首页/文章/ 详情

揭秘“硅基视觉大法”|剪力墙结构智能设计的数据表征与理解的优化方法

5月前浏览3283
 

论文:Optimized Data Representation and Understanding Method for the Intelligent Design of Shear Wall Structures. Engineering Structures, 2024.

链接:https://doi.org/10.1016/j.engstruct.2024.118500

5分钟视频介绍

 


00

前言    

三千多万年前,一群生活在森林中的小瘦猴子,为了能更好的在丛林中识别出可以食用的水果,神奇的进化出了红绿蓝三色视觉

 

图1 很多哺乳动物(比如猫和狗)都只能看见两种颜色


这个神奇的技能,带来了整个哺乳动物灵长目的繁盛,最终导致了“恐怖直立猿”——人类的诞生。直到今天,五彩缤纷的图像仍然是人类获取信息的主要渠道。

在结构设计领域,通过将人类的视觉能力与设计图纸精妙配合,实现了设计信息的高效精准表达。因此,在智能设计研究过程中,如何让计算机能像人类一样高效的“看懂”图纸,就成为一个核心研究内容。

在5年前我们刚刚开始AI结构设计课题研究时,为了便于计算机学习设计图纸,我们将图纸中的不同信息通过不同颜色来表达,比如门标记为“蓝色”、窗标记为“绿色”、填充墙标记为“灰色”、剪力墙标记为“红色”(图2)。

 

图2 用不同颜色标记后的设计图纸


这样简化后的图纸看着确实更加的清晰,把它交给AI去学习,貌似AI学习的效果也不错。但是,这个方法就是最好的选择么?

图2是用不同颜色标记后的图纸,对于将颜色作为获取信息的主要途径的碳基生物——比如人类——而言,是非常友好的。但是AI不是碳基生物,它是硅基的啊!那图2的图纸在AI的硅基视觉中,是个啥玩意呢?

表1给出了各构件的颜色代码的RGB数值,硅基视觉需要根据这些RGB数值,来判断不同构件之间的关系。例如,门与隔墙在空间中的欧氏距离约为224,而门与剪力墙在空间中的欧式距离约为361。这就让AI有了一个先验知识:相比起剪力墙而言,门和隔墙的关系是更接近的。这样就可能会严重误导AI的学习过程。

表1 结构构件对应的颜色

 


由此可见,我们基于碳基生物视觉,选定的基于颜色的图纸信息表达方法存在先天不足。那有没有办法构建一个适合硅基视觉的图纸表达模式呢?


在这里,我们首先要打破两个“碳基生物”认识上的桎梏

第一个桎梏是“颜色”。计算机的“硅基视觉”中,颜色也好,图片也好,本身是没有任何意义的。对于“硅基视觉”而言,所有的图片,都只是一串数组。只不过数组的前两位是像素点的X和Y坐标,后面的数字(比如RGB颜色),其实都是一串描述这个像素点特性的参数。因此,“硅基视觉”根本不需要经历将“红色”翻译成“剪力墙”这个多此一举的过程,一个像素点坐标后面可以直接给定这个像素点代表的特征,这个特征可以是颜色,也可以是这个像素点代表的构件类型(剪力墙、门、窗等),还可以是设计的条件(比如八度设防、二类场地等)。

第二个桎梏是“维度”。“碳基视觉”的基础是二维的图像,然后通过视觉加工形成三维世界。对于“碳基视觉”而言,三维以上的世界是很难想象的。但是对于“硅基视觉”而言,维度完全不是问题,计算机可以处理任意维度的问题。所以,图2将不同的构件描述成不同的“颜色”,计算不同颜色RGB数值之间的距离,本质上还是一个二维或三维思维的桎梏。其实完全可以对每种构件、每种设计类型构建一个空间维度,然后让AI学习N维空间中的欧氏距离,从而彻底摆脱表1中错误先验知识导致的学习障碍。  

于是乎,我们就可以把各种结构构件、设计条件,都构造成一个0-1张量矩阵,让AI学习这些N维的张量矩阵对最终设计结果的影响,从而可以彻底解决“碳基视觉”导致的问题,充分发挥“硅基视觉”的本质优势,如图3所示。

 

