论文:Intelligent design of shear wall layout based on attention-enhanced generative adversarial network, Engineering Structures, 2022
DOI: https://doi.org/10.1016/j.engstruct.2022.115170
00
太长不看版
现阶段AI布置的剪力墙在关键部位的细节设计不够完善。注意力机制(Attention)可以加强人工智能对关键部位的学习能力。因此,本研究提出了一种注意力增强的生成对抗网络模型,即StructGAN-AE,用于剪力墙结构的智能设计,并且结合预训练方法以增强模型的普适性。案例表明,相比于此前AI模型,StructGAN-AE能够在电梯井等关键区域生成更加合理的剪力墙局部布置,与工程师设计的相似度提升了14%~50%,混凝土和钢材用量分别减少4.9%和7.5%,而且有着更加良好的抗扭转性能。
01
研究背景
此前研究表明,大概有一半AI设计的剪力墙结构已经和人类工程师设计的方案难以区分。
为了进一步提升AI设计的质量,我们对AI设计存在的问题进行了调研。结果表明,AI设计的剪力墙在关键部位的细节设计不够完善,暴露了这是AI的作品。如图1所示,AI设计方法有时在电梯井、阳台等区域存在设计缺陷。
图1 此前AI设计的剪力墙结构有时在电梯井、阳台等区域存在设计缺陷(①电梯井;②阳台)
之所以出现这样的问题,是因为现有的AI学习方法,是在全局层面建立建筑设计和结构设计的对应关系。然而,全局的对应关系意味着对结构设计而言,设计注意力是平均分布的。
但是,人类工程师在完成整体设计后,还会集中注意力对关键部位(例如电梯井附近)进一步进行深入设计。因为AI缺少了这样一个关键部位的深入设计过程,导致AI设计的局部细节有时不够理想。
注意力机制是近年来在AI领域得到高度关注的算法。简单来说,就是效仿人类的注意力机制,人为指定、或者让AI自主找到图片上重要的区域,并给与更高的学习权重,从而提升AI在重要区域的模仿能力(图2)。
图2 在注意力机制下,图片上不同区域分配到的关注度是不同的
因此,本研究引入注意力增强(Attention-Enhance)方法,在神经网络建立剪力墙结构的建筑设计和结构设计的全局映射关系之外,还实现对关键局部区域的重点关注,从而完善基于神经网络的剪力墙设计方法。
02
研究方法
注意力机制的核心是学习图片上需要重点关注的区域。人为指定重点区域显然是一个比较可行的方法。我们可以给AI设定提示,让它加强特定区域(比如电梯井、阳台附近)的学习。这种机制,我们称为“人工注意力机制(artificial-attention)”
当然,为了让AI设计更加智能化,我们还引入了“自注意力机制(self-attention)”,简单说,就是让AI自己发现哪些区域比较重要,进而主动提高这些区域的学习权重。
本研究分别在StructGAN的生成器网络和判别器网络中嵌入自注意力层,自注意力层的位置综合考虑了模型参数大小和注意力机制有效性的平衡。从最终结果看,人工注意力机制和自注意力机制都可以有效提高局部剪力墙布置的效果。
数据不足始终是建筑结构设计领域AI研究的关键难题。因此,我们采用了一种两阶段的预训练方法,增强智能设计神经网络的普适性,使得智能设计神经网络模型在不同的设计条件对应的较小的数据样本下,能够有更好的表现。具体地,第一阶段:基于不同设计分组的混合数据,对神经网络模型进行训练,得到预训练模型;第二阶段:对预训练模型接着进行针对各分组数据的单独训练,使得基于混合数据的预训练模型能够进一步学习不同分组的特征。
