给AI画好“车位线”，梁才能停得整整齐齐 | 新论文：基于规则掩膜约束扩散模型的剪力墙结构梁布置设计

夏吉康等

给AI画好“车位线”，梁才能停得整整齐齐 | 新论文：基于规则掩膜约束扩散模型的剪力墙结构梁布置设计

原创夏吉康等陆新征课题组

2026-09-29 17:57

论文：Liao W, Xia J, Gu Y, Lu XZ. Beam Layout Design in Shear Wall Structures Using a Diffusion Model Guided by Rule-Based Masks. Engineering Structures, 2026, 369: 123842.
DOI: https://doi.org/10.1016/j.engstruct.2026.123842
50天免费阅读与下载：https://authors.elsevier.com/a/1ns9WW4G4mlSU

▶ 3分钟视频

00太长不看版

让AI画梁，先给它画好“车位线”。我们把工程经验转化为规则掩膜，划出候选梁位，再让扩散模型学习哪些位置需要布梁。候选区域平均覆盖工程师设计中 97.8% 的梁像素。

在三种掩膜的对比实验中，本文提出的规则掩膜IoU为 0.975，而无掩膜时IOU仅为0.151；另一组与GNN方法的对比结果显示，本文方法的IOU为0.841、而文献中的GNN方法的IOU为0.623，相对提升

35.0%。

在15层住宅案例中，AI方案的整体力学指标满足要求，且不含超筋构件。规则给候选布梁位置，AI选定最终布置方案，工程计算检验结果。

图1 给AI画好“车位线”

01研究背景

在剪力墙住宅里，梁是个“身兼数职”的角色：梁位要协调建筑功能空间，也要承担楼板、墙体等传来的竖向荷载；部分梁还承担连接剪力墙、传递水平荷载的任务。户型越复杂、异形空间越多，梁该放哪儿就越考验经验。

课题组此前已经尝试过多种AI梁布置方法，但各有短板：

图神经网络（GNN）擅长学习构件之间的拓扑关系，但对曲线边界、异形构件等复杂几何“看得不够清楚”；

生成对抗网络（GAN）按像素出图，速度快，却容易出现构件断开、边界模糊，后续很难矢量化。

扩散模型是近年图像生成领域的“明星”，细节生成能力很强，课题组也已经用它设计剪力墙。但梁和剪力墙有一个本质区别：在本文考虑的住宅设计场景中，剪力墙候选位置主要基于建筑墙位置；而梁除了可以布置在梁上、门上、墙上，还可以跨越房间、走道空间，候选位置更加灵活。直接把扩散模型搬过来画梁，就像让司机在没有车位线的广场上停车——生成范围不受控，满图乱长。

所以，本研究要回答的问题是：怎样给扩散模型划定一个既合理、又不过分死板的“生成边界”？

02研究方法

整体流程分为三步（图2）：（a）从600多套真实剪力墙住宅图纸出发，按工程规则构造掩膜、建立数据集；（b）训练以掩膜为约束的扩散模型；（c）输入待设计的户型，AI生成梁布置后，自动矢量化并通过PKPM API建模计算。

图2 规则掩膜约束扩散模型的梁布置设计流程

2.1 车位线怎么画：五条工程经验规则

规则a 建筑墙下布置掩膜——墙体的竖向荷载需要梁来承担。

规则b 门窗洞口布置掩膜——洞口上方的荷载需要梁来传递；若洞口旁没有可布梁的建筑墙，就在同一功能空间内搜索可连接的剪力墙。

规则c 剪力墙端部布置掩膜——剪力墙两端要有梁（或墙）连接，为水平传力提供连续连接的候选路径。

规则d 切分非矩形空间——从构件拐角向多个方向延伸，把不规则房间切成规整矩形。统计发现，大多数梁都布置在不同功能空间的交界处。

规则e 冗余掩膜清理——两条平行掩膜间距小于0.5 m时，删去较短的一条。

图3 规则掩膜的生成过程

车位线画得准不准？我们用掩膜覆盖率来衡量：工程师设计中的梁像素，有多少落在了掩膜范围内。它按像素计算，并非按梁的根数统计。结果显示，规则掩膜的平均覆盖率达到97.8%，高于已有潜在梁方法的94.0%，说明候选区域能够覆盖大部分实际梁位。