图3 处理为0-1张量矩阵后的设计图纸


这里再稍微多说一句,此前系里教学讨论会上提出一个问题:如何在AI年代培养学生的“计算思维”。我想这个案例就是一个很好的例子。“计算思维”一个很重要的内容就是让学生学会如何以最适用于计算机的方式来处理问题,而不是局限于人的能力特征。龙驭球先生在几十年前就总结出了“手算怕烦、电算怕乱”的规律,这就是一个非常好的计算思维的案例。可惜在现在这个电算已经非常发达的时代,很多很好的研究成果却往往以“计算公式太复杂”而被放弃,这个就不太符合“计算思维”的特征。


01

太长不看版本     

针对RGB图像表征的不足之处,提出面向AI更好学习的特征空间表征方式,使得AI更容易理解建筑构件之间的相关性和差异,即面向剪力墙结构智能设计的数据表征与理解的优化方法。具体包括:一种基于构件的特征空间数据表征方法,实现建筑结构构件相关性特征更准确的表达;引入特征掩码(mask)定位生成剪力墙的关键目标区域,提升关键位置注意力;构建同时包含全局和局部判别器的GAN网络架构,增强对整体和局部数据特征映射生成关系上的理解能力。分析表明,相较于RGB图像表达的GAN智能设计方法,基于所提出的数据表征和理解学习的GAN模型设计在与工程师设计一致性和关键力学指标上表现更加优异。


02

研究背景    

本研究,只办三件事儿!

 


03

研究方法    

(1)基于构件的特征空间图纸表征方法

图4为本文提出的基于特征空间的图纸表征与增广方法,以实现对图纸和设计条件的有效表征。如图4(a)所示,该二阶张量用以表征建筑图中的某位置是否布置对应构件,若布置,则对应构件的二阶特征张量在该位置处的值为1(黑色),否则为0(白色)。同时,将有序且连续的设计条件,如高度等,归一化后复 制扩维至与构件特征张量相同大小的条件张量;无序的离散设计条件,如材料类型、抗震设防烈度等,则映射为一个稀疏张量,复 制扩维后得到与构件特征张量相同大小的条件张量,如图4(b)所示。

利用该方法不仅可以使网络更精确地捕捉图纸中各构件的空间位置关系,而且兼容性更强,适用于各种类型的建筑图纸。

 

图4 基于特征空间的图纸表示与增强方法


(2)引入特征掩码(mask)的AI注意力集中

本研究引入mask 张量以准确定位建筑图中剪力墙的可能布置位置,从而将网络的优化重心集中在目标区域,以提升特征的稠密度。Mask tensor的获取方式如式(1)所示:

 

式中,表示隔墙特征张量和剪力墙特征张量的并集。

基于图纸的特征空间表征与设计条件,模型的生成器的input tensor (xG)、全局判别器的input tensor (xDG)、局部判别器的input tensor (xDL)的获取方式分别如式(2)-(5)所示:

 

式中,表示串联运算符,表示Hadamard 积算子。


(3)基于特征掩码的双判别器生成对抗网络的构建

基于特征掩码的双判别器生成对抗网络架构如图5所示。本研究在GAN网络的基础上引入了两个基于卷积神经网络的全局判别器和局部判别器。全局判别器的输入如式4所述,除生成器的输出外串联了其他全部输入的约束,以从全局角度指导网络如何合理地布置剪力墙。局部判别器的输入如式5所述,除生成器的输出外仅串联了建筑墙的特征张量,以帮助生成器关注各个局部位置上剪力墙和建筑墙的相对位置关系。

 

图5 基于特征掩码的双判别器生成对抗网络架构


04

对比分析    

为探究基于特征空间的图纸表示方法、特征掩码和两个判别器对模型结果的影响,本研究共进行了10组实验,得到如下实验结论:

1) 相较于基于RGB特征空间,基于构件的特征空间图纸表征更有利于模型对剪力墙布置任务的学习,如图6所示;

 

图6 基于特征空间与RGB颜色表征的AI设计对比


2) 加入特征掩码可以使模型的注意力集中在数据的目标区域,防止模型过度关注与任务无关的区域,提高模型对数据特征的理解和学习效率,如图7所示;

 

