Publication

Geometry-Driven Stock-Constrained Truss Design via Equilibrium-Based Structural Models

Corentin Jean Dominique Fivet
2024
Conference Papers

Résumé

This paper presents a geometry-driven approach to form-finding with reused stock elements. Our proposed workflow uses a K-mean algorithm to cluster stock elements and incorporate their geometrical values early in the form-finding process. A feedback loop improves the reuse rate over multiple iterations, and a best-fit heuristic algorithm is used to examine the reuse states. A detailed example and a case study demonstrate the efficacy of the method. This results in a form-finding method with reused stock elements; hence, promoting sustainable design and reducing environmental impact in the built environment.

Source officielle

https://infoscience.epfl.ch/entities/publication/533dcc4f-54d2-4eb7-b9b4-f087099ef383

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Geometry-Driven Stock-Constrained Truss Design via Equilibrium-Based Structural Models

Chattez avec Graph Search

Reverse engineering primate sensorimotor control with machine learning

Mathematical Analysis and Optimization of Features for Atomistic Machine Learning

Advancing Automated Identification of Airborne Fungal Spores: Guidelines for Cultivation and Reference Dataset Creation