《Buildings》:Bayesian-Optimized Surrogate Framework for Cost-Effective Design of Composite Steel–Concrete Beams
编辑推荐:
结构设计规范为验证钢-混凝土组合梁提供了安全程序,但并未直接引导工程师获得经济性配置。本研究旨在开发并评估一种代理辅助框架,将多层感知器(Multilayer Perceptron, MLP)神经网络与贝叶斯优化(Bayesian Optimization,
结构设计规范为验证钢-混凝土组合梁提供了安全程序,但并未直接引导工程师获得经济性配置。本研究旨在开发并评估一种代理辅助框架,将多层感知器(Multilayer Perceptron, MLP)神经网络与贝叶斯优化(Bayesian Optimization, BO)相结合,用于按巴西规范NBR 8800设计的简支钢-混凝土组合梁的初步抗弯承载力和材料成本优化。研究人员利用基于Python的分析程序生成了一个包含20,000种梁配置和15个输入变量的数据集,该程序实现了NBR 8800中组合梁正弯矩抗力的相关规定。生成的数据集用于训练多层感知器神经网络,以预测设计抗弯承载力。随后,将训练好的代理模型与贝叶斯优化集成,在包含商用钢型材、混凝土板厚度、抗剪连接件数量和连接件直径的离散设计空间中搜索。所选的神经网络架构在验证集上取得了平均绝对误差(MAE)为2.128 kN·m、均方根误差(RMSE)为3.013 kN·m,决定系数(R2)为0.9999。在十个基准场景中,BO–MLP框架仅使用60次目标函数评估即可识别候选解决方案。这相当于遗传算法(GA)和粒子群优化(PSO)所采用评估预算的3%,约为穷举搜索所检查配置数量的0.057%。尽管采样预算有限,所得候选解决方案相对于全局参考的平均最优性差距约为12.1%。在计算方面,GA和PSO所需的执行时间分别约为BO–MLP的4.1倍和4.9倍,而穷举搜索所需的执行时间约为其18.4倍。总体而言,所提出的框架为探索离散组合梁配置和识别具有成本竞争力的候选解决方案提供了一种计算高效的手段。直接NBR 8800验证显示,十个选定候选方案中有七个满足抗力要求,而三个候选方案的抗力需求比略低于1.0。因此,该框架应作为初步筛选工具使用,选定的配置随后需采用完整的基于规范的程序进行验证。在所研究的受限结构领域内,该框架可为正弯矩承载力和材料成本的初步决策提供支持。
**钢-混凝土组合梁成本优化中的贝叶斯优化代理框架研究解读**
**1. 研究背景与问题提出**
结构设计规范(如AISC 360、EN 1994-1-1和NBR 8800)在结构工程中发挥着基础性作用,通过建立设计规定、安全系数和验证程序来确保建筑的可靠性与安全性。然而,这些规范性公式主要用于验证给定的结构配置是否满足所需的极限状态,并未提供如何在可用设计空间中识别最具成本效益或材料效率最高的解决方案的指导。因此,在实际设计中,工程师通常依赖迭代试错程序,先初步选定截面,再对照规范要求进行校核。尽管该方法在技术上有效,但限制了对替代配置的系统性探索,可能妨碍识别最优结构方案。
已有研究探索了多种优化技术以改进结构设计。Senouci和Al-Ansari基于北美AISC-LRFD规范,采用遗传算法(GA)对组合梁进行成本优化,显著降低了成本。Poitras等人将粒子群优化(PSO)应用于钢-混凝土楼盖系统的优化,在规范约束下最小化结构质量和总成本。Alves等人针对带外部预应力的焊接组合梁提出了优化设计方法,重点根据巴西规范要求最小化CO
2排放。Fiorotti等人比较了PSO和GA在预应力焊接组合梁优化设计中的表现,报告PSO具有更优的收敛行为。最近,Silva等人将多目标粒子群优化(MOPSO)应用于组合楼板优化设计,在巴西规范约束下平衡成本、CO
