首页/文章/ 详情

手把手教你使用Copilot-V0.4.0的新功能:(2) 剪力墙结构智能设计与优化

2小时前浏览2

0

引言

在上一篇公众 号中,我们给大家介绍了AIstructure-Copilot-V0.4.0的新功能:基于智能识图的前处理,实现了建筑CAD图纸信息的一键智能识别和提取,极大的方便了用户操作,本文我们将继续带领您体验全新界面下的剪力墙结构智能设计与优化的全过程,可以帮助工程师快速完成结构方案设计




1

剪力墙结构智能设计

前处理完成后的图纸如图1所示,程序已经识别了剪力墙、门、窗等构件,并给出了各空间的功能属性。此时,用户可以点击“剪力墙-梁智能设计”按钮(图2),根据提示逐一选取各标准层及其对应的基准点,各楼层将根据基准点的位置上下对齐,选择完毕后软件将任务提交云端服务器,开始智能设计(图3)。


 

图1 前处理完成后的图纸


 

图2 剪力墙-梁智能设计功能


 

图3 云端开展智能设计


智能设计完成后,软件会将设计结果从云端传回本地,并显示在原图纸的右侧。Copilot会提供给用户四种不同方法得到的结构设计方案,并将材料用量预测结果显示在图纸下方,用户可根据需要选择所需方案(图4)。


 

图4 最新测试版的设计结果展示


2

剪力墙结构分析与优化

剪力墙结构智能设计完成后,软件提供了结构分析与优化的功能选项(图5),可以协助工程师快速完成PKPM建模和力学分析,查看主要力学指标是否合规,并可由AI快速完成优化,让设计结果更合理。


 

图5 剪力墙结构分析与优化功能


2.1 结构建模分析

选择“结构建模分析”功能,软件会弹出项目管理窗口(图6),用户可根据需要选择其中的一个或几个AI设计结果,执行PKPM结构分析。这里需要用户注意的是,如果用户又对AI设计结果进行了进一步的人工调整,则需要点击“手动选取”,按照软件提示逐一选取调整后的标准层及其对应的基准点,如果没有人工调整,则直接点击“下一步”即可(图7)。


 

图6 项目管理


 

图7 执行PKPM结构分析


PKPM结构分析完成后,项目管理界面会返回相应的结果(图8),用户可查看分析是否成功,并通过“PKPM计算结果显示”快速查询关键力学指标(图9),还可将该指标导出到EXCEL表格中。同时,用户也可将该PKPM模型下载至本地。


 

图8 PKPM结构分析结果返回


 

图9 PKPM计算结果显示


2.2 剪力墙-梁设计优化

AI第一次给出的智能设计结果,可能会出现部分指标超限的情况,这时用户可执行“剪力墙-梁优化”功能,对设计结果进行调整,通常超限幅度在10%以内的,通过自动优化即可满足规范要求。

该过程通常需要十几分钟时间,执行完毕后用户可通过“模型下载”功能将优化后的模型下载至本地,优化后的结构布置图纸和相应的力学计算指标也将显示在原图纸的下方(图11)。


 

图10 执行“剪力墙-梁优化”功能


 

图11 优化后的结构布置和力学计算指标


2.3 计算模型导出

程序已经提供了PKPM模型下载功能。为了便于工程师将Copilot的分析和设计结果导入除PKPM的其他软件,我们还提供了“计算模型导出”功能(图12)。点击该选项,选择需要导出的结构模型,软件将导出模型的JSON文件(图13),供用户连接其他软件使用。


 

图12 计算模型导出功能


 

图13 模型导出文件


完成上述操作步骤后,剪力墙结构智能设计和优化工作就完成了,您如果有更多的使用建议和功能需求,欢迎和我们取得联系。


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 an alysis 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 a nalysis 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二次开发建筑其他软件材料人工智能
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:2025-09-17
最近编辑:2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 66文章 620课程 0
点赞
收藏
作者推荐

