JP2019191954A - 設計支援装置、構造物の生産方法及びプログラム - Google Patents
設計支援装置、構造物の生産方法及びプログラム Download PDFInfo
- Publication number
- JP2019191954A JP2019191954A JP2018084318A JP2018084318A JP2019191954A JP 2019191954 A JP2019191954 A JP 2019191954A JP 2018084318 A JP2018084318 A JP 2018084318A JP 2018084318 A JP2018084318 A JP 2018084318A JP 2019191954 A JP2019191954 A JP 2019191954A
- Authority
- JP
- Japan
- Prior art keywords
- arrangement
- design
- condition
- result
- data
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
Description
また例えば、特許文献2には、CADデータに対する過去の解析結果を用いて、新たに入力されるCADデータに対する解析時間の短縮化を可能とする設計支援装置が示されている。
また、特許文献2に開示される従来技術によると、解析の対象となる範囲の解析行為の省略を目的としている。そのため、情報の階層性を持った複雑な設計対象物についての、設計作業の省力化の効果は限定的である。
以下、本発明の実施形態について図面を参照して説明する。設計支援装置1は、建築物、工作機械、自動車、船舶、航空機、集積回路、コンピュータソフトウエアなどにおける構造物又は機能の配置(レイアウト)の設計支援に適用可能である。本実施形態においては、設計支援装置1が、建築物の設計支援を行う場合を一例として説明する。なお、設計支援装置1が設計支援の対象とする建築物の構造は限定されない。設計支援装置1が設計支援の対象とする建築物の構造には、鋼構造、木構造、RC(Reinforced Concrete)造など種々の構造が含まれる。
設計支援装置1は、これらの各種設計要素DEを設計対象エリアAR内のいずれかの位置に配置することにより、建築物の設計支援を行う。本実施形態の一例では、設計対象エリアARとは、建築物を各階ごとに平面視した場合の設計要素DEの配置対象の範囲である。
図2は、本実施形態の設計支援装置1の機能構成の一例を示す図である。設計支援装置1は、取得部110と、生成部120と、出力部130とを備える。
取得部110は、配置データPDを取得する。ここで、配置データPDとは、設計要素DEの設計対象エリアARにおける配置を示すデータである。この一例において、配置データPDには、壁WL、柱PL、窓WD、床面外周FL、建具DR、耐震フレームBR、電気設備EL、衛生設備SA等のデータが含まれる。配置データPDの一例について、図3及び図4を参照して説明する。
なお、軸x1と軸x2とを総称して軸xとも記載する。また、軸y1と軸y2とを総称して軸yとも記載する。
また、配置データPDは、平面的な2次元配列に限られず、3次元以上の高次元の配列であってもよい。
設計要素DEの種類を問わず、各設計要素の存在を「1」、不存在を「0」によって表すことにより配置データPDが正規化される。配置データPDが正規化されることにより、機械による配置データPDの学習を適切に進めることができる。また、出力側では「0」と「1」の間の値で表現されることにより、設計要素がその座標に存在する確率として示される。
なお、配置データPDの座標位置の数(例えば、4096か所)や、軸ごとの座標位置の数(例えば、64か所)などの数値は一例であってこれに限られず、適宜変更可能である。
この場合、設計要素DEの種類の数nDEは、13である。また、配置データPDの座標位置の数nPXは、上述したように4096である。この一例の場合、配置データPDの次元数は、設計要素DEの種類の数nDEと座標位置の数nPXとの積である53248次元である。つまり、配置データPDは、設計対象エリアARに設計要素DEが配置される座標位置の数nPXと、設計要素DEの種類の数nDEとに基づく次元を有する。
なお、設計要素DEの種類の数nDE(例えば、13)の数値は一例であってこれに限られず、適宜変更可能である。
入力層ILは、取得部110が取得する配置条件CPの次元に対応する入力次元数nIDを有する。この一例では、入力層ILの次元数(すなわち、入力次元数nID)は、53248次元である。
隠れ層HLは、入力次元数nIDよりも少ない次元を有する。この一例では、隠れ層HLの次元数(すなわち、隠れ層次元数nHD)は、832次元である。
出力層OLは、入力次元数nIDに対応する出力次元数nODを有する。この一例では、出力層OLの次元数(すなわち、出力次元数nOD)は、53248次元である。
すなわち、この一例において、ニューラルネットワークモデルNNMとは、オートエンコーダ・アルゴリズムに基づく次元圧縮によって配置データPDの特徴が学習されたモデルである。
なお、この一例では、3層のニューラルネットワークモデルNNMについて説明するが、これに限られない。ニューラルネットワークモデルNNMは、複数階層の中間層(隠れ層HL)を有していてもよい。
