三大生成式AI + 三大优化算法，谁是BRB加固设计的最优组合？

论文：Comparative analysis of intelligent retrofit design methods of RC frame structures using buckling-restrained braces

DOI：https://doi.org/10.1007/s10518-025-02164-3

0

      在之前的工作： 新论文：钢筋混凝土框架结构BRB加固设计方案的智能生成与优化方法  中，我们提出了一种基于生成式AI和优化算法的两阶段屈曲约束支撑（BRB）加固方案智能设计方法，实现了建筑需求和结构要求的设计解耦，初步验证了方法的可行性。

       无论是生成式AI算法还是结构优化算法，都已经成长成枝繁叶茂的大家族，那针对BRB加固场景，究竟哪个算法的设计效果最好呢？

       为此，本研究进一步开发并讨论了不同生成式AI方法：扩散模型、生成对抗网络（GAN）、图神经网络（GNN），与多种结构优化算法：遗传算法（GA）、模拟退火（SA）、在线学习（OL）。通过构建统一的两阶段设计框架，系统分析各方法组合在计算效率和设计质量等方面的表现，并在典型加固案例中进行了全面测试。

       研究表明，扩散模型和GAN能够较好地提取图纸中的全局与局部特征，预测BRB布置位置更为准确。并行计算的遗传算法具备更强的搜索能力，能在约一小时内高效生成接近最优的设计方案。同时，实际工程中往往存在多种可行方案，可根据实际需求灵活调整优化迭代次数。

1

      在之前的工作中，我们将给建筑加BRB类比成为老年人安“护膝”，需要反复试验以确认“护膝”的位置和大小，那么应该采用什么样的方法来确定合适的方案呢？医生会采用问诊、查体、拍片等方式确认膝盖的状态，而我们则拥有生成式AI和优化算法两套工具库来确定BRB的位置和尺寸，生成式AI来“想方案”，优化算法来“选最优”，一个依靠经验累积，一个通过力学计算，共同保证结构的合理安全。为了让用户能拥有更多选择，找到更合适的方案，我们设计了不同的生成式AI方法和优化算法，比较了不同方法和方法组合之间的差异，并基于多个案例给出了设计参考。

2

       在一阶段中，我们采用三种生成式AI方法：扩散模型、GAN和GNN，对工程师设计的建筑图纸进行学习，以智能识别BRB的可布置位置。

       扩散模型通过逐步去噪的方式生成高质量的布置结果，预测精度较高但速度偏慢。

       GAN通过生成器与判别器的博弈训练，实现了高效、快速的可布置位置生成，精度和效率都相对较优。

       GNN则将结构构件建模为图节点，基于图结构传播信息并判断每个构件是否适合布置BRB,虽然在处理局部关系上较有优势，但在全局特征建模方面能力有限。

       三种方法各具特色，为加固设计提供了多样化的智能生成手段。

       比较三种方法与工程师设计结果的差异，评价其精确度Precision，召回率Recall，f1_score，以及训练和预测时间，结果如下表所示。

       在二阶段中，研究采用优化算法对第一阶段生成的可布置BRB位置进行进一步筛选与参数优化，确定最终的布置方案与钢芯尺寸。为提高优化效率，首先引入K-Means聚类算法对位置进行分类，减少优化变量的数量，并设置与结构安全相关的目标函数，如层间位移角、构件布置合理性等。

       在此基础上，分别采用三种优化算法——GA、SA和OL进行对比分析。结果表明，GA具备更强的全局搜索能力和并行计算优势，能在较短时间内获得接近最优的加固方案；SA适合多峰问题但收敛较慢；OL响应快速但对初始解依赖较强。三种方法为加固设计提供了灵活、高效的优化路径选择。

3

       以一个钢筋混凝土框架结构为例，展示其测试结果。该楼共4层；首层层高为4600 mm，其余楼层层高为3500 mm；抗震设防烈度为8度（0.2g）；场地类别为II类；抗震设防等级为三级；设计地震分组为第二组；场地特征周期为0.4秒。案例的平面布局如下图所示：

首先比较一阶段三种不同生成式AI方法的设计效果，设计结果如下图所示，可以看出扩散模型和GAN的预测更接近工程师设计结果。

之后分别采用三种不同的优化方法进行优化，在该案例中，采用SA可以得到最好的优化目标函数指标，但优化时间过长；而采用GA可以在1小时内完成优化，达成相对较优的设计方案。

进一步验算得到，不同方案的目标函数值虽存在一定差异，但均满足弹性阶段层间位移角的规范要求，都可以作为可行的BRB初步加固方案。

4

       设计结果分析表明，扩散模型和GAN预测BRB布置位置更为准确，但三种生成式AI方法所生成的BRB布置方案都符合工程规范允许的布置范围，并基本满足建筑功能要求。在实际应用过程中，可以采用多种生成式AI方法生成候选方案，通过人工对比筛选出最优方案。在优化算法对比中，GA在并行计算下效率最高，能兼顾设计质量与效率，最适合BRB加固优化问题。同时，在实际工程中往往存在多种可行方案，可根据实际需求灵活调整优化迭代次数，提高优化效率。

       由于研究仍处于初步阶段，方法尚存在局限，相关模型和流程仍有待进一步完善和拓展，欢迎各位专家、老师和同学批评指正、交流探讨。