首页/文章/ 详情

:框架和框架-核心筒智能设计模块增加一键导出PKPM/YJK模型功能

2月前浏览80

0

引言    

AIstructure-Copilot已经具备剪力墙结构、框架结构和框架-核心筒结构三种结构类型的智能设计能力,V0.3.9版本增加了框架结构和框架-核心筒结构一键导出PKPM/YJK计算模型功能,欢迎广大工程师试用。


1

 增加计算模型导出功能

在框架结构和框架-核心筒结构的智能设计模块,分别增加了计算模型导出功能按键,用户在完成智能设计后,点击该功能选项,程序将自动生成pkpm.jwd和yjk.ymd模型文件,用户可在PKPM/YJK程序中直接打开这些文件,开展后续设计工作。


 
 

图1 增加计算模型导出功能


2

典型工程设计案例

2.1 框架结构案例

选取一个实际工程中的典型三层框架结构,总高9.6米,抗震设防烈度7度(0.15g)、场地类别Ⅲ类、设计地震分组为第一组,其平面布置图如图2(a)所示。框架结构智能设计结果如图2(b)所示,通过计算模型导出功能,分别生成pkpm.jwd和yjk.ymd模型文件,在PKPM软件和YJK软件中打开的三维模型分别如图2(c)和(d)所示。


 

(a)平面布置图

 

(b)智能设计结果

 

(c)导出的PKPM三维模型

 

(d)导出的YJK三维模型

图2 框架结构设计案例


2.2 框架-核心筒结构案例

同样选取一个11层的框架-核心筒结构案例,总高39.3米(首层高5.4米、2层高4.2米、3-11层高3.3米),抗震设防烈度8度(0.20g),场地类别Ⅲ类,设计地震分组为第二组,其平面布置图如图3(a)所示。框架-核心筒结构的智能设计结果如图3(b)所示,通过计算模型导出功能,分别生成pkpm.jwd和yjk.ymd模型文件,在PKPM软件和YJK软件中打开的三维模型分别如图3(c)和(d)所示。


 

(a)平面布置图

 

(b)智能设计结果

 

(c)导出的PKPM三维模型

 

(d)导出的YJK三维模型

图3 框架-核心筒结构设计案例


3

结语

AIstructure-Copilot-V0.3.9新增框架结构和框架-核心筒结构计算模型导出功能,可以更便捷地协助用户完成PKPM/YJK的模型转换工作,欢迎大家试用。


彩蛋:AIstructure-Copilot-V0.4.0即将迎来一次重要版本更新,增加一个大家期待已久的功能,敬请关注。


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 s mall 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, S mart 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 seis mic 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 a nalysis 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 an alysis 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:2025-09-07
最近编辑:2月前
地震那些事
博士 抗震防灾数值模拟仿真
获赞 83粉丝 67文章 631课程 0
点赞
收藏
作者推荐