ここで、設計要素DEには、既定要素EEと生成対象要素GTEとがある。既定要素EEとは、設計要素DEのうち、配置条件CPに含まれる種類の設計要素DEである。生成対象要素GTEとは、設計要素DEのうち、配置条件CPに含まれない種類の設計要素DEである。
上述したように、生成部120のニューラルネットワークモデルNNMは、オートエンコーダ・アルゴリズムに基づく次元圧縮によって配置データPDの特徴が学習されている。この学習により、ニューラルネットワークモデルNNMは、学習時に入力層ILに供給された複数の設計要素DEの種類のうち、一部の設計要素DEが欠落した状態の配置条件CPが供給された場合に、この欠落した設計要素DEについての配置結果RPを生成することができる。
図2に示す一例では、これら複数種類の設計要素DEの配置データPDのうち、窓WDの配置データPDが欠落した配置条件CPが、設計支援装置1に供給される。すなわち、この一例の場合、設計要素DEのうち、窓WDが生成対象要素GTEである。また、設計要素DEのうち窓WD以外の要素、すなわち、壁WL、柱PL、床面外周FL、建具DR、耐震フレームBR、電気設備EL、衛生設備SA、…の12種類の設計要素DEが、既定要素EEである。
すなわち、生成部120は、配置条件CPにおいて欠落している設計要素DE(生成対象要素GTE)についての配置データPDを、その学習結果と、既定要素EEとに基づいて生成する。
次に、設計支援装置1の動作の一例について説明する。まず、図6を参照して、一般的な建造物の設計の流れの一例について説明する。
(ステップS10)設計者は、建造物の意匠設計を行う。
(ステップS20)設計者は、ステップS10において設計された意匠を実現するための構造部材の配置設計を行う。
(ステップS30)設計者は、ステップS20において設計された構造部材の配置に基づく構造計算を行う。
(ステップS40)設計者は、ステップS30における構造計算結果が所定の要件を満たした場合(ステップS40;YES)には、設計を終了する。設計者は、ステップS30における構造計算結果が所定の要件を満たさない場合(ステップS40;NO)には、ステップS20に戻り、設計を続ける。
本実施形態の設計支援装置1は、一例として、上述したステップS30における構造部材の配置設計を支援する。
(ステップS110)設計支援装置1は、設計の制約条件を取得する。ここで、設計の制約条件には、設計対象エリアARにおいて設計要素DEを配置可能な最大範囲による制約条件、設計対象エリアAR外の構造物による制約条件が含まれる。
ここで、設計対象エリアARにおいて設計要素DEを配置可能な最大範囲による制約条件には、例えば、敷地の形状、道路制限斜線、北側斜線、建ぺい率、容積率、天空率、用途地域の種類、などが含まれる。また、設計対象エリアAR外の構造物による制約条件には、隣地境界線、隣地斜線、接続道路、隣家の窓・庭・バルコニーの位置、樹木や電柱(配電設備)の位置、当該敷地と隣地との高低差、当該敷地と接続道路との高低差などが含まれる。
以下、ステップS130〜ステップS180において、設計支援装置1は、配置条件CPに基づいて配置結果RPを生成する処理を繰り返す。ステップS130〜ステップS180における設計支援装置1の動作について具体的に説明する。
具体的には、ステップS130において、取得部110は、建築可能域の配置データPDが既定要素EEにされ、床面外周FLの配置データPD及び壁WLの配置データPDが生成対象要素GTEにされた配置条件CPを取得する。つまり、取得部110は、床面外周FLの配置データPD及び壁WLの配置データPDが欠落した配置条件CPを取得する。生成部120は、この配置条件CPに基づいて、生成対象要素GTEである床面外周FLの配置データPD及び壁WLの配置データPD、すなわち間取りの配置データPDを、配置結果RPとして生成する。
なお、ステップS130において取得される配置条件CPを「配置条件CP1」と、ステップS130において生成される配置結果RPを「配置結果RP1」とも記載する。
具体的には、ステップS140において、取得部110は、間取りの配置データPDが既定要素EEにされ、窓WDの配置データPD及び建具DRの配置データPDが生成対象要素GTEにされた配置条件CPを取得する。つまり、取得部110は、窓WDの配置データPD及び建具DRの配置データPDが欠落した配置条件CPを取得する。生成部120は、この配置条件CPに基づいて、生成対象要素GTEである窓WDの配置データPD及び建具DRの配置データPDを、配置結果RPとして生成する。
すなわち、取得部110が取得する配置条件CPn(nは自然数。この一例の場合、配置条件CP2)には、出力部130が出力した配置結果RP(n−1)(この一例の場合、配置結果RP1)に含まれる設計要素DEの種類と一致する種類の設計要素DEについての配置データPDが含まれる。
具体的には、ステップS150において、取得部110は、間取りの配置データPD、窓WDの配置データPD及び建具DRの配置データPDが既定要素EEにされ、柱PLの配置データPD及び耐震フレームBRの配置データPDが生成対象要素GTEにされた配置条件CPを取得する。つまり、取得部110は、柱PLの配置データPD及び耐震フレームBRの配置データPDが欠落した配置条件CPを取得する。生成部120は、この配置条件CPに基づいて、生成対象要素GTEである柱PLの配置データPD及び耐震フレームBRの配置データPDを、配置結果RPとして生成する。
