《AUTOMATION IN CONSTRUCTION》:Intelligent layout generation of opening beams in steel frame structures using generative adversarial networks
编辑推荐:
•构建了一个融合规则引导生成与深度学习优化的智能设计系统。•整合了三通道掩码图与文本设计条件,实现洞口梁的受控生成。•将洞口梁排布自动化,耗时仅为工程师设计时间的0.23%。•提出了涵盖视觉质量、力学性能和经济效益的综合评价体系。引言全球城市化的增长增加了对建筑施工的需求[1
- •
构建了一个融合规则引导生成与深度学习优化的智能设计系统。
- •
整合了三通道掩码图与文本设计条件,实现洞口梁的受控生成。
- •
将洞口梁排布自动化,耗时仅为工程师设计时间的0.23%。
- •
提出了涵盖视觉质量、力学性能和经济效益的综合评价体系。
引言
全球城市化的增长增加了对建筑施工的需求[1]。在各种结构形式中,钢框架梁系统因其高材料效率、良好的抗震性能和施工便捷性而被广泛应用于现代建筑中[2]。在该结构系统中,主梁和次梁是负责承载和传递荷载的主要构件。主梁通常布置于柱之间作为主要承重构件,将楼面荷载传递至柱体。次梁布置于主梁之间,分配楼面荷载并将其传递至主梁,从而形成完整的传力路径。因此,梁的排布设计成为一项关键任务[3]。
一般而言,次梁在结构开间内以网格形式布置,其结构形式简洁、传力路径清晰,且有利于标准化设计和施工。同时,网格次梁能够提供良好的整体刚度和荷载分配能力。然而,在实际工程中,楼板往往需要开设洞口以容纳设施、楼梯或电梯井。当同一楼板内存在多个洞口时,可能导致传力路径中断、局部刚度降低和应力集中等问题。因此,当存在楼板洞口时,仅布置网格梁是不够的,需要在网格梁体系基础上,在洞口边缘增设次梁以进行局部加强[4]、[5]。网格梁与洞口梁的协同设计需要综合协调以降低工程成本,该过程严重依赖工程师的知识和经验[6]。他们通过假设初始条件并反复调整方案来修改排布,直到满足所有规范要求。因此,亟需一种智能设计方法来提高洞口梁结构设计的效率和精度。
近年来,生成式人工智能(AI)算法如生成对抗网络(GANs)[7]、图神经网络(GNNs)[8]和扩散模型[9]发展迅速。这些模型能够有效地从有限数据中学习高维特征并捕捉底层数据模式,从而实现高质量样本生成和多样化表示。这一进展为建筑结构智能设计开辟了新的可能性。
生成式AI模型在结构设计中的应用取得了显著进展。例如,Zhao等人[10]研究了基于GNN的框架结构梁排布设计,随后开展了基于GNN的剪力墙结构梁排布设计[11]和剪力墙排布设计[12]。Zhang等人[13]开发了StrucTopo-GNN用于建筑平面图的复杂空间布局。Xia等人[14]引入GNN实现主梁与剪力墙结构的协同设计。Qin等人[15]提出了异质GNN框架来解决框架结构的尺寸选择问题。Xin等人[16]开发了集成GNN的智能体以实现建筑空间的多样化分配。除GNN外,扩散模型也被应用于多种场景。Wang等人[17]、Gu等人[18]和Zhou等人[19]采用扩散模型进行剪力墙排布。Li等人[20]将扩散模型应用于钢框架支撑结构的设计。Zeng等人[21]利用扩散模型实现了住宅平面图的自动生成。
GNN擅长捕捉图结构中的拓扑关系。然而,它们通常需要人工编码工程图纸并融入先验知识,这限制了其灵活性和可扩展性。此外,此类方法难以有效整合文本和视觉信息等多模态约束。相比之下,扩散模型在高质量图像生成方面表现出色。然而,其固有的随机扩散和迭代去噪过程会给生成结果引入扰动。虽然这种随机性增强了样本多样性,但不满足工程设计任务对精度和一致性的要求。
