Geautomatiseerd optimaliseren door genetisch algoritme

De vervangingsopgave, een groeiend tekort aan technici: het ontwerp- en engineeringsvakgebied staat de komende jaren voor enorme opgaves. Dit daagt de sector meer dan ooit uit om manieren te verkennen waarmee het ontwerp- en engineeringsproces slimmer, beter en minder arbeidsintensief kan worden gemaakt. De integratie van kunstmatige intelligentie is een veelbelovende manier om ontwerpprocessen deels te automatiseren. De afgelopen jaren zijn hierin enorme stappen gezet.

Zo zorgde de komst van parametrisch ontwerpen voor een revolutie in de wereld van ontwerp en engineering. Parametrisch ontwerpen helpt om ontwerpvarianten vele malen sneller te verkennen en te vergelijken. Maar, met het analyseren en optimaliseren van deze varianten is nog altijd veel (reken)tijd en denkwerk gemoeid. Bij grote modellen met veel parameters is de rekentijd van enkel een parametrisch model zelfs zo lang dat het optimaliseren niet langer praktisch haalbaar is. Het automatisch aansturen en optimaliseren van deze parametrische modellen is de next step.

‘Genetisch Ontwerpen’ helpt om die stap te zetten. Kort gezegd komt het erop neer dat kunstmatige intelligentie wordt toegevoegd aan een parametrisch ontwerp om zo ‘geautomatiseerd te optimaliseren’. Hierbij kiest de computer (aan de hand van een algoritme) een nieuwe, steeds betere variant waarmee het parametrisch model wordt aangestuurd. Op deze manier kunnen er op één dag duizenden varianten worden doorgerekend om uiteindelijk tot het meest optimale ontwerp te komen. Het fundament onder deze aanpak is het genetisch algoritme. Dit algoritme is geïnspireerd door genetica. Het idee hiervoor is een afgeleide van de manier waarop de mens door de eeuwen heen schapen kruiste om stap voor stap de wolproductie te verbeteren. Door schapen zorgvuldig op allerlei eigenschappen te selecteren en vervolgens te kruisen, konden we de opbrengst en de kwaliteit van wol door de jaren heen vergroten.

Het genetisch algoritme werkt hetzelfde. Dit algoritme is in staat om uit elke ontwerpvariant de beste set ‘genen’ te selecteren. Om deze vervolgens te combineren met de beste genen uit een andere variant. Zo wordt elk nieuw ontwerp telkens een beetje geoptimaliseerd. De verbeterrichting van dit automatische optimalisatieproces is hierbij zelf te bepalen. Zo kan er worden gezocht naar het meest voordelige ontwerp of naar het ontwerp waarbij minder grondstoffen worden gebruikt. De ontwikkeling van dit algoritme is overigens niet eenvoudig. Aantoonbare en herleidbare constructieve veiligheid blijft immers het belangrijkste eindresultaat. Het algoritme moet daarom - net zoals de constructeur verantwoordelijk is voor een beheerst ontwerpproces - altijd tot een betrouwbaar resultaat leiden. Het maken van en het werken met dit algoritme vergt daarom diepgaande vakkennis van de constructeur.

Het genetisch algoritme is inmiddels getraind voor het opstellen van funderingsontwerpen voor onderdoorgangen. Voor deze tunnelfunderingen zijn vaak honderden palen nodig. Maar, wat is de meest optimale oplossing: een beperkt aantal diepgefundeerde palen of meerdere slanke en ondiep gefundeerde palen? En wat is de beste configuratie: 4 x 8 of 5 x 7 palen? Voor een constructeur is het onbegonnen werk om al deze varianten door te rekenen. De tool slaagt hier wel in. Het algoritme kent elk gangbaar paaltype en is in staat om met druk- en trekbelastingen te werken. Hierdoor is het toepasbaar voor elke locatie waar een paal- of verankerde fundering nodig is.

Deze tool is in de praktijk gebracht bij het opstellen van het funderingsontwerp van de nieuwe busonderdoorgang bij Groningen CS. Het algoritme kwam tot een variant - binnen alle gestelde eisen en randvoorwaarden - waarbij circa 80 palen zijn bespaard ten opzichte van het initiële ontwerp. Dit resulteerde in een besparing van 20 procent op het gebied van de CO₂ -uitstoot en 30 procent aan kosten. Deze uitkomsten bieden een enorm potentieel, aangezien er in Nederland verscheidene onderdoorgangen per jaar worden gerealiseerd.

Maar, dit is niet de enige winst. Zo had het algoritme voor het funderingsontwerp in Groningen slechts uren nodig om tot de meest optimale variant te komen. Wanneer we deze optimalisatieslag op de traditionele manier hadden gedaan, had de inzet van een constructeur maanden gekost. Daarbij waren varianten meerdere keren uitgewisseld, geanalyseerd en beoordeeld door andere experts. Deze optimalisatierondes hadden - zeer waarschijnlijk - niet tot het resultaat geleid als dat van het algoritme.

Dankzij deze betrouwbare manier van geautomatiseerd optimaliseren, wordt een deel van het repetitief en arbeidsintensief werk weggehaald bij ingenieurs. Hiermee wordt ruimte gecreëerd om hun vakkennis, die naar verwachting steeds schaarser wordt, in de toekomst efficiënter en effectiever in te zetten. Niet om allerlei varianten door te rekenen en te analyseren, maar juist om hun kennis in te zetten waar die echt van meerwaarde is. Belangrijk neveneffect is dat deze nieuwe manier van ontwerpen het engineeringsvak aantrekkelijker maakt voor een nieuwe generatie ingenieurs. Een generatie die al gewend is om te leven en te werken in een wereld waar digitalisering en automatisering de norm is. Zo stond Engineering 3.0 centraal in zes gastcolleges die zijn gegeven aan studenten van Technische Universiteiten en Hogescholen. En overal mocht deze aanpak op een enthousiast publiek rekenen.

Het genetisch algoritme is één van de tools waarmee de Engineering 3.0-filosofie mogelijk wordt gemaakt. Naast de toepassing van kunstmatige intelligentie, moet er worden gezocht naar andere innovaties die ontwerpprocessen of delen daarvan slimmer, efficiënter en beter maken. Uiteraard wordt de filosofie achter genetisch ontwerpen verder ontwikkeld. Zo zou dit algoritme getraind kunnen worden om het ontwerpproces van andere civiele constructies te automatiseren. Maar, zoals eerder gesteld, is dit geen kwestie van ‘even een algoritme trainen’. Het vraagt om diepgaande kennis van kunstwerken en programmeren. Een algoritme moet een betrouwbare afspiegeling zijn van het denken en de expertise van de constructeur. De computer kan erg veel werk uit handen nemen, maar de specialist en zijn vakkennis blijft altijd een onmisbare schakel.

Ir. Simone de Rijke, adviseur Kunstwerken en Teamleider Parametrisch Ontwerp bij Antea Group en genomineerd voor de Prins Friso Ingenieursprijs van het Jaar 2023.