首页/文章/ 详情

框架结构智能设计新增半框梁和次梁智能设计功能,软件用户界面设计更新

1天前浏览2

0

引言    

AIstructure-Copilot V0.3.7版本框架结构智能设计模块新增了半框梁和次梁智能设计功能,使得设计结果更符合工程实际需要。同时,为了给用户更好的使用体验,重新进行了用户界面(UI)设计。诚邀大家广泛试用,并给我们提出宝贵意见。


1

框架结构设计模块新增半框梁和次梁智能设计功能

2025年6月6日,AIstructure-Copilot-V0.3.6版本推出了框架结构智能设计模块,可以实现较规则框架结构的智能设计。该功能推出以后,我们也在不断地完善算法,AIstructure-Copilot-V0.3.7版本增加了半框梁(一端在框架柱、一端在主梁上)和次梁(两端都在主梁上)的智能设计功能,力求更加贴合工程实际,设计效果对比如图1和图2所示。

 

(a)V0.3.6版本

 

(b)V0.3.7版本

图1 增加半框梁智能设计功能


 

(a)关闭次梁布置开关的设计结果

 

(b)打开次梁布置开关的设计结果

图2 增加次梁智能设计功能


2

软件UI设计更新

为了使软件界面更加美观,用户使用更加便捷,AIstructure-Copilot-V0.3.7版本重新进行了UI设计,主要有以下几个方面的改进。

2.1 “参数设置”等界面

AIstructure-Copilot-V0.3.7版本的“参数设置”等窗口升级后的软件界面如图1所示,界面更加简洁美观,用户也可以更清晰地按照指引进行操作。


 

(a)更新前软件使用界面


 

(b)更新后软件使用界面

图3 “参数设置”界面更新


2.2 “剪力墙-梁智能设计”云端执行提示界面

当用户进入剪力墙-梁智能设计环节,一键将任务提交云端后,软件将显示设计过程的完成进度,升级前的软件界面(如图4a所示)只能显示大概的完成进度,升级后的软件界面(如图4b所示)可以更好地告诉用户目前处于哪个设计环节。


 

(a)更新前软件界面


 

(b)更新后软件界面

图4 “剪力墙-梁智能设计”云端执行提示界面更新


2.3 “构件截面&荷载修改”界面

如图5所示,构件截面&荷载修改的界面也做了更新调整,更新后的版本更直观,用户操作更便捷。


 

(a)更新前软件界面

 

(b)更新后软件界面

图5 “构件截面&荷载修改”界面更新


2.4 框架智能设计模块“调整楼板功能及荷载”界面

在框架智能设计模块中,一个很重要的功能是用户需要根据实际使用用途对楼板的荷载信息进行检查和调整,AIstructure-Copilot-V0.3.7对该界面进行了升级,如图6所示,升级后的界面更简洁美观,便于用户操作。


 

(a)更新前软件界面

 

(b)更新后软件界面

图6 “调整楼板功能及荷载”界面更新


3

结语

AIstructure-Copilot-V0.3.7进行了用户界面的全面升级,并新增了半框梁和次梁的智能设计功能,可以更好地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

  1. 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.

  2. 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.

  3. 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.

  4. 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.

  5. 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.

  6. 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.

  7. 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.

  8. 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.

  9. 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

  10. 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.

  11. 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.

  12. 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.

  13. 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.

  14. 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

  15. 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

  16. 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

  17. 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

  18. 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

  19. 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

  20. 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

  21. 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

  22. 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

  23. 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

  24. 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

  25. 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. 

  26. 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. 

  27. 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

  28. 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

  29. 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

  30. Fei YF, Lu XZ, Liao WJ, Guan H, Data enhancement for generative AI design of shear wall structures incorporating structural optimization and diffusion models, Advances in Structural Engineering, 2025, DOI: 10.1177/13694332251353614

        

来源:陆新征课题组
ACTSystem二次开发建筑材料人工智能
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:2025-07-10
最近编辑:1天前
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 611课程 0
点赞
收藏
作者推荐

