基于条件流匹配的剪力墙布局智能设计

《Advanced Engineering Informatics》:Intelligent design of shear wall layout based on conditional flow matching

【字体: 大 中 小 】 时间:2026年10月22日 来源:Advanced Engineering Informatics 11.5

编辑推荐:

   - 提出了一种知识驱动的生成式框架,用于剪力墙布置设计。 - 将整体抗震条件形式化,以调控剪力墙分布。 - 引入条带注意力机制来建模剪力墙的轴向和条带状空间特征。 - 采用混合源分布策略,在关键区域中纳入局部设计约束。 - 该方法能够在保证工程合规性的同时实现高效生成。 *

  

- 提出了一种知识驱动的生成式框架,用于剪力墙布置设计。
- 将整体抗震条件形式化,以调控剪力墙分布。
- 引入条带注意力机制来建模剪力墙的轴向和条带状空间特征。
- 采用混合源分布策略,在关键区域中纳入局部设计约束。
- 该方法能够在保证工程合规性的同时实现高效生成。

**引言**

近年来,高层建筑在城市发展和建设中发挥着至关重要的作用。在各种结构体系中,钢筋混凝土(RC)剪力墙结构因其卓越的竖向和水平荷载承载能力以及优异的抗震性能,已被广泛应用于高层建筑中[1]、[2]、[3]。然而,传统的结构设计方法在很大程度上依赖经验知识,通常包含一系列复杂的阶段,包括布置规划、构件的空间定位与朝向确定以及截面尺寸优化。此外,为了实现结构力学性能、经济成本和建筑空间功能等多维需求之间的最佳平衡,结构工程师必须与建筑师进行紧密的跨学科协作。受人为主观经验的多变性和多目标协调复杂性的制约,传统结构设计范式往往陷入冗长的迭代修改和计算密集型工作流程之中。这些因素共同导致了设计周期延长、效率降低以及输出质量参差不齐[4]、[5]、[6]、[7]、[8]。因此,突破人工设计范式的固有瓶颈,探索和发展高效、智能的剪力墙结构生成式设计方法,已成为土木工程领域的一项关键研究优先事项。

随着人工智能的快速发展,数据驱动方法在结构工程中的应用日益广泛,在钢筋混凝土剪力墙损伤评估、抗震性能评价和地震风险评估等领域展现出巨大潜力[9]、[10]、[11]。同时,对高效、智能设计方法的日益增长的需求,推动了数据驱动方法在结构设计中的应用,减少了对经验知识的依赖并提高了设计效率。目前,生成对抗网络(GAN)、图神经网络(GNN)和扩散模型(DM)等模型已被逐渐应用于结构初步设计阶段。GAN构建了一个对抗训练框架,其中生成器和判别器相互竞争,依靠特定的损失函数驱动生成器逼近真实工程数据的概率分布。StructGAN系列模型开创了这一框架的应用,通过将建筑平面图转化为基于像素的图像特征进行训练,实现了剪力墙布置的生成式设计。后续研究进一步引入了工程先验知识,如结构设计规范、力学响应数据和专家经验,提高了生成结果的实用价值[12]、[13]、[14]、[15]、[16]。Chan等人[17]提出了一种改进的TransUnet作为生成器,并配以基于小波的判别器。该架构在提取全局特征和局部细节之间取得了平衡,同时显著增强了模型学习关键高频信息的能力。然而,GAN的对抗训练对生成器和判别器之间的平衡高度敏感。这种敏感性往往导致模式崩溃和训练不稳定,使模型难以有效且稳定地收敛。此外,基于像素的图像表示存在信息稀疏问题,限制了生成设计的质量,从而制约了其在工程项目中的实际应用。

为了克服图像表示的局限性,研究人员采用了图神经网络(GNN)方法。这些方法通过将结构图纸定义为节点、边和全局属性来转化为图结构化数据,从而增强特征密度[18]、[19]、[20]。尽管GNN在提取结构构件之间的空间连接方面展现出潜力,但构建高质量的图数据需要复杂的预处理流程,包括将建筑图纸转化为拓扑图以及对各个元素分配特定的物理或几何特征,这是一个既耗时又技术要求高的过程。此外,作为确定性回归方法,GNN难以生成多样化结果,无法满足生成式设计对多样性的需求。

近期研究将扩散模型引入结构生成式设计,以解决前述方法在生成质量和多样性方面的局限性。这些模型通过逐步向真实数据添加高斯噪声直到其变为纯噪声来合成布置方案,然后训练神经网络学习反向去噪轨迹以重构结构布置。基于这一范式,针对结构设计任务提出了各种适应性改进。Wang等人[21]将Stable Diffusion与LoRA微调及禁忌搜索相结合,用于智能方案优化。Zhou等人[22]集成了ControlNet,显著增强了对生成布置方案的几何控制能力。Gu等人[23]使用创新的掩码张量表示和训练函数解决了像素特征的稀疏性问题,而He等人[24]通过将底层机制从噪声预测转向直接数据预测,大幅提升了布置质量。此外,几项研究成功实现了条件驱动生成,使剪力墙布置方案能够根据指定设计参数进行自适应调整[22]、[23]、[24]。然而,尽管在生成质量方面取得了突破,扩散模型从根本上受制于其反向去噪过程,通常需要数百甚至数千个迭代步骤。这种冗长的采样机制带来了巨大的计算成本,推理效率低下,难以满足实际工程中对快速生成和交互的需求。

