新论文和发明专利 | 规则增强的框架-核心筒结构人工智能设计方法

1年前浏览754

论文：Knowledge-enhanced generative adversarial networks for schematic design of framed tube structures. DOI: 10.1016/j.autcon.2022.104619

发明专利：多模态数据驱动的建筑结构构件的生成方法和装置. ZL202111673650.9

太长不看版

有经验的工程师的一个很重要的能力是在方案阶段能够快速选定结构构件截面尺寸。这个能力既来源于对大量工程经验的长期积累，也来源于对各种设计规则的熟练掌握。如果让AI学习大量的既有工程图纸积累经验，再教会AI一些设计规则，AI也可以给出非常接近工程师水平的构件截面设计方案。本文以框架核心筒结构为例，演示了如何让AI学会给出框架柱和剪力墙的截面设计方案，如下图所示。

研究背景

确定构件的截面尺寸是结构设计的重要任务。在框架核心筒结构的方案设计阶段，工程师要根据已经确定的结构布置，给出构件的截面尺寸，作为后续深化设计的基础。合理的截面尺寸设计应同时考虑工程经验和设计规则。干工程二十年的总工，一眼就能把尺寸估个八九不离十，这叫工程经验。结构布置要对称、规则，不要有突变，这样受力“舒服”，我们称之为设计规则。一些设计规则甚至写入了国标，例如抗规3.4节专门说了“建筑形体及其构件布置的规则性”，其重要性可见一斑。

目前的AI已经具备了很强的复杂知识和规律的学习能力。我们把大量设计资料喂给AI学习，就能够教会它们工程经验。但是，如果仅仅依靠数据驱动的话，模型是很难学会设计规则的，做出的设计常常会违背工程师的常识，实用性较差（比如对称位置的柱子截面尺寸不一样）。我们要解决的关键难题便是：如何让数据驱动模型掌握工程界约定俗成的设计规则？

提出方法

为此，我们提出了一个设计规则增强的生成对抗网络，能够同时掌握工程经验和设计规则，如下图所示。下面具体介绍一下它的几个关键技术。

关键技术1：输入输出特征矩阵编码

我们将确定截面尺寸所需的关键设计条件编码为输入特征矩阵，包括构件位置、构件类型、以及抗震、抗风、高度等影响系数。同时，将截面尺寸编码为输出特征矩阵。这样可以避免无关因素的干扰，便于模型抽取特征，学习到有效的工程经验。

关键技术2：生成器、判别器、设计规则评估器共同学习

我们在普通生成对抗网络的架构中引入了一个设计规则评估器，能够准确地评估模型生成的设计方案对设计规则的符合程度。生成器损失不仅包括GAN损失和图像损失，还包括该评估器给出的设计规则损失。

关键技术3：可微的设计规则评估器

我们利用构件定位掩码从输出矩阵中提取指定构件的截面尺寸，然后通过哈达玛积、翻转等矩阵运算评估规则符合程度。我们考虑了4种设计规则：

规则①：对称的框架柱尺寸相同；

规则②：同向的核心筒外墙厚度一致；

规则③：共线的核心筒内墙厚度一致；

规则④：竖向构件尺寸随高度递减。

规则①~③考虑的是水平方向的构件尺寸关系，规则④则考虑竖直方向上的构件尺寸关系，如下图所示。当然，如果将来大家需要引入更多的规则，也是可以用类似方法实现的。

关键技术4：多种规则约束下的三阶段训练策略

为了同时优化多种损失，我们提出了多种规则约束下的三阶段训练策略。针对框架柱、核心筒外墙、核心筒内墙分别训练模型，每个模型在训练过程中依次引入图像损失、水平方向规则损失和竖直方向规则损失。

方法效果

在测试集上的评估结果表明，引入的4种设计规则都得到了可靠的保证，解决了数据驱动模型的框架柱不对称、剪力墙尺寸不一致等问题，对应的规则损失分别下降了38.7%、51.2%、54.7%和59.8%。引入设计规则前后的典型对比如下图所示。

针对一个典型的框架核心筒结构开展了案例研究。对比结果表明，工程师和AI的设计都能满足设计规范的要求。

在材料用量上，AI由于看了更多的设计资料，对构件截面选择更加合理，AI设计相对工程师设计还可以节省2%的混凝土用量。

在设计效率上，相对于工程师需要半个小时以上的时间逐个确定各个框架柱和剪力墙的截面，AI可以在12s之内给出设计结果，表现出优越的性能。

我们还请56位工程师对71个测试集设计结果做了盲测评价（如下图所示），发现：

(1) 有1/2左右的AI设计已经和工程师设计难以区分；

(2) AI设计的平均合理性得分只比工程师低5%。

这表明AI设计已经和工程师的设计非常接近了。

典型案例

我们提供了3个典型的框架核心筒案例，包括AI的输入、AI的设计和工程师的设计。点击“阅读原文”即可下载。欢迎各位专家与我们联系，提出宝贵意见！

典型案例下载链接：

https://cloud.tsinghua.edu.cn/f/92691e178e164f2984cb/?dl=1

课题组结构智能设计论文

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. https://www.doi.org/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. https://www.doi.org/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. https://www.doi.org/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, https://www.doi.org/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. https://www.doi.org/10.3390/buildings1209129.