なお、ステップS150において取得される配置条件CPを「配置条件CP3」と、ステップS150において生成される配置結果RPを「配置結果RP3」とも記載する。この一例において、ステップS140において生成された配置結果RP2と、ステップS150において取得される配置条件CP3とが一致している。
また、設計支援装置1は、これら部材割付図を生成する機能、及び部材発注リストを生成する機能を有している他の装置に対して、各配置データPDを供給する機能を有していてもよい。つまり、設計支援装置1は、配置データPDに基づいて部材割付図や部材発注リストを生成する(又は生成させる)ことにより、建築物を生産するためのデータを生成することができる。
以上説明したように、本実施形態の設計支援装置1は、与えられた配置条件CPに基づいて配置結果RPを生成する生成部120を備える。この生成部120は、学習されたニューラルネットワークモデルNNMによって、配置結果RPを生成する。設計支援装置1は、従来人手で行われていた設計作業の一部を自動化することにより、構造物の配置の設計支援を行うことができる。したがって、設計支援装置1は、設計要素DEの間の配置の関係性や配置の制約条件を人手で設定する場合に比べ、作業の煩雑さを低減することができる。
建築物、工作機械、自動車、船舶、集積回路、コンピュータソフトウエアなどの設計においては、設計対象のうち抽象度が高い設計対象から抽象度が低い設計対象まで段階的に設計する、いわゆるウォーターフォール型の設計手順が採用されることがある。
本実施形態の設計支援装置1は、取得部110は、出力部130が出力した配置結果RPを、配置条件CPとして取得することにより、上述したウォーターフォール型の設計手順に適用することができる。
ここで、ある配置条件(初期条件)に基づいて適切かつ最終的な配置結果(設計結果)を1ステップで生成することができる学習済みモデルを作り出すことは一般的に難しい。本実施形態の設計支援装置1は、配置結果RPを段階的に生成する。この場合には、生成された配置結果RPが仮に好ましくない結果である場合には、その設計段階のみを再試行すればよい。つまり、本実施形態の設計支援装置1は、段階的な配置結果RPの生成を行うことで、より好ましい配置結果RPを生成することができる。
また、ある配置条件A(設計要素a0,設計要素a1,設計要素a2,…,設計要素an,)に基づき、あるニューラルネットワークモデルNNM1を用いてある配置結果A’(設計要素a0,設計要素a1,設計要素a2,…,設計要素an,設計要素an+1)を得た場合であって、かつ設計要素a1について変更の必要が生じた場合について説明する。この場合、配置結果A’から設計要素a1を欠落させた配置条件A’’(設計要素a0,設計要素a2,…,設計要素an,設計要素an+1)を入力として、あるニューラルネットワークモデルNNM2を用いてある配置結果B(設計要素a0,設計要素b1,設計要素a2,…,設計要素an,設計要素an+1)を得ることができる。このように配置結果A’を得た後に配置結果Bを得ることは、ウォーターフォール型の設計開発プロセスを遡ることを意味する。ここで、オートエンコーダ・アルゴリズムにおいては、ニューラルネットワークモデルNNMの入力層の次元数と出力層の次元数とが一致しており、すなわち入力と出力とが対称である。このため、オートエンコーダ・アルゴリズムよるニューラルネットワークモデルNNMによれば、ウォーターフォール型の設計開発プロセスを遡ることができるため、多様な設計要求や要求の変更に柔軟な対応が可能となる。
なお、上述したように、ニューラルネットワークモデルNNMは、ある設計要素DEの配置データPDが既定要素EEとして入力されると、生成対象要素GTEの配置データPDを出力するとともに、入力された設計要素DEに対応する設計要素DEの配置データPDを既定要素EEとして出力する。例えば、ニューラルネットワークモデルNNMに入力される配置データPDに「壁WL」が含まれる場合には、ニューラルネットワークモデルNNMから「壁WL」の配置データPDが既定要素EEとして出力される。ここで、オートエンコーダ・アルゴリズムよるニューラルネットワークモデルNNMの場合、ニューラルネットワークモデルNNMに入力される設計要素DEの配置データPDと、この設計要素DEについてニューラルネットワークモデルNNMから出力される配置データPDとは、完全には一致しない場合がある。例えば、ニューラルネットワークモデルNNMに入力される設計要素DEが「壁WL」である場合、ニューラルネットワークモデルNNMから出力される壁WLの配置データPDは、ニューラルネットワークモデルNNMに入力された壁WLの配置データPDとは、完全には一致しない場合がある。すなわち、ニューラルネットワークモデルNNMに入力される配置データPDに対して、出力される配置データPDが劣化する場合がある。このため、出力される配置データPDが劣化している場合には、ニューラルネットワークモデルNNMが出力する既定要素EEの配置データPDを、ウォーターフォール型の設計開発プロセスの次段の設計段階において、そのままニューラルネットワークモデルNNMに入力させないようにしてもよい。この場合には、ウォーターフォール型の設計開発プロセスにおいて、前段の設計段階においてニューラルネットワークモデルNNMから出力された配置データPDに代えて、前段の設計段階においてニューラルネットワークモデルNNMに入力された配置データPDを、次段のニューラルネットワークモデルNNMに入力させる。
