Tidlig-fase bru-design ved bruk av optimaliserings- og maskinlærings-metoder

Bestemme riktig brutype, samt initiell dimensjonering av denne, kan være svært krevende. Det er mange faktorer å ta hensyn til, og å gjennomføre en kompromissvurdering der alle faktorene blir hensyntatt er utfordrende for den menneskelige eksperten med tradisjonelle metoder. Under designprosessen gjennomgås tradisjonelt en rekke utforminger manuelt, og designeren vurderer hvordan ulike valg påvirker bruens oppførsel i et forsøk på å oppnå det beste brudesignet. I denne sammenheng er tradisjonelt det beste brudesignet den bruen som har tilstrekkelig strukturell integritet til å møte alle sikkerhetskrav til den laveste monetære kostnaden. Hensikten med dette prosjektet er å utvikle metoder for å automatisere designprosessen. Dette er tenkt gjennomført ved at mange ulike alternative utforminger gjennomgås automatisk, og der hvordan de ulike valgene påvirker bruens oppførsel bestemmes med kunstig intelligens. Denne informasjonen benyttes så videre til å bestemme det beste brudesignet med numerisk optimalisering, der både monetære og miljømessige kostnader kan knyttes til konstruksjonen. Det vil da ikke være begrensinger knyttet til antall faktorer som det tas hensyn til. En økt evne til å se sammenhengen mellom flere variabler, både hvordan de påvirker konstruksjonens strukturelle integritet, men også hvordan valgene påvirker konstruksjonen monetære og miljømessige kostnad, vil da skape grunnlaget for en bedre konstruksjon.

Nåværende metode på brudesign er basert på ekspertvurderinger og kvalifisert gjetning, som så er etterfulgt av flere iterasjoner for å oppnå det beste designet. Ekspertvurderingene og kvalifisert gjetning er egenskaper hos senior-ingeniører, opparbeidet etter flere år i industrien, hvor de har erfart hva som virker og ikke virker. Den iterative prosessen er typisk utført manuelt av høyt utdannede profesjonelle. Hovedmålet har generelt vært å designe bruer som har tilstrekkelig strukturell integritet, og som samtidig tilfredsstiller estiske krav til den laveste kostnaden. I de senere år har det blitt større søkelys på konstruksjonens miljøpåvirkning. I 2017 var bygge-industrien ansvarlig for 15.3 % av Norges klimagassutslipp. Antall faktorer å hensynta under brudesignet er dermed betydelig, selv uten å ta klimagassutslippene i betraktning, og å gjøre en kompromissvurdering der alle faktorene hensyntas blir ytterligere utfordrende for den menneskelige eksperten. Formålet med dette prosjektet er derfor å utvikle metoder som tar i bruk toppmoderne maskinlærings- og optimaliseringsmetoder for å veilede brudesignerens avgjørelser i prosjektets tidligfase. Ved å skape et rammeverk for å benytte tidligere erfaring og ekspertvurderinger sammen med toppmoderne optimaliseringsstrategier og metoder i maskinlæring og kunstig intelligens, er målet å bygge en prosedyre som oppnår det beste bru-designet mer sikkert og effektivt enn det som nå er mulig. Det beste brudesignet vil tilfredsstille funksjonelle og estetiske krav, ha tilstrekkelig strukturell integritet til å møte alle sikkerhetskrav, og samtidig minimere miljøpåvirkningen og kostnaden av konstruksjonen.