首页/文章/ 详情

新论文:图像-参数融合生成对抗网络驱动的土石坝分区设计方法

3小时前浏览2
 

论文:Intelligent zoning design of concrete-faced rockfill dams using image-parameter fusion enhanced generative adversarial networks.

链接:https://doi.org/10.1016/j.engstruct.2025.120662

作者:廖文杰,张宗亮,刘彪,陆新征,刘地福,刘强,段志杰,刘超


0

太长不看版

本研究开展了一次探索性尝试,将生成式AI应用于土石坝结构智能设计,提出了混凝土面板堆石坝(CFRD)分区设计智能生成方法。从数据表征、生成对抗网络(GAN)模型开发与训练、以及设计结果评价方面开展研究。

 

图1 混凝土面板堆石坝智能设计实现流程

✅ 图像-参数融合输入:将坝体轮廓图与分区参数结合,让AI理解设计输入信息。

✅ 掩膜约束+两阶段训练:用“轮廓掩码Mask”约束GAN防止设计溢出大坝轮廓;GAN训练时,先学1万组虚拟方案、再精细化学习42组真实案例。

✅ 自动评估系统:GAN生成像素图的矢量化,与工程师方案智能比对相似度。

设计效率提升近10倍,单方案设计时间从1-2小时缩短至6分钟,且抗滑稳定性合格。


1

混凝土面板堆石坝也需要“AI设计师”

此前我们课题组的智能设计研究主要面向的是建筑结构,但是工程结构设计是一个非常巨大的领域,除了建筑以外,各种基础设施也同样需要结构设计,也同样存在如何提升设计效率和设计质量的紧迫需求。因此,我们课题组一直在思考如何将智能设计方法推广到更多的领域。但是,不同领域的设计都有着其非常专业的知识,必须要有对应领域的专家帮助大力帮助。很幸运,课题组参与了中国电建集团科技项目(DJ-ZDXM-2024-45):土石坝生成式智能设计方法与平台研发,在该项目和电建集团的专家帮助下,我们有机会开始探索水工结构的智能设计问题。

中国的土石坝建设已达10万座,但是常规设计较为依赖工程师经验对分区进行设计,使得设计效率与设计质量有待提升,主要面临三大难题:

🔹 效率瓶颈:单个方案需反复调整1-2小时。

🔹 经验传承难:优质设计沉淀在图纸中难以复用。

🔹 小样本困境:仅获取到42组专业分区设计图,不够AI学习。就像让新手画家画出2022年世界杯阿根廷队的全家福,而画家却只见过梅西和迪玛利亚两名球员的照片——此前GAN模型因数据不足,生成的设计常出现“模式崩塌”(产出千篇一律方案)。

因此,本研究提出了混凝土面板堆石坝分区设计智能生成方法。从数据表征、生成对抗网络模型开发与训练、以及设计结果评价方面开展研究。


2

面板堆石坝分区智能设计方法

2.1 图像-参数异构数据特征融合

将坝体轮廓图(512×256像素)与分区特征的5个参数(主堆/次堆的堆石料面积归一化比例等)转化为统一的等尺寸二维张量,再将各张量沿着通道方向进行堆叠,形成多模态特征在显式空间融合的多通道张量。其作用相当于让AI同时看懂设计图与材料清单。

 

图2 异构多模态特征融合的数据表征方法


2.2 GAN模型构建与训练

采用掩码约束以增强GAN设计效果,利用堆石坝轮廓掩码对生成器输出的分区设计进行约束,保证设计结果限制在轮廓范围内,提升设计精度。

 

图3 掩码约束增强GAN

采用参数化生成与真实数据混合的两阶段训练方法对GAN模型进行训练,有效解决真实数据较少导致的GAN模型学习出现模式崩溃现象。

第一阶段:海量临摹,用参数化生成的1万组"虚拟方案"训练基础能力。

第二阶段:名师点拨,仅用42组真实工程方案微调模型。

如同先临摹1万张简笔画,再精修大师真迹。

 

图4 混合数据两阶段GAN模型训练


2.3 AI设计矢量化评估器

将像素图转为矢量坐标,自动计算与工程师方案的区域重叠度(多个分区的加权交并比WIoU)。秒速诊断AI设计"像不像"专业方案。

 

图5 多分区加权交并比


3

典型案例

针对某250米高CFRD项目,开展智能设计。

(1)输入:坝体轮廓+堆石料参数(各分区堆石料的面积比);

(2)生成:多模型并行输出7种分区方案(耗时2分钟);

(3)评估:自动比对工程师方案,其中一个典型设计的分区加权IoU达0.48,与工程设计较为接近;且力学验证表明边坡抗滑稳定系数1.76>规范1.5限值。

⏱️ 全流程仅6分钟(常规工程师设计耗时1-2小时),效率提升近10倍!

