新论文：给AI装上“力学方向盘”：混凝土面板堆石坝的“知-力”相融生成式智能设计_ACT_System_二次开发

新论文：给AI装上“力学方向盘”：混凝土面板堆石坝的“知-力”相融生成式智能设计

论文：

Mechanics-embedded diffusion with closed-loop denoising for intelligent zoning design of concrete-faced rockfill dams. Advanced Engineering Informatics, 2026.

DOI: 10.1016/j.aei.2026.105020

前言

很多人认识生成式AI，是从它会画图、写文案、生成视频开始的。输入一句提示词，它就能给出一套看起来很像那么回事的设计方案。

但是，在工程设计领域，我们必须追问一个更严肃的问题：AI生成的方案，看起来像，不代表真的安全。

这就像一个人用导航开车。导航告诉你前方直行，但如果你完全不看路况、不踩刹车、不打方向盘，那就不是智能驾驶，而是闭眼狂飙。工程设计也是一样：生成模型可以学习历史图纸的形态规律，但如果生成过程中没有力学反馈，没有规范约束，没有安全校核，那么它很可能只是“画得像”，而不是“真的能用”。

图1

对于混凝土面板堆石坝（Concrete-faced Rockfill Dam, CFRD）这类重大基础设施而言，这个问题尤其重要。坝体分区设计不仅关系到几何形态是否合理，更直接影响坝体抗滑稳定、安全储备、材料用量和工程造价。

因此，本研究想解决的问题很直接：能不能让AI不仅会生成坝体分区图，还能在生成过程中主动考虑力学安全和材料经济性？

围绕这一目标，本文提出了一种面向混凝土面板堆石坝智能分区设计的力学嵌入扩散框架——CFRD-Mech-Diffusion。

图2 生成式AI不能只会“看起来像”，工程设计还需要实时校核和反馈。

太长不看版本

本研究提出了一种力学嵌入扩散模型，用于混凝土面板堆石坝智能分区设计。该方法将坝体分区图、设计条件和材料参数统一表示为特征空间张量，并构建抗滑稳定代理模型，用于快速预测下游最小抗滑稳定安全系数（FoS_min）。

在训练阶段，本文将代理模型计算得到的力学损失引入扩散模型微调过程，使模型学习更加安全的分区设计先验；在推理阶段，进一步提出闭环去噪机制，在每一步去噪过程中根据代理模型反馈动态更新设计条件（x_cond），实现实例级力学修正。

实验表明，该方法能够在保持较高生成精度的同时，提高生成方案的力学合规性和材料经济性。在代表性工程案例中，普通扩散模型生成方案的FoS_min为1.166，低于规范要求1.2；而本文方法生成方案的FoS_min提升至1.206，满足规范要求。同时，高成本材料分区占比得到降低，主堆石区减少10.17%，增模区减少4.87%，体现出更好的工程经济性。

简单来说，本文不是让AI“画一个像工程师设计的坝”，而是让AI在生成过程中逐步学会：哪里该省，哪里不能省，哪些调整符合工程设计规律，哪些方案真正满足规范要求。

图3 面向混凝土面板堆石坝智能分区设计的力学嵌入扩散框架

研究背景

混凝土面板堆石坝是水利水电工程中的重要结构。坝体通常由主堆石区、次堆石区、排水区、增模区等多个区域组成。不同分区的材料性能、力学作用和成本差异很大，因此分区比例和空间布置会直接影响坝体整体稳定性。

传统设计主要依赖工程经验、规范校核和多轮人工迭代。工程师先给出初始方案，再进行抗滑稳定计算；如果不满足规范，就要反复调整材料配置和分区比例。这个流程可靠，但效率不高，也难以充分利用已有工程案例中蕴含的设计规律。

近年来，扩散模型为工程设计自动化带来了新的可能。问题在于，普通生成模型擅长学习几何形态，却不天然理解材料、荷载和稳定安全系数。对于重大基础设施，这是不能忽略的部分。

研究方法

3.1 面向AI的特征空间表征

本文采用基于特征空间的数据表征方法，将CFRD分区图纸转换为具有明确工程含义的多通道张量。具体而言，主堆石区、次堆石区、排水区和增模区分别对应一个二值特征通道。若某一像素属于对应分区，则该位置取值为1，否则为0。这样，每个通道都对应明确的工程含义。

同时，本文进一步构建设计条件张量（x_cond），用于表示各分区归一化后的用料比例；构建材料参数张量（x_mater），用于表示不同分区内摩擦角、地震烈度等关键参数。通过这种方式，几何分区、设计条件和材料性能被统一到一个适合深度学习模型处理的特征空间中。

图4 基于特征空间的土石坝表征方法

3.2 抗滑稳定代理模型：给生成过程装上“力学方向盘”