智慧消防设计:AI 自动评估复杂建筑火灾疏散时间

陆童, 曾彦夫, 张予馨, 黄鑫炎 香港理工大学郑哲, 陆新征 清华大学随着现代建筑规模和复杂性的不断增加,大型公共建筑和重要基建的火灾疏散安全评估面临前所未有的挑战。例如,对于机场航站楼、高铁站、体育场馆等超大空间建筑,由于其复杂的空间结构、较高的人员密度和超长的疏散距离,传统的基于法规的消防疏散设计评估方法已难以满足现代建筑发展的安全需求。 针对这些建筑场景的消防安全评估,工程实践中通常采用性能化的消防设计方案(Performance-based design, PBD) ,即通过利用先进的计算模拟和分析工具,以安全性能为导向进行工程设计与评估[1]。其中,安全疏散时间(RSET)是重要的参数,表征建筑内全部人员从火灾发生到疏散至安全的总时间,其精确计算对于建筑设计优化和应急响应策略制定具有重要意义[2]。 图1:复杂城市建筑对于传统疏散安全评估的挑战目前的安全疏散时间(RSET)评估主要通过公式计算,以及数值模拟软件(如Pathfinder、FDS+Evac 等),通过场景建模对建筑内的行人疏散过程进行模拟重现。这些方法计算精度较高,已经成为工程范式;但存在设计周期长、设计成本高、操作复杂、专业要求高和合理性审查难等限制。针对上述问题,香港理工大学和清华大学的研究团队合作提出了基于人工智能的智慧疏散评估方法。通过训练AI模型,使其掌握大型建筑内部的疏散行为特征和规律,进而实现在给定建筑图纸和设计条件下的快速精准预测REST。同时,现实中的大型建筑疏散过程往往涉及更为复杂的人员流动模式和空间利用特征。为此,我们以场景内行人密度变化为指标,对AI模型进一步拓展了对疏散过程动态变化的智慧预测,为性能化消防设计提供快速精准的预测和解决方案。 复杂建筑场景疏散仿真数据集构建 本研究通过收集真实的大型建筑平面图,基于Pathfinder行人疏散模拟,构建了包含66组场景、1,068个疏散案例的大型数据库,涵盖机场航站楼、高铁站、地铁站、展览中心、体育场馆和客运站等6类大型公共建筑。数据库涵盖了不同的空间布局、人员分布密度 (0.5,1,2,4,8 人/m²) 和 出口宽度配(2, 4, 6 m),最大建筑面积达41,845 m²。随后,通过颜色-数值映射字典,将所有建筑平面图转换为512×512像素的标准化输入,实现建筑信息的数字化表达,并采用六维矩阵编码进行数据预处理,即将复杂的建筑信息(边界条件、初始人员分布、出口参数、时间步长、缩尺比例)压缩储存到 512×512×6 的标准化矩阵中,在被AI模块所训练的同时能够最大限度地避免关键信息丢失。 图2: 数据集构建及预处理过程 基于深度学习的智能疏散预测框架 在前期测试中,我们发现大型建筑疏散预测任务对图像精度较高要求,需要至少512×512像素的高分辨率图像才能清晰识别建筑细节。同时,为了避免传统GAN模型 (Generative adversarial network,GAN) 模型在处理高分辨率图像时容易出现的梯度消失和模式崩塌,经横向对比,我们最终采用Pix2PixHD框架以及渐进式训练策略,对所述复杂建筑疏散预测模型进行构建。 图3: Pix2PixHD模型框架Pix2PixHD架构采用多尺度生成器和判别器设计。多尺度生成器包括全局生成器(G1)和局部增强器(G2),以及三个不同尺度的判别器(D1-D3),用于渐进式的捕捉疏散过程的宏观模式和局部细节。通过全局生成器,模型先学习整体疏散模式,再通过局部增强器细化局部密度变化,能够有效实现高分辨率图像生成任务。 图4: 多尺度生成器和判别器 实例展示与验证 通过输入预处理后的建筑平面图,预训练后的AI模型可快速输出疏散全过程不同时刻下的人员密度热力图。以下展示了AI模型在真实大型机场航站楼测试案例中的预测表现。 可以看到,AI模型能够准确预测疏散过程的整体演变规律:从0秒的初始分布,到20秒的多向疏散启动,再到40秒不同出口的拥堵差异,直至400秒的完全疏散。模型不仅能识别不同区域间的连接关系,还能准确反映人员跨区域流动的复杂过程。该模型还具备处理多功能区域建筑的能力,无论是相互连通的大型会展中心,还是空间分离的大型体育场馆,都能准确预测具有不同初始行人密度的各区域独立疏散过程。对于连通区域,AI 能够智能识别区域间连接点,预测人员跨区域流动;对于分离区域,AI 能够独立评估各区域疏散效率,展现了预测模型良好的训练效果及其强大的泛化能力。通过AI模型预测的疏散过程,我们可以快速提取出建筑的安全疏散时间(RSET)。经过对320组测试集的验证,该AI模型展现出优异的预测性能:当所设置的图像生成间隔为1秒时,所预测的疏散时间相较于Pathfinder模拟的真值预测精度达到约95%。 图8: 疏散时间预测误差可视化对比传统方法漫长的设计周期及长时间的建模和计算过程,而AI模型的计算效率实现了革命性提升:AI方法将预测时间缩短至几秒,即使结合预处理过程,完成整个评估也仅需若干分钟。对比传统的CFD软件,AI模型能辅助工程师对建筑的疏散安全性进行快速精准评估,并便于对设计参数进行优化调整,例如出口数量、宽度配置或疏散路径设计,以实现设计最优解。 本文小结 本文基于深度学习框架提出了大型复杂建筑疏散过程和RSET快速预测评估模型,为大型公共建筑火灾疏散评估提供了高精度、高效率、低成本的AI解决方案。该项成果受香港研究资助局主题研究计划、国家自然科学基金,以及清华-港理工合作科研基金资助,已发表于建筑工程领域的核心刊物《Journal of Building Engineering》[3]。目前,我们正在进一步升级智慧疏散预测模型,使模型能够处理更复杂的疏散场景和更多元的疏散评估参数及指标。同时,基于用户友好的图形操作界面也在进一步构建中,旨在进一步优化所提出的智慧疏散全流程评估过程。研究团队将持续推进相关工作,继续助力实现消防设计和分析的智能化发展。相关链接文献[1] Y. Zeng, Y. Li, P. Du, X. Huang, Smart fire detection analysis in complex building floorplans powered by GAN, J. Build. Eng. 79 (2023) 107858. [2] Y. Zhang, X. Zhang, X. Huang, Design a safe firefighting time (SFT) for major fire disaster emergency response, Int. J. Disaster Risk Reduct. 88 (2023) 103606. [3] T. Lu, Y. Zeng, Z. Zheng, Y. Zhang, X. Huang, X. Lu, AI-Powered Safe Egress Time Assessment for Complex Building Fire Evacuation, Journal of Building Engineering. (2025) 110394. https://doi.org/10.1016/j.jobe.2025.113013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