首页/文章/ 详情

智能设计原理揭秘 | 论文和发明专利:基于扩散模型的剪力墙结构智能设计

5月前浏览4654

摘要



正文

 

论文:Intelligent design of shear wall layout based on diffusion models. Computer-Aided Civil and Infrastructure Engineering, 2024.

DOI:https://doi.org/10.1111/mice.13236

 

发明专利:建筑结构布置生成方法、系统及生成模型的构建方法 ZL 202310477335.1


 

ai-structure.com在2023年11月3日上线了基于Diffusion Model的剪力墙结构智能设计,本文给出其实现的具体技术原理。

本研究提出了一种适用于剪力墙布置任务的扩散模型训练、生成方法。讨论了适用于扩散模型的剪力墙图纸表征方式、扩散模型架构设计。测试案例表明,本研究提出的方法设计的剪力墙结构与其他算法相比有一定优势。


01

扩散模型科普

考虑到很多读者对扩散模型本身并不熟悉,我们先对扩散模型本身做一些比较科普的介绍。“扩散”其实来源于生活中很常见的一个物理现象,例如将墨水滴入水中,过一段时间,墨水就会与水融为一体,这个过程就是扩散,显然这个过程是很难逆转的。类比到图像生成任务,就是给图片不断加上微小的噪声,到一定时间,图像本身就会变成纯噪声,这个过程也是不可逆的,而扩散模型就是想用AI这一有力武器将纯噪声图像恢复成原始图像。

当然,纯噪声图像里面不包含原有图像的任何信息,因此这个逆过程是不可能完成的。因此,在逆过程中,我们要给一些条件,才能让逆过程按我们所想的进行。例如在逆过程中给出条件“一朵黄色的花”,才能达到图1所示的效果。

 

图1 前向后向扩散过程

为什么要做的如此复杂?

一个很自然的答案是将原来的一步生成变成了多步生成。生成对抗网络(GAN)也是从噪声(隐空间)映射到图像,但GAN一步就完成了映射。这样很快,但做得糙。扩散模型将这个一步的过程变成了多步,慢慢地去除图片中的噪声,最终可以获得比GAN更加精细的结果。

 

图2 一步生成与多步生成


当然使用扩散过程的逆过程还有很多很好的性质,例如增强稳定性、可靠性、多样性等,但这些都需要一点点数学推导,如果读者感兴趣,可以阅读https://lilianweng.github.io/posts/2021-07-11-diffusion-models/博文,里面有更详细的解释。


02

剪力墙布置任务

下面让我们来重新思考一下剪力墙布置任务。剪力墙布置任务,与其说是从图片到图片生成剪力墙的布置,不如说是属于结构工程师的涂色游戏。规则就是在灰色 区域(建筑墙)区域涂上红色(剪力墙),让这个剪力墙布置符合结构规范即可。

 

图3 剪力墙布置就是在玩一种涂色游戏


03

适用于剪力墙布置任务的扩散模型

2022年以来,提到扩散模型,第一个想到的就是Stable Diffusion。那么Stable Diffusion能不能用于我们剪力墙结构的布置任务呢?

 

图4 Stable Diffusion 架构


答案是Stable Diffusion可以用,但是这并不是最优的。首先,Stable Diffusion利用编码器和解码器将图像在隐空间进行操作。这一操作对真实图像是很有效的,这是因为真实世界中图像通常高频成分不明显,因此利用编码器后不会损失太多的信息,而且有利于减少训练所需的显存。而对于建筑图纸而言,高频信息反而是最重要的部分,因此使用这种编码器、解码器是不合适的。

 

图5 高频信息对建筑图纸的影响(图像局部放大)


其次,剪力墙结构布置是一个涂色问题,Stable Diffusion的架构并不支持控制涂色范围,因此其内部使用的架构也不合适。最后,Stable Diffusion添加条件的方式利用了CLIP模型(由于这超出了本文内容,感兴趣的读者可以阅读https://openai.com/index/clip/)但这种方式不够直接,也不适合用于剪力墙布置任务。

为了解决上述问题,本研究另起炉灶,提出了一种新的、适用于剪力墙布置任务的扩散模型,以及其对应的数据集构建、模型训练、模型应用方法,如图6所示。

 

图6 适用于剪力墙布置的扩散模型技术路线


数据集构建方面使用了基于特征空间表示的硅基视觉大 法,这里卖个关子,将在下回揭秘。在数据集构建完成后,我们选择如图7所示的带注意力机制和噪声等级编码的U-Net进行剪力墙生成任务。

 

图7 带注意力和噪声等级编码的U-Net架构


这就避免了引入编码器、解码器造成的高频信息缺失。并且本研究中将条件与输入张量连接(Concatenate)起来输入到U-Net中,有效提升了条件指导的作用。另外,本研究还对U-Net输入输出做了一些更改,以控制模型只在有建筑墙体的地方布置剪力墙。这样做有两大好处,一是在训练时模型只关注能布置剪力墙的部分,提升特征稠密程度(图8所示,原先65536像素的生成下降为972个像素的生成),并且能够有效减少剪力墙像素占比过少引起的模型训练不稳定;二是在预测时,能直接清理掉超出布置范围的部分,减少后处理工作量

 

图8 修改后的U-Net有效提升了特征稠密度


04

结果讨论

本研究针对不同添加条件方式,训练精度,U-Net隐藏层维度,注意力机制添加位置等方面进行了讨论,相关细节请参考论文原文。同时还对比了本研究模型与StructGAN(本研究中的StructGAN是早期StructGAN,不是现在AI-Structure上修炼了硅基视觉大 法的GAN)效果。在IoU指标上,StructGAN在有18个案例的测试集上得分为0.363,本研究提出的方法得分为0.585。如图9所示,本研究方法生成的结果边界清晰锐利,说明其学习能力较强。

 

图9 StructGAN与扩散模型生成结果对比(局部)


05

案例分析

本研究以江苏省的一栋7度区,30米高住宅建筑为例,利用扩散模型及StructGAN分别进行结构设计,其中扩散模型设计结果如图10所示,StructGAN设计结果如图11所示(GT:Ground Truth;SD,Struct-Diffusion)。

 

图10 扩散模型典型案例设计结果


 

图11 StructGAN典型案例设计结果


可以看出,扩散模型在该典型案例上表现良好,剪力墙布置的位置大致均正确,只在部分细节上略有不同。其中②③区域工程师布置更为合理,而①④区域的布置则需要根据实际情况判断。这说明扩散模型有良好的泛化性能,在不同设计院的案例中也有不错的表现。



来源:陆新征课题组
ACTSystem建筑材料科普游戏控制人工智能
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-05-26
最近编辑:5月前
地震那些事
博士 抗震防灾数值模拟仿真
获赞 44粉丝 56文章 558课程 0
点赞
收藏
未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