ML&Deep_CFD2022

Abstact

• Brawser Based programme Implementation

• CFD prediction based onML, DL

• Practical Tips in practical usage

要点
・WEBブラウザでの運用と実装
・ML/DLを利用したCFD予測
・実際的な運用においての問題点等

At PO-LLC, as part of the performance-based design business, we have been involved in a number of shape optimization operations based on various environmental analyzes. By collaborating and using parametric modeling, evaluation function design, metaheuristics, etc., we are working on designs based on the performance of various "things" linked with building environmental engineering.

By the way, when the current so-called generative design and this environmental analysis are combined and operated, a huge amount of analysis calculation is performed in real time, especially for each scheme. In this case, fluid calculation (called CFD from here) has a large calculation load, and accurate values ​​may not be obtained until the calculation converges to some extent, which makes real-time multiple analysis calculation difficult. It was the upper barrier. As one solution, simplification of calculation is desired, and as another method, speeding up of analysis is desired.

　ぽLLCでは、パフォーマンスベースドデザインの業務の一環として、各種環境解析をもとに形状最適化を行う業務を数多く手がけてきた。パラメトリックモデリング、評価関数のデザイン、メタヒューリスティクス等を連携して援用することにより、建築環境工学と連携させた様々な「もの」の性能をベースとした設計を手掛けている。

　ところで、現状の所謂ジェネレイティブデザインと、この環境解析を組み合わせて運用する場合には膨大な量、特にスキームごとの解析計算をリアルタイムで行うことになる。このケースでは特に流体計算（ここからCFDと呼ぶ）が計算負荷が大きく、かつ計算がある程度収束するまで時間をおかないと正確な値が出ないこともあり、リアルタイムの複数解析計算を難しくする技術上のバリアになっていた。一つの解決方法として、計算の簡略化が、もう一つの手法として解析の高速化が望まれる。

In such a context, we developed a mechanism to quickly return the calculation result by training the result of CFD analysis by machine learning in advance using machine learning (ANN), and implemented and announced it on the WEB-based CAD platform. bottom.
（2020, Comparative Study on Urban Virtual Modeling Platforms for Urban Planning and Design Practice, Kawagishi, Noboru, Fuji, Takaaki, Hotta, Kensuke and Hotta, Akito 2020, CAADRIA Thailand）

こういったコンテクストにおいて、CFD解析の結果をあらかじめ機械学習でトレインさせておいて迅速に計算結果を返す仕組みを機械学習（ANN）を用いて開発し、ＷＥＢベースのＣＡＤプラットフォーム上で、実装し発表した。
（2020, Comparative Study on Urban Virtual Modeling Platforms for Urban Planning and Design Practice Kawagishi, Noboru, Fuji, Takaaki, Hotta, Kensuke and Hotta, Akito 2020, CAADRIA Thailand）

このフレームのなかだけだと、実務において対応しきれないケースが出てきた。特に頻出する問題は、

❶あらかじめのトレインに時間がかかりすぎること（何十回ケースもあらかじめ解析を行っておかなければならない）
❷（➀のわりに、）ユースケースに応じた学習が必要なこと（個別に準備するのも結構時間がかかる）
❸（②に関連して）都市などの複雑な形状のケースに対応できないこと

である。他のケースの機械学習でもよく言われるように、精度などの性能に関することは勿論、トレインする際のチューンナップ、運用前に餌をどこからどうやって用意するか、またそれをどのようにデータセットとして食わせるかについてが問題になるようである。

There were cases where we couldn't handle it in practice if we were only in this frame. The most frequent problems are:

❶ It takes too much time to train in advance (you have to analyze dozens of cases in advance)

❷ (instead of ➀) It is necessary to learn according to the use case (instead of ➀) It takes a lot of time to prepare individually.)

❸ (In relation to ②) It is not possible to handle cases with complicated shapes such as cities.

As is often said in machine learning in other cases, not only performance related to accuracy, but also tune-up when training, where and how to prepare food before operation, and how to eat it as a data set. Seems to be a problem.

Currently, various application cases using this tool have already been put into practical use (as of 202205 / planned to be added　more info later).

現在はこのツールを使用した、多様なアプリケーションケースをすでに実用化している（202205現在/　加筆予定）