与扩散模型相比,GAN能够以相对较低的计算成本实现端到端图像生成,具有直接映射、高生成效率和稳定的条件控制等特点。Liao等人[22]采用GAN实现了从建筑图纸到剪力墙排布图的自动化设计。Lu等人[23]和Liao等人[24]进一步扩展了GAN变体,包括物理信息GAN和融合文本-图像到图像的GAN,以实现剪力墙构件的条件设计。Fei等人[25]将生成方法从剪力墙结构扩展到框架-筒体组合结构。Fu等人[26]提出了双GAN协同生成模型以实现钢框架结构中支撑系统的智能生成。Aalaei等人[27]引入了图约束条件GAN用于建筑平面图的功能分区。这些研究表明,GAN在复杂布局生成任务中表现出强大的适用性和发展潜力,非常适合具有显式输入约束和空间分布模式的洞口梁排布问题。
目前,生成模型主要应用于剪力墙和主梁系统的设计,而关于次梁尤其是洞口梁的研究仍然缺乏。现有研究基于预设的建筑平面图进行设计,结构构件的可用排布区域为已知条件。对于未知的次梁候选排布,可以通过算法驱动的方式生成。然而,仅基于规则的基线方案无法实际工程的安全和经济要求。因此,引入生成网络的核心优势在于消除候选区域内的冗余梁,并通过优化确定合理的传力路径。GAN可以在符合设计规范的同时交付更具经济性的排布方案。因此,本研究提出了一种规则引导的GAN洞口梁排布方法,称为OBGAN,以实现自动化设计和智能制图。本研究的主要贡献总结如下:
- (1)
提出了一种融合规则引导生成与条件生成对抗网络(CGAN)[28]优化的智能设计系统。该系统解决了网格梁与洞口梁协同排布的现有难题,对洞口梁设计的自动化和效率提升做出了贡献。
- (2)
所提出的基于GAN的方法不仅能从基本的文本设计条件生成相应的梁排布方案,还融合了三层结构掩码嵌入作为附加输入。这些掩码对映射过程施加显式的对齐约束,从而生成符合工程原理的结构排布方案。
- (3)
建立了一套综合评价体系,从感知图像质量和材料消耗等角度评估AI生成排布方案与工程师设计方案之间的相似性。此外,根据设计规范对生成方案的层间位移角进行验证,以确保符合力学性能要求。该评价方法能够有效反映视觉一致性、成本效益和结构可靠性。
此外,表1展示了OBGAN与现有生成式设计研究的区别与创新之处。
本文其余部分组织如下:第2节介绍了所提方法的整体工作流程。第3节描述了数据集准备和预处理策略。第4节介绍了神经网络架构,推导了损失函数,并概述了训练过程。第5节提供了实验设置和后期建模方案。第6节定义了各种评价指标,并通过敏感性分析研究了不同因素对生成结果的影响。此外,还通过案例研究验证了所提OBGAN模型在生成精度、成本效益和力学性能方面的有效性,并与工程师设计方案进行了对比。最后,第7节总结了本研究。
各节摘要
OBGAN方法论
在智能设计领域,GAN凭借其强大的数据生成能力展现出了广泛的应用潜力。同时,CGAN的出现弥补了传统GAN在融入设计条件和空间布局方面的不足,从而增强了其在工程设计中的适用性。因此,本研究基于CGAN原理开发了一种洞口梁智能排布方法,提供灵活的多条件输入以
数据预处理
本节介绍数据预处理工作,包括图纸来源、语义图像转换和数据增强策略。
模型原理与训练架构
本节将详细介绍模型架构和训练过程。
结果与性能评估
为了评估OBGAN生成的洞口梁排布方案的有效性,需要一套综合的评价体系。本研究从视觉质量、力学性能、材料成本和设计效率等多个角度将OBGAN与传统设计方法进行比较。
结论
本文提出了OBGAN,一种端到端的洞口梁排布图纸生成智能系统。所提出的GAN架构融合了规则引导生成与深度学习优化,解决了传统输入表示难以捕捉网格梁与洞口梁之间连接关系的问题。同时,通过融入文本设计条件和掩码特征约束,模型实现了多模态融合的智能结构
作者贡献声明
贾布禹: 写作–审阅与编辑、监督、经费获取。梁朝帆: 写作–初稿撰写、可视化、软件、方法学、调查研究、形式化分析。林宇军: 验证、调查研究、数据管理。余晓林: 写作–审阅与编辑、监督、项目管理、概念化。
利益冲突声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
贾布禹|梁朝帆|林宇军|余晓林