AIstructure-Copilot功能更新：框架-核心筒构件截面尺寸设计Copilot版本
节前，我们发布了AIstructure-Copilot-v0.1.2更新（详见：AIstructure-Copilot-v0.1.2更新：精细化考虑抗震设计条件影响的全新GNN版本，请您来试试），保留了一个小彩蛋，今天揭晓！
在AIstructure-Copilot-v0.1.2版本中，除了此前公布的剪力墙结构智能设计功能外，已经加入了框架-核心筒构件截面尺寸设计功能，欢迎大家试用！
0
模块功能简介
框架-核心筒结构是非常常见的结构形式，在其设计流程中，当确定完外框柱和核心筒的平面布置后，就要确定柱子和墙体的截面尺寸。现阶段往往依赖工程师的经验来选定截面尺寸，导致效率较低且需要多次迭代修正。
针对这一问题，我们提出了基于人工智能的框架-核心筒构件截面尺寸确定方法（详见：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）。案例表明，AI设计的构件截面尺寸和有经验的工程师设计结果非常接近，而效率可以提升几十倍。
但是，用户反映说此前的方法操作不便，为此，我们推出了基于AIstructure-Copilot的框架-核心筒构件截面尺寸设计功能，用户可以在CAD界面内就完成所有操作，显著简化了操作流程。
1
程序更新简介
以前的流程（图1），CAD和线上云平台交替使用，过程繁琐，容易出错；
图1 以前的多平台交互设计流程
现在的流程（图2），CAD平台中全搞定，过程简洁高效。
图2 现在的一键式设计流程
2
Copilot-框架-核心筒设计功能
2.1 基于CAD平台的智能设计助手
在发布了AIstructure-Copilot的剪力墙结构设计功能之后，智能设计的便利性显著提升。因此，采用与剪力墙智能设计助手相同的思路，我们对框架-核心筒结构的智能设计流程进行了优化，用户可在CAD平台中，基于AIstructure-Copilot插件完成全部智能设计过程。
2.2 设计条件统一
将云平台中的多个设计条件集成在CAD中，用户可以更便捷地完成参数设置。
(a) 云平台中所需的设计条件
(b) CAD平台Copilot的参数设置
图3 设计条件集成
3
典型案例
案例1
(a) 原始CAD图纸
(b) 前处理后的CAD图纸轴线
(c) AI设计结果的CAD绘制
(d) AI生成设计数据
案例2
(a) 原始CAD图纸
(b) 前处理后的CAD图纸轴线
(c) AI设计结果的CAD绘制
(d) AI生成设计数据
案例3
(a) 原始CAD图纸
(b) 前处理后的CAD图纸轴线
(c) AI设计结果的CAD绘制
(d) AI生成设计数据
4
结语
我们将框架-核心筒结构构件截面的智能设计技术在CAD平台中进行了集成，更有利于用户使用。欢迎大家持续关注我们的工作，多多支持！
温馨提示：为更好使用AI设计工具，请仔细阅读使用说明书。
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.
Feng YT, Fei YF, Lin YQ, Liao WJ, Lu XZ, Intelligent generative design for shear wall cross-sectional size using rule-Embedded generative adversarial network, Journal of Structural Engineering-ASCE, 2023, 149(11). 04023161. DOI:10.1061/JSENDH.STENG-12206.
Fei YF, Liao WJ, Lu XZ*, Guan H*, Knowledge-enhanced graph neural networks for construction material quantity estimation of reinforced concrete buildings, Computer-Aided Civil and Infrastructure Engineering, 2023, DOI: 10.1111/mice.13094.
Zhao PJ, Fei YF, Huang YL, Feng YT, Liao WJ, Lu XZ*, Design-condition-informed shear wall layout design based on graph neural networks, Advanced Engineering Informatics, 2023, 58: 102190. DOI: 10.1016/j.aei.2023.102190.
---End--
