可以访问ML模型120,并且ML模型120可以被配置为通过从现有物理结构的训练集学习来学习结构设计技术、参数和元素。具体地,结构设计引擎110和ML模型120可以支持基于梁的物理结构的设计。如本文所述,基于梁的物理结构可以指由梁(例如线性结构元件)组成或包括梁的任何物理结构。在一些实现方式中,结构设计引擎110可以在框架布局的生成中利用ML模型120,该框架布局包括设计空间210中的确定的梁位置、梁分类(例如基于截面形状或其他结构特性区分的)、梁偏移或旋转值、端部切割分类、端部切割或接头参数等。
为了支持基于ML的结构设计,结构设计引擎110可以将设计空间210变换成已编码设计空间。现代CAD系统可以通过3D坐标系、空间体素化或深度图来表示设计空间。为了支持增加的粒度和精度,即使相对小的物理结构的设计空间也可以包括大量离散点。高精度设计空间的基于ML的训练和处理可能需要大量的计算能力和处理时间。由此可见,提供设计空间210中的所有3D点作为到ML模型120中的输入可能压垮由ML模型120应用的ML学习过程。通过将设计空间210编码成较稀疏表示,结构设计引擎110可减少用于表示基于梁的物理结构的设计空间210和这种设计的基于ML的处理的输入点或输入值的数量。
由结构引擎110生成的已编码设计空间可以提供唯一地表示设计空间中的梁位置(包括空设计空间中的候选梁位置和选择为包括在物理结构设计中的确定的梁位置)的能力。为了说明,结构设计引擎110可以编码设计空间210以表示设计空间210中的候选梁位置。为此,结构设计引擎110可以将设计空间210编码为3D矩形组,并且已编码设计空间的各个3D矩形可以例如通过为各个3D矩形定义的梁网格来定义物理结构中的候选梁位置。结构设计引擎110可以将3D矩形的候选梁位置定义为3D矩形的顶点对之间的线。已编码设计空间中的给定3D矩形可以包括八(8)个顶点,并且结构设计引擎110因此可以在给定3D矩形中定义多达二十八(28)个不同的候选梁位置,例如,作为给定3D矩形的顶点对之间的二十八(28)条线中的一些或全部。
在生成已编码设计空间时,结构设计引擎110可以将设计空间划分成任何数量的这种3D矩形,并且已划分的设计空间可以形成包括3D矩形的3D网格。在一些实现方式中,结构设计引擎110将设计空间划分成包括预定数量的3D矩形的3D网格,该数量可基于设计空间的尺寸、设计空间所应用于的物理结构的类型、自定义用户指定的参数或输入、或根据任何数量的额外或替代划分参数而变化。注意,结构设计引擎110可以用不同尺寸或体积的3D矩形来编码设计空间,该尺寸或体积也可以基于其中编码有3D矩形的设计空间的形状或体积而变化。
在图2的示例中,结构设计引擎110将设计空间210编码成3D矩形以生成已编码设计空间220。如图2例示的已编码设计空间220包括八(8)个不同3D矩形,其包括不同高度(且因此不同体积)的3D矩形。同样如图2所示,已编码设计空间220中的给定3D矩形的说明性示例被示出为3D矩形222。对于3D矩形222,结构设计引擎110可以将候选梁位置224指定为3D矩形222的顶点对之间的线。(注意,为了视觉清楚,在3D矩形222中定义的候选梁位置224中仅有三(3)个候选梁位置通过虚线箭头标记)。
对于已编码设计空间的3D矩形,结构设计引擎110可以通过部分或完全连接的网格结构来定义候选梁位置。对于图2所示的3D矩形222,结构设计引擎110将3D矩形222定义为完全连接的网格结构,在该结构中,候选梁位置224被定义在各个3D矩形222的所有顶点对之间。对于部分连接的网格结构,结构设计引擎110可以将候选梁位置定义为3D矩形的顶点对之间的线中的一些而不是全部。例如,结构设计引擎110可以将3D矩形中的候选梁位置定义为沿着3D矩形的外部体积或表面的顶点对线,而不是穿过3D矩形的内部体积的顶点对线。
在生成已编码设计空间时,结构设计引擎110可以唯一地表示设计空间中的梁位置,无论是作为潜在地包括设计的候选梁位置还是随后确定的包括在物理结构设计中的梁。结构设计引擎110可以为设计空间中的梁位置分配唯一标识符,其在本文中可以被称为梁位置标识符。通过梁位置标识符,已编码设计空间可以指定对应梁的另外特性、参数或属性,包括梁位置是否对应于候选梁位置、要包括在物理结构设计中的确定的梁位置、在确定的梁位置处的梁的设计参数(例如梁类型、偏移值等)等。
在确定框架布局之前,结构设计引擎110可以为已编码设计空间的各个候选梁位置分配梁位置标识符。对于用完全连接的网格结构定义的3D矩形,结构设计引擎110可以分配二十八(28)个梁位置标识符,一个标识符用于给定3D矩形中的一个候选梁位置。由于3D矩形的表面可以在矩形划分的设计空间中重叠,因此结构设计引擎110向完全重叠或相同的不同3D矩形的候选梁位置分配相同的梁位置标识符。为了进一步说明,已编码设计空间中的3D矩形可共享公共顶点,且已编码设计空间中的相同顶点对可为两个不同矩形的部分。在这样的情况下,结构设计引擎110可以向多个3D矩形的该顶点对部分的候选梁位置分配相同的梁位置标识符。
以本文描述的任何方式,结构设计引擎110可以识别已编码设计空间中的梁位置。通过梁位置标识符,已编码设计空间可以编码关于梁位置(无论是作为候选梁位置还是稍后确定的用于物理结构的梁位置)的额外数据。梁位置的属性可以通过与梁位置标识符相关联的任意数量的各种标志、标签或值来编码。例如,可以通过为对应的梁位置标识符设定所包括的梁标签来对要包括在物理结构的设计中的所选梁进行编码。还可以以类似的方式在已编码设计空间中指定其它ML确定的设计组件,例如,用于梁分类、偏移或旋转值、端部切割分类等。本文中更详细地描述了这些特征,并且任何这样的数据可以被附加到、捆绑有或编码有梁位置标识符,以指定用于物理结构设计的设计特征或参数。
