JP2019191954A - 設計支援装置、構造物の生産方法及びプログラム - Google Patents

Abstract

【課題】設計要素の間の配置の関係性や配置の制約条件を人手によって設定する場合に比べ、作業の煩雑さを低減する又は設計工数を低減する。【解決手段】設計支援装置は、取得部と、生成部と、出力部とを備える。取得部は、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。生成部は、取得部が取得する配置条件に基づく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。出力部は、生成部が生成する配置結果を出力する。【選択図】図２

Description

本発明は、設計支援装置、構造物の生産方法及びプログラム。

従来、人手によって行われていた設計業務をコンピュータによって支援する設計支援装置に関する技術が開示されている。例えば、特許文献１には、設計対象を構成する各要素の制約条件と仕様を設定し、制約条件を充足し、かつ仕様の最適化を図ることのできるシステムが開示されている。
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。

米国特許出願公開第２００８／０２３４９９１号明細書 特開２０１７−１１１６５８号公報

しかしながら、特許文献１に開示される従来技術によると、各要素間の基本的な関係性および制約条件を人間が規定しなければならず、また、要素数が増えると、その組み合わせパターンは要素数のべき乗で増加し、膨大なルールあるいは制約条件を矛盾なく記述することが困難となり、作業が煩雑になるという問題があった。
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。

本発明は、上述した問題点に鑑みてなされたものであり、設計要素の間の配置の関係性や配置の制約条件を人手によって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設計支援装置、構造物の生産方法及びプログラムを提供することを目的とする。

本発明の一実施形態は、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である。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、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。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、上述した設計支援装置において、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。

本発明の一実施形態は、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である。

本発明の一実施形態は、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である。

本発明によれば、設計要素の間の配置の関係性や配置の制約条件を人手によって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又は設計工数を低減することができる設計支援装置、構造物の生産方法及びプログラムが提供される。

本実施形態の設計支援装置の設計要素の一例を示す図である。 本実施形態の設計支援装置の機能構成の一例を示す図である。 本実施形態の柱の配置データの一例を示す図である。 本実施形態の柱の配置データの他の一例を示す図である。 本実施形態の生成部の機能構成の一例を示す図である。 建造物の設計の流れの一例を示す図である。 本実施形態の設計支援装置の動作の一例を示す図である。 本実施形態の設計支援装置の第１の変形例を示す図である。 本実施形態の設計支援装置の第２の変形例を示す図である。

［実施形態］
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。

図１は、本実施形態の設計支援装置１の設計要素ＤＥの一例を示す図である。設計要素ＤＥには、壁ＷＬ、柱ＰＬ、床面外周ＦＬ、窓ＷＤが含まれる。壁ＷＬには、外壁ＯＷＬと、内壁ＩＷＬとが含まれる。これら外壁ＯＷＬと内壁ＩＷＬとを区別しない場合には、壁ＷＬと総称する。床面外周ＦＬには、各階の床面外周ＦＬが含まれる。例えば、２階建の建築物の場合、床面外周ＦＬには、１階の床面の外周である床面外周ＦＬ１、２階の床面の外周である床面外周ＦＬ２、及び屋上の床面の外周である床面外周ＦＬ３が含まれる。これら床面外周ＦＬ１〜床面外周ＦＬ３を区別しない場合には、床面外周ＦＬと総称する。また例えば、２階建の建築物の場合、柱ＰＬには、１階の柱である柱ＰＬ１と、２階の柱である柱ＰＬ２とが含まれる。
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。

［設計支援装置１の機能構成］
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。

図３は、本実施形態の柱ＰＬ１の配置データＰＤの一例を示す図である。この柱ＰＬ１配置データＰＤは、建築物の１階の床面を上面視した場合に、柱ＰＬ１が配置される座標位置を示す。この一例では、配置データＰＤは、建築物の１階の床面を座標平面とする直交２軸（軸ｘ１及び軸ｙ１）によって、座標位置が示される。

図４は、本実施形態の柱ＰＬ２の配置データＰＤの一例を示す図である。この柱ＰＬ２の配置データＰＤは、建築物の２階の床面を上面視した場合に、柱ＰＬ２が配置される座標位置を示す。この一例では、配置データＰＤは、建築物の２階の床面を座標平面とする直交２軸（軸ｘ２及び軸ｙ２）によって、座標位置が示される。
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。