要让生成模型真正理解并利用力学约束，首先需要一个既能快速评价方案力学性能、又能提供可反向传播梯度信息的工具。

本文以FoS_min作为代表性力学指标，构建了基于ResNet的力学代理模型，输入包括坝体分区布局张量和材料参数张量。

数据方面，研究从42个真实CFRD工程设计案例出发，结合参数化生成规则和材料参数随机采样，扩展得到百万级训练样本；力学标签则通过简化Bishop法计算获得。两阶段训练后，代理模型能够为后续扩散生成提供快速、可反向传播的力学反馈。

图5 代理模型数据集与模型架构

3.3 力学嵌入扩散模型“训练-生成”

（1）力学嵌入训练阶段：先学会安全设计规律

普通扩散模型的目标，是从噪声中逐步恢复出合理的分区图。但如果只优化去噪损失，模型学到的主要是“长得像”，而不是“足够安全”。

因此，本文在扩散模型微调阶段引入力学损失：冻结已经训练好的代理模型，用它预测生成方案的FoS_min，并把安全偏差作为额外约束反馈给扩散模型。为了避免力学损失过强而破坏生成能力，本文还设计了动态权重，使几何精度和力学合规性保持平衡。

图6 力学嵌入扩散训练：让模型学习安全感知先验

（2）力学嵌入生成阶段：对每个样本实时修正

仅在训练阶段引入力学损失，并不能保证每一个生成样本都一定满足规范要求。因此，本文进一步在推理阶段提出闭环去噪机制。在标准扩散推理过程中，模型从随机噪声出发，逐步去噪生成最终设计方案。本文在这一过程中保留对设计条件（x_cond）的梯度回传，同时固定扩散模型和代理模型的网络参数。也就是说，推理阶段不再更新模型本身，而是动态调整设计条件。

具体过程如下：在每一个指定的去噪步骤中，模型首先根据当前噪声状态预测一个干净分区布局；随后，将该布局与材料参数输入代理模型，预测当前方案的FoS_min；接着，将预测值与规范限值进行比较，计算力学偏差；最后，通过反向传播计算该偏差相对于x_cond的梯度，并据此更新设计条件。

这一过程构成了一个闭环系统：去噪过程相当于生成系统，负责逐步形成坝体分区方案；力学代理模型相当于评价器，负责实时预测抗滑稳定性能；预测安全系数与规范限值之间的偏差构成反馈信号；基于梯度的x_cond更新则相当于控制器。

通过这一闭环反馈，模型能够根据当前生成方案的力学表现实时调整设计方向。例如，当预测FoS_min低于规范要求时，模型会减少次堆和排水区域的比例，相应增加主堆和增模区比例，引导设计逐步回到满足规范的可行区域。

图7 闭环去噪推理：让AI在生成过程中实时修正

（3）训练-推理协同：先学会安全设计规律，再进行单样本闭环修正

需要说明的是，本文中的训练阶段和推理阶段并不是两个彼此独立的过程，而是前后配合、相互衔接的关系。

训练阶段通过引入力学损失，使扩散模型在学习历史坝体分区几何规律的同时，形成安全感知的生成先验，即在设计条件固定时倾向于生成抗滑稳定性能较好的方案。推理阶段则在模型参数固定的基础上，进一步利用代理模型对每一个生成过程进行实时力学评价。当初始设计条件对应的生成方案存在安全储备不足或材料配置冗余时，模型根据预测安全系数与规范限值之间的偏差，对设计条件x_cond进行动态更新，从而引导后续去噪过程逐步调整分区比例。

案例分析

本文进一步选取一座实际混凝土面板堆石坝作为代表性案例进行验证。该工程坝高122.4 m，设防烈度为VII度，设计水平峰值加速度为105 cm/s²。根据SL 274-2020规范要求，该工程的最小抗滑稳定安全系数限值为1.2。

在相同初始设计条件下，普通扩散模型生成的分区方案的FoS_min为1.166，低于规范限值，无法满足抗滑稳定要求。相比之下，本文提出的CFRD-Mech-Diffusion通过训练阶段的力学先验学习和推理阶段的闭环反馈修正，最终生成方案的FoS_min为1.206，满足规范限值要求。

图8 典型案例生成结果对比

这个结果说明，当初始条件并不理想时，传统扩散模型可能仍会生成存在安全风险的方案；而CFRD-Mech-Diffusion能够在生成过程中识别力学偏差，并通过调整分区比例把设计逐步拉回可行区域。

实验结论

1）两阶段训练相较于混合训练方法更能缓解由真实数据与合成数据之间的分布差异所引起的学习偏差。

2）与RGB表征相比，特征空间表征使平均IoU显著提升，同时降低了生成结果波动。

3）通过比较无力学约束模型与训练阶段力学嵌入模型可以发现，引入力学损失后，扩散模型在给定设计条件下更倾向于生成抗滑稳定性能更好的方案。

4）仅依靠训练阶段的力学嵌入，仍无法保证每一个生成样本都满足规范要求。而在推理阶段引入闭环反馈后，模型能够针对具体生成样本进行动态修正。实验表明，在去噪过程中动态更新x_cond后，模型能够根据当前方案与规范限值之间的力学偏差调整分区比例，从而逐步引导设计进入满足抗滑稳定要求的可行区域。在满足力学约束时，则会进一步优化材料配置。相较于基准扩散模型，CFRD-Mech-Diffusion使低成本区域占比增加，其中次堆石区增加16.56%，排水区增加3.51%；同时，高成本区域占比降低，其中主堆石区减少10.17%，增模区减少4.87%。这说明，推理阶段的力学反馈不仅能够实现规范合规，还能够引导模型生成更加经济的分区设计结果。