对于已编码设计空间,结构设计引擎110可以提供用户输入的能力,以选择要包括或排除在物理结构设计中的特定候选梁位置。例如,结构设计引擎110可以识别从设计空间划分以包括在已编码设计空间中的3D矩形的特定列或行,并且将候选梁位置包括在这些所选择的列和/或行中以供ML模型120考虑。未被选择的3D矩形的网格可以被排除或不被设定为已编码设计空间中的候选梁位置。
结构设计引擎110可以提供已编码设计空间作为ML模型120的输入,其可以包括由结构设计引擎110定义的梁位置以供考虑。如本文所述,已编码设计空间可以通过表示梁位置而不是设计空间中的所有3D点或体素,来提供物理结构的设计空间的稀疏表示。对于由结构设计引擎110划分成3D矩形网格的已编码设计空间,可以表示唯一的梁位置而不是3D点或体素。由此可见,与3D坐标系相比,用于基于梁的物理结构的已编码设计空间可以由更少量的数据来表示。
作为由本文所述的所述已编码设计空间提供的数据压缩益处的说明性示例,即使是适度大小的平台结构的传统3D编码或体素化也将占用15英尺的立方空间。在1.0英寸/体素的分辨率下,这种基于体素的设计空间将产生设计空间的5832000个输入值。相比之下,结构设计引擎110可以通过(变化尺寸的)已划分3D矩形的3D网格来生成平台结构的已编码设计空间,其中在已编码设计空间中表示几千个梁位置。在该说明中,唯一表示梁位置的已编码设计空间可以致使99%+的输入值减少,并且可以在存储需求和资源消耗方面提供益处。本文所述的已编码设计空间特征可提高输入的基于ML的处理的速度,从而支持以提高的效率和减少的资源消耗生成物理结构设计。
在一些实现方式中,结构设计引擎110可以向ML模型提供除已编码设计空间之外的额外输入,这可以帮助在特定设计考虑中引导ML模型120。结构设计引擎110可以提供给ML模型120的示例性设计参数包括可适用于物理结构(例如在物理结构设计中的特定位置处)的力值、结构类型或这两者的组合。在图2所示的示例中,设计空间访问引擎108获得可适用于在设计空间210中设计的物理结构的设计参数230,且结构设计引擎110可将已编码设计空间220及设计参数230两者作为输入提供到ML模型120。
ML模型120可被配置为分析呈已编码设计空间和设计参数的形式的输入,并且生成所提供输入的物理结构设计。在图2所示的示例中,ML模型120从已编码设计空间220生成框架布局240。框架布局240可以是结构设计引擎110可以通过ML模型120生成的物理结构的设计的一个示例。框架布局可以指所确定的物理结构的梁位置的任何表示,ML模型120可以从已编码设计空间中指定的候选梁位置确定该表示。图2中生成的框架布局240可以考虑已编码设计空间220中定义的候选梁位置以及任何施加的力值、物理结构类型或设计参数230中指定的其他考虑。
在一些示例中,ML模型120经由计算的概率值生成框架布局240。ML模型120可以生成已编码设计空间220中的各个候选梁位置的梁概率值,并且这样的梁值可以例如沿着0.0-1.0(包含性的)的尺度归一化。特定候选梁位置(以及因此特定梁位置标识符)的ML生成的梁概率值可以表示在特定候选梁位置处的梁应当被包括在物理结构的设计中的分类值或概率值。结构设计引擎110可以确定在物理结构设计中在具有超过选择阈值(例如大于0.9)的梁值的候选梁位置处包括梁。在这方面,框架布局240可以在具有超过所配置的选择阈值的ML生成梁值的各个候选梁位置处包括所确定的梁位置。
在一些实现方式中,结构设计引擎110将所确定的梁位置编码到已编码设计空间中。例如,结构设计引擎110可以通过利用所确定的梁位置进一步编码已编码设计空间220来表示框架布局240。已编码设计空间中的梁位置标识符可以被配置为包括所包括的梁旗标,并且结构设计引擎110可以针对物理结构设计中所确定的梁位置将所包括的梁标志设定为预定值(例如值1)。结构设计引擎110还可以将用于未被确定为包括梁(例如具有低于选择阈值的计算的梁概率值)的候选梁位置的所包括梁标志设定为不同的值(例如值0)。由此可见,框架布局可以维持已编码设计空间的3D矩形网格,并且进一步表示在物理结构的设计中确定哪些特定梁位置是所包括的梁。
由此可见,结构设计引擎110可以(通过ML模型120)生成用于给定设计空间的物理结构的框架布局,并且框架布局可以识别给定设计空间中的所选梁位置处的梁。这种ML生成的框架布局可以作为物理结构设计生成中的第一设计步骤输出,并且结构设计引擎110可以生成用于物理结构的任何数量的额外或替代设计组件。一个这样的示例是用于基于梁的物理结构的设计的梁分类,接下来结合图3描述梁分类。
图3示出了基于ML确定物理结构设计的梁分类的示例。在图3中,结构设计引擎110访问物理结构的框架布局310。框架布局310可以是如图2所述的由结构设计引擎110生成的框架布局240、用户设计的框架布局、或者由结构设计引擎110生成的框架布局240的用户修改版本(例如以实现经由ML模型120生成的框架布局240的用户特定编辑)。
结构设计引擎110可以支持对包括在框架布局310中的梁的分类。梁分类可以指任何过程,通过该过程,梁类别被分配给物理结构设计的梁,并且梁分类可以包括确定框架布局310的梁的特定梁形状(基于梁截面)。示例梁类别因此可以基于截面形状而不同,并且包括“I”形、“O”形、“n”形或“L”形截面(以及许多其他形状)。另外地或替代性地,梁类别可以基于梁材料(钢(包括不同的钢种)、塑料、铁、复合材料、木材等)、强度或承载特性、成本、供应可用性、用户指定的轮廓、或梁可以被区分的任何其他梁特性而不同。