すなわち、配置データＰＤは、設計対象エリアＡＲを平面視した場合の設計要素ＤＥの配置を示す。図３及び図４に示す一例では、配置データＰＤは、軸ｘ方向に６４か所、軸ｙ方向に６４か所、すなわち４０９６か所の座標位置を有する。同図の配置データＰＤの座標位置に示される「１」は、その座標位置に柱ＰＬが配置されること示す。また、同図の配置データＰＤの座標位置に示される「０」は、その座標位置に柱ＰＬが配置されないことを示す。つまり、配置データＰＤは、例えば、柱ＰＬなどの設計要素ＤＥが配置される又は配置されない座標位置を「１」又は「０」の２値化された情報によって示す。
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。

ここで、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との積によって示される。この一例では、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、…の１３種類の設計要素ＤＥのデータが含まれる。なお、図２に示す一例では、これら１３種類の設計要素ＤＥのうちの一部のみを図示している。
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。

図２に戻り、取得部１１０は、配置データＰＤを、設計要素ＤＥの配置条件ＣＰとして取得する。取得部１１０は、取得した配置データＰＤ、すなわち配置条件ＣＰを生成部１２０に供給する。

生成部１２０は、取得部１１０から供給される配置条件ＣＰに基づいて、配置結果ＲＰを生成する。生成部１２０の構成の具体例について、図５を参照して説明する。

図５は、本実施形態の生成部１２０の機能構成の一例を示す図である。生成部１２０は、ニューラルネットワークモデルＮＮＭを備えている。このニューラルネットワークモデルＮＮＭは、入力層ＩＬと隠れ層ＨＬと出力層ＯＬとを備える。
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。

ニューラルネットワークモデルＮＮＭの学習段階においては、配置条件ＣＰを入力層ＩＬに供給した場合に出力層ＯＬから出力される配置結果ＲＰと、供給した配置条件ＣＰとを比較する。この場合、ニューラルネットワークモデルＮＮＭに供給した配置条件ＣＰと、ニューラルネットワークモデルＮＮＭから出力される配置結果ＲＰとが一致することを正しい出力結果であるとして、ニューラルネットワークモデルＮＮＭを学習させる。
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。

生成部１２０は、このニューラルネットワークモデルＮＮＭによって、配置条件ＣＰに対応する設計要素ＤＥの配置データＰＤを設計要素ＤＥごとに配置結果ＲＰとして生成する。

図２に戻り、出力部１３０は、生成部１２０が生成する配置結果ＲＰを出力する。例えば、出力部１３０は、表示装置（不図示）に接続されており、配置結果ＲＰを画像として出力する。

［既定要素ＥＥ及び生成対象要素ＧＴＥについて]
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。

本実施形態の一例では、ニューラルネットワークモデルＮＮＭは、学習過程において、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、…の１３種類の設計要素ＤＥについて学習している。
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。

取得部１１０は、窓ＷＤが生成対象要素ＧＴＥとして欠落している配置データＰＤを、配置条件ＣＰとして取得する。生成部１２０は、取得部１１０が取得した配置条件ＣＰに基づいて、生成対象要素ＧＴＥ（この一例では、窓ＷＤ）の配置データＰＤを配置結果ＲＰとして生成する。なお、生成部１２０は、既定要素ＥＥ（この一例では、壁ＷＬ、柱ＰＬ、床面外周ＦＬ、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）の配置データＰＤを、生成対象要素ＧＴＥの配置データＰＤとともに生成してもよい。つまり、生成部１２０は、生成部１２０は、既定要素ＥＥと生成対象要素ＧＴＥとのうち少なくとも生成対象要素ＧＴＥについての配置データＰＤを、配置結果ＲＰとして生成する。
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。

［設計支援装置１の動作］
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。

図６は、建造物の設計の流れの一例を示す図である。
（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。

図７は、本実施形態の設計支援装置１の動作の一例を示す図である。
（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。

（ステップＳ１２０）設計支援装置１は、ステップＳ１１０において取得される制約条件に基づいて、設計対象エリアＡＲ内に建築可能域の配置データＰＤを生成する。
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。

