给马儿换上精饲料，AIstructure设计效果持续改善_ACT_Mechanical_System_建筑_UM_材料_仿生

给马儿换上精饲料，AIstructure设计效果持续改善

引言

AI设计就是根据输入的数据进行学习，然后模仿生成新的设计。所以输入的数据质量越好，AI模仿生成的新设计质量就越高。优秀的学习数据就像给马儿喂了精饲料，马儿的表现就更好。

改进简介

自2023年11月，基于Diffusion Model驱动的建筑结构智能设计算法发布以来，AIstructure-Copilot就可以实现三驾马车并驾齐驱，为用户提供生成对抗网络（GAN）、图神经网络（GNN）、以及扩散模型（Diffusion Model）的三套独立算法，实现更加多样性的智能设计。

在4月19日发布的文案中，我们提到了软件设计效果有所提升，主要源于我们对三驾马车的动力系统进行了全方位的提升，通过优化算法提升了数据质量。包括：

(1) 采用左右互搏大法进行稀少数据补充（详见：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）;

(2) 采用拓扑-模式-尺寸三层次的优化改进结构设计（详见：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）;

(3) 利用高速估算结构材料用量算法，来提升结构经济性（详见：揭秘：AI如何做到1秒内算出用钢量？| 新论文：基于知识增强图神经网络的建筑结构材料用量评估方法）；

(4) 采用经验规则编码高效评价合理性（覃思中, 等, 工程力学, 2023）。

从优化方法和性能评估等方面，多管齐下，大力出奇迹！实现了数据质量的有效提升。

在本版本AIstructure改进完成后，我们进行了多次的测试，设计效果有比较明显的提升，特别是一些细节的处理更完善，欢迎大家继续试用。

具体改进内容

2.1 对局部细节处理能力的提升

（1）封闭管井的处理

如图a所示的更新前剪力墙的布置结果，蓝图框中的局部我们进行放大，图（b）可见局部的封闭管井AI布置了剪力墙，不符合工程实际，本次更新后，AI可以自动识别管井位置，并在布置结构方案的时候合理的避开（如图c）。

（a）剪力墙布置结果（更新前）

（b）更新前局部设计效果

（c）更新后局部设计效果

（2）建筑外轮廓角部细节处理

本次更新后，扩散模型可以更好的关注到建筑外轮廓角部的细节处理，布置的剪力墙也更加符合工程实际需求，如下图蓝色图框中所示。

（a）更新前设计效果

（b）更新后设计效果

（3）避免不合理布置

如下图蓝色图框中所示，本次更新后，避免了局部剪力墙布置过于琐碎和“一字墙”等问题。

（a）更新前设计效果

（b）更新后设计效果

2.2 取消了GAN算法对于平面尺寸的限制要求

本次更新后，对超出51m×25m的平面图纸GAN也可以很好的完成设计。

（a）原始建筑图（平面尺寸51.7m×18.1m ）

（b）更新前超出平面尺寸GAN无法完成设计

（c）更新后GAN可以很好的完成设计

结语

我们通过优化算法提升数据质量，给三驾马车提供更加精细的饲料，从而对设计效果进行了全方位的提升，更符合工程师的经验习惯，可以辅助工程师更好的开展智能设计，欢迎大家试用。

参考文献：

Fei YF, Liao WJ, Lu XZ, et al. Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets[J]. Journal of Building Engineering, 2023, 79: 107873.
陆新征,韩进,韩博,等.基于规则学习与编码的剪力墙智能设计优化[J].东南大学学报(自然科学版),2023,53(06):1199-1208.
Fei YF, Liao WJ, Lu XZ, et al. Knowledge‐enhanced graph neural networks for construction material quantity estimation of reinforced concrete buildings[J]. Computer‐Aided Civil and Infrastructure Engineering, 2024, 39(4): 518-538.
覃思中,廖文杰,林元庆,等. An efficient assessment method for intelligent design results of shear wall structure based on mechanical performance, material consumption, and empirical rules[J].工程力学,2023,40(12):148-159.

