剪力墙结构材料用量AI预测模块上线测试
https://ai-structure.com/#/usage-prediction
0
太长不看版
2023年7月11日，ai-structure.com发布了嵌入CAD平台的结构智能设计助手AIstructure-Copilot，感谢过程中各位工程师的积极参与和反馈。
在剪力墙结构的前期设计阶段，根据结构设计快速估算对应的材料用量是一项迫切需求，对于方案投标和设计优化都具有重要意义。为了提升材料用量预测的效率，我们开发了材料用量智能化预测模块，可根据结构前期设计和设计条件，快速（几秒内）预测出其对应的混凝土和钢筋材料用量，从而避免了复杂的建模、计算、配筋设计等流程对前期设计迭代的影响。
本次更新发布在ai-structure.com的主页界面中(https://ai-structure.com/#/usage-prediction)，用户无需注册登录便可试用。
1
更新说明
（1）开发思路
很多经验丰富的工程师都可以根据项目的设计方案和设计条件，快速而准确的估计项目的材料用量。其内在机理就是这些工程师有着大量的工程经验作为参考。工程师经验越多，往往预测的也就越准确。
因此，我们用AI来模仿这一机制，并充分利用AI设计“无限复 制”、“永不遗忘“、“分秒完成”、“日夜不休”的特点，采用生成式AI设计了成千上万个剪力墙结构，并开展了配筋设计和材料用量统计。这样，我们就可以给出一个更加精准的材料用量预估模型。
（2）使用方法
请上传gdt格式的结构设计（gdt格式为本网站标准化格式，包含*SHEARWALL字段和*BEAM字段，参考网站示例），并根据提示输入和选择设计条件。
也可以使用智能设计云平台(https://ai-structure.com/#/projects/shearwall)进行剪力墙结构设计，并下载剪力墙结构设计的矢量数据文件（可直接应用于材料用量预测模块）。
（3）注意事项
本工具面向剪力墙结构的前期设计阶段，旨在快速评估结构设计的材料用量，从而辅助设计方案的比选。本工具能够适用于不同平面布置、不同抗震设防烈度、不同高度的剪力墙结构。
2
典型案例
2.1 案例一
图1 案例一设计方案
图2 案例一输入数据
图3 案例一预测结果
表1 案例一误差分析
2.2 案例二
图4 案例二设计方案
图5 案例二输入数据
图6 案例二预测结果
表2 案例二误差分析
2.3 案例三
图7 案例三设计方案
图8 案例三输入数据
图9 案例三预测结果
表3 案例三误差分析
3
后记
材料用量的智能化预测，是ai-structure面向方案投标和设计优化的一次尝试，希望不断得到各位专家的帮助和指正，不断检验并提升其精度。后续我们将继续更新，欢迎大家持续关注并积极建议。
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, DOI:10.1002/eqe.3862.
---End--