在生成物理结构设计的梁分类中,结构设计引擎110可以从框架布局310生成已编码设计空间320,以本文所述的任何方式这样做。在图3的示例中,结构设计引擎110将框架布局310编码到已编码设计空间320中。当框架布局310由ML模型120生成时(例如使用已编码设计空间220作为输入),结构设计引擎110可以例如通过维持包括在已编码设计空间220或框架布局240中的梁位置标识符来维持设计空间210的相同3D矩形划分。用于框架布局310的已编码设计空间320可以指定对包括在已编码设计空间320中的哪些梁进行分类(例如通过设定与包括在框架布局310中的各个梁的梁位置标识符相关联的分类器标签)。在一些实现方式中,结构设计引擎110配置已编码设计空间320,以针对物理结构设计的各个确定的梁位置进行分类(例如针对所包括的梁标签被设定为预定值的各个梁位置标识符)。
在图3所示的示例中,由结构设计引擎110生成的已编码设计空间320包括所确定的梁位置330。结构设计引擎110可以通过针对被分配给所确定的梁位置330的梁位置标识符设定分类器标签,来在所确定的梁位置330处标记梁以用于分类。ML模型120可以将已编码设计空间330作为输入并生成梁分类340。在一些实现方式中,结构设计引擎110还可以提供设计参数作为ML模型120的输入以用于梁分类,作为示例包括框架布局310上施加的力值、结构类型等。由ML模型120生成的梁分类340可以将特定梁类别分配给在已编码设计空间320中指定的各个所确定的梁位置。
这样,结构设计引擎110和ML模型120可以支持对包括在物理结构设计中的梁分类(例如截面形状)的基于ML的确定。结构设计引擎110可以例如通过向框架布局240中包括的梁分配分类值来将所确定的梁分类340编码到已编码设计空间中。在一些实现方式中,分类值可以被实现为独热编码值,并且结构设计引擎110可以将这样的分类值附加到设计中的所确定的梁位置的梁位置标识符。
梁分类可以是结构设计引擎110可以生成的物理结构的设计的一个示例。用于物理结构的额外或替代设计组件可以由结构设计引擎110生成,诸如如接下来结合图4描述的偏移或旋转值。
图4示出了基于ML确定物理结构设计的梁的偏移或旋转值的示例。在图4中,结构设计引擎110访问物理结构的已编码设计空间420。结构设计引擎110可以从框架布局或利用梁分类编码的已编码设计空间(例如如图3所述)生成或访问已编码设计空间420。
结构设计引擎110可以支持对已编码设计空间420中包括的梁的偏移和旋转的确定。偏移和旋转可以指在物理结构的设计中给定梁与相邻梁对齐的任何梁参数,并且可以取决于被对齐的特定梁的形状。结构设计引擎110可以提供已编码设计空间420和任意数量的设计参数作为ML模型120的输入。如在图4中看到的,已编码设计空间420中的梁可以利用梁分类(例如在所确定的梁位置处的特定梁的梁分类340)来编码。
在一些实现方式中,结构设计引擎110可以选择已编码设计空间420中包括的梁的子集,以用于偏移和旋转值确定。这种选择可以是基于用户的或者根据任意数量的选择准则(例如最长的梁、承受大载荷的梁、基于施加的力值分析等)。ML模型120可为已编码设计空间420的梁(或其任何所选子集)生成偏移或旋转值430。
注意,由ML模型120生成的偏移或旋转值430可能是不精确的。在一些实现方式中,ML模型120生成已编码设计空间420的偏移或旋转值430作为偏移或旋转值的参考范围。结构设计引擎110可以实现补充能力以访问参考范围以及不同梁的实际梁尺寸和位置数据,从而计算在物理结构的设计中梁的精确偏移和旋转值。
这样,结构设计引擎110和ML模型120可以支持对偏移和旋转值430的基于ML的确定。结构设计引擎110可以例如通过向已编码设计空间420中包括的梁分配偏移和旋转值,来将所确定的偏移和/或旋转值编码到已编码设计空间中。旋转和偏移值可以被实现为针对已编码设计空间的梁编码的数值或者与已编码设计空间的梁相关联(例如与特定梁位置标识符相关联)的数值。
图5示出了基于ML确定物理结构设计的端部切割分类的示例。在图5中,结构设计引擎110访问物理结构的已编码设计空间520。结构设计引擎110可以生成或访问已编码设计空间520作为用偏移和旋转值编码的已编码设计空间(例如如图4所述)。
在确定端部切割分类中,结构设计引擎110可以识别已编码设计空间520中的不同梁之间的连接点。由于已编码设计空间520可以包括物理结构设计的梁的偏移和旋转值,结构设计引擎110可以使用ML模型120来确定物理结构设计的端部切割分类。端部切割分类可以指任何分类值,其区分应用于梁的端部以在相交的拐角或支撑位置处与相邻梁联结的不同类型的切割。物理结构的端部切割梁的有效性可以取决于物理梁的强度要求和相交梁的相对取向(例如旋转和偏移)。也可以考虑梁之间的具体联结方法,包括是否将使用焊接间隙或螺栓,这可能导致不同的端部切割分类和参数。
为了支持基于ML的端部切割分类,结构设计引擎110可以生成用于已编码设计空间520的梁之间的连接点的连接构造。在图5中,结构设计引擎110生成用于两个梁在已编码设计空间520中互连的交点的连接构造530。结构设计引擎110可以生成作为多维网格的连接构造,包括定义在连接点处相交(例如附接)的梁的相对3D位置的维度、相交的梁的偏移和旋转值(例如归一化)的值、以及相交梁的梁分类。连接构造还可以表示相交梁的附接点。在这方面,连接构造可以表示在已编码设计空间520中的给定连接点处相交的梁的各种梁参数。
结构设计引擎110可以提供已编码设计空间520中的各个梁交点的连接构造作为ML模型120的输入。基于输入连接构造,ML模型120可以确定要应用于各个梁交点的端部切割分类540。注意,ML模型120可以确定对于相交的梁不需要端部切割,并且“没有端部切割”可以是包括在端部切割分类540中的特定端部切割类别。在一些实现方式中,端部切割分类540可以包括要在切割中应用的端部切割参数。这样的切割参数可以包括适用于由ML模型120确定的特定端型类别的工具参数,以在已编码设计空间520中联结梁交点。这些工具参数可能需要工具参数(例如工具主体、长度、重量、高度、汽缸半径值等),结构设计引擎110可将这些工具参数提供给ML模型120以用于特定的端部切割分类。