2排放和承载能力。
尽管结构优化已成为现代工程的重要工具,经典优化算法(如GA和PSO)的实际使用仍计算密集,这些方法通常需要数千次目标函数和设计约束评估才能收敛。该限制在钢-混凝土组合梁设计中尤为突出,因为其行为本质上是非线性的,且高度依赖基于规范的迭代计算。根据设计变量的不同,梁可能呈现完全或部分抗剪相互作用,极限抗弯承载力可能需要考虑塑性应力分布以调动组合截面的全部抗力。塑性中性轴(PNA)位置的变化是此设计问题复杂性的主要来源之一,其可能位于混凝土板、钢上翼缘或钢型材腹板内。
贝叶斯优化(BO)已成为目标函数评估计算昂贵或评估预算有限时优化问题的替代方案。与传统元启发式算法不同,BO构建目标函数的概率代理模型,并使用采集函数平衡不确定区域的探索和有前景解决方案的开发。已有研究证实BO在结构工程中的适用性,如Mathern等人将约束多目标BO应用于结构设计问题,Liravi等人将代理建模与BO结合优化地下铁路隧道,Liu等人将BO应用于几何不确定性下的结构屈曲抗力优化。
基于上述背景,本研究的创新之处不在于提出新的BO算法或新的神经网络架构,而在于开发和系统评估这些成熟技术针对特定基于规范的结构设计问题的集成。研究提出一种将深度学习(通过多层感知器(MLP)人工神经网络)与贝叶斯优化相结合的计算框架,用基于AI的代理模型替代优化阶段重复执行的基于规范的分析程序,实现设计空间的快速探索。
**2. 研究内容与主要技术方法**
本研究的主要目标是开发和评估一种代理辅助框架,用于按巴西规范NBR 8800设计的简支钢-混凝土组合梁的初步抗弯承载力和材料成本优化。研究旨在评估该框架与常规元启发式算法相比的解决方案质量和计算效率。
研究采用的主要关键技术方法包括:(1)基于Python的分析程序,实现NBR 8800附录L中组合梁正弯矩抗力的规范计算程序,生成包含20,000个梁配置和15个输入变量的数据集;(2)多层感知器(MLP)神经网络作为代理模型,通过Keras库实现,经参数分析确定最优架构;(3)贝叶斯优化(BO)算法,采用高斯过程(Gaussian Process, GP)作为概率代理模型,期望改进(Expected Improvement, EI)作为采集函数,由Scikit-Optimize库实现;(4)GA和PSO作为对比算法,以及穷举搜索作为确定性的全局参考程序。数据集通过随机和离散采样生成,涵盖商用热轧W型钢型材(来自Gerdau目录)、混凝土板厚度、材料强度、抗剪连接件数量和直径等参数。
**3. 研究结果**
**3.1. 数据集统计特征**
对生成的数据集进行统计分析表明,独立连续变量(梁跨度、混凝土板厚度、混凝土抗压强度)在预定区间内近似均匀分布。与钢型材几何相关的变量呈现离散峰值分布,反映商用型材的有限目录特性。设计弯曲抗力呈现右偏分布,表明数据集不仅覆盖常规设计配置,还包含较少见的高承载力情况。相关性分析显示,设计弯曲抗力与钢截面几何属性(总型材高度、腹板厚度、钢截面面积)呈强正相关,而与混凝土抗压强度和板厚相关性较弱,表明在所研究的商用钢型材和板配置范围内,弯曲抗力主要由钢构件控制。数据集中三种基本相互作用状态均未超过9,000个样本,表明数据集具有良好的平衡性。通过上述统计分析,研究人员验证了数据集充分覆盖了所提出的设计域。
**3.2. 代理模型训练与性能评估**
通过系统参数研究评估了96种神经网络架构,考察了隐藏层数(3至6层)、每层神经元数和批大小对验证集平均绝对误差(MAE)的影响。结果表明,验证MAE随隐藏层数增加而降低,超过六层后误差减少变得有限。每层神经元数增加到约15个时模型性能提升,之后增益有限。批大小为100时模型性能稳定。最终选择六层隐藏层、每层15个神经元、批大小为100的架构作为最优配置。所选架构在验证集上实现MAE和均方根误差(RMSE)分别为2.128 kN·m和3.013 kN·m,决定系数(
