AIstructure-Copilot-v0.1.2更新：精细化考虑抗震设计条件影响的全新GNN版本，请您来试试

AIstructure-Copilot-v0.1.2更新。今天我们又上新算法啦！精细化考虑抗震设计条件影响的图神经网络（GNN）设计算法。

往期功能更新的推送传送门：

1. AIstructure-Copilot-v0.1.1功能更新：1次设计，2个方案，3套模型；

2. AIstructure-Copilot：嵌入CAD平台的结构智能设计助手；

下载地址：
https://ai-structure.com/backend/struct/downloadAIstructure

也可进入合木智构网站进行下载：
https://ai-structure.com/#/IntelligentDesign

或者在QQ群（AI-structure-交流群）：741840451的群文件中下载

1

AIstructure-Copilot 产品更新简介

本次更新后，GNN在生成剪力墙结构设计时，可更好的考虑建筑设计以及抗震设计条件对剪力墙设计的影响。抗震设计条件改变后，剪力墙结构设计结果也会出现相应的变化。

设计基本地震加速度：0.1g；结构总高度：20m；场地特征周期值：0.4s

设计基本地震加速度：0.1g；结构总高度：50m；场地特征周期值：0.4s

设计基本地震加速度：0.2g；结构总高度：50m；场地特征周期值：0.4s

设计基本地震加速度：0.2g；结构总高度：80m；场地特征周期值：0.4s

设计基本地震加速度：0.2g；结构总高度：80m；场地特征周期值：0.6s

2

AIstructure-Copilot-v0.1.2的新功能

2.1 新算法：精细化考虑设计条件的GNN

老版本（GNN-Shearwall v1.0）算法：采用粗略的分组方法来考虑高度等设计条件影响，如果结构高度属于同一分组（比如100m以下分组），虽然结构高度由50m变更为100m，但是设计结果中剪力墙的布置没有改变。

设计基本地震加速度：0.2g；结构总高度：50m；场地特征周期值：0.4s

设计基本地震加速度：0.2g；结构总高度：100m；场地特征周期值：0.4s

新版本（GNN-Shearwall v2.0）算法：精细考虑设计条件对构件布置的影响。结构高度由50m变更为100m，剪力墙布置的数量和构件长度增加。

此前我们在生成对抗算法（GAN）中实现了精细考虑设计条件对设计结果的影响，本次更新我们在图神经网络（GNN）中也加入了这一功能。

设计基本地震加速度：0.2g；结构总高度：50m；场地特征周期值：0.4s

设计基本地震加速度：0.2g；结构总高度：100m；场地特征周期值：0.4s

2.2 天正CAD前处理优化

提取构件轴线操作，一次性提取便可基本达到无需人工修改的程度，显著降低人工操作所需时间。以下为一次性提取的效果。

2.3 剪力墙构件轴线变双线

【用户意见】剪力墙轴线变为双线，便于快速提资给建筑。

【软件改进】在AIstructure-Copilot生成剪力墙设计后，全部采用单线绘制，用户可进行手动调整，调整后采用剪力墙轴线转双线功能，一键生成剪力墙构件的双线布置图，双线剪力墙可用于提资给建筑设计师。

剪力墙轴线转双线功能

双线绘制的剪力墙布置图

3

结语

两周前，我们更新了AIstructure-Copilot-v0.1.1。得益于我们智能设计后端架构的不断完善、智能设计算法的不断研究，未来我们的更新完善频率也将逐渐提高，欢迎大家持续关注我们的工作，多多支持！

温馨提示：为更好使用AI设计工具，请仔细阅读使用说明书。

彩蛋

虽然我们程序更新了某个模块的内容，但是我们这次不说，下次节后见！祝大家双节愉快！

联系方式

QQ群，AI-structure-交流群：741840451

廖文杰：[email protected]

相关论文

1. 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.
   

2. 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.
   

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9.  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

10. 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, DOI:10.1002/eqe.3862.

11. 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.

12. 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, 2023, DOI: 10.1111/mice.13094