后续，我们还将不断完善相关产品功能。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。

--End--

5分钟视频演示智能设计操作全流程

来源：陆新征课题组

RED-ACT | 4月17日日本6.2级地震破坏力分析

Real-time Earthquake Damage Assessment using City-scale Time history analysis (RED-ACT)致谢和声明：感谢日本K-Net为本研究提供数据支持。本分析仅供科研使用，具体灾情和灾损分析应根据现场调查情况确定。本文摘要：（由ai生成）本研究采用RED-ACT技术评估了2024年4月17日日本四国岛6.2级地震的损害。通过K-Net地震动数据，分析了建筑破坏、人员感受及滑坡分布。结合中国地震学会标准，利用强震台网信息和城市抗震弹塑性分析，对多层框架、砌体结构和桥梁结构进行了破坏能力分析。研究结果为抗震救灾提供科学依据，但具体灾情需现场调查确认。一、地震情况简介据中国地震台网正式测定，北京时间4月17日22时14分（当地时间4月17日23时14分）在日本四国岛发生6.2级地震，震源深度30公里，震中位于北纬33.05度，东经132.60度。二、强震记录及分析 20240417日本6.2级地震获得了20组地震动，由于地震动没有完全收集，可能还有更强的记录。典型地震记录分析如下：KOC015典型台站位置北纬32.939度，东经132.726度，记录到水平向地震动峰值加速度为539 cm/s/s。该地震动及反应谱如图1、图2所示。 (a) EW (b) NS(c) UD图1 典型台站地面运动记录图2 典型台站典型记录反应谱三、地震动对典型城市区域破坏能力分析根据中国地震学会标准《基于强震动记录的地震破坏力评估T/SSC 1—2021》（参阅新标准发布：基于强震动记录的地震破坏力评估），利用密布强震台网在震后获取的实时地震动信息，再结合城市抗震弹塑性分析，就可以得到地震发生后不同地点的建筑破坏情况，为抗震救灾决策提供科学支撑。图3为根据本次地震震中附近范围内台站记录分析得到的建筑震害分布示意图。图4为根据本次地震震中附近范围内台站记录分析得到的人员加速度感受分布示意图。图3 不同台站地震记录破坏力分布图图4 不同台站地震记录人员加速度感受分布图四、台站附近地震滑坡分析根据当地地形数据、岩性数据和实测地面运动记录，可以计算得到不同滑坡体饱和比例下的滑坡分布，如图5所示。其中，底图为当地坡度分布图，每个圆圈代表每个台站的计算结果，圆圈中的数字代表发生滑坡的临界坡度，台站附近坡度大于该数值的地方滑坡发生概率高。 (a)滑坡体饱和比例为 0% (b)滑坡体饱和比例为50% (c)滑坡体饱和比例为 90%图5 不同台站附近地震滑坡分布五、地震动对典型单体结构破坏能力分析(1) 对典型多层框架结构破坏作用模型1：三层框架结构（感谢中国建筑设计研究院王奇教授级高工提供模型）将典型台站记录输入立面布置如图6(a)所示的6度、7度和8度设防的典型三层钢筋混凝土框架结构，得到其层间位移角包络如图6(b)所示。 (a)立面布置示意图 (b)层间位移角图6 典型三层钢筋混凝土框架结构(2) 对典型砌体结构破坏作用模型1：单层未设防砌体结构选取图7所示纪晓东等开展的单层未设防砌体结构振动台试验模型，输入典型台站记录，分析结果表明该结构将处于毁坏状态。（纪晓东等，北京市既有农村住宅砖木结构加固前后振动台试验研究，建筑结构学报，2012,11,53-61.）图7 单层三开间农村住宅砖木结构振动台试验模型2：五层简易砌体结构选取图8所示朱伯龙等开展的五层简易砌体结构足尺试验模型，输入典型台站记录，分析结果表明该结构将处于中度破坏状态。（朱伯龙等，上海五层砌块试验楼抗震能力分析，同济大学学报，1981,4,7-14.） (a)平面图 (b)剖面图图8 五层简易砌体结构布置(3) 对典型桥梁破坏作用模型1：某80年代公路桥梁（感谢福州大学谷音教授提供模型）选取图9所示某80年代公路桥梁模型，输入典型台站记录，分析结果表明该结构将处于中度破坏状态。图9 某80年代公路桥梁模型模型2：某特大桥引桥（感谢福州大学谷音教授提供模型）选取图10所示某特大桥引桥模型，输入典型台站记录，分析结果表明该结构将处于完好状态。图10 某特大桥引桥模型来源：陆新征课题组