（ステップＳ１３０）設計支援装置１は、ステップＳ１２０において生成された建築可能域の配置データＰＤに基づいて、間取りを生成する。ここでいう間取りとは、設計対象エリアＡＲ内における床面外周ＦＬ及び壁ＷＬの配置の形態である。この一例では、学習段階において、建築可能域の配置データＰＤと、床面外周ＦＬの配置データＰＤと、壁ＷＬの配置データＰＤとの組み合わせを、ニューラルネットワークモデルＮＮＭに予め学習させてある。このように学習されているニューラルネットワークモデルＮＮＭは、建築可能域の配置データＰＤが入力されると、この建築可能域に適した床面外周ＦＬの配置データＰＤ及び壁ＷＬの配置データＰＤを生成することができる。
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。

（ステップＳ１４０）設計支援装置１は、ステップＳ１３０において生成された間取りの配置データＰＤに基づいて、窓ＷＤの配置データＰＤ及び建具ＤＲ（例えば、開き戸や引き戸）の配置データＰＤを生成する。この一例では、ニューラルネットワークモデルＮＮＭには、間取りの配置データＰＤと、窓ＷＤの配置データＰＤと、建具ＤＲの配置データＰＤとの組み合わせを予め学習させてある。このように学習されているニューラルネットワークモデルＮＮＭは、間取りの配置データＰＤが入力されると、この間取りに適した窓ＷＤの配置データＰＤ及び建具ＤＲの配置データＰＤを生成することができる。
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。

なお、ステップＳ１４０において取得される配置条件ＣＰを「配置条件ＣＰ２」と、ステップＳ１４０において生成される配置結果ＲＰを「配置結果ＲＰ２」とも記載する。この一例において、ステップＳ１３０において生成された配置結果ＲＰ１と、ステップＳ１４０において生成される配置条件ＣＰ２とが一致している。
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。

（ステップＳ１５０）設計支援装置１は、ステップＳ１４０までに生成された間取りの配置データＰＤと、窓ＷＤの配置データＰＤと、建具ＤＲの配置データＰＤとに基づいて、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を生成する。この一例では、ニューラルネットワークモデルＮＮＭには、間取りの配置データＰＤと、窓ＷＤの配置データＰＤと、建具ＤＲの配置データＰＤと、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との組み合わせを予め学習させてある。このように学習されているニューラルネットワークモデルＮＮＭ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が入力されると、この間取り、窓ＷＤの配置及び建具ＤＲの配置に適した柱ＰＬの配置データＰＤ及び耐震フレームＢＲの配置データＰＤを生成することができる。
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。

（ステップＳ１６０〜ステップＳ１８０）設計支援装置１は、ステップＳ１４０及びステップＳ１５０と同様にして、梁ＢＭ、衛生設備ＳＡ、給湯設備ＨＷ及び電気設備ＥＬのそれぞれの配置データＰＤを、配置結果ＲＰｎとして順次生成して、一連の動作を終了する。

すなわち、取得部１１０は、生成手順の前段において出力部１３０が出力した配置結果ＲＰ（ｎ−１）を、配置条件ＣＰｎとして取得する。また、生成部１２０は、取得部１１０が取得する配置条件ＣＰｎ（つまり、配置結果ＲＰ（ｎ−１））に対応する配置データＰＤを、新たな配置結果ＲＰｎとして生成する。

なお、設計支援装置１は、ステップＳ１３０〜ステップＳ１８０において生成した各配置データＰＤに基づいて、部材割付図を生成する機能を有していてもよい（ステップＳ２１０）。また、設計支援装置１は、ステップＳ２１０において生成された部材割付図に基づいて、部材発注リストを生成する機能を有していてもよい（ステップＳ２２０）。
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。

また、設計支援装置１は、配置データＰＤを他のＣＡＤ（computer-aided design）データ形式に変換する変換機能を有していてもよい。設計支援装置１は、配置データＰＤをＣＡＤデータ形式に変換することにより、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。