打个比方:我们以前上学的时候出去吃火锅,食量大肉量小,年轻人一拥而上瞬间光盘,颇有猪八戒吃人参果的范。后来改变了吃法,先涮几包方便面,吃个半饱以后再涮肉,这样就斯文多了。本研究的第一轮训练就像开始涮的方便面,先让AI掌握大体规律。然后再用不同高度、烈度的分组数据训练AI,从而提升AI对不同设计条件的学习效果。
基于上述方法,本研究提出了图3所示的采用注意力机制增强的生成对抗网络模型用于剪力墙结构的智能设计,StructGAN-AE。
图3 注意力增强的剪力墙结构智能化设计方法
在模型应用阶段,将某种设计条件下的语义化的建筑设计图像输入训练好的StructGAN-AE的生成器,可得到具有更好局部布置效果的剪力墙布置设计结果。接下来,采用课题组已有研究“基于深度学习的楼盖结构智能化设计方法” (参见:新论文及发明专利 | 基于深度学习的楼盖结构智能化设计方法)来实现梁和楼板的布置以及梁和连梁的截面设计。
03
案例研究
比较工程师设计、没有引入注意力机制的StructGAN设计,和本研究引入注意力机制的StructGAN-AE设计这三种设计方案之间的性能差异,如图4所示。可以看出,相比于StructGAN,StructGAN-AE设计对于剪力墙的局部布置细节有了明显的改进:
图4 案例研究. (a) 工程师设计、StructGAN设计,StructGAN-AE设计的剪力墙设计细节 (红色表示剪力墙,灰色表示隔墙). (b) 楼盖设计
(1) 在电梯井区域②,StructGAN-AE可以布置更加连续的剪力墙,并且保证了足够的剪力墙率。根据工程师经验,电梯井往往位于建筑平面中心部位,而且墙体在竖向连续。因此,电梯井区域往往适合布置剪力墙,剪力墙的连续性也保障了抗剪性能。
(2) 在阳台区域④和⑥,StructGAN-AE可以布置更加符合结构设计经验的剪力墙方案,在阳台的外围不布置剪力墙。
(3) 在其他区域,StructGAN-AE的剪力墙布置方案连续性更好,这些更好连续性的剪力墙往往被布置在墙肢交点处,这往往是结构构件连接的关键之处。StructGAN-AE的剪力墙布置有利于保证整体结构的完整性,而且更加符合剪力墙结构设计的工程经验。
生成剪力墙布置方案之后,可采用课题组此前提出的方法生成梁的布置和设计,如图4b所示。
选取测试集中的12个案例作为结构性能分析的案例研究。如图5所示,对于不同设计分组,StructGAN-AE设计结果的平均扭转周期比小于StructGAN,这表明StructGAN-AE的设计结果有着更好的抗扭转性能。
图5 3个设计分组的平均扭转周期比比较
图6也展示了StructGAN和StructGAN-AE的材料用量差异。StructGAN-AE的材料用量与工程师设计结果的差异更小。从12个结构案例材料用量的平均值来看,StructGAN-AE的混凝土和钢材用量与工程师设计结果的差异小于StructGAN与工程师设计结果的差异。
图6 AI设计与工程师设计结果的材料用量差异的平均值
04
课题组结构智能设计论文
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. 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. 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. 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. 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. DOI: 10.1016/j.autcon.2022.104619.
