从一次外卖到框架结构的智能设计 | 新论文：基于异构图神经网络的混凝土框架结构构件尺寸智能设计方法

论文：Intelligent design for component size generation in reinforced concrete frame structures using heterogeneous graph neural networks

DOI：https://doi.org/10.1016/j.autcon.2025.105967

50天免费访问链接：https://authors.elsevier.com/c/1kR3n_L4MYJWed

      结构构件尺寸的设计高度依赖于工程师的经验，往往需要反复迭代调整以满足规范要求，耗时耗力。本研究针对框架结构的拓扑特征和不同构件的特异性构建了异构图节点表征方法，实现对结构的通用图谱表达，并进一步搭建异构图神经网络进行尺寸的预测。采用本方法可以在1秒内实现对混凝土框架结构构件尺寸的设计，与工程师设计结果平均偏差在一个模数以内，且满足设计规范要求，有望提升工程师的设计效率，同时保障设计结果的安全性和经济性。

      有一次，笔者突然想吃肯德基的汉堡，点开外卖软件的瞬间，就被“精准推送”了肯德基的香辣鸡腿堡套餐，简直像是心灵感应。为什么推荐算法能如此精准地把握我们的喜好呢？它究竟是如何理解并表征用户、商家和商品之间的复杂关系的呢？这其中其实蕴含着一个非常关键的数据结构，即：异构图（heterogeneous graph）。

      所谓异构图，其实是一种具有多种节点类型或多种边类型的图（graph）数据结构。例如，“用户”、“商家”和“商品”属于三种不同的类别，因此构成了三类不同类型的节点。与此同时，“用户”和“用户”之间是“好友”关系，“用户”可以“收藏”喜欢的“商家”，“商家”“生产”多种“商品”，“用户”也可以“购买”心仪的“商品”。“好友”、“收藏”、“生产”、“购买”构成了不同类型节点间的不同类型连接。这就是一个存在三类节点和四类连接的异构图。

      基于类似的表征方法，推荐算法可以通过历史数据以及相应的神经网络预测我们此时此刻的偏好，从而实现“精准推送”。那么这样的表征方法是否也能用到结构设计之中呢？

      构件截面尺寸设计是结构设计的重要内容。但是，不同类型的构件其受力特征和传力路径差异很大，且构件尺寸由构件之间的连接关系以及构件上的荷载所决定。对于普通的住宅或者办公楼，构件拓扑关系和楼面荷载都相对简单，既有的基于像素图的截面尺寸确定方法还可以应对（参阅：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）。但是对于框架这类构件拓扑关系和楼面荷载分布都可能非常复杂的结构类型，既有方法面临着巨大挑战。因此，需要探索更加普适的截面尺寸确定方法。

2.1 框架结构的异构图表征

      在既有的基于图神经网络的结构设计中，往往都是根据结构力学的直观概念来构造图（graph）拓扑，即把构件之间的交点表达为节点，把构件表达为节点间的连接。例如（新论文：基于图神经网络的剪力墙布置人工智能设计方法）（除了剪力墙结构，AI能不能设计框架结构？| 论文和发明专利：基于图神经网络的框架梁智能化布置）。

      这种方法虽然直观，但是却丢失了图神经网络的一个重要优势：即根据各种复杂的连接关系，来预测节点的参数。比如我们小时候都学过“谈笑有鸿儒，往来无白丁“，就是说陋室的客人都是大学者，那陋室的主人肯定学问也不错。这就是一个非常典型的根据连接关系推断节点参数的例子。

      而要想利用图神经网络的这个能力，就需要对既有的图拓扑做一个重大变革。即把构件表征为图的“节点”，而把构件之间的关系表征为图的“连接”。这样形成的图似乎比较反常识，特别是对熟悉结构力学的人来说尤其的觉得奇怪，但是这样“逆练九阴真经”，却是本方法得以成功的关键。

      当不同构件都用节点表征后，自然不同的节点也就分属不同的构件类型，例如对于混凝土框架结构，存在“梁”、“柱”、“板”三类节点。与此同时，板会均匀的把荷载传递给梁，而梁则会把荷载传递给其他梁或者柱，于是可以构造梁-梁、梁-柱、梁-板、柱-板四类连接关系。这样一来，我们就构造了一个包含三类节点和四类连接关系的异构图。

      为什么这个异构图对本研究非常关键呢？这是因为不同构件的受力特点与传力路径差异较大，同时各类构件荷载分布也有所区别，因此如果采用异构图方法，可以引入梁、柱、板构件类型的先验知识，更有利于神经网络学会构件截面尺寸的内在关联。此外，我们还引入构件属性特征、构件位置特征、楼层高度特征以及建筑抗震指标作为节点属性。

      在多标准层的处理上，研究比较了三种不同的策略：仅考虑标准层、按建筑分批次考虑、以及楼层拼装，通过实验分析得到，采用楼层拼装方法，进一步引入柱-柱连接后，效果更好，这也与真实力学传递机制相符。

2.2 异构图神经网络

      异构图神经网络主要分为三个部分，分别是编码器Encoder，图聚合层Aggregation以及解码器Decoder。

      编码器采用异构多层感知机（H-MLP）网络，对梁、柱、板节点采用不同的权重，将节点的输入特征进行初步的编码，实现维度扩展，便于后续图卷积处理。

      图聚合层采用异构图的方法进行信息传递、聚合和更新。首先对每个节点添加了自环来保证自身信息的有效传递，之后在每一种边上（例如梁-柱、梁-板、梁-梁等）利用图神经网络进行消息的传递和聚合，

      解码器同样采用H-MLP网络，对梁、柱、板节点分别预测，将异构图神经网络聚合得到的信息转换为最终输出的构件尺寸。

      模型的损失函数采用MSE损失函数，比较预测值与真实值的差异，保证预测结果的有序性。并将初步预测结果按模数取整，得到梁、柱、板的最终预测尺寸。

      以一个5层框架为例，本方法在1秒内实现了构件尺寸的预测，同时可以在结构分析软件中自动完成楼层拼装与结果分析，其结果与工程师设计比较如下图所示。

      其梁、柱、板预测结果与工程师的差异基本都在一个模数以内，且计算得到的层间位移角也与工程师设计接近，满足规范要求，初步验证了方法的尺寸预测能力。

      本研究针对钢筋混凝土框架结构的尺寸设计问题，提出了一种基于异构图神经网络的智能设计方法。构建通用的钢筋混凝土框架异构图表征方法，能较为充分地表达构件的自身属性特征与构件间的拓扑联系。同时基于异构图表征方法搭建异构图神经网络，实现钢筋混凝土框架结构构件尺寸的高效合理预测。

      当然限于数据有限，目前研究对复杂钢筋混凝土框架结构的预测能力仍存在一定局限，也欢迎各位专家、老师、同学共同交流探讨。