新论文：钢筋混凝土框架结构BRB加固设计方案的智能生成与优化方法

论文：Intelligent Generation and Optimization Method for the Retrofit Design of RC Frame Structures using Buckling-Restrained Braces

DOI：https://doi.org/10.1002/eqe.4268   

      生成式智能设计在新建建筑的结构设计上已经得到了很好的应用，那这个技术是否还可以进一步扩展到既有建筑的加固设计呢？本文以既有混凝土框架结构BRB加固为例，对生成式智能设计用于既有建筑加固进行了探索。

      随着城市化加速和建筑使用年限的增加，大量既有混凝土框架结构亟需加固改造。屈曲约束支撑（BRB）是一种高效的加固方法，能提高结构刚度和耗能减震性能。而本研究提出了一种结合生成式AI与优化算法的两阶段智能设计方法，第一阶段根据建筑需求，利用生成式AI确定BRB可布置位置，第二阶段根据结构要求，通过优化算法确定具体布置位置及尺寸，从而提升BRB加固方案设计的效率与质量。

      既有钢筋混凝土框架结构加固的问题，本质上就是一场“中老年建筑的健康改造行动”。而我们重点关注的，是一群年纪大了，“骨头”不硬了（刚度不足）的“老伙计”，风吹草动、轻微震动就能让它“骨头”咔咔作响，抗不住地震的折腾。而给建筑加BRB就相当于安个“护膝”，听起来简单，但工程师们还得反复试验“护膝”的位置和大小，只有“阅楼无数”的资深工程师上场，才能少走弯路，且依然耗时耗力。

      那么怎样才能快速找到一个合适的加固方案呢？我们尝试将设计的建筑需求和结构要求拆解开来，BRB的布置位置由建筑需求和结构要求同时决定，而截面尺寸更多由结构要求决定。

      建筑需求难以定量表达，比如哪些位置可以安装支撑，哪些位置不宜安装支撑，这个要求比较复杂且含糊，适合采用AI算法学习。而结构要求需要定量确定，适合采用优化算法计算。

      因此，能不能让AI和优化算法“强强联手”，让加固设计更快更靠谱？——这就是本研究要解决的主要问题啦。

2.1 一阶段：基于扩散模型的智能生成方法

       既有建筑加固中存在各类建筑需求，有门的地方不能乱放BRB，楼梯间周围最好不布置BRB，建筑功能空间中也不应布置BRB。结构工程师需要一处处核对，耗时耗力。而利用生成式AI方法高效的学习能力，可以快速确定BRB的可布置位置，使最终设计结果满足建筑需求。

      为了保证建筑信息中各个构件的特征编码具有相同的权重与距离关系，采用我们之前提到的“硅基视觉大 法”（详见：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），将梁、墙、柱等建筑和结构信息分别用单通道特征矩阵表示，并叠加在一起构建多通道特征输入方法，作为扩散模型的输入条件特征。并通过掩膜的引入缩小BRB布置的采样空间，使其更符合实际设计要求。

       采用三项评价指标精确度Precision、召回率Recall以及f1_score，得到结果如下表所示。

      从表中可以看出，扩散模型方法具有较高的召回率，能找到大多数实际的BRB可布置位置。总体而言，其f1_score接近90%，基本能实现对BRB可布置位置的合理预测。

2.2 二阶段：智能优化方法

       一阶段的智能生成方法在一定程度上减少了设计的优化变量，但优化变量的数量仍然较高，会导致优化的时间大幅增加。为了进一步提高优化效率，本研究引入了K-Means算法实现BRB可布置位置的聚类。

       在确定优化变量后，设置相应的优化目标，由于本研究主要针对结构刚度不足问题进行加固，因此着重考虑弹性阶段的力学性能要求。构造连续可导函数，在超限时实现快速优化，同时也避免过度优化。

       在多个案例上进行测试，验证方法的效果，采用本方法进行加固后得到的方案都满足层间位移角的规定，且基本符合建筑需求，具有较好的安全性和实用性。同时，方法平均用时在40分钟左右，进一步验证了方法具有较高的优化效率。

本研究针对钢筋混凝土框架结构的BRB加固问题，提出了一种基于生成式AI和优化算法的两阶段智能设计方法，实现了建筑需求和结构要求的设计解耦。首先利用扩散模型，基于建筑特征生成BRB的可布置位置，大幅缩小优化解空间；随后结合优化算法，确定BRB的具体布置位置与尺寸，兼顾力学性能要求。结果表明，该方法具备良好的通用性与适用性，通过全流程自动化设计显著提高设计效率，保证加固方案的合理性与安全性，减少了对工程师经验的依赖，并在优化效率和结果可靠性之间实现平衡。

      当然目前研究主要考虑BRB加固初步方案的设计，尚存在不成熟之处，也欢迎各位专家、老师、同学共同交流探讨。