---End---
相关研究
相关文章,在仿真秀官网搜索:
学术报告视频
《从基于模拟的结构设计到基于人工智能的结构设计》学术报告视频
《地震巨灾情景构建》科普报告视频
《城市抗震弹塑性分析及其在情景构建与地震应急中的应用》学术报告视频
专著
英文版《工程地震灾变模拟:从高层建筑到城市区域(第2版)》出版
专著《城市抗震弹塑性分析》出版
人工智能与机器学习
---结构智能设计
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
新论文 | 剪力墙结构智能化生成式设计方法:从数据驱动到物理增强
简便高效的建筑结构AI设计系统 | 新论文:集成式智能生成设计系统及其在剪力墙结构上的应用
利用设计文本指导AI建筑结构设计 | 新论文及发明专利:融合文本和图像数据的建筑结构AI设计方法
新论文:面向自动合规审查的知识增强语义对齐和自动规则解译方法
新论文:融合自然语言处理与上下文无关文法的审图规则自动解译方法
新论文及发明专利 | 基于深度学习的楼盖结构智能化设计方法
新论文:面向建筑领域自然语言处理的领域语料库及预训练模型
用“图”和“图”来生成“图”?中文快不够用了 | 发明专利:多模态输入深度神经网络、框架结构梁柱设计方法及装置
AI想做结构设计?它得先学结构力学!| 新论文及发明专利:物理增强的剪力墙结构智能化设计方法
AI+PKPM | 给个建筑户型图,结构设计全自动
糟糕!结构高度从50m改为100m了。AI:5秒完成新结构方案 | 发明专利:融合文本和图像数据的建筑结构AI设计方法
揭秘人工智能设计剪力墙结构的科学原理 | 新论文:基于生成对抗网络的剪力墙结构设计方法
用人工智能进行结构方案设计| 发明专利:基于对抗生成网络的剪力墙结构布置方法
5分钟!从设计结构方案到完成计算书 | 人工智能设计剪力墙结构案例演示
新发明专利:一种将规范文本自动转为可计算逻辑规则的方法及系统
---其他土木工程领域人工智能研究
提升小样本下预测性能近一个数量级 新论文 | 神经网络响应时程预测中的迭代自迁移方法 (附数据集和程序)
新论文 | 基于深度学习的滞回模型如何拥有“误差自纠偏”能力?(附数据集和程序)
新论文 | 倾斜摄影点云+深度学习=城市风环境自动化模拟
新论文 | 卷积神经网络 + 小波时频图:基于地震动时频域特征的震害评估新方法
他山之石可以攻玉 | 新论文:基于深度迁移学习的结构地震响应识别
新论文:为提升AI振动识别效果,小波、HHT、MFCC、CNN、LSTM我们都试一试
如何将地震破坏力评估加速1500倍?| 新论文:基于LSTM的地震破坏力实时评估
新论文:基于机器学习方法的多元地震动强度指标比选与实时震害预测
新论文:给振动信号拍个照,可以提升振动控制效果!
这栋楼是什么结构的,元芳,你怎么看?——大人,时代变了!|新论文:使用机器学习方法预测城市建筑结构类型
新论文:基于无人机与深度学习的建筑震害评估方法
新论文:无人机+机器学习+城市弹塑性分析=震后近实时损失预测
城市灾害模拟与韧性城市
新论文 | 复杂地形下场地-城市效应的振动台试验和数值模拟
新论文 | 传感器质量和密度对震后快速评估影响的成本效益分析
提升震害分析精度,更多数量 or 更高质量的加速度计? | 新论文:加速度计类型对地震动记录和震损评估的影响
新论文 | 基于倾斜摄影、深度学习和CFD的城市尺度窗户风损评估
新论文 | 强震台网密度对震害评估的影响
新论文:城市尺度树木风灾破坏近实时评估:方法框架及清华园案例应用
新论文:基于实测地震动的近实时地震滑坡预测方法(并附源程序)
新论文:基于实测地震记录的区域地震动场模拟方法
新论文:“场地-城市”效应对区域震害评估的定量影响分析
新论文:基于城市信息模型、并同时适用于城市建筑群和单体重要建筑的多灾害模拟框架
新论文:台风风灾对港口运营的经济影响:以中国港口为例
新论文:基于BIM与虚拟现实的建筑震后火灾救援场景模拟
新论文:社区地震安全韧性评估系统及社区应用示范
新论文:武汉火神山医院病房有害气体的高空排放设计和分析
新论文:主余震作用下区域建筑震害预测方法
新论文:城市抗震弹塑性分析的开源框架
新论文:考虑劳动力资源约束的城市尺度建筑抗震韧性模拟和震后维修规划
新论文:结合BIM和FEMA P-58的建筑地震损失预测方法
新论文:扔砖头、跳盒子,这也是做科学试验哦!| 地震次生坠物情境中的人员疏散模拟
综述:城市抗震弹塑性分析及其工程应用
新论文:适用于多LOD BIM的建筑地震损失评估
新论文:城市建筑群多LOD震害模拟及北京CBD算例
美国NSF SimCenter+清华城市弹塑性分析=旧金山184万建筑地震模拟
新论文:BIM+新一代性能化设计=喷淋系统破坏后的地震次生火灾模拟
新论文:村镇建筑群火灾蔓延模拟与案例
新论文:建设地震韧性城市所面临的挑战
新论文:烈焰焚城 | 地震次生火灾的精细化和高真实感模拟
新论文:城市韧性——基于“三度空间下系统的系统”的思考
新论文:城市抗震弹塑性分析中如何确定高层建筑的损伤程度?
