RL-guided form exploration: integrating reinforcement learning with grammatical design and graphic statics

Fragmented practices within the wider AEC industry have led to the consensus that an architect is responsible for form while an engineer is responsible for stabilizing that form. While advances in computational design have positively impacted in exploration of varied geometrical forms, these forms might need post-rationalized in later stages of design. Incorporating physical laws of forces, as guiding strategies to inform the structural form-finding process leads to pre-rationalized outcomes. There is a necessity to investigate such informed design exploration. One such method is Grammatical Design with Graphic Statics (GDGS), which utilizes shape grammar formalism and computational graphic statics for the rapid generation of diverse structures that are in static equilibrium. Using a grammar-based system leads to a broadened design space, which demands either sorting and clustering the design solutions or guiding the system to produce feasible solutions. This thesis aims to guide the GDGS system to produce goal-oriented structures. The focus is on 2-dimensional planar reticular forms that are statically equilibrated and materially efficient. The original contributions of this thesis include identifying a framework that leverages machine learning techniques, in particular reinforcement learning, as a guiding methodology to achieve design goals. Additionally, the research aims to identify the constraints and design objectives crucial for the creation of feasible structures within the context of GDGS, drawing inspiration from relevant previous works. A simple cantilever problem is tested to benchmark the methodology along with speculations for tool deployability. Finally, this research implements this method to design an urban canopy.

Le pratiche frammentate all'interno dell'ampia industria AEC hanno portato al consenso che un architetto sia responsabile della forma, mentre un ingegnere è responsabile di stabilizzare quella forma. Sebbene gli avanzamenti nel design computazionale abbiano avuto un impatto positivo nell'esplorazione di forme geometriche variegate, queste forme potrebbero necessitare di una post-razionalizzazione nelle fasi successive del design. Incorporare le leggi fisiche delle forze come strategie guida per informare il processo di ricerca della forma strutturale porta a risultati pre-razionalizzati. C'è la necessità di investigare tale esplorazione informata nel design. Uno dei metodi in questo senso è il Design Grammaticale con Statica Grafica (GDGS), che utilizza il formalismo della grammatica delle forme e la statica grafica computazionale per la rapida generazione di strutture diverse in equilibrio statico. L'utilizzo di un sistema basato sulla grammatica amplia lo spazio di progettazione, richiedendo sia la classificazione e il raggruppamento delle soluzioni di design, sia l'orientamento del sistema per produrre soluzioni fattibili. Questa tesi mira a guidare il sistema GDGS nella creazione di strutture orientate agli obiettivi, con un focus su forme reticolari planari bidimensionali che sono staticamente equilibrate ed efficienti dal punto di vista materiale. I contributi originali di questa tesi includono l'identificazione di un framework che sfrutta le tecniche di apprendimento automatico, in particolare il reinforcement learning, come metodologia guida per raggiungere gli obiettivi di design. Inoltre, la ricerca mira a identificare vincoli e obiettivi di design cruciali per la creazione di strutture fattibili nel contesto del GDGS, prendendo ispirazione da opere precedenti pertinenti. Un problema semplice di sbalzo è testato per valutare la metodologia insieme a considerazioni sulla implementazione degli strumenti. Infine, questa ricerca applica questo metodo per progettare un dosso urbano.