AIstructure-Copilot-V0.3.5：适配3米层高新国标，提升设计合规性_ACT_System

AIstructure-Copilot-V0.3.5：适配3米层高新国标，提升设计合规性

引言

3月31日，国家标准《住宅项目规范》正式明确新建住宅层高不应低于3米。为应对这一行业规范的重要更新，我们迅速响应并对AIstructure-Copilot进行了针对性升级。新发布的V0.3.5版本，通过重新训练AI模型，显著提升了在3米层高条件下结构智能设计的力学性能合规率，旨在助力广大结构工程师高效满足新国标要求。诚邀各位试用并提出宝贵意见。

智能的关键在于具备学习的能力

我们认同牛津词典对“智能 (Intelligence)”的定义，其核心在于具备“学习”的能力。在快速发展的当今世界，唯有持续学习与迭代，方能适应日新月异的技术标准与工程需求。AIstructure-Copilot采用生成式AI算法，通过对工程案例的不断学习，从而掌握新的技能，为该技术的未来发展提供了重要的潜能。这也是我们对智能设计这一技术的未来寄予厚望的重要原因。

适配3米层高建筑设计

《住宅项目规范》对新建住宅的层高规定了新标准，并于今年5月1日起实施。新建住宅层高提升到不低于3米，在改善空间高度、提升室内天然采光、为住户提供更好的居住感受的同时，也对建筑抗侧刚度、层间位移角控制等有着直接的影响。AIstructure-Copilot此前的训练数据集很多基于2.8米层高的工程案例。当层高提升至3米后，原有模型生成的剪力墙布局、楼面梁配置等方案，在满足新规范的力学性能方面可能面临挑战。

为解决此问题，我们首先依据新国标要求，对AI训练数据库进行了系统性的更新与扩充，确保纳入训练的工程案例均能在3米层高条件下满足各项力学性能规定。随后，我们采用更新后的高质量数据库对AI模型进行了重新训练，从而显著提升了AIstructure-Copilot在新规范下的设计质量与合规性。

提升合规性

为检验AIstructure-Copilot-V0.3.5版本对3米层高建筑结构智能设计的可靠性，我们对单标准层建筑案例和多标准层建筑案例都进行了测试。结果表明，当层高提升到3米后，新版本设计的建筑结构力学合规率较此前版本提升了15%，使结构设计更加合理。典型案例如下：

案例A：如图1所示，某实际工程案例的标准层设计。在层高由2.8米调整为3米后，V0.3.4版本（图1a）的设计结果显示结构周期比为0.91，超出了规范限值要求。而0.3.5版本的设计结果如图1（b）所示，新版本的AI对部分剪力墙进行了延长，周期比为0.82，符合设计规范要求。

（a）0.3.4版本设计结果

（b）0.3.5版本设计结果

图1 实际工程案例A的设计结果

案例B：如图2所示，0.3.4版本的设计结果如图2（a）所示，由于层高从2.8米调整为3米，同样使得周期比超限了，0.3.5版本的设计结果如图2（b）所示，AI对部分剪力墙布置进行了调整，周期比为0.87，符合设计规范要求。

（a）0.3.4版本设计结果

（b）0.3.5版本设计结果

图2 实际工程案例B的设计结果

上述案例清晰表明，AIstructure-Copilot V0.3.5版本针对3米层高住宅的结构设计能力得到了显著增强。

结语

通过对AI模型重新训练，AIstructure-Copilot-V0.3.5可高效适配新国标提升至3米层高后的结构设计，设计效果更好，力学合规率更高，带给用户更好的使用体验，可以更好的辅助工程师开展工作，欢迎大家试用。

