论文：生成式智能结构设计在建筑投标中的应用案例
生成式智能结构设计在建筑投标中的应用案例
冯奕天，朱静怡，廖文杰，赵楠，费一凡，李成岗，赵鹏举，陆新征
（1 清华大学土木工程系，北京 100084；
2 基准方中建筑设计股份有限公司，北京 100123）
摘要：投标是建筑工程设计的重要环节，其执行周期短、各环节及各专业配合紧密。高完成度的设计成果对提升投标成功率具有重要意义。因此，高效的建筑结构方案设计是投标阶段的关键需求。目前依赖人工的设计方法在有效的时间内完成的结构方案设计数量有限，难以很好地服务多个不同的建筑投标方案。相对而言，智能化建筑结构生成式设计方法由于学习了大量结构设计数据，进而具备强大的设计能力，可在短时间内完成与不同建筑设计配套的结构方案设计，支撑建筑设计的多方案比选。本研究整合了面向投标设计需求的建筑结构方案智能设计方法，实现了从建筑设计图纸到结构设计图纸，以及结构分析模型和材料用量统计的全过程智能化与高度自动化。并在某项目投标中开展应用，结果表明，对于单个建筑，生成式智能化结构设计效率相比于人工设计提升近10~15倍，且能同时开展多个项目设计，智能设计的结构力学性能全部满足规范要求，且材料用量与工程师设计基本一致。
0 引言
方案投标是建筑工程建造的重要环节，该环节周期短且任务重、各环节及各专业配合紧密，旨在给出更优的设计方案。但是，由于时间限制，通常难以给出多种不同的设计方案实现优中选优，可见投标过程仍旧存在提升空间，需要克服的主要问题则是设计效率较低与知识重用率不足的问题[1,2]。建筑结构方案设计是方案投标中的重要内容[3]，但该工作较依赖于工程师的设计经验和人工操作，由于工程师人数和设计执行效率有限，可完成的结构方案数量则相对有限。因此，为了提升投标阶段的结构方案设计效率，为更多的建筑方案比选提供支撑，亟需通过有效利用既有设计知识提升结构方案设计效率。
建筑结构生成式智能设计是一种基于深度学习的结构设计方法，通过对既有建筑结构设计方案资料的学习，有效掌握结构设计的规律，进而针对全新建筑方案，可在1分钟内智能、高效的生成对应结构方案设计。近年来，建筑结构智能设计方法快速发展[4-6]，生成式智能设计方法则是其中的主要技术。Pizarro等[7,8]、廖文杰等[9-12]、Lu等[13]、Zhao等[14]分别提出了基于图像合成算法的剪力墙结构布置设计，Zhao等[15,16]进一步提出了剪力墙梁、框架梁的智能化布置设计，Fei等[17]提出了框架-核心筒结构的截面尺寸智能设计方法，Fu等[18]提出了框架-支撑结构设计方法。可见，生成式智能设计方法已逐渐在不同结构形式中开始了研究。
但是，目前鲜有研究将智能设计方法进行实际工程应用。以剪力墙结构方案设计为例，主要问题在于：结构设计环节长，包括剪力墙和梁的布置设计以及结构构件的截面尺寸设计；同时，多设计阶段涉及不同格式数据和不同软件的交互，包括CAD软件对应的矢量数据、Python软件对应的像素数据、YJK等设计软件对应的模型数据等。随着工业软件接口的发展[19,20]，以及建筑结构智能设计过程中异构数据传递算法的开发[21]，工程应用的实现难度逐渐降低。
因此，本研究针对设计投标的实际需求，整合了研究团队开发的系列剪力墙和梁构件的智能设计算法[14,21]，并对工程应用的结构设计细节优化问题进行完善，提出了设计投标中结构方案人工智能设计方法。可高度智能化与自动化的实现图1所示的剪力墙-梁布置设计、结构计算模型构建、以及力学性能分析和材料用量计算工程，为方案设计比选提供有力的技术支撑。
图1 建筑设计项目投标中结构方案设计内容
1 人工智能设计方法
1.1 建筑结构生成式智能设计方法
本研究采用的建筑结构智能设计核心算法为基于注意力机制增强生成对抗网络的剪力墙结构设计方法[14]。如图2所示，通过输入建筑设计条件与建筑设计图，人工智能设计算法快速生成剪力墙结构设计图，其中智能设计算法已经预先通过大量数据进行了智能设计能力的训练。相关人工智能算法的细节参见文献[14]。
图2 建筑结构生成式智能设计方法
1.2 面向投标的建筑结构智能化方案设计方法
图3 投标过程中建筑结构智能化方案设计方法
面向投标任务中结构布置设计、力学性能和材料用量分析需求，本研究基于建筑结构生成式设计与配套的前后处理算法，开发了剪力墙结构方案智能设计全过程实现方法，如图3所示。各部分工作的具体内容包括：
