首页/文章/ 详情

3500个实际工程!AI-structure Copilot加速进步

9小时前浏览12

0

引言    

自2023年7月上线以来,AI-structure Copilot完成的项目数一路从0→2000→2500→3000,如今我们正式迈过第3500个实际工程设计项目的里程碑,在这里感谢每一位使用我们产品的工程师,正是你们的鼓励与信任,一起把这款“会干活的AI”打磨成了“更懂工程的搭档”。


1

AI-structure Copilot近期亮点速览  

这段时间,我们始终在两个方向持续进化:一是更贴合规范与工程实际,二是把“前处理—智能设计—模型交付”的链路再压缩。

(1)学会“好房子”的设计:v0.3.5版本,通过重新训练AI模型,显著提升了在3米层高条件下结构智能设计的力学性能合规率,助力广大结构工程师高效满足新国标要求。

(2)增加并完善了框架设计功能:v0.3.6和v0.3.7版本增加了框架结构的智能设计功能,并且完善了半框梁(一端连柱一端连主梁)与次梁(两端连主梁)的智能设计,更接近工程真实做法。

(3)剪力墙设计模块更聪明:v0.3.8版本从“多算法融合+倾斜梁布置”等方面精进了算法,对复杂平面更友好,方案更贴合工程师直觉。同时,软件可以为用户提供“稳定版×3+测试版×1”的多路线结果,同时满足不同用户“求稳”和“尝鲜”的不同偏好。

 

(a)建筑平面布置图

 

(b)最新测试版的梁智能设计结果

 

(c)算法A的梁智能设计结果

图1 复杂平面不同算法梁智能设计结果的对比


(4)一键完成设计到计算:v0.3.9版本实现了框架/框筒一键生成三维模型的功能,用户可以在设计完成后,直接生成pkpm.jwd与yjk.ymd模型文件。


 

(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 典型结构设计案例


(5)识图能力跃迁:v0.4.0版本实现了“智能识图”功能,直击“图层乱、构件漏识别”等用户使用痛点,用户只需要直接框选平面,AI一键识别门窗、阳台、墙体及空间信息,可视化提示可疑构件,并给出推荐处置策略。

(6)全新交互式案例引导:v0.4.1版本增加了交互式视频案例引导功能,用户跟随指引一步步完成案例操作,可以在5分钟内学会智能设计和结构分析优化等操作。

2

越来越多的工程师在用AI-structure Copilot  

AI-structure Copilot经过多版本的迭代进化,软件实现面向交付的全链条设计:从识图到智能设计,再到计算模型的导出,一条龙减少设计师工作量。同时,AI-structure Copilot已经完成3500个工程实际应用,智能设计技术不再是“纸上谈兵”。


 


图3 AI-structure Copilot完成的第3500个工程项目


此外,软件还可以提供多版本的设计结果供用户选择,稳定版保障工程落地,测试版持续提供尝新能力,兼顾创新与稳健。


3

结语

AI-structure Copilot将继续打磨设计算法,让每一位结构工程师都能“更快、更稳、更合规”地完成设计。欢迎大家积极提出反馈意见。


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 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 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:2025-11-10
最近编辑:9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 629课程 0
点赞
收藏
作者推荐

RED-ACT |9月27日甘肃定西5.6级地震破坏力分析

Real-time Earthquake Damage Assess ment using City-scale Time history an alysis (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,9月27日5时49分在甘肃定西市陇西县发生5.6级地震,震源深度10公里,震中位于北纬34.91度,东经104.58度。 二、强震记录及分析 20250927甘肃定西5.6级地震获得了40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:GS.JZ001典型台站位置北纬34.86度,东经104.54度,记录到水平向地震动峰值加速度为879.9 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中国地震学会标准《基于强震动记录的地震破坏力评估T/SSC 1—2021》(参阅新标准发布 :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) 对典型砌体结构破坏作用模型1:单层未设防砌体结构 选取图6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严重破坏状态。(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6 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7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中度破坏状态。(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7 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8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中度破坏状态。 图8 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9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9 某特大桥引桥模型来源: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