また、ニューラルネットワークモデルNNMから出力される配置データPDが、設計支援を行うものとしては不完全である場合、又は精度が低い場合がある。この場合には、ニューラルネットワークモデルNNMから出力される配置データPDについて、手続型のコンピュータプログラムによって整形することにより、配置データPDを完全なもの又は精度の高いものに変換してもよい。
図8は、本実施形態の設計支援装置1の第1の変形例を示す図である。この変形例において、出力部130は、既定要素EEについての配置データPDと生成対象要素GTEについての配置データPDとを配置結果RPとして出力する。
同図に示す具体例の場合、設計支援装置1は、(n−1)段階において、壁WLと床面外周FLとを既定要素EEとし、窓WDを生成対象要素GTEとして配置結果RP(n−1)を生成する。この場合、設計支援装置1は、生成対象要素GTEである窓WDの配置データPDを生成するとともに、既定要素EEである壁WL及び床面外周FLの配置データPDを生成する。ここで、生成された配置結果RP(n−1)のうち、床面外周FLについて、設計上の観点や発注元の要望の観点から好ましくない配置データPDが生成される場合がある。この場合、n段階において設計支援装置1は、(n−1)段階において生成された床面外周FLの配置データPDを用いずに、配置結果RPnを生成する。すなわち、取得部110は、出力部130が出力する既定要素EEについての配置データPDを取得せずに、出力部130が出力する生成対象要素GTEについての配置データPDを配置条件CPnとして取得する。
すなわち、取得部110が取得する配置条件CPnには、設計要素DEの種類が、出力部130によって出力された配置結果RP(n−1)に含まれる設計要素DEの種類と同一であり、設計対象エリアARにおける配置が、配置結果RP(n−1)に含まれる設計要素DEの配置とは異なる設計要素DEの配置データPDが含まれる。
本変形例において、生成部120は、学習結果の重み付けが互いに異なる複数のニューラルネットワークモデルNNMに基づいて、配置結果RPをニューラルネットワークモデルNNMごとに生成する。
さらに、このように構成された設計支援装置1によれば、設計要素DEの配置について様々な仕様に対応することができる。
さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル(差分プログラム)であってもよい。
Claims (13)
- 設計対象エリアにおける設計要素の配置条件を取得する取得部と、
前記取得部が取得する前記配置条件に基づく前記設計要素の配置結果を、ニューラルネットワークモデルによって生成する生成部と、
前記生成部が生成する前記配置結果を出力する出力部と、
を備える設計支援装置。 - 前記取得部は、
前記設計対象エリアにおける設計要素の配置を示すデータであって、前記設計対象エリアに前記設計要素が配置される座標位置の数と、前記設計要素の種類の数とに基づく次元を有する配置データを前記配置条件として取得し、
前記生成部は、
前記取得部が取得する前記配置条件の次元に対応する入力次元を有する入力層と、前記入力次元よりも少ない次元を有する隠れ層と、前記入力次元に対応する出力次元を有する出力層とを含むニューラルネットワークモデルによって、前記配置条件に対応する前記設計要素の配置データを前記設計要素ごとに前記配置結果として生成する
請求項1に記載の設計支援装置。 - 前記設計要素には、前記配置条件に含まれない種類の設計要素である生成対象要素と、前記配置条件に含まれる種類の設計要素である既定要素とがあり、
前記取得部は、
前記設計要素の一部の種類が前記生成対象要素として欠落している配置データを前記配置条件として取得し、
前記生成部は、
前記既定要素と前記生成対象要素とのうち少なくとも前記生成対象要素についての配置データを前記配置結果として生成する
請求項1又は請求項2に記載の設計支援装置。 - 前記取得部は、
前記出力部が出力した前記配置結果を、前記配置条件として取得し、
前記生成部は、
前記取得部が前記配置条件として取得する前記出力部が出力する前記配置結果に対応する配置データを、新たな前記配置結果として生成する
請求項1から請求項3のいずれか一項に記載の設計支援装置。 - 前記設計要素には、前記配置条件に含まれない種類の設計要素である生成対象要素と、前記配置条件に含まれる種類の設計要素である既定要素とがある場合において、
前記取得部は、
前記出力部が前記既定要素についての配置データと前記生成対象要素についての配置データとを前記配置結果として出力する場合に、前記出力部が出力する前記既定要素についての配置データを取得せずに、前記出力部が出力する前記生成対象要素についての配置データを前記配置条件として取得する
請求項4に記載の設計支援装置。 - 前記取得部が取得する前記配置条件には、前記出力部が出力した前記配置結果に含まれる前記設計要素の種類と一致する種類の前記設計要素についての配置データが含まれる
請求項4又は請求項5に記載の設計支援装置。 - 前記取得部が取得する前記配置条件には、設計要素の種類が、前記出力部が出力した前記配置結果に含まれる前記設計要素の種類と同一であり、前記設計対象エリアにおける配置が、前記配置結果に含まれる前記設計要素の配置とは異なる前記設計要素の配置データが含まれる