高性能结构与防倒塌
新论文 | 一致阻尼模型在OpenSees中的实现(附程序与说明)
新阻尼模型论文 | 频域分布任性变,开源程序免费领
新论文:中柱节点向上和向下冲剪破坏引起的板柱子结构连续倒塌研究
新论文:有限元携手物理引擎,倒塌模拟新思路
新论文:美国佛罗里达公寓大楼倒塌的初步分析和讨论
综述论文:建筑结构抗震“体系能力设计法”综述
新论文:不同钢筋构造对RC板柱节点冲剪破坏后性能的加强作用
新论文:地震-连续倒塌综合韧性防御超高层体系
新论文:基于数字孪生的强震下大跨斜拉桥倒塌易损性评估
新论文丨不同冲剪方向下板柱节点抗倒塌性能研究
新论文:大跨斜拉桥的非线性模型更新及倒塌预测
新论文:新一代地震-连续倒塌综合防御组合框架——综合韧性防御组合框架
新论文:中柱失效后混凝土板柱结构承载性能影响因素研究
新论文:不同冲剪方向下板柱节点抗倒塌性能研究
新论文:次边缘柱失效后钢筋混凝土平面框架连续倒塌承载力的试验分析和计算评估
新论文:基于集群计算的大跨斜拉桥精细有限元模型更新
新论文:钢筋混凝土板柱节点冲切及冲切破坏后行为的数值模拟
新论文:边柱以及边中柱失效后平板结构连续倒塌行为试验研究
新论文:抗震&防连续倒塌:一种新型构造措施
新论文:混凝土梁柱子结构连续倒塌动力效应的试验研究
层间位移角判别准则不适用于剪力墙,怎么办?|新论文:基于曲率的剪力墙损伤评估方法
新论文:地震-连续倒塌综合防御组合框架结构体系研究
新论文:改变框架-核心筒结构剪力调整策略对其抗震性能影响的研究
新论文:新型地震和连续倒塌综合防御韧性PC框架承载力计算方法
新论文:角柱失效后平板结构连续倒塌行为实验研究
新论文:受折纸启发的可更换承载-耗能双功能耗能器
新综述论文:21世纪建筑结构连续倒塌和鲁棒性的研究和实践
新论文:中柱失效后板柱结构连续倒塌传力机理研究
新论文:一根钢筋混凝土梁,承载力你能算对么?| 梁的压拱效应计算方法
新论文:这个混凝土框架能抗震,能防连续倒塌,还功能可恢复,您不进来看看么?
新论文:一个好汉三个帮|带端部阻尼器伸臂桁架的抗震性能试验研究
新论文:防屈曲支撑伸臂桁架?几个“狗骨头”可少不了!
新论文:考虑楼板影响的钢筋混凝土框架边柱连续倒塌试验
新论文:提高地震荷载分项系数,抗震安全性提高了多少?
新论文:采用减振子结构来控制超高层建筑的地震楼面加速度
新论文:500m级超高层建筑简化模型及其在结构体系对比中的应用
课题组2015年的论文:超高层建筑火灾结构安全分析
606m 超高层建筑OpenSees模型