建筑消防喷淋系统自动化设计:AI 一键出图

曾彦夫 丁一飞 张天航 黄鑫炎 香港理工大学 刘欣怡 奥雅纳工程顾问公司 郑哲, 陆新征 清华大学在建筑设计过程中,消防设计是一项至关重要的工作内容,涵盖探测报警、灭火、防排烟、人员疏散等多个系统。相关设计成果通常以详尽的图纸形式呈现,既关系到建筑的整体安全性,也在工程设计中占据了较大的工作量和比例,尤其在中大型公共建筑中更为显著[1]。目前,喷头、烟感等消防组件的设计和布置仍主要依赖工程师根据规范和经验手动完成。整个流程不仅重复性高、耗时长,还容易因疏漏导致遗漏或布置不合理,尤其在面对复杂建筑空间时,设计负担显著增加,影响整体效率和准确性。 针对这些问题,香港理工大学与清华大学的研究团队合作,提出了一种基于人工智能的喷头布置自动化方法[2]。通过训练生成式深度学习模型,使其学习建筑平面与喷头布局之间的关系,模型能够在给定输入建筑图纸和火灾危险等级后,自动生成符合规范要求的喷头布置方案。这一方法不仅帮助工程师从重复、耗时的图纸绘制中解放出来,还使其能够将更多精力投入到更具综合性和判断力的设计决策中。 从建筑平面纸到消防设计图 本研究提出了一套端到端的消防设计智能化出图框架,主要包括以下五个核心环节:图纸信息清理: 识别并剔除图纸中不必要的标注、尺寸线等非结构性元素,仅保留与空间布局和使用功能相关的核心信息。图纸语义化处理: 将建筑图纸转化为AI模型可识别的输入格式,例如将空间功能、边界关系、火灾危险等级等信息编码为对应的RGB值,用于模型训练。设计元素生成: 利用深度学习模型自动生成喷头等消防设备的布置方案。虽然本研究聚焦于喷头布置,但方法具备良好的通用性,也适用于探测、报警等设计任务。合规性检查: 系统内置自动化的规范校验机制,确保生成结果在喷头间距、覆盖范围等方面符合设计标准。图纸后处理: 将模型输出结果转化为工程常用的图纸格式,如CAD,以便于后续设计、审图和施工对接。该框架旨在实现从建筑图纸到消防设计图之间的全流程智能化转换,为工程实践提供了高效、标准化的新路径。 消防设计图设计效果对比 为验证 AI 在实际设计任务中的适用性,下图展示了测试集中一个典型办公楼层的喷淋平面设计结果,比较了人工设计与 AI 自动生成的喷淋布置方案(见下图)。本案例采用中危Ⅰ级标准,分别模拟了开放式平面(上排)和多间隔布局(下排)两种房间配置。 图中左列为建筑平面输入,中列为工程师人工设计结果,右列为 AI 自动生成的设计方案。从覆盖率来看,两种方案均实现了较高的喷淋保护,且 AI 的设计在两个案例中略优于人工设计,覆盖率分别达到了 99.9% 和 99.6%。在喷头数量上,AI 的设计与人工设计所需数量极为接近,甚至在第二个案例中略少于人工设计。更值得关注的是设计效率。在完成相同任务的情况下,工程师平均需耗时约 20 分钟进行布置,而 AI 模型仅需数秒内完成计算与出图。这种效率优势在批量化设计任务和快速生成方案等场景中尤为突出。此外,下图展示了更多不同平面布局和危险等级下的设计结果对比,更多详细结果可参考论文。 整体来看,AI 设计结果已经能够在合理数量的喷头下实现极高的喷淋覆盖率。然而,在喷头排布的整齐度和美观性上,仍有进一步提升的空间。从时间效率上看,工程师平均需要约 20 分钟完成一张喷淋平面图的设计,而 AI 模型仅需 10 秒即可完成初步设计。即便考虑后续工程师对 AI 设计方案进行复核、修改和调整的时间,AI 仍能够节约约 76% 的设计时间。这种效率提升在喷淋平面布置的批量化设计和工程项目的快速响应中,具有显著的应用价值。 小结 综上,本文提出了一种基于生成式深度学习模型的智能消防设计框架,实现从建筑图纸到消防设计图的全流程智能化转换,显著提升了设计效率和规范符合性。该框架不仅在喷淋平面布置任务中展现出强大的能力,还为其他消防设计场景提供了通用的技术基础。该项成果受香港主题研究计划“SureFire:智慧城市灾害防控和火灾应急研究”、国家自然科学基金,及清華大學—香港理工大學聯合科研基金項目联合资助,目前已开源发表于工程设计领域的核心刊物《Journal of Infrastructure Intelligence and Resilience》。港理工的研究团队将持续推进相关工作,助力实现消防设计和分析的智能化。尽情关注更新!相关链接文献[1] Zeng et al. (2025) Artificial Intelligence Powered Building Fire Safety Design Analysis. In Huang X., Tam W.C. (eds) Intelligent Building Fire Safety and Smart Firefighting. doi: 10.1007/978-3-031-48161-1_5. [2] Zeng et al. (2025) AI-Powered Automatic Design of Fire Sprinkler Layout for Random Building Floorplans, Journal of Infrastructure Intelligence and Resilience. https://doi.org/10.1016/j.iintel.2025.100167..‍主要作者简介 曾彦夫: 香港理工大学博士毕业生,研究领域为建筑消防设计和基于人工智能的智慧消防。 ▲长按识别二维码 查看曾彦夫个人网页图文 | 曾彦夫编辑 | 陆 童审核 | 黄鑫炎来源: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