新综述论文：利用数据驱动AI助力建筑结构的智能优化设计_ACT_System_化学_二次开发_通用_建筑_材料

新综述论文：利用数据驱动AI助力建筑结构的智能优化设计

论文：Leveraging data-driven artificial intelligence in optimization design for building structures: A review

DOI：https://doi.org/10.1016/j.engstruct.2025.120810

50天免费下载链接：https://authors.elsevier.com/c/1lJw6W4G4ivyl

2分钟视频介绍：

太长不看版

传统的建筑结构优化设计主要依赖遗传算法、粒子群等优化方法，能够在满足安全和功能要求的前提下提升性能或降低成本，但常常面临收敛慢、计算量大以及隐含约束难处理等问题。

随着人工智能技术的发展，数据驱动AI方法（如深度神经网络和生成式AI等）能从大量历史设计和仿真数据中学习隐性规律，用于初始方案生成、优化问题简化、优化问题求解和设计结果评估等结构优化不同阶段，实现对复杂优化设计任务的效率和质量提升，形成一系列智能优化设计方法。

本研究系统梳理了167篇文献并分类了智能优化设计的各类技术，揭示了AI在不同环节中的作用，指出了生成优化融合、获取高质量数据以及采用前沿AI方法等未来应用方向，为后续研究和工程应用提供参考。

建筑结构智能优化设计的发展和趋势

近年来生成式AI高速发展，在建筑结构设计中取得了大量的应用，我们此前综述了建筑结构的生成式智能设计方法研究进展（详见：新综述论文：建筑结构的生成式智能设计方法研究进展），但生成式智能设计在结构性能评估与方案修改完善等方面仍然存在瓶颈，可以考虑引入优化方法来辅助智能设计。

在目前的建筑结构智能优化设计中，核心做法是将AI驱动的代理模型与启发式全局优化算法相结合，用以替代高成本数值仿真、加速结构性能评估。近年又陆续引入生成式AI方法、无监督学习方法以及强化学习方法，用于生成初始布置，降维聚类和生成搜索策略。智能优化设计方法已在框架、剪力墙等常见结构中得到一定应用，并逐步拓展至更复杂的建筑结构设计任务。

下图展示了建筑结构智能优化设计的研究论文数量变化，整体呈现增长趋势，2021年以来相关研究数量显著增加。

数据驱动AI在智能优化中的应用

在优化流程中，AI 方法主要承担四大角色：

（1）初始方案生成，生成更好的设计起点方案；

（2）优化问题简化，降低问题维度、聚拢相似变量或参数；

（3）优化问题求解，学习并执行高效搜索策略；

（4）方案性能评估，通过代理模型实现高效率高质量评估。

其中方案性能评估相关研究较多，占比约67%，是当前研究的重点。

2.1 初始方案生成

利用数据驱动AI方法直接从输入（建筑方案、设计条件）映射到结构设计，实现“从无到有”的设计方案快速构建。基于向量的表征依赖人工特征工程，以有限参数生成框架、剪力墙、阻尼器等初始解；基于图像的表征擅长捕捉空间布局，用于壳体、剪力墙、框架-核心筒等设计；基于图谱的表征则针对拓扑结构，生成梁柱布置、桁架形式及配筋布局等设计。利用该方法能快速获取一个相对合理的初始解，但仍需要进一步验证和优化来完善设计方案。

2.2 优化问题简化

无监督学习技术（聚类、降维）在智能优化中承担简化任务：通过 K-means等聚类方法可以将相似构件或参数自动分组，减少优化变量数量；通过主成分分析等方法可以提取关键特征，降低模型拟合复杂度。此类方法可在变量定义、代理模型构建等环节显著缩减搜索空间，提升整体优化效率。

2.3 优化问题求解

强化学习将结构优化过程形式化为马尔可夫决策过程，在与环境的交互中积累经验，学习高效搜索策略。该方法可减少迭代次数，尽快逼近最优解，同时可结合代理模型加速复杂环境下的训练。然而，效率低、训练不稳定、高维空间适应困难及奖励函数设计挑战，仍是其广泛应用的瓶颈。

