增加图层自动提取功能，墙梁联合优化改进设计效果_ACT_System_建筑_材料

增加图层自动提取功能，墙梁联合优化改进设计效果

引言

AIstructure-Copilot经过了一年多的迭代更新，听取了广大用户的意见，不断完善，V0.3.0版本的进步主要体现在以下三个方面：

（1）增加了英文版，可随时实现中英文的切换，满足不同用户的需求;

（2）增加自动识别图层功能，不需要用户再手动逐一选取图层，增加操作便捷性；

（3）通过墙梁联合优化，进一步提升设计效果，特别是对称性上有明显改进。

AIstructure-Copilot V0.3.0版本将给大家带来更好的使用体验，AI在一些细节的处理上更接近有经验的工程师了，欢迎大家试用。

软件增加英文版

AIstructure-Copilot软件开发了英文版本，用户可在菜单栏完成中英文版本的切换。

（a）中文版切换英文版

（b）英文版切换中文版

增加自动识别图层功能

在参数设置的“图层信息”选项卡中，增加“自动获取图层名”功能（如图1所示），软件通过对图纸中所有图元信息和图层信息进行遍历和特征分析，自动完成图层的模糊匹配，增加操作的便利性。

参见操作演示视频，用户点击“自动获取图层名”按键后，软件将要求用户选取需要提取的建筑平面图，用户框选建筑平面图后，可点击鼠标右键结束选取，将由软件自动获取建筑图中轴网、建筑墙、门窗、阳台构件、建筑空间文字的图层名称，并绘制出来，如图2所示。

图1 增加“自动获取图层名”功能

图2 自动提取结果

如果图纸建模比较规范，则自动识别结果一般没有问题。

如果图纸质量不高，还可以手动对漏缺进行修正。可点击对应位置的“获取图层名”按钮（图3），进行补充选取；如发现有多选中的图层，可点击“取消选择框中的图层名”按钮，再点选多选中的图层，即可取消选取，具体操作可参照视频。

图3 点击对应位置的“获取图层名”按钮，补充选取

图4 点击“取消选择框中的图层名”按钮，取消选取

墙梁联合优化，进一步提升设计效果

在V0.2.9版本中，我们提出了“墙-梁联合布置算法”，使得设计质量得到有效提升（详见：AIstructure-Copilot-V0.2.9 梁布置设计算法改进），V0.3.0通过继续完善墙梁联合优化算法，进一步提升了设计效果，例如在对称性上有明显改进。

工程师在人工设计的时候，往往会很好的体现对称性，为了使AI生成的结果更符合工程师的设计习惯，我们针对房间布置空间属性进行了进一步的算法分析，使得AI生成的结果更好的符合对称性，进而提升设计效果。

案例一：优化前左右两侧客餐厅的结构布置不对称，优化后可以很好的实现对称性，设计效果进一步提升。

（a）优化前的设计

（b）优化后的设计

（注：红色为剪力墙，蓝色为梁）

案例二：优化前剪力墙的布置不符合对称原则，优化后满足对称要求，设计效果进一步提升。

（a）优化前的设计

（b）优化后的设计

（注：红色为剪力墙，蓝色为梁）

案例三：优化前结构方案左右不对称，优化后对称性明显提升，设计质量改善。

（a）优化前的设计

（b）优化后的设计

（注：红色为剪力墙，蓝色为梁）

案例四：优化前左右边户户型的卫生间结构布置不对称，优化后对称性显著提升，设计质量改善。

（a）优化前的设计

（b）优化后的设计

（注：红色为剪力墙，蓝色为梁）

经过以上优化后，整个设计效果的对称性会有较为明显的提升，使得整体结构更为合理。

结语

AIstructure-Copilot V0.3.0版本增加了英文版，在前处理上增加图层自动识别功能，使得操作更便捷。在设计算法中，结合空间布置情况对墙梁进行联合优化，使整体设计结果更接近工程师，设计更合理，欢迎大家试用。

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！

温馨提示：为更好使用AI设计工具，请仔细阅读使用说明书(https://ai-structure.com)。

--End--

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, 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, 2023, 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, 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, DOI: 10.1111/mice.13236
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
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