請求項4から請求項6のいずれか一項に記載の設計支援装置。 - 前記生成部は、学習結果の重み付けが互いに異なる複数のニューラルネットワークモデルに基づいて、前記配置結果を前記ニューラルネットワークモデルごとに生成する
請求項1から請求項7のいずれか一項に記載の設計支援装置。 - 前記配置条件及び前記配置結果は、前記設計対象エリアを平面視した場合の前記設計要素の配置を示す
請求項1から請求項8のいずれか一項に記載の設計支援装置。 - 前記配置条件には、前記設計対象エリアにおいて前記設計要素を配置可能な最大範囲による制約条件が含まれる
請求項1から請求項9のいずれか一項に記載の設計支援装置。 - 前記配置条件には、前記設計対象エリア外の構造物による制約条件が含まれる
請求項1から請求項8のいずれか一項に記載の設計支援装置。 - 構造物の設計対象エリアにおける設計要素の配置条件を取得する取得手順と、
前記取得手順において取得される前記配置条件に基づく前記設計要素の配置結果を、ニューラルネットワークモデルによって生成する生成手順と、
前記生成手順において生成される前記配置結果を出力する出力手順と、
によって得られる前記配置結果に基づいて構造物を生産する構造物の生産方法。 - 設計支援装置が備えるコンピュータに、
構造物の設計対象エリアにおける設計要素の配置条件を取得する取得ステップと、
前記取得ステップにおいて取得される前記配置条件に基づく前記設計要素の配置結果を、ニューラルネットワークモデルによって生成する生成ステップと、
前記生成ステップにおいて生成される前記配置結果を出力する出力ステップと、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018084318A JP7144181B2 (ja) | 2018-04-25 | 2018-04-25 | 設計支援装置、構造物の生産方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018084318A JP7144181B2 (ja) | 2018-04-25 | 2018-04-25 | 設計支援装置、構造物の生産方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019191954A true JP2019191954A (ja) | 2019-10-31 |
JP7144181B2 JP7144181B2 (ja) | 2022-09-29 |
Family
ID=68389895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018084318A Active JP7144181B2 (ja) | 2018-04-25 | 2018-04-25 | 設計支援装置、構造物の生産方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7144181B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651843A (zh) * | 2020-07-03 | 2020-09-11 | 三一重能有限公司 | 发电机主机架的设计方法、系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04130968A (ja) * | 1990-09-21 | 1992-05-01 | Toshiba Corp | ニューラルネットワークを用いた配線方式 |
JPH04328669A (ja) * | 1991-04-26 | 1992-11-17 | Toyo Electric Mfg Co Ltd | 統合ニューラルネットワーク及びその学習方式 |
JPH0561846A (ja) * | 1991-08-30 | 1993-03-12 | Mitsubishi Electric Corp | ニユーラルネツトワークによる部品配置最適化アルゴリズム |
WO2017046634A1 (en) * | 2015-09-14 | 2017-03-23 | Kumar G Sampath | A seating system with modular chairs for dynamic space optimization |
JP2018005773A (ja) * | 2016-07-07 | 2018-01-11 | 株式会社リコー | 異常判定装置及び異常判定方法 |
-
2018
- 2018-04-25 JP JP2018084318A patent/JP7144181B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04130968A (ja) * | 1990-09-21 | 1992-05-01 | Toshiba Corp | ニューラルネットワークを用いた配線方式 |
JPH04328669A (ja) * | 1991-04-26 | 1992-11-17 | Toyo Electric Mfg Co Ltd | 統合ニューラルネットワーク及びその学習方式 |
JPH0561846A (ja) * | 1991-08-30 | 1993-03-12 | Mitsubishi Electric Corp | ニユーラルネツトワークによる部品配置最適化アルゴリズム |