步骤1、前处理：基于CAD的.NET二次开发，实现对天正CAD图纸中墙、门、窗元素轴线的自动提取，以及对天正CAD中生成的建筑空间轮廓进行提取，并生成对应元素轴线和轮廓的坐标，最终得到用于人工智能设计的建筑设计图，图片格式为像素图，比例尺为：50 mm/像素；
步骤2、智能设计：基于输入的建筑设计图，由智能设计算法自动生成剪力墙布置图（图片格式为像素图），图中红色像素点则为剪力墙构件；
步骤3、后处理与梁生成：基于步骤1中的建筑构件轴线坐标与步骤2生成的结构图，采用轴线与像素轮廓求交点的方法提取剪力墙结构构件轴线坐标[21]，并通过比例尺转化，得到CAD图纸中的剪力墙构件轴线，并考虑对称性等因素对人工智能设计的剪力墙进行必要的局部调整；随后基于剪力墙构件布置与建筑墙、门、窗坐标信息，自动生成梁构件布置[22,23]；
步骤4、结构建模信息生成：基于步骤3中的剪力墙、梁构件几何坐标，采用剪力墙厚度生成[13]、梁构件尺寸生成方法[16]完成结构构件截面设计，整合结构构件几何坐标、截面信息，得到结构建模信息；
步骤5、YJK模型构建与分析：根据步骤4输出的结构建模信息，采用YJK软件Python API（应用程序编程接口）读取结构建模信息，完成标准层结构计算模型构建；随后整合输入的各楼层层高信息，由标准层组装得到完整的YJK结构分析模型，并在YJK软件中完善模型细节。随后输入设计信息并开展相关力学性能分析，得到力学计算结果与混凝土、钢筋材料用量统计[20]。
联合步骤1~5，有效实现剪力墙结构方案设计，花费时间约20分钟。
1.3 设计结果评价方法
在完成项目投标工作后，为了进一步检验人工智能设计的结构设计结果的合理性，又邀请专业结构工程师对投标项目人工进行了结构设计，并进一步对比工程师设计和人工智能设计的结果差异。需要说明的是，由于工程师设计效率限制，所以仅挑选了少数典型案例请工程师完成对比设计。
1.3.1 相似性度量
本研究采用人工智能设计与工程师设计的结构构件布置交并比衡量二者设计的相似性，对设计结果进行快速和初步评价。如式(1)~(3)所示，构造结构构件轴线布置矩阵、，通过计算智能设计与工程师设计交集矩阵，进而得到二者设计交并比计算结果。
交并比越大，表明智能设计方案越接近工程师方案。当交并比为1时，智能设计方案与工程师方案完全一致。
1.3.2 力学性能与材料用量综合度量
相似性对比可以快速有效的衡量设计结果，但结构设计最终需要通过结构力学性能的检验，以及材料用量满足经济性要求。本研究采用YJK自动建模分析，得到结构力学分析结果及其对应的材料用量。
2 设计案例
2.1 建筑设计案例介绍
选取了投标项目中的三个典型案例进行详细介绍，如图4所示。所有案例抗震设计条件相同，抗震设防烈度为7度（0.1g），场地特征周期为0.35s。
（1）图4(a)为2梯4户的建筑布置，标准层平面尺寸为42.0 × 12.8 m，平面面积为407 m2，结构高度54 m，地上18层，命名为案例1-7d54m。
（2）图4(c)为1梯2户的建筑布置，标准层平面尺寸为24.2 × 11.8 m，平面面积为220 m2，结构高度27 m，地上9层，命名为案例2-7d27m。
（3）图4(e)为1梯2户的建筑布置，标准层平面尺寸为26.0 × 11.8 m，平面面积为227 m2，结构高度27 m，地上9层，命名为案例3-7d27m-2。
2.2 人工智能设计结果
采用1.2节步骤1~2，对CAD图纸进行前处理生成对应的建筑设计图，进而智能设计剪力墙结构设计图，包括剪力墙布置设计和梁设计。图4(a)(b)分别为案例1-7d54m的建筑和结构设计图，图4(c)(d)、以及图4(e)(f)为案例2-7d27m和案例3-7d27m-2设计结果。可以看到，在可以布置剪力墙的位置，智能设计算法进行了合理的剪力墙布置。相比于案例2和案例3，案例1-7d54m的结构高度更高，其对剪力墙数量的需求更高，而人工智能设计结果也较好的反映了该规律。
(a) 案例1-7d54m（楼层面积407 m2）
(b) 案例1-7d54m智能设计结果
(c) 案例2-7d27m（楼层面积220 m2）
(d) 案例2-7d27m智能设计结果
(e) 案例3-7d27m-2（楼层面积227 m2）
(f) 案例3-7d27m-2智能设计结果
