Vorhersage des optimalen Standorts von Gebäuden mit selbstlernenden ANN

Die rasche Urbanisierung und komplexe Konstruktionen veranlassen die Bauindustrie dazu, KI und ML für schnellere, sicherere und kosteneffizientere Lösungen einzusetzen. In diesem Forschungsbuch wurden Bodenuntersuchungsberichte verwendet, um standortspezifische Parameter zu definieren, und 10 verschiedene Gebäudefälle wurden mit einer Gebäudeanalysesoftware analysiert, jeder mit einer individuellen Federsteifigkeit (K). Es wurde ein Python-basierter ML-Ansatz entwickelt, um optimale mehrstöckige Strukturkonfigurationen mit Schwerpunkt auf der Axialkraft der Säulen vorherzusagen. Der zweistufige AI-ML-Code identifiziert die Eingaben, erzeugt Diagramme mit Matplotlib v3.10.3 und vergleicht die vorhergesagten mit den tatsächlichen Werten, um MSE und R² zu bewerten. Für die Datenvorverarbeitung wurden Pandas v2.0.3 und NumPy v1.26.4 verwendet, während die lineare Regression und die ANN-Modelle (TensorFlow v2.16.1, sklearn v1.3.0) auf einer 80:20-Aufteilung trainiert wurden. Das ANN erreichte einen MSE von 0 und ein R² von 1, was eine überragende Genauigkeit und Effizienz für die Optimierung des Strukturdesigns bedeutet.