WO2017046634A1 (en) * | 2015-09-14 | 2017-03-23 | Kumar G Sampath | A seating system with modular chairs for dynamic space optimization |
JP2018005773A (ja) * | 2016-07-07 | 2018-01-11 | 株式会社リコー | 異常判定装置及び異常判定方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111651843A (zh) * | 2020-07-03 | 2020-09-11 | 三一重能有限公司 | 发电机主机架的设计方法、系统及电子设备 |
CN111651843B (zh) * | 2020-07-03 | 2023-06-06 | 三一重能股份有限公司 | 发电机主机架的设计方法、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
JP7144181B2 (ja) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10339266B2 (en) | Mechanisms for constructing spline surfaces to provide inter-surface continuity | |
CN110941871B (zh) | 一种基于Revit三维模型中房间信息的自动标注方法及系统 | |
US7530036B2 (en) | Random test generation using an optimization solver | |
CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
Park | BIM-based parametric design methodology for modernized Korean traditional buildings | |
Wang et al. | Generating layout designs from high-level specifications | |
CN102332049B (zh) | 钣金件工艺耳片快速设计方法 | |
CN111046459A (zh) | 一种基于3d软件的建筑模型图像设计方法 | |
US11449647B2 (en) | Generative shell design for simulations | |
CN116861540A (zh) | 一种构建剪力墙布局设计的个性化人工智能助手的方法 | |
US20100228527A1 (en) | Coarsening and splitting techniques | |
JP2019191954A (ja) | 設計支援装置、構造物の生産方法及びプログラム | |
JP5673489B2 (ja) | 点群データの処理装置、処理方法、処理プログラム及び記録媒体 | |
Mediavilla et al. | Graph-Based methodology for Multi-Scale generation of energy analysis models from IFC | |
CN113051637A (zh) | 一种关于公共医疗建筑的bim建模方法 | |
CN109933588B (zh) | 一种dwg数据转gdb数据的方法和系统 | |
CN109063272B (zh) | 一种柔性钻孔模板的设计方法 | |
KR20150066692A (ko) | Bim 모델의 변환 장치와 방법 | |
JPH1196400A (ja) | 形状変換方法 | |
KR102631323B1 (ko) | 복수의 사물에 대한 공간 배치 자동 설계 방법, 및 복수의 사물에 대한 공간 배치 자동 설계 방법을 실행시키는 프로그램이 기록된 기록 매체 | |
KR101777270B1 (ko) | Bim을 이용한 bipv 설치영역 설정방법 | |
CN109740234B (zh) | 一种家居布局3d碰撞检测方法及系统 | |
US7370304B2 (en) | System and method for designing and manufacturing LSI | |
CN105930561A (zh) | 计算机辅助设计中几何造型的数据处理方法和装置 | |
CN111192363A (zh) | 一种基于云计算的用户配电房设计生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210409 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220524 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220725 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220906 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220915 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7144181 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |