新论文 | 剪力墙结构智能化生成式设计方法：从数据驱动到物理增强

论文：剪力墙结构智能化生成式设计方法：从数据驱动到物理增强. 土木与环境工程学报(中英文)

作者：廖文杰，陆新征，黄羽立，赵鹏举，费一凡，郑哲

0

写在工作介绍前

为什么我们认为建筑结构方案设计是人工智能落地的好领域？

近年来人工智能的热度非常高，很多专家和企业也在不断寻求人工智能在实际场景中的应用。这期间有不少成功的案例，也遇到了很多的困难，正反两方面的经验都值得大家去思考。

很多专家都指出，以深度学习为代表的人工智能技术存在的一个关键问题就是：深度学习是个“黑盒子”，它的运算过程及结果的可靠度和稳定性现阶段是缺乏合理解释的。既然是“黑盒子”，那么在很多领域的应用就会遇到很大的挑战，具体说来，哪怕这个“黑盒子”的准确率是99%，万一遇到那1%的例外情况，会不会导致严重的后果？例如自动驾驶领域，万一遇到人工智能错误判断的情况，就有可能导致交通事故。实际上近年来在人工智能领域，对深度学习结果的可靠性研究讨论是非常热烈的，因为这个可靠性对深度学习的应用场景造成了很多的限制。

针对深度学习存在的“黑盒子”问题，解决途径可能是两方面：一是将深度学习应用在一些对错误没有那么敏感的场合，例如视频制作、图像加工等。即使AI输出的结果出错了，大家也就哈哈一笑了之，不会出现大问题。另外一个方法就是对AI输出的结果，进行必要的人工或者规则复核，保证即便AI出错了也有合适的纠错机制。而建筑结构方案设计就属于典型的后一种情况。

中国土木领域有着自己突出的特点：非常详细具体的规范和标准条文规定，以及非常傻瓜化的工程计算软件。我们有时候抱怨，过于详细的规范条文束缚了工程师自由发挥的空间，过于傻瓜化的软件弱化了工程师分析能力。但是，也许这一特征，正为AI在建筑结构设计领域的应用奠定了非常良好的前提：毕竟，对于一个常规结构（这里不讨论复杂特殊的工程结构），如果它能够满足中国众多规范条文的要求，还能够通过PKPM、YJK等设计软件的计算且各项计算指标都合理的话，是不可能出什么大问题的。

具体说来，AI设计完成的结构方案，必须通过严格的结构计算和规范检验。如果AI设计的结构方案不合理或者出错，那么就会出现“违反设计规范”、“计算不通过”或者“建造成本不合理”这样的结论。自然也就很容易发现AI设计方案的问题，从而避免了严重的后果。而且，建筑结构设计的效果好坏也非常容易从结构性能、材料用量、工程造价等方面量化，从而为AI设计方法的进步指出了明确的道路。建筑结构设计这个领域有着上述非常突出的特色，在诸多AI应用领域中是非常具有推广优势的。

1

研究概述

近年来，我们在基于生成对抗网络的剪力墙结构智能设计方法方面开展了系列研究（图1），包括：从“图”到“图”（StructGAN）、从“文本”到“图”（StructGAN-TXT）、从“力学原理”到“图”（StructGAN-PHY）等多种智能生成算法，以及将智能设计嵌入既有生成流程。我们希望进一步了解，这三种不同的方法设计出的结构性能差异如何？如前所述，由于结构性能很容易定量分析，所以我们就定量对比一下这三种方法设计结果的性能差别。

因此，本研究基于深度生成式算法对比和算例分析，开展数据驱动（StructGAN和StructGAN-TXT）和物理增强数据驱动方法（StructGAN-PHY）的详细对比，并验证了基于计算机视觉的综合评价指标SCV的合理性。结果证明了数据驱动的方法易受到数据质量与数量的约束，而物理增强数据驱动的方法设计性能更加稳定，可有效克服数据质量和数量的约束。计算机视觉评价与基于力学分析评价方法的结论基本正相关，SCV的合理性阈值为0.5，对应力学性能差异约为10%。部分设计案例已开源（https://github.com/wenjie-liao/StructGAN-PHY/blob/main/StructGAN-TXT-PHY.zip）。

2

数据驱动和物理增强设计方法对比

2.1 关键网络模型对比

StructGAN采用的核心算法为图像合成生成对抗网络（图2(a)），StructGAN-TXT 采用的核心算法为文本-图像特征融合生成对抗网络（图2(b)），二者均为数据驱动方法；StructGAN-PHY 采用的核心算法为物理增强生成对抗网络（图2(c)），是一种物理增强方法。