这样,结构设计引擎110和ML模型120可以支持对端部切割分类的基于ML的确定。结构设计引擎110可以将所确定的端部切割分配(包括适用于特定的端部切割类别并为特定的端部切割类别确定的端部切割参数)编码到已编码设计空间中。
以本文所述的任何方式,可以实现基于ML的结构设计。本文所设想的示例性设计(或设计组件)包括框架布局、梁分类、偏移和旋转值、端部切割分类等。结构设计引擎110可以应用ML模型120来确定结构设计引擎110可以串行确定的物理结构的设计的这些元素的任何组合。在任何时候,结构设计引擎110都接受用户输入以修改或定制ML生成的设计,无论是通过修改ML生成的框架布局、更改偏移、改变ML定义的梁分类等。由此可见,本文所述的基于ML的结构设计特征可以灵活地将从现有模型学习的基于ML的专业知识与用户特定配置组合。
所述基于ML的结构特征中的任一者可以通过已编码设计空间来支持,结构设计引擎110可以通过已编码设计空间来减少提供给ML模型120的输入数据的量。通过这样做,结构设计引擎110可以减少基于ML的结构设计中的计算压力,并且输入设计空间可以减少超过99%,这可以引起显著的速度和性能提高,同时维持基于梁的物理结构的设计准确度。已编码设计空间特征用于进一步支持对在设计过程的不同阶段期间生成的梁数据的后续编码,从而允许基于ML的结构设计特征跨任何数量的设计步骤对任何数量的不同设计组件应用基于ML的确定,以提高的计算效率来这样做。
图6示出了结构设计引擎110对ML模型120的示例性训练。结构设计引擎110可以使用现有的基于梁的物理结构设计来训练ML模型120,并且这样做使得ML模型120可以学习和生成用于基于梁的物理结构的设计过程的任何阶段的任何数量的设计组件。
在训练ML模型120时,结构设计引擎110可以访问物理结构设计组610。物理结构设计610可以从CAD或设计库中访问,并且可以包括任何数量的先前设计的基于梁的物理结构。在图6的示例中,物理结构设计610包括物理结构设计610,其用作结构设计引擎110可以如何训练ML模型120以支持本文设想的任何基于ML的结构设计特征的继续说明性示例。
对于物理结构设计612(以及物理结构设计612中的任何其它物理结构设计),结构设计引擎110可以生成用于物理结构设计612的已编码设计空间620。在这样做时,用于物理结构设计612的已编码设计空间620可以包括已编码的3D矩形,例如图6中例示的已编码3D矩形622。已编码设计空间620的已编码3D矩形可以映射到物理结构设计612的不同部分,并且各个已编码3D矩形可以定义物理结构设计612的设计空间中的可能的梁位置。而且,已编码设计空间620中的各个已编码3D矩形可以对可能的梁位置中的哪些映射到物理结构设计612中的梁的梁位置以及可能的梁位置中的哪些未映射到物理结构设计612中的任何梁的梁位置进行编码。
在图6所示的示例中,已编码3D矩形622包括物理结构设计612中实际梁的映射梁位置624以及在物理结构设计612的梁不位于的已编码3D矩形622的可能梁位置处的映射非梁位置626。结构设计引擎110可以以本文所述的任何形式为物理结构设计612生成已编码设计空间620,例如,分配梁位置标识符并对于对应于映射梁位置624的梁位置标识符将梁位置标志设定为值“1”,而对于对应于非映射梁位置626的梁位置标识符将梁位置标志设定为值“0”。
在生成已编码设计空间620时,结构设计引擎110还可以从物理结构设计612提取结构数据。结构设计引擎110可以从给定物理结构设计612提取的示例结构数据包括物理结构设计612中的各个梁的梁分类、用于互连物理结构设计612中的梁的偏移或旋转值、应用于物理结构设计612中的梁之间的连接点处的端部切割分类、或其任意组合。即,结构设计引擎110可以提取用于生成本文所述的用于基于梁的物理结构设计的各种设计组件的任何相关数据,并且相应地在已编码设计空间620中编码所提取的结构数据。
另外地或替代性地,结构设计引擎110可以提取物理结构设计612的各种设计参数,包括ML模型120被配置为在生成物理结构的设计时考虑的任何设计参数。这种设计参数的示例包括物理结构设计612的所施加力值和物理结构设计612的结构类型。结构类型可以根据任何分类方案来定义,并且可以允许ML模型120在应用的学习过程中在不同类型的物理结构之间进行区分。通过结构类型标记,ML模型120可被训练为学习不同类型的物理结构的不同设计组件、参数、布局和方面,这可以提高ML模型120可以从训练数据学习并从输入数据生成设计的准确性。
在某种意义上,从现有设计中提取的结构数据、梁数据和设计参数可以用作包括已编码设计空间的训练数据的标签。由此可见,结构设计引擎110可以提供已编码设计空间620作为ML模型120的训练数据,并且ML模型120可以例如应用任何数量的监督学习技术来从已编码设计空间学习。这样,结构设计引擎110可以训练ML模型120作为本文所述的任何基于ML的结构设计特征的一部分或以支持这些特征。
以本文所述的任何方式,可以实现基于ML的结构设计。虽然在本文中已通过各种附图所呈现的说明性示例描述了许多基于ML的结构设计特征,但设计空间访问引擎108和结构设计引擎110可实现本文所述的基于ML的结构设计特征的任何组合。
图7示出了系统可以实现来支持基于ML的结构设计的逻辑700的示例。例如,计算系统100可以将逻辑700实现为硬件、存储在机器可读介质上的可执行指令、或两者的组合。计算系统100可以经由设计空间访问引擎108和结构设计引擎110来实现逻辑700,通过这些引擎,计算系统100可以执行或实行逻辑700,作为支持基于ML的结构设计的方法。使用设计空间访问引擎108和结构设计引擎110作为示例来提供逻辑700的以下描述。然而,系统的各种其他实现选项是可能的。