图7 是否使用掩码的AI设计对比


3) 加入local 判别器后模型对建筑墙和剪力墙相对位置的学习效果更佳,提升了网络对于剪力墙在整体建筑结构中的合理布局的理解能力,如图8所示。

 

图8 使用双判别器与单一判别器的AI设计对比


05

案例研究    

本节选择了三个具有不同设计条件的典型案例,与广泛使用的StructGAN和工程师设计在平面布局、力学性能和材料消耗等方面进行了比较分析。为保证文章简短易读,本文选取其中一个例子进行说明,需注意的是,所有例子得到的结论均一致。


5.1 平面布置对比

典型案例的设计结果和与工程师设计的交并比如图9所示。实验结果显示,本研究提出的模型与工程师设计之间相似性较高,且能有效避免短肢剪力墙、冗余布置等问题。

 

图9 典型案例的设计结果和与工程师设计的交并比


5.2 力学性能对比

通过PKPM分析,得到设计的关键力学性能指标,分别如表2,图10所示。三者整体指标均符合要求,但相较于StructGAN,本研究模型生成的结构设计与工程师设计在绝大多数指标上的差异均显著减小,且在X和Y两个方向的结构刚度非常接近、层间变形基本一致。说明本研究数据表征和理解的优化方法可以使模型有效的捕捉训练集中隐含的工程师设计经验,从而使模型生成更符合实际经验和标准的剪力墙布置方案。

表2 典型案例结构动态特性及力学响应分析结果

 
 

图10 典型案例结构层间位移角


5.3 材料用量对比

通过基于PKPM统计三种剪力墙布置方案的混凝土和钢筋材料用量,结果如表3所示。可以看出本研究模型生成的结构布置方案的材料用量则更接近与工程师设计,能够在减少材料用量的前提下有效满足整体指标的要求。

表3 典型案例的材料消耗以及与工程师设计的差异

 
--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, 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, 2023, 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 small and long-tailed datasets, Journal of Building Engineering, 2023, 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, Smart 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, DOI: 10.1111/mice.13236

  19. Fei YF, Liao WJ, Zhao PJ, Lu XZ*, Guan H, Hybrid surrogate model combining physics and data for seismic drift estimation of shear-wall structures, Earthquake Engineering & Structural Dynamics, 2024, DOI: 10.1002/eqe.4151




来源:陆新征课题组
ACTSystem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:2024-07-12
最近编辑:5月前
地震那些事
博士 抗震防灾数值模拟仿真
获赞 52粉丝 56文章 563课程 0
点赞
收藏
作者推荐

转载 | 以疫情为鉴,城市如何更有“韧性”?

