建筑业的排放量约占温室气体排放总量的40-50%。这一数字既包括现场建筑施工过程中消耗的能源，也包括建筑材料和产品生产过程中使用的能源。
为减轻建筑构件对环境的影响，人们对两种主要策略进行了深入研究：通过尽量减小构件截面来优化结构，以及使用低碳材料。这也是木材和木制品（如胶合层积材）作为建筑材料受到重视并取得成功的原因。
胶合层积材一般指胶合木。胶合木，简称Glulam或GLT，在日本也被称为集成材，是一种由重叠的木层与合成树脂粘合并压制成所需形状的复合材料，也是常用的木结构建筑用材，可制作成大跨度弯曲梁，广泛用于体育馆、大型公共会所的制造。这种产品是土木工程中最受欢迎的选择之一，同时它还能吸收环境中的碳，是一种可持续发展的材料。
此外，这种材料还具有良好的机械性能和较低的结构自重，是一种抗震性能极佳的解决方案。而且它强质比高、美观，是可降解的工程复合材，被广泛应用于桥梁、建筑等工程领域。
生产胶合层积材（GLT）构件的一大优势是，通过加工元件的质量和获得各种尺寸的复杂几何形状，可根据客户的具体规格和要求进行定制，从而减少现场的工艺流程。
然而，土木工程结构的设计和实施仍然依赖于结构几何尺寸方面的惯性，即倾向于采用易于确定尺寸的恒定矩形截面。
木材的另一个显著优势是，与混凝土等其他材料相比，它的强度重量比更高，因此是一种极佳的选择。
减轻构件重量可减少结构自重，同时减小结构中构件的尺寸。
根据最近的研究表明，拓扑优化可以使元件的尺寸更好地承受所施加的力。
注：拓扑优化（topology optimization）是一种根据给定的负载情况、约束条件和性能指标，在给定的区域内对材料分布进行优化的数学方法，是结构优化的一种。结构优化可分为尺寸优化、形状优化和拓扑优化。
根据该领域的现有研究，通过有限元法（Finite Element Method，简称FEM）、简单回归元模型（simple regression on metamodels）、模型试验或蒙特卡罗模拟（Monte-Carlo simulation）等不同类型的分析所得出的模型特征，可使材料减少10%以上。
优化模型示例中使用了欧洲规范标准规定的结构分析和尺寸限制，以创建一个型材模型，从而降低使用胶合层积材和钢材制成的建筑构件的成本。
此外，根据研究者Ochieng、D. Kiu 的出版物延伸内容中的“轻质结构导论”研究表明，优化技术可将构件质量减少30%，从而以低重设计创造高性能，并将挠度（偏转）减少 15-20%。改变构件的几何尺寸、材料、大跨度的曲面构件、建筑物的高度和体积能够创造出新的设计，在这一过程中可以合理地使用构件，减少制造过程和横截面，同时保持阻力。
与此同时，在当前的研究活动中，拓扑优化可以利用人工智能来进行，从而提供新的视角和多种可能的方案。
在过去有研究表明能够在提高成本效益的同时，优化胶合层积材（GLT）结构元件的机械性能。然而，都需要在实验室中进行实验并经过耗时的程序，再对其结果做分析，而且需要资金来源。
考虑到使用有限元法（FEM）对模型进行运算研究处理涉及到不等式系统解法，在研究过程中会将有限元法（FEM）的结果和几何形状的变化作为输入数据，直到达到目标函数。
在当前的科学背景下，使用机器学习技术嵌入拓扑优化所获得的几何和结构性能数据，并降低部署此类解决方案的计算要求的前提已经存在。
注：机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能核心，是使计算机具有智能的根本途径。
深度学习（Deep Learning），作为机器学习的一种，特指基于深层神经网络模型和方法的机器学习，是在统计机器学习、人工神经网络等算法模型基础上，结合当代大数据和大算力（利用超级计算机、云计算、人工智能等技术，来处理海量的数据）的发展而发展出来的。