在实现逻辑700时,设计空间访问引擎108可访问物理结构的设计空间(702)。在实现逻辑700时,结构设计引擎110可以将设计空间编码成3D矩形组(704),并且各个3D矩形可以定义物理结构中的候选梁位置,并且3D矩形的候选梁位置可以由各个3D矩形的顶点对之间的线来定义。在实现逻辑700时,结构设计引擎110还可以提供已编码设计空间作为ML模型的输入(706),并且通过ML模型基于已编码设计空间生成物理结构的设计(708)。物理结构的设计可以包括由ML模型从候选梁位置确定的梁位置处的梁。
在实现逻辑700时,结构设计引擎110还可以提供物理结构的设计以支持物理结构的制造(710)。如本文所述,通过ML模型生成的物理结构的设计可以包括任何数量的设计组件,例如框架布局、梁分类、偏移或旋转值、端部切割分配、端部切割或接头参数等。结构设计引擎110可以提供这些ML生成的设计组件中的任一者以支持物理结构的制造。
例如,结构设计引擎110可以将完成的设计的设计数据提供给制造设施,以便在随后的物理制造中使用。作为另一示例,结构设计引擎110可以提供物理结构设计(或其组件)以用于进一步处理,例如通过编码所生成的框架布局并将其提供给ML模型以用于梁分类确定、向ML模型提供包括梁分类的已编码设计空间以用于偏移或旋转值确定等。如本文所述,可以经由ML技术实现或执行任意数量的顺序设计过程,并且结构设计引擎110可以提供在第一设计步骤中生成的设计作为下一设计步骤的输入,等等。这样,本文所述的基于ML的结构特征可支持基于梁的物理结构的设计中的任何数量的离散步骤。
图7所示的逻辑700提供了计算系统100可支持物理结构的基于ML的结构设计的说明性示例。本文设想逻辑700中的额外或替代步骤,包括根据本文针对设计空间访问引擎108、结构设计引擎110、ML模型120或其任意组合描述的各个特征中的任一者。
图8示出了支持基于ML的结构设计的计算系统800的示例。计算系统800可以包括处理器810,其可以采取单个或多个处理器的形式。一个或多个处理器810可以包括中央处理单元(CPU)、微处理器或适于执行存储在机器可读介质上的指令的任意硬件设备。计算系统800可以包括机器可读介质820。机器可读介质820可以采取存储可执行指令的任意非瞬态电子、磁性、光学或其他物理存储设备的形式,可执行指令例如为图8所示的设计空间访问指令822和结构设计指令824。由此可见,机器可读介质820可以是例如随机存取存储器(RAM)(例如动态RAM(DRAM))、闪速存储器、自旋扭矩存储器、电可擦除可编程只读存储器(EEPROM)、存储驱动器、光盘等。
计算系统800可以通过处理器810执行存储在机器可读介质820上的指令。执行指令(例如设计空间访问指令822和/或结构设计指令824)可以使得计算系统800执行本文所述的基于ML的结构设计特征中的任何特征,包括根据设计空间访问引擎108、结构设计引擎110、ML模型120或其任何组合的特征中的任何特征。
例如,由处理器810执行设计空间访问指令822可以使得计算系统800访问物理结构的设计空间。由处理器810执行结构设计指令824可以使得计算系统800将设计空间编码成3D矩形组,并且各个3D矩形可以定义物理结构中的候选梁位置,并且3D矩形的候选梁位置可以由各个3D矩形的顶点对之间的线来定义。由处理器810执行结构设计指令824还可以使得计算系统800提供已编码设计空间作为ML模型的输入,并且通过ML模型基于已编码设计空间生成物理结构的设计。物理结构的设计可以包括由ML模型从候选梁位置确定的梁位置处的梁。由处理器810执行结构设计指令824可以进一步使得计算系统800提供物理结构的设计以支持物理结构的制造。
如本文所述的任何额外或替代的基于ML的结构设计特征可以经由设计空间访问指令822、结构设计指令824或两者的组合来实现。
包括设计空间访问引擎108和结构设计引擎110的上述系统、方法、设备和逻辑可以以硬件、逻辑、电路和存储在机器可读介质上的可执行指令的许多不同组合以许多不同方式实现。例如,设计空间访问引擎108、结构设计引擎110或其组合可以包括控制器、微处理器或专用集成电路(ASIC)中的电路,或者可以利用分立逻辑或组件或其他类型的模拟或数字电路的组合来实现,这些分立逻辑或组件或电路组合在单个集成电路上或分布在多个集成电路之间。产品(例如计算机程序产品)可以包括存储介质和存储在介质上的机器可读指令,当在终端、计算机系统或其他设备中执行时,机器可读指令使得设备执行根据以上描述中的任意一者(包括根据设计空间访问引擎108、结构设计引擎110或其组合的任意特征)的操作。
本文描述的系统、设备和引擎(包括设计空间访问引擎108和结构设计引擎110)的处理能力可以分布在多个系统组件之间,例如分布在多个处理器和存储器之间,可选地包括多个分布式处理系统或云/网络元件。参数、数据库和其它数据结构可以被分开存储和管理,可以被结合到单个存储器或数据库中,可以以许多不同的方式在逻辑上和物理上组织,并且可以以许多方式实现,包括例如链表、散列表或隐式存储机制的数据结构。程序可以是单个程序的部分(例如子例程)、单独的程序、跨若干存储器和处理器分布、或者以许多不同方式实现,例如在库(例如共享库)中。
虽然以上描述了各种示例,但是更多的实现方式是可能的。
Claims (15)
1.一种方法,包括:
通过计算系统(100、800):
访问(702)物理结构的设计空间(210);