方法	掩膜覆盖率
本文规则掩膜	0.978 ± 0.03
潜在梁方法	0.940

表1 掩膜覆盖率对比

2.2 数据集：把图纸“拆开”给AI看

与其把图纸涂成一张彩色图让AI自己猜，不如把信息分门别类地摆好。我们把建筑墙、门窗、剪力墙和梁分别提取成布尔张量：梁作为扩散模型要“画”的对象，其余三类拼接为条件张量，再加上掩膜张量。数据集按8:1:1划分，经过翻转、平移等增强后，训练集与测试集合计超过49,000个样本。

图4 包含掩膜张量的多通道数据集生成过程

2.3 扩散模型：只在车位线里“洗”出梁

扩散模型的原理可以理解为“先弄脏、再洗干净”：训练时把真实的梁布置一步步加噪，直到变成一团雪花；再训练一个U-Net学会一步步去噪。本研究的关键改动是：加噪和计算损失都只在掩膜范围内进行，生成过程也受到掩膜约束。

图5 不同掩膜下扩散模型的扩散过程

03结果讨论

3.1 有没有“车位线”，差别有多大？

我们用IoU等指标评价测试集结果。论文第4.3节将参考梁分布定义为掩膜处理后的工程师设计，因此这里的IoU不能直接理解为完整工程设计的“正确率”。差距一目了然：规则掩膜的平均IoU达到0.975，精确率、召回率和F1值均为0.998；填充掩膜虽然把AI限制在了建筑范围内，但引入了大量无关像素，IoU降到0.791；不使用掩膜时，IoU只有0.151。

掩膜类型	平均IoU	平均ACC	F1
本文规则掩膜	0.975	0.998	0.998
填充掩膜	0.791	0.983	0.890
不使用掩膜	0.151	0.248	0.196

表2 不同掩膜下扩散模型的测试集结果（学习率1×10⁻⁵；IoU、ACC来自论文表2，F1来自论文表3；ACC为像素准确率）

图6 工程师设计与不同掩膜下AI设计的对比

值得一提的是，规则掩膜并不是“标准答案”，它只覆盖了约98%的真实梁位，而且车位比车多得多。模型需要从工程师的数据中学习：在已给出的候选区域里，“哪些车位该停、哪些该空着”。掩膜以外遗漏的梁位不能指望模型自动补齐。规则负责划边界，数据负责做决策，二者缺一不可。

3.2 与图神经网络方法对比

将本研究方法与Zhao等人的GNN梁布置方法进行对比。在该组实验的同一测试集上，两者的平均IoU分别为0.841和0.623，相对提升35.0%，绝对差值为0.218。尤其在异形户型、构件分布复杂的情况下，GNN的图表达“力不从心”，而扩散模型依然能画出清晰合理的梁布置。

方法	平均IoU ↑	标准差 ↓	95%置信区间
GNN	0.623	0.087	(0.604, 0.641)
本文扩散模型	0.841	0.082	(0.823, 0.858)

表3 与GNN方法的对比（来源：论文表4；请与前一组掩膜对比实验分别阅读）

图7 异形建筑布局与复杂构件分布下GNN与扩散模型的设计结果对比

04案例分析

最后，我们选取了国内某知名设计院设计并已建成的一栋住宅：结构高度45 m，地上15层，设防烈度8度（0.20g），场地类别II类，特征周期0.4 s。

从图8可以看到，规则掩膜生成的梁布置与工程师设计的IoU达到0.947，梁都布置在关键的空间分割位置；填充掩膜虽然也能生成大体合理的方案，但出现了不合理的悬臂梁；不使用掩膜时满图噪点，无法自动矢量化建模。

图8 不同掩膜约束下案例的梁布置生成结果

“长得像”还不够，还得“算得过”。我们借助AIstructure-Copilot和PKPM API自动建模计算。在该案例的计算条件下，规则掩膜方案的整体力学指标满足要求，没有超筋构件；混凝土用量仅比工程师方案少0.4%，钢筋用量少约1.9%。填充掩膜方案梁更稀疏，材料虽省了一些，却有45个构件超筋，仍需在后续截面设计中调整。