后续，我们还将不断完善相关产品功能。欢迎大家持续关注我们的工作，多多支持！

温馨提示：为更好使用AI设计工具，请仔细阅读使用说明书(https://ai-structure.com)。

--End--

相关论文

Liao WJ, Lu XZ, Huang YL, Zheng Z, Lin YQ, Automated structural design of shear wall residential buildings using generative adversarial networks, Automation in Construction, 2021, 132: 103931. DOI: 10.1016/j.autcon.2021.103931.
Lu XZ, Liao WJ, Zhang Y, Huang YL, Intelligent structural design of shear wall residence using physics-enhanced generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2022, 51(7): 1657-1676. DOI: 10.1002/eqe.3632.
Zhao PJ, Liao WJ, Xue HJ, Lu XZ, Intelligent design method for beam and slab of shear wall structure based on deep learning, Journal of Building Engineering, 2022, 57: 104838. DOI: 10.1016/j.jobe.2022.104838.
Liao WJ, Huang YL, Zheng Z, Lu XZ, Intelligent generative structural design method for shear-wall building based on “fused-text-image-to-image” generative adversarial networks, Expert Systems with Applications, 2022, 118530, DOI: 10.1016/j.eswa.2022.118530.
Fei YF, Liao WJ, Zhang S, Yin PF, Han B, Zhao PJ, Chen XY, Lu XZ, Integrated schematic design method for shear wall structures: a practical application of generative adversarial networks, Buildings, 2022, 12(9): 1295. DOI: 10.3390/buildings1209129.
Fei YF, Liao WJ, Huang YL, Lu XZ, Knowledge-enhanced generative adversarial networks for schematic design of framed tube structures, Automation in Construction, 2022, 144: 104619. DOI: 10.1016/j.autcon.2022.104619.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on attention-enhanced generative adversarial network, Engineering Structures, 2023, 274: 115170. DOI: 10.1016/j.engstruct.2022.115170.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent beam layout design for frame structure based on graph neural networks, Journal of Building Engineering, 2023, 63, Part A: 105499. DOI: 10.1016/j.jobe.2022.105499.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on graph neural networks, Advanced Engineering Informatics, 2023, 55:101886, DOI: 10.1016/j.aei.2023.101886
Liao WJ, Wang XY, Fei YF, Huang YL, Xie LL, Lu XZ, Base-isolation design of shear wall structures using physics-rule-co-guided self-supervised generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2023, 52(11): 3281-3303. DOI:10.1002/eqe.3862.
Feng YT, Fei YF, Lin YQ, Liao WJ, Lu XZ, Intelligent generative design for shear wall cross-sectional size using rule-embedded generative adversarial network, Journal of Structural Engineering-ASCE, 2023, 149(11). 04023161. DOI:10.1061/JSENDH.STENG-12206.
Fei YF, Liao WJ, Lu XZ, Guan H, Knowledge-enhanced graph neural networks for construction material quantity estimation of reinforced concrete buildings, Computer-Aided Civil and Infrastructure Engineering, 2024, 39(4): 518-538. DOI: 10.1111/mice.13094.
Zhao PJ, Fei YF, Huang YL, Feng YT, Liao WJ, Lu XZ, Design-condition-informed shear wall layout design based on graph neural networks, Advanced Engineering Informatics, 2023, 58: 102190. DOI: 10.1016/j.aei.2023.102190.
Fei YF, Liao WJ, Lu XZ, Taciroglu E, Guan H, Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets, Journal of Building Engineering, 2023, 79: 107873. DOI：10.1016/j.jobe.2023.107873
Liao WJ, Lu XZ, Fei YF, Gu Y, Huang YL, Generative AI design for building structures, Automation in Construction, 2024, 157: 105187. DOI: 10.1016/j.autcon.2023.105187
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Beam layout design of shear wall structures based on graph neural networks, Automation in Construction, 2024, 158: 105223. DOI: 10.1016/j.autcon.2023.105223
Qin SZ, Liao WJ, Huang SN, Hu KG, Tan Z, Gao Y, Lu XZ, AIstructure-Copilot: assistant for generative AI-driven intelligent design of building structures, Smart Construction, 2024, DOI: 10.55092/sc20240001
Gu Y, Huang YL, Liao WJ, Lu XZ, Intelligent design of shear wall layout based on diffusion models, Computer-Aided Civil and Infrastructure Engineering, 2024, 39(23):3610-3625. DOI: 10.1111/mice.13236
Fei YF, Liao WJ, Zhao PJ, Lu X*, Guan H, Hybrid surrogate model combining physics and data for seismic drift estimation of shear-wall structures, Earthquake Engineering & Structural Dynamics, 2024, 53(10): 3093-3112. DOI: 10.1002/eqe.4151
Han J, Lu XZ, Gu Y, Cai Q, Xue HJ, Liao WJ, Optimized data representation and understanding method for the intelligent design of shear wall structures, Engineering Structures, 2024, 315: 118500. DOI: 10.1016/j.engstruct.2024.118500
Qin SZ, Guan H, Liao WJ, Gu Y, Zheng Z, Xue HJ, Lu XZ, Intelligent design and optimization system for shear wall structures based on large language models and generative artificial intelligence, Journal of Building Engineering, 2024, 95: 109996. DOI: 10.1016/j.jobe.2024.109996
Wang ZH, Yue Y, Chen Y, Liao WJ, Li CS, Hu KG, Tan Z, Lu XZ. Expert experience-embedded evaluation and decision-making method for intelligent design of shear wall structures. Journal of Computing in Civil Engineering-ASCE, 2025, 39(1). DOI: 10.1061/JCCEE5.CPENG-6076
Tan Z, Qin SZ, Hu KG, Liao WJ, Gao Y, Lu XZ, Intelligent generation and optimization method for the retrofit design of RC frame structures using buckling-restrained braces, Earthquake Engineering & Structural Dynamics, 2025, 54(2): 530-547. DOI: 10.1002/eqe.4268
Yu Y, Chen Y, Liao WJ, Wang ZH, Zhang SL, Kang YJ, Lu XZ, Intelligent generation and interpretability analysis of shear wall structure design by learning from multidimensional to high-dimensional features, Engineering Structures, 2025, 325: 119472. DOI: 10.1016/j.engstruct.2024.119472
Qin SZ, Liao WJ, Huang YL, Zhang Shulu, Gu Y, Han J, Lu XZ, Intelligent design for component size generation in reinforced concrete frame structures using heterogeneous graph neural networks, Automation in Construction, 2025, 171: 105967.
Xia JK, Liao WJ, Han B, Zhang SL, Lu XZ, Intelligent co-design of shear wall and beam layouts using a graph neural network, Automation in Construction, 2025, 172: 106024.
Qin SZ, Liao WJ, Tan Z, Hu KG, Gao Y, Lu XZ, Comparative analysis of intelligent retrofit design methods of RC frame structures using buckling-restrained braces. Bulletin of Earthquake Engineering, 2025, DOI: 10.1007/s10518-025-02164-3

来源：陆新征课题组

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 bracesDOI：https://doi.org/10.1007/s10518-025-02164-30太长不看版在之前的工作：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研究背景在之前的工作中，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。（该图片由GPT-4o生成）2研究方法2.1 一阶段：基于生成式AI的智能生成方法在一阶段中，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。扩散模型 GAN GNN 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。 2.2 二阶段：智能优化方法在二阶段中，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案例分析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。不同方法组合的优化过程表：不同方法组合的优化时间不同方法组合的最终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结语设计结果分析表明，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。来源：陆新征课题组