目前，深度神经网络（Deep Neural Networks，简称DNN）或生成式对抗网络（Generative Adversarial Networks，简称GAN）等技术已被证明可用于上述提及的应用方面。当然，还有应用效果更好的技术，下文将对此进行初步介绍。此外，在这方面是否能够取得研究成果都取决于训练数据（用于训练机器学习模型的输入数据样本子集）的质量；例如，在此次研究中使用了Dassault ABAQUS 2023软件包来计算此类优化任务的算法。
实验活动和使用的材料
为了进一步研究胶合层积材（GLT）的结构构件优化，进行了相关实验活动。在这过程中使用了胶合层积材（GLT）元件并对其组合进行了测试，以确定接触特性。
根据研究者Pech, S.、Kandler, G.、Lukacevic, M.和 Füss, J.的“元模型辅助优化胶合层压木梁的元启发式算法”研究显示，云杉是实现胶合层积材（GLT）构件的常用树种，因此云杉是最佳解决方案。
在此次研究实验中，胶合层积材（GLT）元件是用结构性环氧树脂基粘合剂将厚度为2厘米的层状木质材料连接在一起而形成的。
用于加工胶合层积材（GLT）构件的粘合剂三聚氰胺-尿素-甲醛（MUF）是木材工业中最常用的粘合剂之一。从“胶合层积材（GLT）构件的物理模型及构件中纤维位置的剖面图”中可以看到其中的薄层清晰可见。不过，在胶合层积材（GLT）构件的剖面上看不到粘合剂。这说明该构件的质量很好，也意味着层与层之间不会出现胶水粘合不良的情况，而且其截面是均匀的。
基于木质材料的天然构成是以年轮的形式存在，在打造木结构使用这种材料时，纤维的位置至关重要。纤维沿构件轴线的机械性能是不同的，为了最大限度地利用纤维，纤维必须与纵轴平行。
注：当树木被伐倒后，在树墩上可以看到有许多同心圆环，植物学上称为年轮。年轮是树木在生长过程中受季节影响形成的，一年产生一轮。
在实验室中的测定分两个阶段进行：第一阶段直接测定胶合层积材（GLT）的强度参数，第二阶段测定胶合层积材（GLT）的抗剪强度参数。
实验活动在罗马尼亚布加勒斯特土木工程技术大学的实验室进行。实验的试验结果表明，采用均质材料或“捆绑”型接触元件的方式对胶合梁式构件进行有限元建模后，得到的抗剪强度数值远高于木质材料的测定结果。
首先，可以通过一些元素的尺寸、元素上施加的力的类型（与纤维平行的牵引力和压缩力以及弯曲力）以及强度结果的平均值来了解胶合层积材（GLT）的基本特性。每项测试均有10个样本。
其次，将20个尺寸为 60×60×20（毫米）的胶合层积材（GLT）构件样本放入剪切盒中，对其施加力直至断裂点。在剪切盒中对木质样本施加力的过程中，可以观察到剪切盒的具体尺寸，木质样本可以完全放入剪切盒中，力施加在木质样本的中心位置。达到断裂点后，取回木材样本，在“施力后的木材样本”和“断裂的木材样本”中，断裂的痕迹清晰可见。木片已完全断裂。
实验活动是按照一些必要的测试步骤进行的，以验证结果的正确性，同时考虑到摩尔－库仑理论（Mohr–Coulomb）参数和单一力之间的相关性。
注：由库伦公式表示莫尔包线的土体抗剪强度理论被称为摩尔—库伦(Mohr—Coulomb)强度理论。
为了验证所获得的机械参数，采用显式动力学公式进行弹塑性建模，以便能够跟踪变形随时间的演变。元件的几何形状考虑到了实验活动中由于剪切盒的尺寸而对模型造成的限制。
注：“显式动力学”是一种时间积分方法，用于在速度起重要影响的情况下进行动态仿真。显式动力学考虑了快速变化的条件或不连续的事件，例如自由落体、高速撞击和施加的载荷。
模型的建立与使用的方法
按照上述步骤，创建了一个数据库，其中包含多个依据蒙特卡罗模拟（Monte-Carlo simulation）原理创建的优化模型，同时这些模型是通过使用脚本自动生成的，用于有限元法（FEM）运行的自动化。
在优化过程中，我们选择了拓扑优化法，将轮廓条件的应用区域和均匀压力的应用区域进行了划分。
与此同时，允许有限元密度在1和0.001之间变化，每个分析周期的最大变化量为0.25。定义了三个去符号响应函数，即“能量刚度测量”、“体积”和“符号化范式等效应力（Signed Von Mises Stress）”。