R2)为0.9999,训练集和验证集指标接近表明模型具有良好的泛化能力。此外,在包含2000个先前未见样本的独立测试集上评估,得到MAE为9.023 kN·m,RMSE为19.052 kN·m,
R2为0.9987。安全性导向的误差分析显示,44.60%的独立预测呈现正误差(高估),表明模型未表现出系统性的高估倾向,但局部非保守误差仍然存在。
**3.3. 优化框架基准测试**
在十个结构设计场景中,将BO–MLP框架与GA、PSO和穷举搜索进行比较。BO–MLP采用了60次目标函数评估(10个初始随机采样点和50次代理引导评估),GA和PSO采用2000次评估(100个个体×20次迭代),穷举搜索评估了全部105,728种可能配置。为确保公平比较,不同评估预算的设计是为了反映各方法的操作特性,评估计算效率与解决方案质量之间的权衡。
结果显示,BO–MLP在全部场景中识别出被代理模型分类为可行的候选配置,但成本均高于穷举搜索的结果。除场景2和4外,BO–MLP与穷举搜索解之间的相对差异保持在20%以下,平均最优性差距约为12.1%。GA和PSO实现了更接近全局参考的解,平均最优性差距分别约为3.4%和1.4%。在计算效率方面,GA和PSO所需CPU时间分别约为BO–MLP的4.11和4.89倍,穷举搜索约为其18.38倍。
对所选配置进行NBR 8800直接验证显示,十个候选配置中有七个(场景2、3、4、5、6、8和10)保持在安全设计区域内,三个配置(场景1、7和9)的重新计算抗力需求比略低于1.0,最大偏差约为6.9%。这表明尽管MLP具有较高全局预测精度,接近约束边界处的局部预测误差仍可能影响配置分类。
优化变量的比较表明,BO–MLP通常识别出与GA、PSO和穷举搜索相当的钢型材和板厚度。但在若干场景中,BO–MLP倾向于选择更多数量的抗剪连接件,这可归因于受限的评估预算、对代理分类为不可行解的严重惩罚以及约束边界附近的预测不确定性之间的相互作用。
**4. 总结讨论与结论**
本研究的讨论部分强调,BO–MLP框架的主要贡献在于其样本效率。研究通过量化解决方案质量、材料成本、计算工作量以及代理辅助贝叶斯优化中确定性后验证的必要性之间的关系,推进了当前知识水平。值得注意的是,报告的成本值代表直接材料成本比较,仅考虑结构钢、混凝土和抗剪连接件,未计入制作、安装、模板、支撑、运输和人工等费用。
研究结论如下:(1)所提出的框架成功将MLP代理模型与BO集成,用于钢-混凝土组合梁的初步设计优化;(2)所选MLP架构准确再现了基于规范的弯曲抗力计算,验证集MAE为2.128 kN·m,RMSE为3.013 kN·m,
R2为0.9999;(3)在十个基准场景中,BO–MLP仅使用60次目标函数评估,相当于GA和PSO评估预算的3%,穷举搜索检查配置数量的0.057%;(4)尽管评估预算有限,BO–MLP识别的候选解决方案平均最优性差距约为12.1%;(5)GA和PSO所需计算时间分别约为BO–MLP的4.1和4.9倍,穷举搜索约为其18.4倍;(6)所选配置的确定性重新计算显示,十个候选方案中有七个满足NBR 8800抗力要求,三个方案的抗力需求比略低于1.0,最大差距约为6.9%;(7)该框架的当前公式仅限于简支和支撑施工条件下的组合梁,具有实心混凝土板、热轧W型钢型材、带头栓钉抗剪连接件和正弯矩作用。
未来研究应将该框架扩展到连续梁、非支撑施工、钢承板楼板、其他钢型材系列以及其他强度和正常使用极限状态。进一步的发展可能整合不确定性感知或保守约束公式、优化过程中的自适应基于规范验证,以及涉及总施工成本、隐含碳、结构可靠性和可建造性的多目标优化。