将所述设计空间(210)编码(704)成三维(3D)矩形(222)组,其中,各个3D矩形(222)定义所述物理结构中的候选梁位置(224),并且其中,所述3D矩形的所述候选梁位置(224)由各个3D矩形(222)的顶点对之间的线定义;
提供(706)已编码设计空间(220、320、420、520)作为机器学习(ML)模型(120)的输入;
通过所述ML模型(120)基于所述已编码设计空间(220、320、420、520)生成(708)所述物理结构的设计,其中,所述物理结构的所述设计包括在由所述ML模型(120)根据所述候选梁位置(224)确定的梁位置处的梁;以及
提供(710)所述物理结构的所述设计以支持所述物理结构的制造。
2.根据权利要求1所述的方法,其中,所述3D矩形定义完全连接的结构,其中,所述候选梁位置(224)定义在各个3D矩形(222)的所有顶点对之间。
3.根据权利要求1或2所述的方法,其中,向所述ML模型(120)提供所述输入还包括提供所述物理结构的设计参数(230),其中,所述设计参数(230)包括适用于所述物理结构的力值、结构类型、或这两者的组合。
4.根据权利要求1至3中任一项所述的方法,其中,通过所述ML模型(120)生成所述物理结构的所述设计还包括确定在所确定的梁位置(330)处的各个所述梁的梁分类(340)。
5.根据权利要求1至4中任一项所述的方法,其中,通过所述ML模型(120)生成所述物理结构的所述设计还包括确定在所确定的梁位置(330)处的各个所述梁的梁分类(340)、互连到所述所确定的梁位置(330)处的所述梁的偏移或旋转值(430)、应用在所述所确定的梁位置(330)处的所述梁之间的连接点处的端部切割分类(540)、或其任何组合。
6.根据权利要求1至5中任一项所述的方法,还包括训练所述ML模型(120),包括:
访问物理结构设计(610)组;
对于所述组中的给定物理结构设计(612),生成用于所述给定物理结构设计(612)的已编码设计空间(620),其中:
用于所述给定物理结构设计(612)的所述已编码设计空间(620)包括映射到所述给定物理结构设计(612)的不同部分的已编码3D矩形(622);
各个已编码3D矩形(622)定义在所述给定物理结构设计的设计空间中的可能的梁位置;并且
各个已编码3D矩形(622)对所述可能的梁位置中的哪些映射到所述给定物理结构设计中的梁的梁位置以及所述可能的梁位置中的哪些未映射到所述给定物理结构设计中的任何梁的梁位置进行编码;以及
提供用于所述给定物理结构设计(612)的所述已编码设计空间(620)作为用于所述ML模型(120)的训练数据。
7.根据权利要求6所述的方法,其中,生成用于所述给定物理结构设计(612)的所述已编码设计空间(620)还包括:
从所述给定物理结构设计(612)中提取结构数据,包括所述给定物理结构设计(612)中的各个所述梁的梁分类、互连到所述给定物理结构设计(612)中的所述梁的偏移或旋转值、应用在所述给定物理结构设计(612)中的所述梁之间的连接点处的端部切割分类、或其任意组合;以及
对在用于所述给定物理结构设计(612)的所述已编码设计空间(620)中的所提取的结构数据进行编码。
8.一种系统(100),包括:
设计空间访问引擎(108),其被配置为访问物理结构的设计空间(210);和
结构设计引擎(110),其被配置为:
将所述设计空间(210)编码成三维(3D)矩形(222)组,其中,各个3D矩形(222)定义所述物理结构中的候选梁位置(224),并且其中,所述3D矩形的所述候选梁位置(224)由各个3D矩形(222)的顶点对之间的线定义;
提供已编码设计空间(220、320、420、520)作为机器学习(ML)模型(120)的输入;
通过所述ML模型(120)基于所述已编码设计空间(220、320、420、520)生成所述物理结构的设计,其中,所述物理结构的所述设计包括在由所述ML模型(120)根据所述候选梁位置(224)确定的梁位置处的梁;以及
提供所述物理结构的所述设计以支持所述物理结构的制造。
9.根据权利要求8所述的系统(100),其中,所述3D矩形定义完全连接的结构,其中,所述候选梁位置(224)定义在各个3D矩形(222)的所有顶点对之间。
10.根据权利要求8或9所述的系统(100),其中,所述结构设计引擎(110)被配置为进一步通过提供所述物理结构的设计参数(230)来向所述ML模型(120)提供所述输入,其中,所述设计参数(230)包括适用于所述物理结构的力值、结构类型、或这两者的组合。
11.根据权利要求8至10中任一项所述的系统(100),其中,所述结构设计引擎(110)被配置为进一步通过确定在所确定的梁位置(330)处的各个所述梁的梁分类(340)来通过所述ML模型(120)生成所述物理结构的所述设计。
12.根据权利要求8至11中任一项所述的系统(100),其中,所述结构设计引擎(110)被配置为进一步通过以下方式来通过所述ML模型生成所述物理结构的所述设计:确定在所确定的梁位置(330)处的各个所述梁的梁分类(340)、互连到所述所确定的梁位置(330)处的所述梁的偏移或旋转值(430)、应用在所述所确定的梁位置(330)处的所述梁之间的连接点处的端部切割分类(540)、或其任何组合。
13.根据权利要求8至12中任一项所述的系统(100),其中,所述结构设计引擎(110)还被配置为训练所述ML模型,包括:
访问物理结构设计组(610);
对于所述组中的给定物理结构设计(612),生成用于所述给定物理结构设计(612)的已编码设计空间(620),其中:
用于所述给定物理结构设计(612)的所述已编码设计空间(620)包括映射到所述给定物理结构设计(612)的不同部分的已编码3D矩形(622);
各个已编码3D矩形(622)定义在所述给定物理结构设计的设计空间中的可能的梁位置;并且
