拓扑-模式-尺寸三层次的优化改进AI结构设计 | 新论文：基于规则学习与编码的剪力墙智能设计优化

论文链接：

http://journal.seu.edu.cn/#/digest?ArticleID=7462

作者：陆新征，韩进，韩博，陈素文，廖文杰

3分钟视频介绍：

0

太长不看版

        AI可以有效实现剪力墙等结构方案的高效智能设计，但是，既有剪力墙结构方案智能设计方法在局部布置上仍有不足，包括：交通井等关键局部空间的剪力墙布置规律学习不佳，构件布置的细节上难以满足经验规则与力学性能要求。那么是否有方法改善呢？

       本研究提出了基于规则学习与编码的剪力墙结构智能设计优化方法。提出剪力墙结构的整体-局部联合学习，增强智能算法对局部空间剪力墙布置规律的学习；并进一步提出基于规则编码的剪力墙设计细节优化方法，将拓扑-模式-尺寸三层次的规则约束编码为可执行程序，优化智能设计的局部细节，使得智能设计与工程师设计更一致且受力性能更佳。

1

研究背景

       由于AI在推理生成新设计时，对于复杂的设计变量难以精准的生成，基于遗传算法等优化方法需要的时间过长，且难以将所有优化规则进行有效编码，因此很难应用在建筑结构智能化方案设计中。

       因此，课题组提出在智能设计中引入相关设计经验规则，以实现对AI设计细节的优化。

2

研究方法

2.1 基于整体-局部联合学习的剪力墙设计局部优化

       首先将整体建筑设计图输入至剪力墙结构整体布置设计算法中，得到整体结构布置；

       由于交通井区域无楼板作为横隔，其侧向刚度比有板位置弱，故其剪力墙设计规则不同于其余空间区域，例如电梯井处剪力墙通常采取满布处理。因此，随后提取交通井部位的设计结果，并输入至局部布置设计算法中，得到交通井局部布置优化设计；最后将局部设计与整体设计相融合，得到兼顾整体-局部设计的剪力墙结构优化设计。

2.2 基于规则编码的剪力墙设计局部优化方法

       通过对工程师设计的调研与分析，本研究针对剪力墙结构设计，考虑构件布置位置、连接关系、是否满足工程规范要求、以及构件尺寸等方面，约定了相应的优化规则，在拓扑-模式-尺寸三个层次上通过规则编码的方式优化智能设计的局部细节。其中，拓扑主要指结构构件布置的位置及构件之间的连接关系；模式主要指构件设计细节满足工程规范要求；尺寸则是指结构构件的截面尺寸。

3

案例分析

3.1 典型案例的力学性能

       首先在相同的设计条件，分别进行剪力墙结构的结构设计。设计条件为：建筑高度为52m，地上建筑17层，设防烈度为7度，基本设防地震动（50年超越概率10%）的峰值加速度为0.10g，场地类别为Ⅱ类，地震分组为第三组，场地特征周期为0.45s，抗震等级为三级抗震，设防类别为丙类。

（a）优化前智能设计结构图

（b）优化后智能设计结构图

（c）工程师设计结构图

       通过PKPM分析，得到设计的关键力学性能指标，如表1，图5~6所示。三者整体指标均符合要求，但优化前结构存在构件轴压比超限的问题，而优化后的剪力墙构件轴压比则能有效满足规范要求。可见，局部优化方法可在基本不改变整体力学特征的前提下，有效改善结构局部构件的受力合理性。

（a）x向最大层间位移角

（b）y向最大层间位移角

（a）优化前结构轴压比分析结果

（b）优化后结构轴压比分析结果

3.2 多个案例基于工程师经验的评价结果

       本研究采用基于工程师感知的评价方法检验智能设计的合理性，本方法采用问卷星平台进行在线盲测，结果分别如表2~3所示。

       结果表明：工程师对优化后的AI设计认可度较高，基于优化方法可以显著提升局部设计的合理性，使智能化结构设计除了与工程师设计在整体上相似外，在局部细节上也更加符合工程设计经验。

4

研究结论

       1）提出基于整体-局部联合学习的局部设计优化方法，分别对整体结构和交通井局部结构设计进行学习，并提出整体-局部设计融合方法，有效结合了整体拓扑布置与局部设计细节的优势。

       2）提出了基于规则编码的剪力墙结构局部设计优化方法，在拓扑-模式-尺寸三个层次上对设计规则进行编码，将智能设计结果的局部特征进行确定性优化。

       3）案例分析结果表明，优化后的剪力墙结构设计局部细节提升显著。优化后的结构设计满足整体力学指标要求，有效改善结构局部构件的受力合理性；且工程师对优化后的结构设计的认可度较高，39%智能设计被判别为工程师设计（较优化前提升近10%）。

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

15. Liao WJ, Lu XZ*, Fei YF, Gu Y, Huang YL, Generative AI design for building structures, Automation in Construction, 2024, 157: 105187. DOI: 10.1016/j.autcon.2023.105187

16. Zhao PJ, Liao WJ, Huang YL, Lu XZ*, Beam layout design of shear wall structures based on graph neural networks, Automation in Construction, 2024, 158: 105223. DOI: 10.1016/j.autcon.2023.105223