尽管已有的生成式人工智能模型显著提升了剪力墙布置设计的效率,但仍存在若干尚未解决的领域特定挑战。首先,现有的数据驱动方法通常依赖通用架构,未能专门考虑剪力墙布置的规律性和细长几何特征。因此,剪力墙的固有空间模式可能在特征提取和生成过程中无法得到有效表达。其次,当前的生成框架未能有效整合局部工程先验。在实际设计流程中,某些关键功能区域的结构布置是确定性的。例如,电梯井严格要求封闭的剪力墙以满足施工和承载需求。由于大多数生成模型从缺乏物理意义的纯随机噪声演化而来,它们无法在生成过程中显式且稳定地注入这些确定性先验。这一缺陷严重限制了生成方案的工程适用性。

Flow Matching(流匹配)[25]作为一种新兴的生成框架,近期已广泛应用于数据合成、医学图像分割、生物分子设计和动态机器人控制等领域[26]、[27]、[28]、[29]。通过直接学习映射分布之间确定性轨迹的向量场,该方法实现了任意数据分布之间的无缝变换[30]、[31]。关键在于,该机制在定义初始分布方面具有相当大的灵活性,放宽了扩散模型对标准高斯噪声作为起点的严格要求,允许研究人员基于任务特定的先验知识自定义初始状态[32]、[33]、[34]。与现有生成技术相比,Flow Matching规避了GAN固有的模式崩溃风险,同时避免了扩散模型耗时的去噪迭代。在推理过程中,只需通过数值求解常微分方程(ODE),便可用远少于扩散模型的步数快速生成高质量样本,在生成速度和质量之间取得了平衡。因此,将Flow Matching引入剪力墙布置设计,可以充分利用其灵活的初始化机制来整合工程先验。该方法有望克服当前局限性,推动结构设计效率和智能化水平的提升。

本文提出的剪力墙布置智能生成框架由三个核心组件构成,旨在弥合算法生成与实际工程需求之间的差距。首先,该框架基于条件流匹配(CFM)建立,其U形生成网络在瓶颈处嵌入了条带注意力机制[35]。这一设计在有效学习空间特征的同时,增强了剪力墙细长轴向和条带状几何特征的表达能力。其次,通过将建筑抗震设防烈度和建筑高度映射为设计基本地震加速度标量,制定了一种引导策略,从而调控生成的剪力墙含墙率。最后,制定了一种混合源分布策略,在向量场演化初始阶段融入确定性工程先验。该策略不单纯依赖随机噪声初始化,而是嵌入关键区域(如预设电梯井)的先验信息,以提升工程一致性。推理过程需要20个积分步骤,每个设计可在2秒内完成,提高了结构初步设计的效率。主要贡献总结如下:

(1)高效CFM生成框架:建立了用于剪力墙布置生成的条件流匹配框架,通过避免对抗训练不稳定性和冗长的迭代去噪过程,为基于GAN和基于扩散的方法提供了高效的替代方案。

(2)工程知识的显式形式化:超越纯算法应用,通过全局条件引导(地震加速度约束)和局部空间先验(关键区域的混合源分布)将工程知识纳入框架。这一形式化使生成的布置方案能够满足确定性空间要求,并提升了工程适用性。

(3)领域专用网络架构:在生成网络中集成条带注意力机制,增强剪力墙布置方案细长和轴向几何特征的表达能力,在特征提取方面优于现有基于图像的方法。

**章节概要**

**基于流匹配的剪力墙智能设计框架**
本节首先介绍Flow Matching的基本理论,包括向量场学习和推断机制。随后,与传统扩散模型进行对比,分析生成效率和初始分布的灵活性,以论证纳入先验结构知识的可行性。最后,将具体的剪力墙布置生成工作流制定为一个融合先验知识和训练与推断的智能生成模型。

**剪力墙智能生成模型的训练与推断**
本节详细描述了所提出生成模型的训练和推断过程。首先,介绍了数据预处理流程和引导条件及目标分布的表示策略。随后,阐述了网络架构和条带注意力机制。接着,详细说明了混合源分布的构建和模型训练过程。最后,描述了推断阶段的结构布置生成过程。

**方法验证与结果分析**
本节全面评估了所提出生成模型的性能。首先,与现有基准方法进行了定量和定性比较。随后,针对条带注意力机制和目标编码策略进行了系统的消融研究。接着,分析了混合源分布在保证工程合规性方面的有效性。最后,评估了在不同数值条件下的生成效率和算法鲁棒性。

**工程先验的作用与局限性**
当前实现仍然依赖于手工定义的掩码,这在预定区域内部分降低了生成不确定性。此外,确定性区域通常仅代表整体布置的一个子集,预设工程先验的可靠性取决于具体设计场景。因此,当前框架假设此类先验知识已被适当指定,并专注于学习从先验注入的初始状态出发的变换。

**结论与展望**
针对现有数据驱动剪力墙布置生成方法在计算效率、几何特征表示和工程先验整合方面的挑战,本文提出并验证了一种基于条件流匹配(CFM)的智能剪力墙布置生成框架。基于全面的定量和定性分析,得出以下结论:

(1)CFM框架能够实现高效且准确的剪力墙布置

**CRediT作者贡献声明**

Hongmei Zhang:撰写——审阅与编辑、验证、项目管理、方法论、调查研究、获取资助。
Jiacheng Guo:撰写——原稿撰写、可视化、验证、形式化分析、数据管理。
Jixing Cao:撰写——审阅与编辑、监督、方法论、概念构思。
Ahmed Sharhan:撰写——审阅与编辑、验证。

**利益冲突声明**

作者声明不存在任何已知的竞争经济利益或个人关系,这些关系可能对本研究产生影响。

**致谢**

本研究由国家自然科学基金委员会资助(项目编号:52378540、52361165658)。

Hongmei Zhang | Jiacheng Guo | Jixing Cao | Ahmed Sharhan
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号