各个已编码3D矩形(622)对所述可能的梁位置中的哪些映射到所述给定物理结构设计中的梁的梁位置以及所述可能的梁位置中的哪些未映射到所述给定物理结构设计中的任何梁的梁位置进行编码;以及
提供用于所述给定物理结构设计(612)的所述已编码设计空间(620)作为用于所述ML模型(120)的训练数据。
14.根据权利要求13所述的系统(100),其中,所述结构设计引擎(110)被配置为进一步通过以下方式来生成用于所述给定物理结构设计(612)的所述已编码设计空间(620):
从所述给定物理结构设计(612)中提取结构数据,包括所述给定物理结构设计(612)中的各个所述梁的梁分类、互连到所述给定物理结构设计(612)中的所述梁的偏移或旋转值、应用在所述给定物理结构设计(612)中的所述梁之间的连接点处的端部切割分类、或其任意组合;以及
对在用于所述给定物理结构设计(612)的所述已编码设计空间(620)中的所提取的结构数据进行编码。
15.一种包括指令的非瞬态机器可读介质,所述指令在由处理器执行时,使得计算系统执行根据权利要求1至7中任一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2020/048764 WO2022046109A1 (en) | 2020-08-31 | 2020-08-31 | Machine learning-based design of beam-based physical structures |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116097265A true CN116097265A (zh) | 2023-05-09 |
Family
ID=72474005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080103592.3A Pending CN116097265A (zh) | 2020-08-31 | 2020-08-31 | 基于梁的物理结构的基于机器学习的设计 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230325548A1 (zh) |
EP (1) | EP4189575A1 (zh) |
CN (1) | CN116097265A (zh) |
WO (1) | WO2022046109A1 (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908824A (zh) * | 2017-10-24 | 2018-04-13 | 青岛理工大学 | 基于动力或静动力的钢筋混凝土简支梁火灾模型修正方法 |
CN108460152A (zh) * | 2018-03-26 | 2018-08-28 | 王智华 | 一种数据的多维映射方法、装置及计算机可读存储介质 |
CN110249327A (zh) * | 2017-09-26 | 2019-09-17 | 西门子产品生命周期管理软件公司 | 通过2.5维鞋模型进行鞋设计 |
US20190391562A1 (en) * | 2018-06-20 | 2019-12-26 | Siemens Industry Software Ltd. | Toolpath adjustments based on 3-dimensional scan data of physically manufactured parts |
-
2020
- 2020-08-31 WO PCT/US2020/048764 patent/WO2022046109A1/en active Application Filing
- 2020-08-31 US US18/042,338 patent/US20230325548A1/en active Pending
- 2020-08-31 EP EP20771715.8A patent/EP4189575A1/en active Pending
- 2020-08-31 CN CN202080103592.3A patent/CN116097265A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110249327A (zh) * | 2017-09-26 | 2019-09-17 | 西门子产品生命周期管理软件公司 | 通过2.5维鞋模型进行鞋设计 |
CN107908824A (zh) * | 2017-10-24 | 2018-04-13 | 青岛理工大学 | 基于动力或静动力的钢筋混凝土简支梁火灾模型修正方法 |
CN108460152A (zh) * | 2018-03-26 | 2018-08-28 | 王智华 | 一种数据的多维映射方法、装置及计算机可读存储介质 |
US20190391562A1 (en) * | 2018-06-20 | 2019-12-26 | Siemens Industry Software Ltd. | Toolpath adjustments based on 3-dimensional scan data of physically manufactured parts |
Non-Patent Citations (2)
Title |
---|
KAI-HUNG CHANG ET AL: "Learning to Simulate and Design for Structural Engineering", CORNELL UNIVERSITY LIBRARY, 13 August 2020 (2020-08-13), pages 1 - 15 * |