本文摘要(由AI生成):腾讯基金会设立的“科学探索奖”旨在奖励在数学物理学、生命科学、信息电子等九个领域具备科学探索精神的青年科技工作者。奖项由马化腾等知名科学家共同发起,投入10亿元启动资金。此外,文中还列举了多篇与建筑结构、抗震防灾等相关的最新研究论文,涉及城市抗震弹塑性分析、建筑震后损失预测、地震次生灾害模拟等多个领域。本文为二月底国内疫情爆发时期应腾讯科学探索奖邀请写的一个小文章,首发于腾讯科学探索奖 公 众 号。========1994年,世界卫生组织首次提出了“健康城市”的定义:一个不断开发、发展自然和社会环境,并不断扩大社会资源,使人们在享受生命和充分发挥潜能方面能够互相支持的城市。健康城市的一个重要方面,就是城市防灾减灾的设计与规划,它事关人民生命财产安全及社会和谐稳定。但以往的城市发展规划与实践,聚焦城市职能、产业空间、交通系统等的组织和优化,缺乏系统应对全国性重大疫情或灾害的防控规划及治理预案。2003年SARS疫情爆发之后,人们开始关注居住区域的健康安全问题,不过,这仅仅是基于“个体”的规划设计;而此次新冠肺炎疫情的爆发,则对城市“整体”的发展与规划理念提出更高要求。也就是说,在做好疫情常态化防控的前提下,如何确保城市运行平稳有序、不同城市之间的人口流动、各类生产企业复工复产等等。以疫情为鉴,我们该如何反思并改进城市整体的防灾体系,以科学的方式做好城市防灾减灾工作?清华大学陆新征教授从城市土木工程建设的角度,提出自己对城市防灾韧性及综合减灾对策方面的一些思考。陆新征清华大学土木工程系教授2019年“科学探索奖”交通建筑领域获奖人4R衡量的防灾“韧性” 2003年的SARS疫情扰乱了城市的正常运转,今年年初的新冠肺炎疫情再次让我国大部分城市几乎陷入停摆的状态,对各行各业的发展造成了较大的影响。这些“黑天鹅事件”暴露出了我国城市防灾系统的薄弱之处,因此,对于城市防灾工作不能停留在“头痛医头,脚痛医脚”的阶段。近年来,“韧性”(Resilience)成为国际减灾领域的一个关注焦点。其基本思路就是,在灾害发生时损失应尽可能的小,灾后恢复过程应尽可能的快。防灾韧性的基本理念我们可以用“4R”指标来描述一个城市的韧性,即Robustness,Redundancy,Resourcefulness,Rapidity。从四个维度对此次疫情影响进行剖析,可以窥见城市在应对突发公共卫生事件中的不足之处。Robustness(鲁棒性)主要指城市系统既有资源对灾害的抵抗能力。疫情集中爆发后,医疗系统首当其冲,大量重症病人迅速耗尽武汉和湖北其他城市的医疗资源,这表明作为城市功能重要组成部分的医疗系统鲁棒性不足。从其余省份病死率低于湖北可以看出,当医疗系统可以满足病患收治需求时,新冠肺炎病死率可得到较大程度的控制。Redundancy(冗余度)主要指城市各系统的备灾能力和替代解决方案。当既有资源鲁棒性不能满足需求时,应及时启动储备或引入替代资源来应对灾害。建设武汉火神山、雷神山医院以及方舱医院就是一个提供冗余度的方案,替代资源投入后,在收治病患方面确实取得了显著成效。因此,北京、上海、深圳等城市在疫情发生后迅速建设本地的集中救治医院,为防范本地疫情恶化提供了重要的防疫储备。Resourcefulness(资源可获得性)主要指城市在抵御灾害以及灾后恢复阶段的资源可获得性。这次新冠肺炎疫情还有一个突出的特点就是医疗人员和医疗物资的短缺,这给防疫工作造成了巨大的困难。Rapidity(快速性)主要指城市的灾害应急与快速恢复的响应时效性。这次疫情发生后,河南、浙江等地的高效反应有效地降低疫情在本地的传播与扩散,也充分体现出响应速度对灾情控制的影响。除了公共卫生外,城市面对其他灾害时,其韧性“4R”也很可能存在类似的问题。因此,韧性防灾理念对完善城市防灾对策具有重要价值:既需要在灾前准备的充足的鲁棒性(Robustness)和冗余度(Redundancy),也需要在灾时具备足够的资源(Resourcefulness)和采取及时的对策(Rapidity)。 建设“可抵抗”的城市实际上,城市面临着多种多样的灾害,传染病只是其中之一。