方案	整体力学指标	超筋构件数	混凝土(m³)	钢筋(t)
工程师设计	满足	0	834.0	75.3
本文规则掩膜	满足	0	830.4	73.9
填充掩膜	满足	45	785.4	72.4
不使用掩膜	无法建模

表4 PKPM力学指标与材料用量对比（来源：论文表5；整体指标满足不代表所有构件均通过校核）

层间位移角方面，成功建模的三种方案均满足论文采用的1/1000限值。x方向上三种方案几乎重合；y方向上，规则掩膜方案与工程师设计最为接近。

图9 工程师设计与AI设计的层间位移角对比

05研究结论

（1）将空间分割、竖向荷载传递和水平传力连续等工程经验编码为规则掩膜，平均覆盖率达97.8%，能够很好地刻画工程师的布梁位置。

（2）掩膜对比实验中，规则掩膜的平均IoU为0.975。在单独的GNN对比实验中，本文方法的IOU为0.841，对照方法的IOU为0.623，相对提升35.0%。

（3）在实际工程案例中，AI生成的梁布置与工程师设计高度一致（IoU = 0.947），本案例中未出现填充掩膜方案里的不合理悬臂梁，整体力学指标满足要求、无超筋构件，材料用量与人工设计接近。

当然，目前的规则来自特定的设计背景，数据规模也还不算大，验证也限于剪力墙住宅。未来我们将继续优化掩膜生成方法，并拓展到墙–梁–柱协同设计。一句话总结：规则划出候选布梁位置，AI学习如何挑选布梁位置，工程计算检验结果。

— End —

3分钟视频演示剪力墙结构智能设计完整操作流程

1分钟视频建筑户型平面生成与编辑流程

ai-structure.com联系方式

QQ群

AI-structure-交流1群：741840451（已满）

AI-structure-交流2群：1053974604（欢迎加入）

商务问题请联系：

黄盛楠([email protected])

技术问题请联系：

廖文杰([email protected])