2.4 方案性能评估

在评估阶段，代理模型可以分为三类：

（1）直接将设计变量映射至目标函数与约束的端到端模型；

（2）先预测关键设计指标再据此计算目标与约束的中间解模型；

（3）分阶段混合物理与数据驱动的多层次模型（“物理 + 数据”、“数据 + 物理”、“数据 + 数据”）。

不同类型代理模型适用于不同结构优化设计任务，为多目标、多约束的结构优化提供了高效且可靠的技术支撑。

现状分析与展望

3.1 发展趋势

近年来，建筑结构智能优化设计方法高速发展，主要展现出以下趋势：

（1）泛化能力：代理模型正由针对单一案例的“定制化”转向适用于同类结构的“通用化”，无需频繁重建即可直接应用；

（2）功能扩展： AI 的应用已从加速评估延伸至初始方案生成、优化问题简化与搜索策略学习，从更多维度提升智能水平；

（3）数据表征： 数据表征从向量表征拓展为图像和图谱表征，图像擅长空间关系，图谱捕捉拓扑信息，通过不同表征方式提升模型性能；

（4）可解释性：通过可解释机器学习、嵌入物理与设计规则损失函数等手段，从“黑盒”向“知识增强”演进，为工程实践提供更可靠的技术保障。

3.2 挑战与展望

未来数据驱动智能优化算法的进展需解决三大挑战：

（1）深度融合数据驱动与传统优化：突破纯评估加速范式，实现超越人类设计极限的协同优化；

（2）构建高质量结构设计数据集：解决合成数据复杂度不足、真实数据获取受限、设计质量参差与长尾分布等问题；

（3）引入大语言模型、多模态大模型等前沿技术：将自然语言、规范文本与图纸可视化信息整合到优化流程中，为下一代智能结构优化设计提供更多可能。

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
Liao WJ, Zhang ZL, Liu B, Lu XZ, Liu DF, Liu Q, Duan ZJ, Liu C, Intelligent zoning design of concrete-faced rockfill dams using image-parameter fusion enhanced generative adversarial networks, Engineering Structures, 2025, 339: 120662. DOI: 10.1016/j.engstruct.2025.120662

---End--

来源：陆新征课题组

RED-ACT |6月5日云南大理5.0级地震破坏力分析

Real-time Earthquake Damage Assessment using City-scale Time history analysis (RED-ACT)致谢和声明：感谢中国地震台网中心为本研究提供数据支持。本分析仅供科研使用，具体灾情和灾损分析应根据现场调查情况确定。一、地震情况简介据中国地震台网正式测定，6月5日4时31分在云南大理州洱源县发生5.0级地震，震源深度10公里，震中位于北纬26.26度，东经100.03度。。二、强震记录及分析 20250605云南大理5.0级地震获得了30组地震动，由于地震动没有完全收集，可能还有更强的记录。典型地震记录分析如下：YN.LE001典型台站位置北纬26.25度，东经99.98度，记录到水平向地震动峰值加速度为144.8 cm/s/s。该地震动及反应谱如图1、图2所示。 (a) EW (b) NS (c) UD图1 典型台站地面运动记录图2 典型台站典型记录反应谱三、地震动对典型城市区域破坏能力分析根据新标准发布：基于强震动记录的地震破坏力评估，利用密布强震台网在震后获取的实时地震动信息，再结合城市抗震弹塑性分析，就可以得到地震发生后不同地点的建筑破坏情况，为抗震救灾决策提供科学支撑。图3为根据本次地震震中附近范围内台站记录分析得到的建筑震害分布示意图。图4为根据本次地震震中附近范围内台站记录分析得到的人员加速度感受分布示意图。图3 不同台站地震记录破坏力分布图（建筑抗震承载力取均值加一倍方差）图4 不同台站地震记录人员加速度感受分布图（建筑抗震承载力取均值加一倍方差）四、台站附近地震滑坡分析根据当地地形数据、岩性数据和实测地面运动记录，可以计算得到不同滑坡体饱和比例下的滑坡分布，如图5所示。其中，底图为当地坡度分布图，每个圆圈代表每个台站的计算结果，圆圈中的数字代表发生滑坡的临界坡度，台站附近坡度大于该数值的地方滑坡发生概率高。 (a)滑坡体饱和比例为 0% (b)滑坡体饱和比例为50% (c)滑坡体饱和比例为 90%图5 不同台站附近地震滑坡分布五、地震动对典型单体结构破坏能力分析(1) 对典型多层框架结构破坏作用模型1：三层框架结构（感谢中国建筑设计研究院王奇教授级高工提供模型）将典型台站记录输入立面布置如图6(a)所示的6度、7度和8度设防的典型三层钢筋混凝土框架结构，得到其层间位移角包络如图6(b)所示。 (a)立面布置示意图 (b)层间位移角图6 典型三层钢筋混凝土框架结构(2) 对典型砌体结构破坏作用模型1：单层未设防砌体结构选取图7所示纪晓东等开展的单层未设防砌体结构振动台试验模型，输入典型台站记录，分析结果表明该结构将处于中度破坏状态。（纪晓东等，北京市既有农村住宅砖木结构加固前后振动台试验研究，建筑结构学报，2012,11,53-61.）图7 单层三开间农村住宅砖木结构振动台试验模型2：五层简易砌体结构选取图8所示朱伯龙等开展的五层简易砌体结构足尺试验模型，输入典型台站记录，分析结果表明该结构将处于轻微破坏状态。（朱伯龙等，上海五层砌块试验楼抗震能力分析，同济大学学报，1981,4,7-14.） (a)平面图 (b)剖面图图8 五层简易砌体结构布置(3) 对典型桥梁破坏作用模型1：某80年代公路桥梁（感谢福州大学谷音教授提供模型）选取图9所示某80年代公路桥梁模型，输入典型台站记录，分析结果表明该结构将处于完好状态。图9 某80年代公路桥梁模型模型2：某特大桥引桥（感谢福州大学谷音教授提供模型）选取图10所示某特大桥引桥模型，输入典型台站记录，分析结果表明该结构将处于完好状态。图10 某特大桥引桥模型来源：陆新征课题组