简而言之,城市综合防灾面临着“高聚集风险”和“防灾能力不足”两个方面的巨大挑战。首先,我们正在进行着历史上史无前例的城市化进程,大量人口涌入城市特别是大城市,进而带来了风险的高度聚集,而在未来很长一段时间内,这样的人口聚集趋势是经济和社会发展的必然规律。其次,我国仍存在大量的防灾短板和风险隐患,一旦灾害发生,“木桶效应”则会非常突出。在城市化带来的人口聚集风险还会继续上升的情况下,化解“防灾能力不足”的短板是保障城市健康且可持续发展的关键。特别是随着我国人口出生率的下降和老龄化的快速到来,建设新城市的需求会逐步下降,改善既有城市的安全、健康和生活品质的需求会不断增加。因此,提升既有城市的综合防灾能力,应成为未来基本建设的发展方向。建设防灾设施并通过不断更新来消除城市基础设施防灾短板,是提升防灾能力的有效措施。在城市建设和更新时,应当综合考虑多种灾害的防灾需求。例如,这次疫情后,很多城市会更新既有的医疗设施,但在部分地震高风险区,医院的建设除了考虑传染病以外,也可发挥其在地震后救援的功效。与此同时,很多城市都有灾害避难场所的建设规划,亦可考虑满足突发公共卫生事件时的需求,将其迅速改建为类似于方舱医院的临时医疗设施,从而实现“一次投资,综合防灾”这样更加高效的目标。虚拟灾难来的“考试”无论是提升城市的防灾韧性,还是提升综合减灾能力,都离不开科学可靠的“情景-对策”方法。例如,灾前可以开展多种灾害情景模拟,定量分析灾害可能造成的损失,通过成本收益分析,确定应该把城市系统的鲁棒性提升到何种程度,以及需要预留多少冗余度。灾害发生之后,也可以通过“情景-对策”分析,对不同灾后响应手段的后果进行模拟,优化灾后决策。要构建灾害情景,就需有相应的模型支持。模型可以分为“基于物理(Physics-based)的模型”和“基于数据(Data-driven)的模型”两大类。所谓“基于数据的模型”,是根据历史类似事件的经验总结规律,推演未来事件的发展。“基于数据的模型”在灾害应对工作中发挥了非常重要的作用,特别是随着大数据和AI等技术的发展,前景非常好。但由于我国城市的快速发展和面临灾害的多样性,历史灾害经验往往难以满足实际的需要。例如,自1976年唐山地震后,我国已经有44年没有在大城市发生强烈地震灾害,百米以上高层建筑等现代工程结构的震害资料几乎是空白。因此,需要在深入揭示灾害机理的基础上,建立“基于物理的模型”,为缺乏历史经验的灾害情景构建提供科学依据。例如,清华大学研发了基于非线性结构动力学的城市抗震弹塑性分析方法,采用此方法开展了北京CBD高层建筑群再次遭遇1679年三河-平谷8级地震的情景模拟。地震情景模拟放大50倍的效果图,参阅往期文章:陈肇元院士8年前提出的问题:如果重遇1679年康熙年间8级三河-平谷特大地震会成为什么样子?国内的医疗工程建设同样面临着缺少经验的问题。在疫情期间,各地新建或改建集中治疗的医院,其中最著名的就是火神山医院和雷神山医院。为了防止病毒扩散,这些医院在室内暖通设计时采取了负压病房空气系统,并利用专门的排风系统向室外集中排出病房内受污染的空气。虽然排风系统针对含病毒空气采取了很好的过滤措施,但是由于建设期间对新冠病毒的传染机理认识有限,不能排除其通过排风口集中排放的有害气体是否会造成医院新风口及周围环境二次污染的风险。火神山医院不同设计方案下有害气体浓度分布图,参阅往期文章:武汉火神山医院病房有害气体的高空排放设计和分析通过“基于物理的模型”,可以快速准确模拟排风口污染空气的扩散机理,为医院建设的污染风险防控提供依据。城市的高速发展使得我们积累的灾害经验难以满足未来防灾减灾的需求。因此,只有深入开展灾害机理研究,构建更具有科学性和预测性的灾害情景模拟方法,并通过合理的“情景-对策”分析来科学应对灾害威胁,才可为未来城市的发展提供科技创新支撑。 【致谢】感谢清华大学方东平教授、李楠副教授、北京科技大学许镇教授、北京建筑大学解琳琳副教授、深圳大学熊琛博士、福州大学林楷奇博士,以及杨哲飚、顾栋炼、廖文杰、孙楚津同学等对本文写作的帮助。感谢中信建筑设计研究总院有限公司、中南建筑设计院股份有限公司、北京市建筑设计研究院有限公司等在新冠肺炎集中治疗医院污染风险分析上提供的支持。 