ai-structure.com往期文章

相关论文

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.
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.
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.
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.
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.
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.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent beam layout design for frame structure based on graph neural networks, Journal of Building Engineering, 2023, 63, Part A: 105499. DOI: 10.1016/j.jobe.2022.105499.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on graph neural networks, Advanced Engineering Informatics, 2023, 55:101886, DOI: 10.1016/j.aei.2023.101886
Liao WJ, Wang XY, Fei YF, Huang YL, Xie LL, Lu XZ, Base-isolation design of shear wall structures using physics-rule-co-guided self-supervised generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2023, 52(11): 3281-3303. DOI:10.1002/eqe.3862.
Feng YT, Fei YF, Lin YQ, Liao WJ, Lu XZ, Intelligent generative design for shear wall cross-sectional size using rule-embedded generative adversarial network, Journal of Structural Engineering-ASCE, 2023, 149(11). 04023161. DOI:10.1061/JSENDH.STENG-12206.
Fei YF, Liao WJ, Lu XZ, Guan H, Knowledge-enhanced graph neural networks for construction material quantity estimation of reinforced concrete buildings, Computer-Aided Civil and Infrastructure Engineering, 2024, 39(4): 518-538. DOI: 10.1111/mice.13094.
Zhao PJ, Fei YF, Huang YL, Feng YT, Liao WJ, Lu XZ, Design-condition-informed shear wall layout design based on graph neural networks, Advanced Engineering Informatics, 2023, 58: 102190. DOI: 10.1016/j.aei.2023.102190.
Fei YF, Liao WJ, Lu XZ, Taciroglu E, Guan H, Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets, Journal of Building Engineering, 2023, 79: 107873. DOI：10.1016/j.jobe.2023.107873
Liao WJ, Lu XZ, Fei YF, Gu Y, Huang YL, Generative AI design for building structures, Automation in Construction, 2024, 157: 105187. DOI: 10.1016/j.autcon.2023.105187
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Beam layout design of shear wall structures based on graph neural networks, Automation in Construction, 2024, 158: 105223. DOI: 10.1016/j.autcon.2023.105223
Qin SZ, Liao WJ, Huang SN, Hu KG, Tan Z, Gao Y, Lu XZ, AIstructure-Copilot: assistant for generative AI-driven intelligent design of building structures, Smart Construction, 2024, DOI: 10.55092/sc20240001
Gu Y, Huang YL, Liao WJ, Lu XZ, Intelligent design of shear wall layout based on diffusion models, Computer-Aided Civil and Infrastructure Engineering, 2024, 39(23):3610-3625. DOI: 10.1111/mice.13236
Fei YF, Liao WJ, Zhao PJ, Lu X*, Guan H, Hybrid surrogate model combining physics and data for seismic drift estimation of shear-wall structures, Earthquake Engineering & Structural Dynamics, 2024, 53(10): 3093-3112. DOI: 10.1002/eqe.4151
Han J, Lu XZ, Gu Y, Cai Q, Xue HJ, Liao WJ, Optimized data representation and understanding method for the intelligent design of shear wall structures, Engineering Structures, 2024, 315: 118500. DOI: 10.1016/j.engstruct.2024.118500
Qin SZ, Guan H, Liao WJ, Gu Y, Zheng Z, Xue HJ, Lu XZ, Intelligent design and optimization system for shear wall structures based on large language models and generative artificial intelligence, Journal of Building Engineering, 2024, 95: 109996. DOI: 10.1016/j.jobe.2024.109996
Wang ZH, Yue Y, Chen Y, Liao WJ, Li CS, Hu KG, Tan Z, Lu XZ. Expert experience-embedded evaluation and decision-making method for intelligent design of shear wall structures. Journal of Computing in Civil Engineering-ASCE, 2025, 39(1). DOI: 10.1061/JCCEE5.CPENG-6076
Tan Z, Qin SZ, Hu KG, Liao WJ, Gao Y, Lu XZ, Intelligent generation and optimization method for the retrofit design of RC frame structures using buckling-restrained braces, Earthquake Engineering & Structural Dynamics, 2025, 54(2): 530-547. DOI: 10.1002/eqe.4268
Yu Y, Chen Y, Liao WJ, Wang ZH, Zhang SL, Kang YJ, Lu XZ, Intelligent generation and interpretability analysis of shear wall structure design by learning from multidimensional to high-dimensional features, Engineering Structures, 2025, 325: 119472. DOI: 10.1016/j.engstruct.2024.119472
Qin SZ, Liao WJ, Huang YL, Zhang Shulu, Gu Y, Han J, Lu XZ, Intelligent design for component size generation in reinforced concrete frame structures using heterogeneous graph neural networks, Automation in Construction, 2025, 171: 105967.
Xia JK, Liao WJ, Han B, Zhang SL, Lu XZ, Intelligent co-design of shear wall and beam layouts using a graph neural network, Automation in Construction, 2025, 172: 106024.
Qin SZ, Liao WJ, Tan Z, Hu KG, Gao Y, Lu XZ, Comparative analysis of intelligent retrofit design methods of RC frame structures using buckling-restrained braces. Bulletin of Earthquake Engineering, 2025, DOI: 10.1007/s10518-025-02164-3
Liao WJ, Zhang ZL, Liu B, Lu XZ, Liu DF, Liu Q, Duan ZJ, Liu C, Intelligent zoning design of concrete-faced rockfill dams using image-parameter fusion enhanced generative adversarial networks, Engineering Structures, 2025, 339: 120662. DOI: 10.1016/j.engstruct.2025.120662
Qin SZ, Fei YF, Liao WJ, Lu XZ*, Leveraging data-driven artificial intelligence in optimization design for building structures: A review, Engineering Structures, 2025, 341: 120810. DOI: 10.1016/j.engstruct.2025.120810
Fei YF, Lu XZ, Liao WJ, Guan H, Data enhancement for generative AI design of shear wall structures incorporating structural optimization and diffusion models, Advances in Structural Engineering, 2025, DOI: 10.1177/13694332251353614
Gu Y, Qin SZ, Liao WJ, Lu XZ*, Intelligent design of dimensions of reinforced concrete frame structure components using diffusion models, Computers in Industry, 2026, 175: 104428. DOI: 10.1016/j.compind.2025.104428
Han J, Liao WJ*, Lu XZ*, Gu Y, Zhang ZL, Liu B, Duan ZJ, Mechanics-embedded diffusion with closed-loop denoising for intelligent zoning design of concrete-faced rockfill dams, Advanced Engineering Informatics, 2026, 76: 105020. DOI: 10.1016/j.aei.2026.105020