RED-ACT |3月26日河北廊坊4.2级地震破坏力分析

论文：Intelligent co-design of shear wall and beam layouts using a graph neural networkDOI：https://doi.org/10.1016/j.autcon.2025.106024 0太长不看版 提出了一种基于图神经网络（GNN）的剪力墙与梁联合智能设计方法，以解决现有方法中剪力墙和梁独立设计时忽略两者耦合关系的问题。首先，构建了一种建筑-剪力墙-梁联合图（Graph）表征方法，构建建筑构件输入和剪力墙-梁输出图谱；采用Graph-SAGE算法学习拓扑特征，实现剪力墙和梁的同步生成；最后结合工程经验规则对生成结果进行后处理优化。实验表明，该方法显著提升了设计效果，剪力墙和梁的交并比（IoU）较现有独立设计方法分别提高14.9%和35.6%，且结构力学性能指标优于传统方法，验证了其在协同优化与工程实用性上的优势。该方法为建筑结构多类构件耦合设计提供了高效解决方案。 1研究背景 在高层住宅的设计中，剪力墙和梁就像是建筑中的“腿”和“手臂”。传统上，工程师们需要手动设计这些结构，这不仅耗时，还容易出错。而现有的AI设计工具，虽然能帮忙，但每次只能单独设计剪力墙或梁，就像在健身时只练手臂或只练腿，忽略了全身的协调性。比如，AI单独设计梁时，可能会设计出“中间没有剪力墙支撑的过长梁”，这就像是让手臂承担了过多的重量，导致手臂过于粗壮，影响了整体的美观和功能。为了解决这个问题，我们的研究提出了一种新方法——使用图神经网络（GNN），让AI像一位经验丰富的健身教练，能够同时设计剪力墙和梁，确保“骨架”和“肌肉”的协调。通过分析大量真实的设计图纸数据，并结合工程经验规则优化细节，我们最终实现了墙-梁布置的协同设计。这种方法不仅解决了传统AI“单线程”设计的缺陷，还使得结构更加合理，设计效率大幅提升。就像是在健身中加入全身协调训练，我们的方法让建筑结构设计更加高效和精准。 联合生成：同时锻炼不同部位2核心技术关键方法1：联合墙-梁图表征方法将建筑平面中的剪力墙、梁、门窗、建筑墙等组件统一表示为图结构数据，用“节点”表示连接点，“边”表示构件（如墙、梁）。剪力墙和梁的布置设计整合到同一图，通过拓扑关系直接反映两者的相互影响，避免传统独立设计导致的冲突。 关键方法2：潜在梁自动生成规则预先在建筑空间中生成可能的梁布置位置（即“潜在梁”），为AI提供设计基准线，提升AI生成梁的合理性，避免在无意义位置布置梁。 关键方法3：多维度图特征设计节点特征：包含位置坐标、连接构件类型（如建筑墙、门窗）等信息。边特征：记录构件类型（One-hot编码）、长度、相对位置等。让AI不仅能识别构件位置，还能理解构件类型、连接关系和空间分布。 关键方法4：基于Graph-SAGE的联合预测模型模型核心：采用Graph-SAGE算法（擅长提取拓扑关系），通过多层聚合节点和边特征，预测每条边应布置剪力墙、梁或留空。 3案例分析以一个25层的剪力墙住宅结构为例，采用本研究提出的方法在20-30秒内即可完成剪力墙和对应梁结构的生成。基于AI生成的结构图，通过API接口自动布置楼板、加载荷载，并联动PKPM完成建模分析，全程无需人工干预。 与人工设计方法和先后设计剪力墙-梁的方法相比，本研究采用方法的核心优势在于：(1)协同设计提升性能：AI联合设计相比GNN先后设计的剪力墙和梁在多个力学指标上占优。(2)效率与合规性兼顾：AI生成方案在1分钟内完成合规设计（人工方法需30分钟以上），且力学指标均满足规范。(3)更接近于工程师设计结果。 下图展示了在多个案例中，基于墙-梁联合生成算法生成的剪力墙和梁IoU计算统计图。统计案例的平均值大于0.5，表明联合生成的构件布置接近工程师设计水平。 4结语本研究提出的基于图神经网络（GNN）的剪力墙与梁协同设计方法，通过耦合墙-梁布置的Graph表示和Graph-SAGE算法，联合生成结构布局，结合规则编码优化策略，显著提升剪力墙和梁的设计质量，欢迎各位专家批评指正！联络邮箱: 廖文杰：liaowj@swjtu.edu.cn夏吉康：xiajk24@mails.tsinghua.edu.cn---End---来源：陆新征课题组