项目介绍 “科学探索奖”(Xplorer Prize)是面向基础科学和前沿技术领域,支持在中国内地及港澳地区全职工作、45周岁及以下青年科技工作者的公益性奖项。作为一项长期运营的科技公益项目,腾讯基金会投入10亿元作为奖项的启动资金。 秉承“面向未来、奖励潜力”的项目宗旨,“科学探索奖”聚焦数学物理学、生命科学、天文和地学、化学新材料、信息电子、能源环保、先进制造、交通建筑、前沿交叉等九个领域,旨在奖励具备科学探索精神、潜心进行科学技术研究,并对国家未来发展有巨大推动作用的青年科技工作者。 2018年,腾讯成立20周年之际,“科学探索奖”由腾讯公司董事会主席兼首席执行官、腾讯基金会发起人马化腾,与北京大学教授饶毅,携手杨振宁、毛淑德、何华武、邬贺铨、李培根、陈十一、张益唐、施一公、高文、谢克昌、程泰宁、谢晓亮、潘建伟等知名科学家共同发起。 ---End---相关研究相关文章,在仿真秀官网搜索新论文:台风风灾对港口运营的经济影响:以中国港口为例新论文:中柱失效后混凝土板柱结构承载性能影响因素研究新论文:不同冲剪方向下板柱节点抗倒塌性能研究新论文:基于BIM与虚拟现实的建筑震后火灾救援场景模拟新论文:社区地震安全韧性评估系统及社区应用示范这栋楼是什么结构的,元芳,你怎么看?——大人,时代变了!|新论文:使用机器学习方法预测城市建筑结构类型新论文:次边缘柱失效后钢筋混凝土平面框架连续倒塌承载力的试验分析和计算评估新论文:基于集群计算的大跨斜拉桥精细有限元模型更新新论文:钢筋混凝土板柱节点冲切及冲切破坏后行为的数值模拟新论文:边柱以及边中柱失效后平板结构连续倒塌行为试验研究新论文:武汉火神山医院病房有害气体的高空排放设计和分析新论文:主余震作用下区域建筑震害预测方法新论文:城市抗震弹塑性分析的开源框架新论文:考虑劳动力资源约束的城市尺度建筑抗震韧性模拟和震后维修规划新论文:基于无人机与深度学习的建筑震害评估方法新论文:抗震&防连续倒塌:一种新型构造措施新论文:混凝土梁柱子结构连续倒塌动力效应的试验研究层间位移角判别准则不适用于剪力墙,怎么办?|新论文:基于曲率的剪力墙损伤评估方法新论文:结合BIM和FEMA P-58的建筑地震损失预测方法新论文:地震-连续倒塌综合防御组合框架结构体系研究新论文:扔砖头、跳盒子,这也是做科学试验哦!| 地震次生坠物情境中的人员疏散模拟新论文:改变框架-核心筒结构剪力调整策略对其抗震性能影响的研究综述:城市抗震弹塑性分析及其工程应用新论文:适用于多LOD BIM的建筑地震损失评估新论文:新型地震和连续倒塌综合防御韧性PC框架承载力计算方法新论文:角柱失效后平板结构连续倒塌行为实验研究新论文:城市建筑群多LOD震害模拟及北京CBD算例美国NSF SimCenter+清华城市弹塑性分析=旧金山184万建筑地震模拟新论文:受折纸启发的可更换承载-耗能双功能耗能器新综述论文:21世纪建筑结构连续倒塌和鲁棒性的研究和实践新论文:中柱失效后板柱结构连续倒塌传力机理研究新论文:一根钢筋混凝土梁,承载力你能算对么?| 梁的压拱效应计算方法新论文:无人机+机器学习+城市弹塑性分析=震后近实时损失预测新论文:这个混凝土框架能抗震,能防连续倒塌,还功能可恢复,您不进来看看么?新论文:一个好汉三个帮|带端部阻尼器伸臂桁架的抗震性能试验研究新论文:BIM+新一代性能化设计=喷淋系统破坏后的地震次生火灾模拟新论文:村镇建筑群火灾蔓延模拟与案例新论文:建设地震韧性城市所面临的挑战新论文:烈焰焚城 | 地震次生火灾的精细化和高真实感模拟新论文:城市韧性——基于“三度空间下系统的系统”的思考新论文:防屈曲支撑伸臂桁架?几个“狗骨头”可少不了!新论文:城市抗震弹塑性分析中如何确定高层建筑的损伤程度?新论文:考虑楼板影响的钢筋混凝土框架边柱连续倒塌试验新论文:提高地震荷载分项系数,抗震安全性提高了多少?新论文:采用减振子结构来控制超高层建筑的地震楼面加速度新论文:500m级超高层建筑简化模型及其在结构体系对比中的应用606m 超高层建筑OpenSees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