揭秘：AI如何做到1秒内算出用钢量？ | 新论文：基于知识增强图神经网络的建筑结构材料用量评估方法

论文：Knowledge-enhanced graph neural networks for construction material quantity estimation of reinforced concrete buildings.

DOI: 10.1111/mice.13094

4分钟视频介绍：

0

太长不看版

    ai-structure.com在7月31日上线了AI材料用量预测模块，可以在1秒钟内根据设计方案算出混凝土和钢材用量（详见：ai-structure.com：剪力墙结构材料用量AI预测模块上线测试），本文给出其实现的具体技术原理。

       建筑结构的优化设计中需要对材料用量进行准确快速的评估。本研究将结构设计表征为图谱，利用数以千计的工程案例来训练图神经网络，实现混凝土和钢筋用量的准确快速预测，并引入领域知识来提高预测结果的可靠性。

     这项研究也展示了AI学会了工程设计以后所蕴含的独特潜力：因为AI可以很轻松的完成成千上万的工程设计，并从这成千上万的工程案例中去总结规律、学习经验。这是人类工程师很难做到的。

1

研究背景

       建造材料用量将直接影响建筑的碳排放量和建造成本，前者关乎我国碳中和与联合国可持续发展目标，后者则是地产企业等建设方非常关心的问题。

       为了降低材料用量，结构优化被广泛使用，而在优化设计的过程中，包括启发式算法和AI方法，都需要成千上万次地进行材料用量评估。评估的精度和效率已经成为优化设计的瓶颈之一，亟需准确高效的材料用量评估方法。

       目前，既有商业设计软件，例如YJK，需要2到10分钟才能算出材料用量，难以满足相应的效率需求。一个自然的想法就是：能不能学习经验丰富的人类工程师的工作模式，通过让AI学习大量的工程案例，从而掌握材料用量的快速估算方法呢？

       具体而言，首先需要让AI理解它所面临的工程对象，这时就会发现，其所分析的工程对象包括3类完全不同的数据结构：

       (1) 结构的布置方案；

       (2) 构件的截面尺寸；

       (3) 结构的设计条件(例如高度、设防烈度等)。

       既有的AI模型，尚无一种可以同时表征以上3类数据结构。

       除了数据表征上的困难外，结构设计中还有很多关键的领域知识。例如，结构设计都有一个最小配筋率要求。这就导致部分构件的配筋是由受力决定的，部分构件的配筋是由最小配筋率决定的。这样复杂的约束条件就使得AI学习时非常难找到明确的规律。

       为了解决上述关键难题，本研究提出了3个关键方法，并以钢筋混凝土剪力墙结构为例开展了研究。

2

核心技术

关键技术1：异构数据的图谱表征方法

    我们构造了一个独特的图谱（Graph）结构。将结构布置、构件尺寸和设计条件分别表征为图谱结构、图谱特征和一维向量。具体而言，将剪力墙和梁作为图谱的边，并将构件尺寸作为边特征，将构件交点作为图谱的节点，并将交点坐标作为节点特征，将设计条件作为全局特征，如下图所示。

关键技术2：融合异构设计特征的图神经网络算法Graph-GEN

    本研究提出的新型GNN（Graph-GEN）先单独提取全局特征，再与聚合后的节点、边特征进行融合、映射，最终得到材料用量，如下图所示。

关键技术3：引入领域知识的神经网络改造策略

    通过引入领域知识损失函数和改造输出层来满足最大混凝土体积和最小配筋率。前者是指，由于构件重叠，实际混凝土用量小于所有构件体积之和。后者则来自规范的配筋构造要求。如下图所示。

3

方法成效

    我们用AI设计了几千个不同的工程案例，并用YJK等软件算出其材料用量，将这几千个工程案例及其材料用量作为数据集让不同的AI算法去学习。然后对于具体工程案例，对比不同算法的预测精度。

    结果表明，本研究提出的GNN（Graph-GEN）对混凝土和钢筋用量的评估精度全面超越既有的典型ANN、CNN、GNN方法，而评估效率比商业设计软件（例如YJK）提高500倍，如下表所示。其中，MAPE为平均绝对值百分比误差，代表了测试集中案例的平均相对误差水平。

    同时，相比既有方法，本研究提出的方法更好得符合了行业规律。例如在下面的案例中，根据行业规律，建筑A的混凝土用量应≤68.0m3，建筑B的用钢量应≥25.7ton。本研究的评估结果全部满足。

4

应用上线

5

结语

联络邮箱: 

费一凡：[email protected]

陆新征：[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