新论文:适用复杂工程问题的可恢复粒子群优化算法

论文:Enhanced recoverable particle swarm optimization with adaptive population size reduction for complex engineering problems. Structural and Multidisciplinary Optimization. 2025. DOI: https://doi.org/10.1007/s00158-025-04053-400太长不看版 大型复杂工程优化问题往往消耗大量的计算资源,因此需要集群计算技术结合优化算法来加速计算。然而,在长时间的优化计算中,粒子群算法(Particle Swarm Optimization, PSO)可能会因断电、程序崩溃以及网络波动等外部干扰因素而导致计算中断,阻碍了优化计算的顺利进行。同时,实际工程中,通过网络集成的集群计算资源往往是有限且动态变化的,这对于资源的动态调控以及高效利用也提出了要求。因此,本文提出了一种可恢复中断计算的改进粒子群算法(Recoverable PSO, Re-PSO),并通过优化过程中的粒子缩减实现高效资源利用。首先,通过开发可恢复算法的程序,增强算法在长期运算中的适应力;随后进一步编写缩减粒子的程序,根据文献调研、总结出不同的缩减粒子策略。以CEC测试函数集(CEC benchmark suite)横向对比不同缩减策略的效率,从而确定最适用于复杂优化问题的缩减粒子方法,实现粒子群算法在优化计算过程中的粒子数量调控,增强算法的资源利用效率。最后,通过3个工程算例(平面框架结构的损伤识别、空间桁架结构的设计优化、大跨斜拉桥有限元模型的线性更新)来验证本算法相对于传统粒子群算法,于计算资源有限的前提下,在计算效率、结果精度上的提升。01 可恢复粒子群算法(Re-PSO)为了实现粒子群算法在优化计算中的可恢复机制,本文基于Python编写了相关程序,具体如图1所示。 图1 可恢复程序 在粒子群算法中,粒子的关键信息—位置、速度以及适度值等,往往以向量的形式储存在程序中。根据这个特性,本研究通过Python中Numpy函数库的"savetxt()"以及"loadtxt()"函数将粒子群的信息以TXT文件的形式保存到程序外部。在优化计算中断后,可将粒子群的信息导回程序中恢复运行。02 集成粒子缩减的可恢复粒子群算法 在可恢复算法的基础上,进一步编写缩减粒子的程序。本研究通过文献调研,总结并提出了7种缩减粒子的方法。表1 粒子缩减策略 将粒子缩减程序集成于可恢复粒子群算法,实现优化计算过程中可按照既定的时机以及缩减粒子方法动态调控粒子数量,即计算资源的调控。 图2 可恢复粒子群算法流程图03 数值实验分析 以CEC2017以及CEC2022测试函数集中的11个函数测试各个缩减策略在不同复杂度的优化问题上的表现。这些函数可分为三类:单峰函数、多峰函数以及复合函数。表2 CEC测试函数 对于同一个函数测试时,保证所有算法的参数设置以及优化计算中评估的总粒子数相同,并执行30次的独立运行以增强结果的鲁棒性。 图3 测试函数收敛曲线 CEC测试函数的结果表明,粒子缩减策略S2在复合函数中表现出色,在收敛速度、结果精度上超过了传统的PSO算法以及其他粒子缩减策略。 关于数值实验具体的定性/定量分析,Re-PSO与其他先进优化算法、PSO变种的比较,重启动时种群的初始化策略,可恢复机制引入的额外计算消耗,以及算法超参数的影响,具体可以参考我们的论文。04 工程算例验证(1)平面框架结构的损伤识别 图4 平面框架的几何布置 以一个平面框架结构为例,通过优化结构中梁/柱的弹性模量,匹配损伤结构的模态频率,从而识别损伤位置,目标函数如下式所示: 同时采用结合粒子缩减策略S2的Re-PSO和传统PSO算法优化该算例,保持相同的算法超参数设置以及粒子评估次数,执行30次的独立运行。优化结果如图5所示,Re-PSO显著提升了收敛速度与结果精度。 图5 损伤识别过程的适度值收敛曲线(2)空间桁架结构的设计优化 图6 桁架的初始结构布置 以一个空间网架结构为例,通过优化结构中杆件的截面积和结构布置形式,从而减少材料用量,目标函数如下式所示: 保持相同的算法超参数设置以及粒子评估次数,执行30次的独立运行。优化结果如图7所示,Re-PSO显著提升了收敛速度与结果精度。 图7 设计优化过程中的适度值收敛曲线(3)大跨斜拉桥有限元模型的线性更新 选取苏通长江大桥的Opensees精细化有限元模型为研究对象,全桥一共9896个节点,15473个单元,如图8所示。 图8 苏通大桥精细化有限元模型 以苏通长江大桥的振动台试验数据的模态识别结果为更新目标,构造下式的目标函数。选取包括材料弹模、几何尺寸等11个参数,开展上述桥梁的线性更新。 保持相同的算法超参数设置以及粒子评估次数,执行10次的独立运行。优化对比结果如图9所示,Re-PSO显著提升了收敛速度与结果精度。 图9 线性更新过程中的适度值收敛曲线05 结语 粒子群算法和集群计算技术已广泛应用于日益复杂的工程优化问题中。粒子群算法在长期计算中对于中断问题的抵抗力以及资源的高效利用,是计算资源受限时进行优化计算的关键。本文基于Python以及传统PSO算法,开发了适用于复杂工程优化问题的可恢复粒子群算法,总结如下:(1)通过Python编写可恢复的程序,以极小的额外计算消耗实现了算法中断后的可恢复性;(2)通过CEC测试函数确定了最适用于复杂优化问题的缩减粒子策略,在有限计算资源的条件下,于优化计算的后期缩减粒子数量以增强计算资源的利用效率;(3)通过三个不同类型的实际工程算例验证了Re-PSO在实际工程问题中的适用性。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