图4 典型案例的建筑图纸和人工智能结构设计结果（图中红色轴线为剪力墙、蓝色轴线为梁）
2.3 人工智能设计与工程师设计结果对比分析
2.3.1 构件布置设计一致性结果
人工智能设计与工程师设计剪力墙布置一致性评价结果如图5所示。图中，绿色轴线代表智能设计与工程师设计结构构件重合的位置，红色和蓝色轴线则分别代表该位置仅有人工智能设计和工程师设计布置了结构。绿色轴线越多则代表二者相似性越高，该相似性也采用式(3)SIoU指标进行量化评估，当相似性指标大于0.5时，则表明二者设计相似度较高[9]。
从对比可见，三个方案的剪力墙SIoU都接近或大于0.5，表明人工智能布置的剪力墙和工程师布置的剪力墙已经有较高的一致性。主要差别在阳台部位，建筑师要求结构工程师不要在本工程阳台位置布置剪力墙，而人工智能尚未能理解这一指令，导致阳台部位和工程师设计存在差别。
(a) 案例1-7d54m智能设计结果（=0.45）
(b) 案例2-7d27m智能设计结果（=0.52）
(c) 案例3-7d27m-2智能设计结果（=0.51）
图5 剪力墙布置一致性评价结果
图6所示为梁布置一致性：图6(a)所示案例1-7d54m，SIoU为0.41；图6(b)所示案例2-7d27m，SIoU为0.42；图6(b)所示案例3-7d27m-2，SIoU为0.51。可以看到，相比于剪力墙设计，梁布置设计的性能则略差。虽然相似评分也接近0.5，但是人工智能设计的梁构件布置数量偏多。主要原因是人工智能设计为了追求降低用钢量的目的，倾向于多布置梁。而工程师进一步考虑到未来室内功能的变化，则倾向于少布置梁。人工智能现阶段尚不能考虑此类个性化需求。
(a) 案例1-7d54m智能设计结果（=0.41）
(b) 案例2-7d27m智能设计结果（=0.42）
(c) 案例3-7d27m-2智能设计结果（=0.51）
图6 梁布置一致性评价结果
2.3.2 力学分析结果
进一步对人工智能设计结果和工程师设计结果开展力学性能分析进行对比，结果如表1所示。人工智能设计结果都可以满足规范的整体指标限值要求。案例1-7d54m由于人工智能设计剪力墙构件布置数量偏多，结构的整体刚度也更大，周期更小、层间位移角也更小，整个设计结果偏保守。案例2-7d27m的情况与案例1-7d54m类似。而案例3-7d27m-2则表明人工智能设计结果与工程师设计结果的力学性能一致性较高。
表1 结构力学性能分析结果对比
2.3.3 材料用量结果
由于人工智能设计与工程师设计均能有效满足规范规定的整体指标限值，因此本研究进一步对比材料用量之间的差异。钢筋材料用量差异如图7所示，可以看到案例1-7d54m在钢筋材料用量上显著低于工程师设计，而案例2-7d27m和案例3-7d27m-2则表明人工智能设计的钢筋材料用量与工程师设计非常接近。对比不同结构构件类型，可以看到，人工智能设计结果的板配筋量低于工程师设计，而梁和墙的配筋量则略高于工程师，主要原因是人工智能设计布置的墙体和梁更多，楼板对应的跨度相对更小、因而其受力需求和材料用量更少。
(a) 案例1-7d54m
(b) 案例2-7d27m
(c) 案例3-7d27m-2
图7 钢筋材料用量对比
2.3.4 设计效率对比
针对本研究中每个案例平均耗时进行了统计。基于建筑方案设计，智能设计完成剪力墙-梁布置方案设计、结构计算模型构建、力学合规性与材料用量分析全过程，仅耗时15~25分钟。相比而言，工程师设计则将会花费180~360分钟。可见，智能设计可提升设计效率10~15倍，有效满足了投标阶段对结构设计效率的需求。
3 结论
本研究将建筑结构生成式智能设计方法有效嵌入了建筑结构招投标的设计流程中，实现了从建筑结构布置设计、力学模型构建与分析、材料用量统计的全过程智能化与高度自动化，显著提升设计效率10~15倍。
（1）针对建筑设计投标需求中，对于结构设计高效、准确、多方案设计与比选的需求，本研究有效发挥了建筑结构生成式智能设计方法智能和高效优势，实现短时间内对多个建筑设计方案进行结构方案设计、建立力学模型、得到材料用量，为建筑设计投标工作开展提供了新的实现范式；
（2）人工智能设计的剪力墙布置与工程师设计结果相似性较高，且梁布置能有效连接剪力墙结构以保证结构整体力学性能。人工智能设计结果全部满足结构设计的整体力学指标要求，且材料用量与工程师差异较小，设计结果可为工程师开展结构设计提供有效参考。