陈莹;黄永彪;谢瑾;: "桥梁结构的未标记模态特征稀疏编码深度学习监测", 计算机应用研究, no. 12, 31 December 2016 (2016-12-31), pages 211 - 215 * |
Also Published As
Publication number | Publication date |
---|---|
WO2022046109A1 (en) | 2022-03-03 |
US20230325548A1 (en) | 2023-10-12 |
EP4189575A1 (en) | 2023-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10216172B2 (en) | Functional 3-D: optimized lattice partitioning of solid 3-D models to control mechanical properties for additive manufacturing | |
US8041744B2 (en) | Computer-aided modeling | |
CN109145352B (zh) | 用于学习取图像作为输入的函数的数据集 | |
US11995526B2 (en) | Modelling operations on functional structures | |
US10916054B2 (en) | Three-dimensional mesh deformation using deep learning neural networks | |
Uy et al. | Joint learning of 3d shape retrieval and deformation | |
CN105761303A (zh) | 在3d建模组件上创建包围盒 | |
JP2019527905A (ja) | 副体積オクトリー | |
US11321605B2 (en) | Automatic assembly mate creation for frequently-used components | |
JP2006164219A (ja) | 有限要素解析用インターフェース、有限要素解析用インターフェースのプログラムを記録したコンピュータ読み取り可能な記録媒体、高付加価値通信網を利用した有限要素解析方法、有限要素解析用並列処理計算機および有限要素解析用計算機 | |
Guo et al. | A hybrid 3D feature recognition method based on rule and graph | |
Vongbunyong et al. | Rapid generation of uniform cellular structure by using prefabricated unit cells | |
US10943037B2 (en) | Generating a CAD model from a finite element mesh | |
Watson et al. | Generative design of space frames for additive manufacturing technology | |
CN115997213A (zh) | 计算机辅助设计(cad)组件的约束的基于机器学习的生成 | |
Bergs et al. | Development of a voxelization tool for the calculation of vector-based workpiece representations | |
EP3779763A1 (en) | Modelling operating zones for manufacturing resources using virtual model and computer graphics based simulation | |
CN116097265A (zh) | 基于梁的物理结构的基于机器学习的设计 | |
US20230114354A1 (en) | Designing a modeled object | |
US20170193132A1 (en) | Embedded Frequency Based Search and 3D Graphical Data Processing | |
KR20190114101A (ko) | 조선해양분야의 국제표준 규격제품에 대한 3차원 모델 라이브러리 설계 최적화 방법 | |
US20220245291A1 (en) | Apparatus, system and method for three-dimensional (3d) modeling with a plurality of linked metadata feeds | |
Essawy et al. | Elemental graph data model: a semantic and topological representation of building elements | |
CN110765517A (zh) | 一种框架柱三维视图沙盒模式配筋方法 | |
US20220405447A1 (en) | Machine learning-based selective incarnation of computer-aided design objects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |