要想AI学得好，教案必须水平高 | 新论文：通过结构优化实现生成式AI设计的数据增强_ACT_System_二次开发

要想AI学得好，教案必须水平高 | 新论文：通过结构优化实现生成式AI设计的数据增强

论文：Data enhancement for generative AI design of shear wall structures incorporating structural optimization and diffusion models

DOI：https://doi.org/10.1177/13694332251353614

太长不看版

生成式结构设计的核心思路是AI可以从图纸中学习设计经验。然而，实际收集到的人工设计图纸往往质量良莠不齐，严重影响了生成式AI的学习效果。因此，我们提出：先全面优化设计图纸，提升训练集的数据质量，再让AI学习。通过结构优化得到高质量的设计图纸，训练出高质量的AI模型，从而生成高质量的设计结果。

研究背景

课题组前期提出了系列基于生成式AI的建筑结构智能设计方法（生成对抗网络、图神经网络、扩散模型等），其核心思路都是让生成式AI学习既有图纸、文本中的设计经验，而后用户给定户型布置图和设计条件后，AI生成结构布置图。从而实现从无到有、从零到一的结构设计智能生成。

我们知道，AI的性能高度依赖于训练数据的质量。在前期的工作中，我们从不同渠道收集了大量人工设计的图纸，作为训练数据。然而，收集到的数据往往质量良莠不齐，低质量数据会给AI带来不利影响。这就好比学生学习的教案都有错误，自然没法写对作业。同时，既有的数据清洗技术主要关注图像、文本、表格、时序数据等通用数据，难以直接适用于高度专业化的结构设计数据。

数据增强的生成式结构设计工作流

对此，我们提出了数据增强的生成式结构设计工作流，包括数据准备、数据增强、模型训练、模型预测与评估四个模块。相比传统工作流有三点改进，一是在数据准备中通过回归公式补充缺失的设计信息，得到完整信息；二是在数据增强中引入结构优化，提升设计数据质量，使其更加安全和经济；三是在模型评估中根据精细有限元得到设计指标（而非传统的IoU等相似性指标），进行更全面与合理的评价。

数据集与回归分析

以课题组研究较为充分的剪力墙结构为例开展数据增强研究。首先，构建了一个包含三百多个案例的剪力墙结构设计数据集。训练集包括设计条件、建筑设计、结构设计，用于训练扩散模型；还包括每个标准层的剪力墙厚度，材料等级，层高等必要设计信息，用于构建回归模型。测试集仅包括设计条件和建筑设计，用于测试模型。

目前，扩散模型等生成式AI仅关注剪力墙设计的核心部分——剪力墙布置。而要形成一个完整的设计方案，从而开展建模计算和优化，需要补充其他的必要设计信息。例如标准层的数量和划分，层高，材料等级等。我们对收集到的设计数据进行了统计分析和回归分析，从而确定了上述参数的初始取值。

类似地，对于连梁和框架梁的高度，我们统计了三千多根梁，结合跨高比要求和统计得到的高度范围，给出了初始设计阶段，梁高的确定公式。

基于结构优化的设计数据质量增强

为了对剪力墙设计数据进行质量提升，我们提出了一套结构优化算法。通过调整剪力墙长度，使设计方案满足合规性和经济性要求。具体而言，基于K-Means聚类算法，显著减少了优化变量的数量；通过合理的罚函数设置，同时考虑了多个关键的力学响应指标和材料成本指标。

在优化算法方面，采用了YJK-GAMA的Online Learning，这是一种有效的代理辅助进化算法。为了确定算法的超参数，选取了8个典型的剪力墙结构案例，开展了优化试算。考察了有限元计算次数与罚函数下降的关系，发现当有限元计算次数为100时能够最好地达到优化效果与耗时的平衡。

这里给出了3个典型的训练数据，优化前存在多种问题、数据质量低，优化后在位移角、剪重比、扭转周期比等方面合规性提升，或者材料用量减少。

总体上看，开展结构优化之后，训练集的数据质量明显提升。原来不合规的案例，力学罚函数平均降低14%；原来已合规的案例，材料用量平均降低3%。

基于扩散模型的生成式结构设计

基于增强后的数据集，训练了一个生成式AI。我们采用了课题组前期提出的扩散模型（Diffusion Model智能设计原理揭秘 | 论文和发明专利：基于扩散模型的剪力墙结构智能设计），根据建筑布置和设计条件来生成初步的剪力墙布置设计。相比生成对抗网络、变分自编码器等传统生成式AI，扩散模型能够生成更加高质量和多样化的结果。

对照实验表明，优质数据带来了测试集上AI设计质量的提升，原本不合规的案例，力学罚函数平均降低23%；原本已合规的案例，材料用量平均降低0.5%。

可以发现，材料用量的降低相比力学罚函数并不明显，这是因为设计中要优先满足安全性，然后才能考虑经济性。

典型案例研究表明，采用了本研究提出的数据增强方法之后，AI设计的合规性和经济性均有提升。左图案例的力学响应从位移角不合规变为合规，右图案例的材料用量节省了2.3%。可见优质的训练数据确实带来了更优质的AI设计。

结语

针对生成式结构设计普遍面临的数据质量问题，本研究提出了基于结构优化的数据增强方法，成功应用于基于扩散模型的剪力墙布置设计。通过提升用于训练AI的设计数据的质量，提高了AI设计的水平。本研究是对“AI+优化”的又一次尝试，尚存在诸多不足，欢迎各位专家批评指正！

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
Qin SZ, Fei YF, Liao WJ, Lu XZ*, Leveraging data-driven artificial intelligence in optimization design for building structures: A review, Engineering Structures, 2025, 341: 120810. DOI: 10.1016/j.engstruct.2025.120810

来源：陆新征课题组

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

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