---End--

来源：陆新征课题组

RED-ACT |9月18日合肥4.7级地震破坏力分析

Real-time Earthquake Damage Assessment using City-scale Time history analysis (RED-ACT)致谢和声明：感谢中国地震台网中心为本研究提供数据支持。本分析仅供科研使用，具体灾情和灾损分析应根据现场调查情况确定。一、地震情况简介据中国地震台网正式测定，9月18日20时8分在安徽合肥市肥东县发生4.7级地震，震源深度12公里，震中位于北纬31.98度，东经117.60度。二、强震记录及分析 20240918安徽肥东4.7级地震获得了30组地震动，由于地震动没有完全收集，可能还有更强的记录。典型地震记录分析如下：AH.A0006典型台站位置北纬31.99度，东经117.57度，记录到水平向地震动峰值加速度为577 cm/s/s。该地震动及反应谱如图1、图2所示。 (a) EW (b) NS(c) UD图1 典型台站地面运动记录图2 典型台站典型记录反应谱三、地震动对典型城市区域破坏能力分析根据中国地震学会标准《基于强震动记录的地震破坏力评估T/SSC 1—2021》（参阅新标准发布：基于强震动记录的地震破坏力评估），利用密布强震台网在震后获取的实时地震动信息，再结合城市抗震弹塑性分析，就可以得到地震发生后不同地点的建筑破坏情况，为抗震救灾决策提供科学支撑。图3为根据本次地震震中附近范围内台站记录分析得到的建筑震害分布示意图。图4为根据本次地震震中附近范围内台站记录分析得到的人员加速度感受分布示意图。图3 不同台站地震记录破坏力分布图（建筑抗震承载力取均值加一倍方差）图4 不同台站地震记录人员加速度感受分布图（建筑抗震承载力取均值加一倍方差）四、台站附近地震滑坡分析根据当地地形数据、岩性数据和实测地面运动记录，可以计算得到不同滑坡体饱和比例下的滑坡分布，如图5所示。其中，底图为当地坡度分布图，每个圆圈代表每个台站的计算结果，圆圈中的数字代表发生滑坡的临界坡度，台站附近坡度大于该数值的地方滑坡发生概率高。 (a)滑坡体饱和比例为 0% (b)滑坡体饱和比例为50% (c)滑坡体饱和比例为 90%图5 不同台站附近地震滑坡分布五、地震动对典型单体结构破坏能力分析(1) 对典型多层框架结构破坏作用模型1：三层框架结构（感谢中国建筑设计研究院王奇教授级高工提供模型）将典型台站记录输入立面布置如图6(a)所示的6度、7度和8度设防的典型三层钢筋混凝土框架结构，得到其层间位移角包络如图6(b)所示。 (a)立面布置示意图 (b)层间位移角图6 典型三层钢筋混凝土框架结构(2) 对典型砌体结构破坏作用模型1：单层未设防砌体结构选取图7所示纪晓东等开展的单层未设防砌体结构振动台试验模型，输入典型台站记录，分析结果表明该结构将处于严重破坏状态。（纪晓东等，北京市既有农村住宅砖木结构加固前后振动台试验研究，建筑结构学报，2012,11,53-61.）图7 单层三开间农村住宅砖木结构振动台试验模型2：五层简易砌体结构选取图8所示朱伯龙等开展的五层简易砌体结构足尺试验模型，输入典型台站记录，分析结果表明该结构将处于中度破坏状态。（朱伯龙等，上海五层砌块试验楼抗震能力分析，同济大学学报，1981,4,7-14.） (a)平面图 (b)剖面图图8 五层简易砌体结构布置(3) 对典型桥梁破坏作用模型1：某80年代公路桥梁（感谢福州大学谷音教授提供模型）选取图9所示某80年代公路桥梁模型，输入典型台站记录，分析结果表明该结构将处于完好状态。图9 某80年代公路桥梁模型模型2：某特大桥引桥（感谢福州大学谷音教授提供模型）选取图10所示某特大桥引桥模型，输入典型台站记录，分析结果表明该结构将处于完好状态。图10 某特大桥引桥模型 ---End--- 来源：陆新征课题组