相关论文

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.
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.
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.
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.
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.
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.
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.
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.
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
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.
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.
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.
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.
Fei YF, Liao WJ, Lu XZ, Taciroglu E, Guan H, Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets, Journal of Building Engineering, 2023, 79: 107873. DOI：10.1016/j.jobe.2023.107873
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
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
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, Smart Construction, 2024, DOI: 10.55092/sc20240001
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
Fei YF, Liao WJ, Zhao PJ, Lu X*, Guan H, Hybrid surrogate model combining physics and data for seismic drift estimation of shear-wall structures, Earthquake Engineering & Structural Dynamics, 2024, 53(10): 3093-3112. DOI: 10.1002/eqe.4151
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
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
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
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
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
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.
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.
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
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
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
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
Gu Y, Qin SZ, Liao WJ, Lu XZ*, Intelligent design of dimensions of reinforced concrete frame structure components using diffusion models, Computers in Industry, 2026, 175: 104428. DOI: 10.1016/j.compind.2025.104428

来源：陆新征课题组

剪力墙智能设计案例数突破5000个：在真实工程中持续打磨

0引言有一个好消息和大家分享：AI-structure Copilot的剪力墙智能设计案例数突破5000个。这个数字，对我们来说不只是一个后台统计，它意味着AI-structure Copilot已经在大量真实工程案例中持续接受检验，也意味着越来越多的工程师正在把AI工具带入日常结构设计流程。从第一批案例到突破5000个案例，AI-structure Copilot一直在做同一件事：把真实工程中的使用反馈，转化为算法、功能和交互上的持续改进。图1 剪力墙设计案例数突破5000个15000个案例，来自真实工程的反馈真实工程里，有复杂的建筑平面，有不同的设计条件，有规范约束，有工程师的经验判断，也有大量看似细小但会影响结果的设计细节。一个方案是否合理，不只看能不能生成，更要看它是否符合工程习惯，是否便于后续调整，是否能接上建模分析流程，是否能让工程师真正节省时间。过去一段时间，AI-structure Copilot在剪力墙设计案例中不断积累这些真实反馈。每一次使用，都会让我们更清楚地看到：哪些地方还不够顺手，哪些参数需要进一步完善，哪些结果提示还应该更明确，哪些工程场景还需要继续适配。这些反馈，是产品持续进步最重要的来源。2从“能设计”到“更好用”AI-structure Copilot 的目标，从来不是只做一个能生成结果的工具。对工程师来说，真正有价值的是：它能不能在真实设计流程中帮上忙。因此，围绕剪力墙智能设计，我们持续在几个方向上打磨。首先是参数设置更贴近实际工程。在剪力墙结构设计中，设计条件、底部加强区、楼板划分、虚梁规则等细节，都会影响后续结果。越是贴近规范和工程实际，智能设计结果才越有参考价值（图2-图4）。图2 增加底部加强区的设置图3 更完善的设计条件输入图4 引入虚梁使楼板更加规则其次是操作过程更顺手。工程师完成智能设计后，往往还需要继续编辑和调整。因此，我们持续优化构件尺寸批量编辑、荷载修改、构件新建与编辑等功能，让AI生成结果之后，工程师可以更自然地接着往下做。（a）“构件尺寸批量编辑”功能面板（b）“构件尺寸批量编辑”绘图区显示图5 增加构件尺寸批量编辑功能第三是反馈更清楚，过程更透明。软件最让人头疼的问题之一，是“失败了，但不知道为什么”。因此，我们也在不断完善建模、分析和结果反馈机制，尽量把原来“看不懂、找不到、改不动”的问题，变成“知道问题在哪，可以继续处理”（图6）。图6 提示结构建模分析失败的具体报错信息3结语结构设计不是演示视频里的几次点击，5000个剪力墙智能设计案例，背后是大量工程师的真实使用。这些反馈让AI-structure Copilot不断从“能完成任务”，走向“更符合工程师使用习惯”。未来，我们会继续围绕剪力墙智能设计，持续优化算法、交互、建模分析、结果反馈和工程适配能力。我们希望AI-structure Copilot能成为工程师身边一个真正有用的助手：在重复、繁琐、耗时的环节多承担一些工作；在方案生成、模型转换和结果检查中多提供一些帮助；在真实工程反馈中不断变得更稳、更顺手、更合规。感谢每一位使用、反馈和持续关注AI-structure Copilot的朋友。正是这些真实工程案例和真实使用建议，推动我们一点点把产品打磨得更接近工程师需要的样子。（附：软件下载及试用地址：https://ai-structure.com/#/IntelligentDesign)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！来源：陆新征课题组