（3）现阶段人工智能在个性化需求的实现上还有不足，后面可以通过针对性的训练加以改善。
参考文献(略)
--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, 52(11): 3281-3303. 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, 2024, 39(4): 518-538. 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, 79: 107873. 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, 39(23):3610-3625. DOI: 10.1111/mice.13236
Fei YF, Liao WJ, Zhao PJ, Lu X*, Guan H, Hybrid surrogate model combining physics and data for seismic drift estimation of shear-wall structures, Earthquake Engineering & Structural Dynamics, 2024, 53(10): 3093-3112. 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
Wang ZH, Yue Y, Chen Y, Liao WJ, Li CS, Hu KG, Tan Z, Lu XZ. Expert experience-embedded evaluation and decision-making method for intelligent design of shear wall structures. Journal of Computing in Civil Engineering-ASCE, 2025, 39(1). DOI: 10.1061/JCCEE5.CPENG-6076
Tan Z, Qin SZ, Hu KG, Liao WJ, Gao Y, Lu XZ, Intelligent generation and optimization method for the retrofit design of RC frame structures using buckling-restrained braces, Earthquake Engineering & Structural Dynamics, 2025, 54(2): 530-547. DOI: 10.1002/eqe.4268
Yu Y, Chen Y, Liao WJ, Wang ZH, Zhang SL, Kang YJ, Lu XZ, Intelligent generation and interpretability analysis of shear wall structure design by learning from multidimensional to high-dimensional features, Engineering Structures, 2025, 325: 119472. DOI: 10.1016/j.engstruct.2024.119472
Qin SZ, Liao WJ, Huang YL, Zhang Shulu, Gu Y, Han J, Lu XZ, Intelligent design for component size generation in reinforced concrete frame structures using heterogeneous graph neural networks, Automation in Construction, 2025, 171: 105967.
Xia JK, Liao WJ, Han B, Zhang SL, Lu XZ, Intelligent co-design of shear wall and beam layouts using a graph neural network, Automation in Construction, 2025, 172: 106024.
