左右互搏大 法 | 新论文及发明专利：基于结构优化和半监督学习方法提升AI设计效果

论文：Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets

DOI：10.1016/j.jobe.2023.107873

发明专利：基于联合结构优化神经网络的建筑结构设计方法和装置

专利号：ZL202210444464.6

0

太长不看版

    结构设计数据存在长尾分布现象，即某些类型的数据非常缺乏，称为尾部数据（比如大家一般不太会遇到9度区的工程）。AI在尾部数据上无法得到充分训练，因此性能较差。

    我们提出了一种半监督学习方法，利用生成式AI来增加尾部数据的数量，利用结构优化算法来提升尾部数据的质量，最后再让AI重新学习这些经过优化的尾部数据。经过这套“左右互搏大 法”之后，AI在尾部数据上的性能得到了有效提升。

1

引言

    我们团队之所以对结构的智能设计抱有极大的兴趣，是因为我们认为结构智能设计具备很大的发展空间。特别是结构设计相对是一个规则比较明确的任务，即设计结果的安全性可以通过各种规范条文来检验，设计结果的经济性可以通过材料用量来检验，因此AI除了可以被动地去学习人类的已有设计经验，还可以进一步主动去不断生成新的设计结果，并自主检验不同设计结果的合理性和经济性，从而不断提升自己的设计能力。

    《射雕英雄传》里面有一个很独特的武功，老顽童周伯通在桃花岛上孤独一人，穷极无聊，于是想出了“左右互搏”大 法，左右手互相过招不断提升武功。

    于是我们在结构AI设计里面可以参考这个思想。左手就是智能生成式AI，它不断学习并设计出新的结构方案。右手就是结构优化算法，它不断优化AI的设计结果。AI再去学习优化后的结果，迭代循环从而提升AI生成的新的结构方案的性能。如果这条路走通了，那AI就可以通过双手互搏实现提升设计功力的目标。由于AI生成式设计可以分秒完成方案设计，解决了传统优化算法计算量大难以满足工程进度的问题；又可以保证AI学习的始终是充分优化后的数据，从而不断提升AI的设计质量。

    按照这个思想，我们提出了基于结构优化的半监督学习方法，并将其用于剪力墙结构长尾数据的AI设计中，取得了较好的设计效果。

2

长尾分布

    AI学习的好坏往往和学习的数据量密切相关。如果把收集到的众多数据进行分组，就会发现大部分数据集中在常见参数范围内，而对于一些不常见的参数范围，则可以收集到的数据会非常有限。比如我们要收集同学们的身高数据并按照10 cm一组进行分组，我们就会发现，无论我们收集了全清华的学生数据，还是收集了全北京的学生数据，或者全国的学生数据，150~160cm、160~170cm、170~180cm这几组永远是最多的。而200~210cm、210~220cm这些分组的数据总是很稀少的，这就是长尾数据。

   我们收集到的建筑设计数据也有类似的特点，这样一来，如果我们要设计的目标建筑正好落在长尾数据区，就可能因为数据量的不足导致AI学习的设计效果不够好。

    从研究的角度，为了把问题说清楚，我们选择了一个比较简单的数据集，构建了下图所示的长尾数据集。将地震影响系数α划分为4个类别：S1(0≤α<0.15), S2(0.15≤α<0.30), S3(0.30≤α<0.45), S4(0.45≤α<0.90)。将建筑高度H也划分为4个类别：H1(0≤H<40 m), H2(40≤H<60 m), H3(60≤H<80 m), H4(80≤H<100 m)。

    显然，中等烈度区（S2、S3）中等高度（H2、H3）的建筑数据是比较丰富的，是所谓的“头部数据”。而低烈度或者高烈度区和高度低于40m或超过80m的数据都是比较少的，形成了“尾部数据”。

3

左手武功：StructGAN-TXT

    我们选择了在小样本上表现较好的StructGAN-TXT算法来学习图3中的数据（StructGAN-TXT算法详见：融合文本和图像数据的建筑结构AI设计方法）。用设计结果和工程师之间的差别作为设计效果好坏的评判依据，评测结果参见表1。

   显然，头部情况由于训练数据比较充足，所以设计得分较高；而尾部情况因为训练数据比较少，所以设计得分较低。训练数据充足与否对设计质量有明显影响。

4

右手武功：优化算法

    本研究提出了一种基于两阶段评估策略和经验规则的优化算法。

    对AI设计的结果，首先开展基于经验规则的第一阶段评估，分析AI设计的剪力墙的墙率、扭转半径和楼板支撑面积等宏观指标是否合格。宏观指标合格的AI设计结果，进入第二阶段基于有限元分析的评估，计算结构的层间位移角以及材料用量。然后，用层间位移角作为约束函数，用材料用量作为目标函数，用遗传算法进行结构优化。这里感谢YJK-GAMA提供的参数化建模和优化算法支持。

5

左右互搏与半监督学习

  于是我们建议了图5所示的左右互搏和半监督学习流程。

模块1：左手起势，StructGAN-TXT在长尾数据集上完成训练，形成AI设计模型SL（Small and Long-tailed）。

模块2：左手出招，用训练好的模型SL进行长尾条件下的结构设计，当然这时模型SL由于训练数据过少，设计结果比较差。

模块3：右手应招，优化算法对模型SL设计的糟糕结果进行优化，形成满足设计要求的新结果。

模块4：左手接招，将训练好的数据集和此前的长尾数据集进行混合，形成均衡的数据集，继续训练得到新的AI设计模型SB（Small and Balanced）。

模块5&6：左手再出招，用模型SB完成更大规模设计案例，然后将所有设计案例汇集起来，训练得到终极AI设计模型LB（Large and Balanced）。

6

效果分析

    说了半天，到底效果怎么样呢？我们可以看看表2。

    表2显示，最初的AI设计模型（模型SL）由于存在长尾部分训练数据不足的问题，头部设计条件和尾部设计条件得分差异显著。而经过优化算法改进后，头部和尾部设计条件下得分都有提升，且尾部设计条件下提升尤为明显（从0.385提升到了0.420）。再经过一次半监督学习后，尾部设计条件得分进一步提升，且所有条件下的总分也得到了提高（从0.446提高到了0.452）。可见，利用优化算法改善AI设计结果的收效是明显的。

7

结语

联络邮箱: 

费一凡：fyf20@mails.tsinghua.edu.cn

陆新征：luxz@tsinghua.edu.cn

相关论文

1. 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.
   

2. 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.
   

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9.  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

10. 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.

11. 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.

12. 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.

13. 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.

14. Fei YF, Liao WJ, Lu XZ*, Taciroglu E, Guan H, Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets, Journal of Building Engineering, 2023, DOI：10.1016/j.jobe.2023.107873