 
 

图6 典型设计案例

不足:因真实训练数据中增模区较少,导致部分模型的设计生成缺少增模区——就像AI没学过画耳朵,就画不出完整肖像。


4

小结

从“建筑结构智能设计”到“混凝土面板堆石坝智能设计”

在建筑结构智能设计的基础上,本研究进一步拓展至混凝土面板堆石坝的智能设计,意味着基于生成式AI的智能设计方法并不只是局限于“建筑-结构”的映射关系构建,还可赋能其他工程结构设计领域。

🚀 效率提升:6分钟产出基本合规的设计方案。

🎯 知识沉淀:42组经验转化为可复用的AI模型。

🌉 未来方向:3D设计的智能生成,复杂力学行为的计算与学习等,目前的研究仅处于起步阶段。  


来源:陆新征课题组
振动非线性化学建筑消防BIM水工Opensees材料科普数字孪生控制试验人工智能
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2025-06-21
最近编辑:3小时前
地震那些事
博士 抗震防灾数值模拟仿真
获赞 82粉丝 65文章 606课程 0
点赞
收藏
作者推荐

AIstructure-Copilot-V0.3.6:新增框架结构智能设计功能

0引言 自2023年7月AIstructure-Copilot的剪力墙智能设计功能上线以来,经过近两年的不懈努力,该功能已经比较完善,得到了广大工程师的好评和大量应用。近期经常有工程师咨询,除了剪力墙结构外,其他结构类型的智能设计方法何时可以上线。今天,我们推出了新增框架结构智能设计功能的AIstructure-Copilot-V0.3.6版本,诚邀大家试用,并给我们提出宝贵意见。1增加框架结构智能设计功能1.1 菜单栏增加框架结构设计功能模块AIstructure-Copilot-V0.3.6在菜单栏中增加了框架结构智能设计模块,如下图所示。其中,包括使用引导、框架梁智能设计、构件截面尺寸智能设计、构件截面&荷载的显示与修改,结构PKPM模型自动构建与分析等功能。 图1 菜单栏增加“框架结构智能设计”模块1.2 框架结构智能设计操作3分钟视频演示框架结构智能设计操作流程 用户在实际工作中,应按照下述操作过程进行框架结构的智能设计。(1)对CAD图纸进行设计前处理,此部分操作在设计前处理模块中完成,与剪力墙结构的前处理相同,包括图层提取、参数设置、轴线提取、建筑空间识别等步骤;(2)完成前处理后,在“框架结构智能设计”模块,完成框架梁智能设计,AI将根据建筑图纸的布置,智能完成框架梁的布置;(3)检查并调整楼板荷载,用户根据建筑实际使用用途,检查核对楼板的荷载信息,对需要单独调整的部分进行人工调整,为后续构件截面尺寸预测提供输入;(4)框架截面尺寸智能设计,AI将根据框架梁的布置结果和楼板荷载信息,自动生成构件截面尺寸信息,并显示在CAD界面;(5)完成智能设计后,用户对设计结果的构件截面与荷载信息进行检查核对,对需要调整的进行人工修改;(6)自动结构建模和分析,软件可将用户调整后的设计结果直接在后台调用PKPM进行力学分析和计算,将分析结果展示给用户,同时用户可下载PKPM模型到本地,方便后续设计工作的开展。2框架结构智能设计典型案例我们以一个高13.5m,跨度5.4m X 1.8m X 5.4m,位于8度区的框架为例,其建筑图如图2所示,前处理完成后的图纸如图3所示。其中,红色为柱子,黄色为建筑墙,蓝色为门窗。 图2 建筑图 图3 前处理完成后的图纸前处理完成后,用户执行框架梁智能设计,软件将自动根据建筑布局,完成框架梁的布置,结果如图4所示,蓝色为AI自动布置的框架梁。 图4 框架梁智能设计结果(蓝色为框架梁)完成框架梁智能设计后,可进行框架构件截面尺寸智能设计,软件将提供两种算法的设计结果,图5为其中一种算法的设计结果示例,用户可通过构件截面&荷载显示功能进一步查看每个构件的截面尺寸设计结果。 图5 框架构件尺寸智能设计结果用户可以将智能设计结果进行结构建模分析,这里软件会自动在后台调用PKPM软件进行力学分析(如图6所示),可以直接给出力学指标(如图7所示),用户也可以将模型下载到本地,便于后续工作的开展。 图6 结构建模分析功能 图7 结构建模分析的力学指标结果3AIstructure-Copilot的框架结构设计适用范围目前,AIstructure-Copilot提供的框架结构智能设计算法主要用于较为规则的框架结构,例如平面规则的宿舍楼、教学楼等。但是对于平面布置比较复杂的案例,智能设计算法还在调试中,AIstructure设计结果仅供参考。设计效果较好的典型案例如下: 以下案例的设计算法还在测试完善中: 4结语AIstructure-Copilot-V0.3.6新增了框架结构智能设计模块,功能更齐全,可以更好的辅助工程师开展工作,欢迎大家试用,并多多提出宝贵意见。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.2023.101886Liao 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.2023.107873Liao 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.2023.105187Zhao 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.2023.105223Qin 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/sc20240001Gu 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.13236Fei 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.4151Han 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.2024.118500Qin 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.2024.109996Wang 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-6076Tan 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.4268Yu 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.2024.119472Qin 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 ---End--来源:陆新征课题组

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