优化的目标是将“体积”的设计响应值降至最低。最初应用于模型的优化任务是将体积变化限制在45%以下。然而，此次使用的软件直接将45%的材料减量应用于模型，然后对其进行重塑，以承受增加的内部应力，因此这种方法并不正确。
由于这一缺陷，在最终模型中，优化任务是将位移控制在现行规范规定的允许范围内（梁跨度/200）。这就要求软件逐渐移除材料元素，直到达到允许位移，然后再进行重塑，使应力分布更加均匀。
当然，软件是允许对模型应用多种类型的几何约束，从而可控制材料的去除方式。
简而言之，根据在本项目中进行的实验测试，使用专有脚本进行了蒙特卡罗分析，其中使用实验室中测试得出的平均值和标准偏差来改变材料参数。
对于每个应用了不同几何约束的模型，将该专有脚本应用于运行30个具有不同机械参数的模型。结果被收集到数据库中进行比较和对比分析。
为了尽可能接近蒙特卡洛模拟所获得的几何结果，最初建议使用生成式机器学习模型（扩散器），该模型从每根梁的合成数据（开口、跨度、荷载）开始，可以生成拓扑优化的胶合层积材（GLT）立面元素。最初的尝试导致机器学习模型缺乏一致性。
注意到生成模型的不一致性，另一种机器学习方法取代了当前的方法，即人工神经网络（ANN），它将嵌入拓扑优化的结果，并能够根据问题的数据，指出经过拓扑优化的梁的刚度测量值，以便从设计角度确定这种优化是否会产生令人满意的结果。
木结构构件的优化方案
目前进行的研究项目旨在开始开发基于人工智能的专业软件工具，这些工具将为胶合木构件提供几何优化解决方案。
通过对一些胶合层积材（GLT）木材样本进行有限元法（FEM）分析，并通过实验室测试确认材料模型的正确性，在此基础上建立了用于训练人工智能模型的数据库。
人工智能模型的训练包括使用以一系列可变参数为特征的弯曲胶合梁，获得大量 拓扑优化模型/数据集（合成参数-位移的配对数据）。这些模型被用于人工神经网络（ANN）训练和结果验证。
上文提到了深度神经网络（Deep Neural Networks，简称DNN）模型，在此次研究中也有所涉及，目的是测试机器学习技术能否为这类问题和这类优化任务提供有用的排列组合。
以及运用人工神经网络（ANN），可根据问题数据显示拓扑优化梁的刚度，从而便于从设计角度确定这种优化方式是否能够产出足够好的结果。
我们将对这一神经网络进行进一步迭代，以便通过规模调整和激活函数的方式进行结构构件改进。
注：激活函数（activation function），指的是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端。
本文提出的模型遵循事先选定的某些参数，这意味着未来的模型和实验活动还可以进一步改进。
这些参数与木质材料的特性（木材类型、密度、弹性模量）、尺寸以及模型的离散度有关。
根据此次研究获得的数据及分析结果表明，在梁模型中，更大的横截面尺寸和跨度将从拓扑优化中获益更多。
此外，拓扑优化任务还可以进行改进，将胶合板的薄层结构考虑在内，并对构件进行优化，这样就可以通过在构件内放置正确切割的薄片来获得最终得到优化的几何形状，而无需对构件进行数控加工。
未来的发展将需要考虑更大的结构元件尺寸（横截面和跨度），并考虑不同的负载条件，如不均匀分布负载或点负载。
另一方面，在这次研究中我们还发现，为这类任务开发机器学习应用的一个重要步骤，显然是部署一个生成式对抗网络（Generative Adversarial Networks，简称GAN）架构，该架构最终可以提出几何图形，然后通过更少的步骤进行构件优化。
还值得一提的是，拓扑优化任务通常需要大量的迭代才能达到设计目标。因此，将这些信息嵌入到机器学习模型中，对属于同一拓扑组的结构元素进行学习，可以加快设计过程，因为结构性能的某些方面（如强度和刚度）可以通过人工智能技术快速估算出来。
通过采用生成式机器学习模型技术，可以获得拓扑优化的几何图形提议，还能够提出更接近有限元法（FEM）的基于拓扑优化结果的几何图形，从而在更短的时间内为木结构构件的优化设计分析提供一个起点。
