论文:Intelligent beam layout design for frame structure based on graph neural networks. Journal of Building Engineering. 2022.
DOI: https://doi.org/10.1016/j.jobe.2022.105499
发明专利:多模态输入深度神经网络、框架结构梁柱设计方法及装置 ZL 202111296427.7
3分钟视频介绍:
00
太长不看版
框架梁的布置是框架结构设计的关键环节,由于框架结构平面布置灵活,已有智能设计方法难以应对平面形式自由的结构布置的挑战。框架结构梁柱连接具有天然的图/图谱(Graph)拓扑特征,图神经网络(GNN)作为一种数据驱动的深度学习算法,特别擅长处理这类的非欧数据,为框架结构设计提供了新的解决方法。因此,基于GNN,本研究提出了框架梁的智能化布置方法,主要创新工作包括:(1) 构造了框架结构平面布置的大规模训练数据集,(2) 探讨了适合于框架结构的图表征方法,(3) 提出了一种面向梁布置设计的GNN模型Graph-SF。案例研究表明,本研究提出的梁布置设计方法准确率超过95%,非常接近工程师设计。
01
研究背景
框架梁的设计是框架结构设计的关键环节。然而,框架结构平面布置灵活,梁的布置涉及拓扑特征,由于建筑体型的多样化,一些非矩形的不规则的框架平面形状使得框架结构的梁布置更加复杂。因此,难以用网格化的欧几里得式的像素图像来高效且通用的表示梁柱的连接关系。
图(Graph)由节点Node和边Edge组成,而框架结构可以认为是由梁和柱组成。可以直观地发现,框架结构有一种明显的节点和边的关系,可以认为是一种Graph,如图1所示。而传统的卷积神经网络CNN、生成对抗网络GAN等,不能直接应用在Graph上,难以解决框架结构平面构件布置问题。
图1 框架结构可以认为是一种Graph,传统像素图像卷积运算不再适用
可直接在Graph上运算的图神经网络是Graph数据的有效处理方法。但是现有经典的GNN模型无法有效学习框架梁的布置规律,设计出的梁布置存在明显缺陷,如图2所示。我们要解决的关键难题就是:不同平面形状下,GNN如何有效学习既有设计中框架梁的布置规律。
图2 现有经典的GNN模型存在缺陷
02
研究方法
要用GNN设计框架梁,我们总结要推翻“三座大山”:
(1) “没得学”——GNN需要成千上万的数据来训练,而目前土木工程领域缺乏这样的数据库;
(2) “怎么学”——有多种不同的方案可以用来表征框架结构的Graph数据结构,但是到底哪个方案可行?
(3) “学不会”——现有的GNN网络在学习框架结构布置规律上表现都比较“学渣”,能学会框架结构布置规律的GNN“学霸”长啥样?
针对这“三座大山”,我们通过(1)框架结构数据参数化构造,(2)框架结构图表征方法研究,(3)边特征增强图神经网络模型构建,来实现基于图神经网络的框架梁智能化布置。
在建筑结构构件布置领域,图神经网络相关研究极少。其关键难点在于,既有的GNN需要充足的数据进行训练,而对于土木工程领域而言,尤其是平面不规则的框架结构,供图神经网络训练和学习使用的数据严重不足,进而成为GNN用于本领域的关键局限。
图3 L形框架平面的构造方法示意
框架结构图表征方法就是说如何用图节点和图边表示框架结构。合适的结构图表征方法是GNN研究的基础。本研究探讨了3种图表征方法,如图4所示,以及相应的不同参数方案的影响。
图4 框架结构的3种图表征方法
我们提出了一种适用于框架结构设计的边特征增强的图神经网络Graph-SF,如图5所示。Graph-SF模型可以更好地学习框架结构布置梁的规律,相比于经典GNN模型,可以实现更好的框架梁布置。
图5 一种适用于框架结构设计的边特征增强的图神经网络Graph-SF
03
案例研究
我们对来自知名设计院的15套真实框架结构进行了案例分析。结果表明,对于矩形和较为规则的L形等形状规则的框架结构,本研究所提出模型几乎能够以100%的准确率正确预测梁的位置(图6)。对于形状不规则的框架结构,本研究提出的方法可以有95%以上的准确率(图7),非常接近人类工程师的设计结果。且生成梁布置方案的时间只需要几秒钟。
图6 形状较为规则的框架结构
图7 形状不规则的框架结构
联络邮箱:
zhaopj19@mails.tsinghua.edu.cn
liaowj17@tsinghua.org.cn
04
课题组结构智能设计论文
竖向构件布置
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.
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.
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.
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.
水平构件布置
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.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent beam layout design for frame structure based on graph neural networks, Journal of Buidling Engineering, 2022, DOI: 10.1016/j.jobe.2022.105499.
构件尺寸设定
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.
智能设计系统和平台
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.
---End---
相关研究
学术报告视频
专著
人工智能与机器学习
---结构智能设计
---其他土木工程领域人工智能研究
城市灾害模拟与韧性城市
高性能结构与防倒塌
新论文:抗震&防连续倒塌:一种新型构造措施
联系客服