［実施形態のまとめ］
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。

また、本実施形態の設計支援装置１において、生成部１２０は、入力次元数ｎＩＤよりも少ない次元を有する隠れ層ＨＬを有するニューラルネットワークモデルＮＮＭによって配置データＰＤを生成する。このように構成されたニューラルネットワークモデルＮＮＭは、配置データＰＤの特徴量が次元圧縮されるため、次元圧縮されない場合に比べて配置データＰＤの特徴をより捉えた学習がなされている。したがって、本実施形態の設計支援装置１によれば、より好ましい（例えば、人手による設計をした場合と比べて遜色がない、又は人手による設計をした場合よりも優れた）設計結果を得ることができる。

また、本実施形態の設計支援装置１において、生成部１２０は、設計要素ＤＥの一部の種類が欠落している配置データＰＤに基づいて、生成対象要素ＧＴＥを生成する。上述したように、本実施形態のニューラルネットワークモデルＮＮＭは、学習段階において配置条件ＣＰと配置結果ＲＰとの組み合わせを学習している。ニューラルネットワークモデルＮＮＭは、学習段階において配置条件ＣＰに含まれていた設計要素ＤＥの一部の種類が欠落していたとしても、学習結果に基づいて、この欠落している設計要素ＤＥの配置データＰＤを生成することができる。

本実施形態の取得部１１０は、出力部１３０が出力した配置結果ＲＰ（ｎ−１）を、配置条件ＣＰｎとして取得する。また、本実施形態の設計支援装置１において、取得部１１０が取得する配置条件ＣＰには、出力部１３０が出力した配置結果ＲＰ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。
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ａ_０，設計要素ａ_１，設計要素ａ_２，…，設計要素ａ_ｎ，）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ａ_０，設計要素ａ_１，設計要素ａ_２，…，設計要素ａ_ｎ，設計要素ａ_ｎ＋１）を得た場合であって、かつ設計要素ａ_１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ａ_１を欠落させた配置条件Ａ’’（設計要素ａ_０，設計要素ａ_２，…，設計要素ａ_ｎ，設計要素ａ_ｎ＋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ａ_０，設計要素ｂ_１，設計要素ａ_２，…，設計要素ａ_ｎ，設計要素ａ_ｎ＋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。

［変形例（１）］
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。

この場合、床面外周ＦＬについて、（ｎ−１）段階において生成された配置とは異なる配置にされた配置データＰＤが、ｎ段階の配置条件ＣＰとして用いられる。
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。

このように構成された設計支援装置１によれば、設計の各段階においてより好ましい配置条件ＣＰを取得することにより、より好ましい配置結果ＲＰを生成することができる。つまり、設計支援装置１によれば、より好ましい設計結果を後段の設計に引き継ぐことができる。

［変形例（２）］
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。

図９は、本実施形態の設計支援装置１の第２の変形例を示す図である。本変形例において生成部１２０は、複数の種類のニューラルネットワークモデルＮＮＭを有する。この一例では、生成部１２０は、ニューラルネットワークモデルＮＮＭ１と、ニューラルネットワークモデルＮＮＭ２とを有する。生成部１２０は、１つの配置条件ＣＰｎについて、ニューラルネットワークモデルＮＮＭ１による配置結果ＲＰと、ニューラルネットワークモデルＮＮＭ２による配置結果ＲＰとを生成する。これら、ニューラルネットワークモデルＮＮＭ１と、ニューラルネットワークモデルＮＮＭ２とは、学習結果の重み付けが互いに異なる。このため、ニューラルネットワークモデルＮＮＭ１による配置結果ＲＰと、ニューラルネットワークモデルＮＮＭ２による配置結果ＲＰとは、互いに設計要素ＤＥの配置が異なる。

このように構成された設計支援装置１によれば、１つの配置条件ＣＰに対して設計要素ＤＥの配置が互いに異なる複数の配置結果ＲＰを生成することができるため、配置結果ＲＰのバリエーションが増加し、設計要素ＤＥの配置の選択肢を増やすことができる。
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。

以上、本発明の実施形態及びその変形を説明したが、これらの実施形態及びその変形は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態及びその変形は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態及びその変形は、発明の範囲や要旨に含まれると同時に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

なお、上述の各装置は内部にコンピュータを有している。そして、上述した各装置の各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。

また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。
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。

１…設計支援装置、１１０…取得部、１２０…生成部、１３０…出力部、ＮＮＭ…ニューラルネットワークモデル、ＤＥ…設計要素、ＥＥ…既定要素、ＧＴＥ…生成対象要素

Claims (13)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。

Images