老师划重点啦，AI工程师学会了么？| 新论文：注意力增强的剪力墙结构人工智能设计方法

1年前浏览1202

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

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。

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。

为了帮助同学们提高考试成绩，老师在考前往往会给大家划重点，那我们能不能也给AI划划重点，帮助AI提高设计效果呢？

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。

研究方法

(1) 人工注意力机制和自注意力机制

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。

(2) 两阶段预训练方法

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

(3) 模型应用

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。

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

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