AI与智能制造——土木领域的新兴方向

 

设计建筑结构带来了各种挑战，包括低效的设计过程、有限的数据重用以及对以往设计经验的利用不足。生成人工智能（AI）已成为一种强大的工具，可以学习和创造性地使用现有数据来产生新的设计思想。从过去的经验中学习，这种技术可以分析复杂的结构图，结合需求文本，整合机械和经验知识，创造新的设计。本文对生成人工智能在建筑结构设计中的研究和应用进行了全面综述。重点是如何表示数据，如何构建智能生成算法，评估设计的方法，以及生成和优化的集成。这篇综述揭示了生成人工智能在建筑结构设计方面取得的重大进展，同时也强调了关键的挑战和前景。目标是提供一个参考，帮助指导向更智能的设计过程过渡。

 

 

 

 

 

将监管文件或建筑规范解释为计算机可处理的格式对于建筑物和基础设施的智能设计和施工至关重要。尽管自动化规则解释（ARI）方法已经研究了多年，但它们中的大多数都高度依赖于从构建代码中早期手动过滤可解释子句。虽然他们中很少有人考虑机器可解释性，这代表了从子句和文档级别转换为计算机可处理格式的潜力。因此，本研究旨在提出一种新的方法来自动评估和增强单个子句和建筑规范的机器可解释性。首先，考虑到规则解释的要求，引入了一些类别来对建筑规范中的每个子句进行分类，并开发了一个用于模型训练的数据集。然后，基于预先训练的特定领域语言模型和迁移学习技术，开发了一个高效的文本分类模型。最后，提出了一种定量评估方法来评估建筑规范的整体可解释性。实验表明，所提出的文本分类算法优于现有的基于CNN或RNN的方法，F1得分从72.16%提高到93.60%。还表明，所提分类方法可以增强下游ARI方法，提高4%。此外，对中国150多个建筑规范的分析表明，它们的平均可解释性仅为34.40%，这意味着将整个监管文件完全转换为计算机可处理的格式仍然很困难。也有人认为，构建代码的可解释性应该从人的方面（在编写构建代码时考虑某些约束）和机器的方面（开发更强大的算法、工具等）进一步提高。

 

 

 

 

 

传统上劳动密集型的建筑业，现在正朝着自动化和智能化的方向发展。值得注意的是，剪力墙布局一直是结构施工的关键组成部分，神经网络促进了复杂设计方法的出现。这些方法集成了图神经网络（GNN），成功地缓解了计算资源需求和捕捉拓扑特征的挑战，而拓扑特征是基于像素图像的方法的障碍。然而，现有的基于GNN的方法在一定程度上适应了结构设计条件，并且在满足实际工程要求方面表现不佳。具体而言，这些方法忽略了设计基准地震（DBE）的峰值地面加速度（PGA）、特征地面周期和建筑高度等影响因素，所有这些因素对剪力墙布局设计至关重要。为了弥补这一研究空白，本研究提出了一种基于GNN的创新设计方法，该方法适当地结合了设计条件，包括DBE的PGA、特征地面周期和建筑高度，并严格评估了其与以前方法相比的优势。研究结果证实了所提出的设计条件知情方法的有效性和可靠性，并强调了其将剪力墙布局与设计条件准确关联的能力。

 

 

 

 

 

高层建筑会影响附近较短建筑的地震安全性。大多数研究通过分析局部区域的结构-土壤-结构相互作用来研究这种影响。考虑到高层建筑的质量大、基本周期长，地震期间的扰动可以影响非常广泛的区域。因此，从城市尺度的角度来研究高层建筑的影响是很重要的。以上海中央商务区为例，采用非线性时程分析方法，量化了高层建筑对场地和建筑物地震反应的影响。分析了不同的地震烈度和建筑结构，研究了高层建筑对地震动能量、建筑反应和破坏状态的影响。这些发现表明，有必要考虑被较高建筑包围的较短建筑的地震安全性。

 

 

 

 

中央商务区密集地建造着暴露在风中的高层建筑群，影响了它们的强度、可用性和可居住性。本工作提出了一个计算框架，用于在城市范围内评估风对建筑物的影响，而现有的研究大多局限于孤立的建筑案例。该框架的特点是（1）基于GIS的城市景观拓扑生成，（2）建筑物上时变风荷载的大涡模拟（LES），（3）城市尺度的时程分析，以捕捉建筑物集群响应，（4）结果的高保真可视化，以及（5）城市尺度性能评估。旧金山市中心的一部分用于展示该框架在建筑强度、可用性和可居住性的计算设计和评估方面开创新时代的潜力。所提出的框架通过加强同步建模建筑集群动力学的规定，作为虚拟双胞胎的风洞研究提供了补充。该框架旨在作为建筑集群的系统级基于计算的分析和设计平台，并不一定旨在反映LES建模的最新进展。框架的每个组件都是模块化的，并且可以通过引入任何可用的细化来增强其保真度。