训练数据不足怎么办？AI：我自学！ | 新论文及发明专利：力学+规则耦合指导AI的隔震方案设计

1年前浏览2753

论文：Base-isolation design of shear wall structures using physics-rule-co-guided self-supervised generative adversarial networks. Earthquake Engineering & Structural Dynamics, 2023.

发明专利：基于深度学习的隔震结构生成方法及装置

申请时间：2021年12月31日

研究概述

AI研究通常需要大量的训练数据，但是经常会遇到训练数据不足的情况。相比于抗震设计，隔震设计的专家经验和设计资料等更加难以获取，尤其缺乏适合AI学习的、拥有良好标注的数据。那么，AI是否可以根据力学原理+经验规则自学隔震设计？

本研究提出了力学原理、经验规则耦合指导的隔震方案智能设计方法。通过构建由生成器、判别器、力学性能评估器、经验规则评价器组成的智能算法架构，由伪标签、力学性能、经验规则耦合指导生成器的学习，进而掌握隔震支座的设计能力。通过输入上部剪力墙结构布置，自动生成隔震支座布置，并将二者同时输入训练完成的生成器中，输出隔震层设计参数，实现隔震设计方案的智能生成。

图1 力学+规则耦合指导AI学习（StructGAN-Hybrid）

研究背景

面向建筑结构智能化设计需求，我们课题组开发了系列数据驱动智能设计方法、力学增强智能设计方法、以及规则嵌入智能设计方法

相关研究或多或少都有对应的结构设计数据支撑AI学习，但是，对于剪力墙结构隔震方案设计而言，因为工程案例较少，可用的训练数据几乎无法获取。因此，在缺乏训练数据情况下，AI如何在力学机理和设计规则联合指导下学习隔震结构设计规律，这便是本研究需要解决的关键难题。

图2 数据缺乏情况下AI如何学习？

关键方法

2.1 力学评估器与规则评价器联合指导的生成训练

建立图1所示的力学-规则耦合指导生成器学习的网络架构（StructGAN-Hybrid），其中生成器与判别器均为常规的生成对抗网络架构，力学评估器则是基于深度残差网络的代理模型，规则评价器则是梯度可传导的张量操作算子。

随后，构造对应的损失函数，如图3所示。将力学评估器输出的损失和规则评价器输出的损失耦合至生成器的损失函数中。

图3 损失函数构造

最后，采用多阶段的训练模式，前期由伪标签数据引导优化，后期由力学和规则引导学习。在整个训练过程中，无真实标签数据用以学习，为自监督学习的方法。

2.2 伪标签构造，引导生成网络训练的初始优化

虽然本研究并未采用真实的隔震方案设计数据供AI学习，但由于隔震设计中有相关的初始参数取值经验，因此，本研究基于相关经验进行伪标签的构造，如图4所示。通过伪标签，可以协助生成器在学习的初始阶段快速找到合理的优化方向。

图4 伪标签数据集构建

2.3 力学性能评估器：采用ResNet18深度残差网络，预测隔震结构的力学性能

采用与此前力学增强剪力墙结构设计研究中类似的方法构造力学性能评估器（图5所示），采用3个ResNet18网络分别预测结构的3个力学性能（减震系数、隔震层最大位移、上部结构最大层间位移角），其预测效果较为良好，误差在10~15%左右。

图5 力学性能评估器

2.4 经验规则评价器：可微的张量操作算子，保证梯度下降

本研究将主要的一些经验规则编码为对应的张量操作算子（图6所示），包括：内部和外圈的隔震支座直径宜尽可能一致；隔震支座的最大面压应满足规范限值；内部使用天然橡胶支座，外圈宜使用铅芯橡胶支座，保证抗扭能力。

图6 经验规则评价器

案例分析

3.1 AI设计与工程师设计的典型方案对比

首先在相同的设计条件下，进行剪力墙结构的隔震方案设计。设计条件为：结构高度 48 m, 层高 3 m；建筑平面尺寸 36.6 m × 18.4 m；高宽比 2.6；抗震设防烈度 8度(0.2g)；场地特征周期0.4 s。其中，AI设计与工程师设计结果分别如图7(A)和(B)所示，二者的隔震支座布置位置和支座型号参数差异较小，且二者设计均满足规范的相关要求；但是AI只需要30秒就可以完成隔震方案的设计。

图7 (A) AI设计（30秒完成），(B) 工程师设计（30分钟完成），(C) 分析模型

3.2 AI设计典型隔震结构的力学性能

通过反应谱法分析，得到设计的关键力学性能指标，均满足规范要求（图8(A)）。同时，开展了时程分析，结果表明AI完成的隔震方案设计，有效降低了结构地震响应，提升抗震韧性。

图8 (A) AI设计隔震方案的关键力学性能指标

图8 (B) AI设计隔震方案提升结构抗震性能

3.3 系列AI设计案例分析结果

此外，本研究还对多个不同设计条件下的案例进行了设计和对比。典型设计结果如图9所示；对所有案例的平均力学性能进行计算和统计。结果表明，考虑减震系数、面压、支座变形、层间位移角的力学性能综合评价指标大于1，意味着隔震设计方案可满足规范要求。

图9 AI设计多个典型案例结果

研究小结

本研究针对无标签数据情况下的隔震方案智能设计方法进行了探索性研究，构建了力学+规则耦合指导的自监督生成对抗网络（StructGAN-Hybrid），通过建立伪标签数据、力学性能评估器、经验规则评价器，并开展多阶段的学习，最终指导AI基本掌握了隔震方案设计的规律。本研究提出的自监督学习方法，可为后续智能化结构设计中面临数据缺乏问题的相关研究提供参考。

同样也需要注意，本方法目前难以应对更加复杂的建筑结构隔震方案设计，需要进一步研究，以解决更多隔震建筑的智能设计需求。