2.2 测试与评价方法

本研究采用了4个实际工程案例进行设计，并开展性能分析和评价。SCV为AI生成设计与目标设计的综合相似性指标，该指标越大，代表相似性越高。评价方法如图3所示，包括基于计算机视觉（图3(a)）和结构力学分析（图3(b)）的评价方法。典型案例命名为“案例1-7d83m”，其中，“1”代表案例编号、“7d”代表设防烈度为7度(0.1g)、“83m”代表结构高度83m。

3

案例分析对比

3.1 案例1-7d83m对比分析

在该案例的平面设计中，StructGAN、-TXT、-PHY三种方法的设计结果，以及对应的工程师设计结果如图4所示。同时，基于SCV指标评价的AI设计与工程师设计的相似性结果也如图4所示。在该案例中，StructGAN 和StructGAN-PHY 两种方法的设计结果较好，与工程师设计相似性高（即量化SCV 指标较高，均为0.47），而StructGAN-TXT 的设计则差别较大（量化SCV 指标为0.39）。

开展结构动力特性分析以及结构力学响应分析，结果如图5和表1所示。StructGAN-TXT 的设计结果与工程师差异较大，生成的剪力墙数量偏多，结构刚度偏大，导致动力特性差异约20%左右，层间变形的最大差异达到了30%；而StructGAN 和StructGAN-PHY 的设计与工程师差异则较小，最大性能差异约10%。

3.2 案例2-8d96m、案例3-7d77m、案例4-7d41m 对比分析

(a) 工程师设计结构平面方案

(b) StructGAN 结构设计（SCV=0.67）

(c) StructGAN-TXT结构设计（SCV=0.68）

(d) StructGAN-PHY结构设计（SCV=0.66）

图6 案例2-8d96m的智能生成式结构方案设计图

(a) 工程师设计结构平面方案

(b) StructGAN 结构设计（SCV=0.48）

(c) StructGAN-TXT结构设计（SCV=0.35）

(d) StructGAN-PHY结构设计（SCV=0.50）

图7 案例3-7d77m的智能生成式结构方案设计图

(a) 工程师设计结构平面方案

(b) StructGAN 结构设计（SCV=0.24）

(c) StructGAN-TXT结构设计（SCV=0.42）

(d) StructGAN-PHY结构设计（SCV=0.43）

图8 案例 4-7d41m的智能生成式结构方案设计图

3.3 量化评价汇总

对4个典型案例的平面设计结果和整体结构分析和对比，分析结果汇总至表2中。可以看到：

1）在不同案例中StructGAN-PHY是三种方法中最有效的，较少的受到数据质量的限制，能更准确的匹配对应设计需求，且设计结果与工程师设计最接近；

2）StructGAN和StructGAN-TXT的设计能力均受到训练数据的制约，部分案例效果较好，部分案例效果不好。意味着如果待设计的建筑与训练数据的特征域较为接近，则对应的设计结果较良好，反之则设计质量不佳；

3）结构抗震性能需求较高的案例，设计结果通常较好，原因在于所需布置的剪力墙较多，设计变化较少；对于抗震性能需求较少的案例，对应布置的剪力墙较少，设计变化则较丰富，人工智能不能保证找到最合适的结果。

将所有案例分析结果绘制于图9中，可以看出：当SCV大于0.5时，基本可以保证AI设计的结构力学性能与工程师设计的结构动力特性差异在5%以内，且层间位移角在10%以内。基于计算机视觉的评价方法与力学分析评价方法具备一定的正相关性，可取SCV=0.5可作为阈值。这个结论我们觉得也非常重要，因为AI设计完结构平面后，如果必须通过建立结构力学模型才能比较其性能，就会非常不方便。而采用SCV指标后，只要计算两张结构方案图的SCV差别，就可以判断其力学性能差异，从而极大的提升了AI设计结果优化的便捷性。

4

研究总结

本研究针对建筑结构智能化方案设计方法进行了分析对比研究，从数据驱动到物理增强数据驱动方法。

1）数据驱动方法搭建了智能化设计的数据、算法、评价和应用的基础，物理增强数据驱动方法则是进一步提升了算法性能；

2）数据驱动方法受限于特定设计条件下的数据质量与数量，而物理增强数据驱动则可以有效降低对结构设计数据的依赖性；

3）基本明确了基于计算机视觉与力学分析评价方法的正相关性，且SCV=0.5可作为基于视觉评价的合理性阈值，可供未来智能化设计评价方法使用。

当然，本研究仅采用了4个典型案例开展分析，有待采用更多案例进一步的分析验证。此外，既有的方法对于结构设计的细节处理有待进一步的提升。

5

致谢