Masterthesis-Präsentation: Maschinelles Lernen für die digitale Konstruktion von Trockenmauern

Am 17. Juni 2021 hat Stefan Hochuli seine Masterthesis präsentiert zum Thema maschinelles Lernen für die digitale Konstruktion von Trockenmauern.

Trockenmauern existieren schon seit tausenden von Jahren. Die Art der Mauer hängt dabei vom Stil und der Methode der Konstruktion ab, die wiederum von der Art der Steine abhängt. Heutzutage werden Trockenmauern mehrheitlich aus Steinen aus dem Steinbruch gebaut. Im Rahmen der Arbeit wurde untersucht, wie Vorgaben zur Simulation eines Mauerbaus genutzt werden können. Der Fokus lag auf freistehende Trockenmauern mit einem Schichtmauerwerk. Der Simulation halber wurden die Steine als regelmässige Quader abstrahiert.

Methoden
Kriterien, die für eine günstige Positionierung aus dem herkömmlichen Mauerbau verwendet werden, sind schwer umsetzbar, müssen jedoch quantifiziert werden. Durch eine Gütefunktion werden diese Kriterien gewichtet eingeführt. Man erhält somit ein Mass für die Qualität einer möglichen Positionierung eines Steines.

Optimierungsprobleme gelten klassisch als schwer zu lösende Probleme. Um das Problem zu umgehen wird der Firefly-Algorithmus eingesetzt, der eine gute Position sucht, indem er die Gütefunktion minimiert. Die Entwicklung des Algorithmus ist durch die Leuchtsignale von Glühwürmchen inspiriert worden. Hat man als Steinarten Bausteine und Füllsteine zur Verfügung, so gelten für diese unterschiedliche Kriterien bezüglich Qualität einer Position. Durch zusätzliche Heuristiken wird die Qualität der Positionierung verbessert. Durch eine physikalische Simulationssoftware kann die Position auf ihre Stabilität geprüft.

Mit dem ausgewählten Vorgehen werden gute Positionen gefunden. Mit zunehmender Mauerhöhe, steigt jedoch auch die Komplexität der Umgebung einer Platzierung.

Ergebnisse
Die Arbeit zeigt, dass eine präzise Heuristik zentral für die effiziente Suche nach einer geeigneten Position ist. Es wurden hauptsächlich Ansätze aus dem klassischen Mauerbau herangezogen. Da eine Platzierung stark durch die Geometrie der Umgebung vorgegeben ist, müssen diese geometrische Abhängigkeiten quantifiziert und klar beschrieben werden, so dass daraus mögliche Positionen abgeleitet werden können. Für die Positionssuche ist entscheidend, dass möglichst zielführende und einschränkende Heuristiken genutzt werden. Dies resultiert in einen reduzierten Lösungsraum für das Optimierungsproblem und eine geeignete Position kann schneller gefunden werden.