拒绝“大锅乱炖”！像大厨一样“调配”结构设计丨新论文：基于扩散模型的RC框架构件尺寸设计

论文：Intelligent design of dimensions of reinforced concrete frame structure components using diffusion models. Computers in Industry, 175, 104428, 2026.

DOI：https://doi.org/10.1016/j.compind.2025.104428 

50天免费链接：https://authors.elsevier.com/a/1mIEgbquFcXxJ

钢筋混凝土框架设计中，基于图像的AI常会陷入“视觉陷阱”（图1）：盯着占图约90%的楼板拼命使劲，却对只有少数像素点的梁和柱“视而不见”。这恰如“炖一锅高汤”：虽然水（楼板）占据了满锅空间，但真正决定鲜味的却是那肉类（梁）和几克精密的调味料（柱）。

图1 基于图像的AI陷入“视觉陷阱”

本研究提出的Frame-size-diffusion模型，就像一位精细的大厨：它通过“分盘备菜”（多通道掩码）和“精准称量”（梯度加权），完美平衡了“水”（板）“料”（梁）和“盐”（柱）的配比。实验显示，该方法设计的构件尺寸误差小，结构安全且经济。

研究背景

在土木工程领域，钢筋混凝土（RC）框架结构是应用最广泛的结构形式之一。其中，为梁、柱、楼板等构件确定合适的截面尺寸（如梁高、梁宽、柱截面、板厚）是结构设计的关键环节，直接关系到建筑的安全性、经济性与环保性能。

然而，传统设计过程高度依赖工程师的个人经验。工程师往往需要反复试算、调整，过程繁琐耗时，且设计质量因人而异。为了解决这个问题，行业内引入了优化算法和人工智能（AI）方法，但各有痛点：

传统优化算法（如遗传算法）：虽然能找到较优解，但每调整一次尺寸都需调用非线性有限元软件（NFEM）进行复杂的力学分析，计算成本极高。对于大型复杂框架，优化过程可能长达数天甚至数周。

现有AI方法（如GAN）：生成速度很快，但它们在RC框架构件尺寸设计任务上精度不足。因为它一眼望去90%都是“水”（板），它会觉得：“反正全是水，我只管把水煮好就行，汤料和盐放多放少无所谓。”结果就是：楼板设计得很好，但关键的柱子和梁尺寸却由于“量太少”被AI忽略了。

此前我们提出了一种解决方法，使用异构图来进行框架构件尺寸设计，具体参见从一次外卖到框架结构的智能设计 | 新论文：基于异构图神经网络的混凝土框架结构构件尺寸智能设计方法。而在本研究中，我们另辟蹊径，直接教AI如何像大厨一样做料理。

RC框架结构尺寸设计任务

在具体操作之前，我们需要先来思考一下什么是RC框架结构尺寸设计任务。具体任务为：在给定建筑平面布局、层高、荷载、抗震设防参数（如地震加速度PGA、场地特征周期）等设计条件下，自动、准确地得到每个梁（高度、宽度）、每个柱（x和y方向尺寸）以及每块楼板（厚度）的具体尺寸。在之前剪力墙布置预测的推送中，作者用涂色游戏打了个比方（感兴趣的读者可以点击链接查看具体内容Diffusion Model智能设计原理揭秘 | 论文和发明专利：基于扩散模型的剪力墙结构智能设计）。为了让读者更加清楚尺寸设计与剪力墙布置的不同，作者在这一节沿用这个比喻进行说明（图2），主要变化分为两方面：

1、剪力墙结构布置是拿着红色颜料让AI在指定位置选择是否涂色，而尺寸设计是让AI决定在指定位置用“多深”的颜料涂。

2、剪力墙设计AI只用作一幅画，而尺寸设计任务AI需要作多幅画，这多幅画之间还有联系。例如梁宽和梁高画在一幅画上就乱了套，我们希望AI能分别绘制。

图2 结构布置设计与结构尺寸设计的不同

秘方：AI大厨的三道工序

在明确研究痛点和具体设计任务后，我们就可以考虑如何使用AI进行设计了。在本研究中，为了让AI成为真正的大厨，我们提出了三个秘方。

真正的大厨绝不会把所有食材一股脑倒进锅里。本研究引入了“多通道掩码”技术，把“水”（板）“料”（梁）和“盐”（柱）分别放在五个不同的盘子里给AI看，具体而言，通道1~5分别代表柱x方向长度、柱y方向长度、梁高、梁宽和板厚。图3给出了划分通道的示意图。

这样，AI在处理代表“柱”的两个盘子时，视线里就没有巨大的“板”来干扰，必须专注于把这几粒“盐”研究透彻。

图3 分盘备菜（多通道掩码）

光分好盘还不够，还得定好“奖惩规则”。以前AI觉得盐不重要，是因为盐的分量比水小太多了。作者引入了“梯度加权修正”，相当于给AI定制了不同精度的天平，称水用克级的天平就行，而称盐就用微克级的天平。这样，如果“水”（板）放错了一克，扣1分；而如果“盐”（柱）放错了一克，重罚50分！这种机制强迫 AI 在处理柱子、梁等在图纸上面积较小的构件时必须全神贯注。具体分数取值我们利用图纸上像素占比的倒数确定，此处涉及的数学公式较多，相关分析可以查看论文。

楼房是一层层叠起来的，底层的柱子要扛住上面的重量。但是如果将建筑每一层输入就过于冗余，显卡显存也不允许。如果仅将每一标准层分别预测，那AI就无法考虑上下层之间的荷载传递。本研究构建了新的数据表达，把一栋楼的多个标准层直接叠在一起喂给AI。这在有限的资源下让AI学会了“荷载传递”，设计效果更佳。图4给出了不同数据编码方式的示意图。

图4 不同楼层编码方式（A、B、C）

结果讨论

最终得到的结果如表1所示，从1、2行（或4、5行）均可看出，使用秘方一（多通道掩码后），所有的尺寸预测均有明显下降。从2、3行（或5、6行）可以看出，使用秘方二（梯度加权修正），柱的尺寸预测误差明显下降，板的预测误差虽然上升，但仍在一个模数以内。这代表模型确实更加关注“盐”的多少，同时“水”的重量虽有误差但不影响整体“汤”的质量。秘方三中的C（即同时考虑所有标准层）对梁和柱的预测结果有显著提升，这也呼应了上面所说，AI会更加懂得“荷载传递”，设计效果更佳。

表1 测试集尺寸预测RMSE（单位：毫米）

案例分析

作者选取了一个 6 层小学宿舍项目进行案例分析，具体的设计条件和设计结果可以查看论文。设计误差和计算的层间位移角如图5所示。表2给出了不同算法的简单对比。

图5 典型案例误差与层间位移角

表2 框架结构尺寸设计的不同算法对比

---End---

来源：陆新征课题组