首页/文章/ 详情

AI-structure Copilot v0.4.2:剪力墙设计算法再升级,又省又合规!

11月前浏览603

0

引言    

我们的建筑结构AI设计助手AI-structure Copilot再次迎来重要升级!本次更新聚焦剪力墙智能设计模块,推出新的生成式智能设计算法,同时考虑到一些老用户的使用习惯,这次升级是以实验室版本形式发布。新算法针对性地强化了AI设计过程中的结构地震变形约束条件,不仅显著提升了设计结果的“地震变形指标”通过率,且材料用量也有一定程度的降低!


1

v0.4.2版本增加实验室版本新算法

由于本次AI-structure Copilot v0.4.2版本算法变化较大,为了不影响老用户的使用习惯,我们将新算法以实验室版本的形式发布。

用户其他操作与此前版本都完全一样。用户在完成图纸前处理后,点击“剪力墙-梁智能设计”功能按键(图1a),软件将弹出图1b所示对话框,用户可根据需要选择“正式版”或“实验室版”的生成式算法开展智能设计。其中,实验室版算法将分为4步开展智能设计,总耗时约2-6分钟(图1c)。


 


(a)“剪力墙-梁智能设计”功能按键


 

(b)正式版和实验室版算法选择


 

(c)实验室版智能设计进度

图1 v0.4.2版本增加“实验室版”算法


2

实验室版算法的设计效果

继3500+实际工程验证后,随着用户使用量的增加,更复杂的设计挑战也越来越多。因此,我们也在不断改进我们的智能设计算法,不断提升智能设计的合规性。

图2为某实际工程案例,其中图2a为正式版算法A的智能设计结果,图2b为实验室版算法的智能设计结果,图2c为地震力作用下两者层间位移角的对比情况。可以看出,实验室版算法在更多的考虑了力学约束后,增加了局部X向的剪力墙布置,使得设计结果符合规范限值要求。


 

(a)正式版算法A的智能设计结果

 

(b)实验室版算法的智能设计结果

 

(c)层间位移角对比

图2 实验室版本算法与算法A的比较


因此,对地震变形指标合规率需求较高的用户,可以采用“实验室版”新算法(AI设计用时会多一点);仅需AI先给出初步结构布置结果,对设计稳定性与多方案要求较高的用户,可继续采用“正式版”算法。


3

结语    

AI-structure Copilot的每一次升级,都是课题组在“AI+工程设计”领域的又一次探索。欢迎大家试用我们的实验室版功能,并多多提供意见和建议。


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:2025-11-09
最近编辑:11月前
地震那些事
博士 抗震防灾数值模拟仿真
获赞 84粉丝 73文章 676课程 0
点赞
收藏
作者推荐

RED-ACT |10月9日四川甘孜5.4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,10月9日13时17分在四川甘孜州新龙县发生5.4级地震,震源深度10公里,震中位于北纬30.84度,东经99.86度。二、强震记录及分析 20251009四川甘孜5.4级地震获得了30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:SC.V2907典型台站位置北纬30.82度,东经100.16度,记录到水平向地震动峰值加速度为101 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) 对典型多层框架结构破坏作用模型1:三层框架结构(感谢中国建筑设计研究院王奇教授级高工提供模型) 将典型台站记录输入立面布置如图6(a)所示的6度、7度和8度设防的典型三层钢筋混凝土框架结构,得到其层间位移角包络如图6(b)所示。 (a)立面布置示意图 (b)层间位移角图6 典型三层钢筋混凝土框架结构(2) 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7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轻微破坏状态。(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7 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8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完好状态。(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8 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9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完好状态。 图9 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10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10 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