新论文：剪力墙结构的GNN梁布置智能设计
论文：Beam layout design of shear wall structures based on graph neural networks. Automation in Construction. 2023.
DOI: https://doi.org/10.1016/j.autcon.2023.105223
3分钟视频介绍：
00
太长不看版
梁的布置是剪力墙结构设计的关键环节。现阶段已经提出了基于生成对抗算法(GAN)的剪力墙结构梁布置设计方法并取得了一定的成功（详见：
但是生成对抗算法基于pixel图像，模型参数多，计算量大，且难以反映结构的拓扑特征，与后续设计阶段衔接困难。
课题组此前已探索以Graph数据表示剪力墙结构（详见：
并探索了框架结构梁布置（详见：
因此，采用具有强大拓扑特征提取能力的图神经网络(GNN)有望解决上述缺陷。
然而，直接基于剪力墙的布置去预测梁在剪力墙上的布置形式，会面临几乎无限的梁布置的可能性空间，这无疑极大增加了图的复杂度，增加了预测的难度。因此，本研究提出了考虑结构和建筑构件的空间布置以及工程师经验的潜在梁布置场景生成方法，以有效减少梁布置场景的可能性空间。测试案例表明，本研究所提出方法布置的梁和工程师设计相比具有高相似性。
01
研究背景
近年来，我们课题组提出了基于像素图像的系列智能化设计方法，并取得了良好发展。然而，利用像素图像来表征剪力墙结构和梁布置，依赖高分辨率像素图像。如果图像分辨率低了，不能充分反映结构平面图上薄薄的一个结构构件特征，图像分辨率高了，又面临模型参数多、耗用计算资源大的问题。
此外，尽管之前我们已将GNN应用于框架结构梁布置设计（详见：论文和发明专利：基于图神经网络的框架梁智能化布置），但是不同于框架结构形式简单，剪力墙结构形式较为复杂，目前尚缺乏适用于剪力墙结构图数据的梁布置设计方法。因此，本研究提出了一种基于GNN的剪力墙结构的梁布置设计方法，以希望解决上述难题。
图1 研究难题和关键科学问题
02
研究方法
本研究提出的剪力墙结构的GNN梁布置智能设计方法，如图2所示，包括以下三个部分。
（1）数据准备阶段：潜在梁布置方案图的生成
直接基于剪力墙的布置去预测梁在剪力墙上的布置形式，会面临极大的梁布置方案的可能性空间。不仅数据量大，而且不能很好的考虑隔墙、门窗等建筑构件布置的影响以及工程师的设计经验。因此，本研究提出耦合结构构件和建筑构件的空间布置以及工程师设计经验的潜在梁布置方案生成方法。
（2）模型训练阶段：GNN模型训练
本研究提出了梁布置方案的图表征方法及GNN模型，并基于预设的潜在梁布置方案数据进行神经网络模型的训练。
（3）AI设计阶段：基于GNN模型实现剪力墙结构的梁布置设计。
图2 基于GNN的剪力墙结构梁布置方案设计方法
03
核心技术
（1）潜在梁布置方案的生成
根据图2，本研究的梁布置预测，需要首先确定潜在的梁布置方案。因此，潜在梁布置方案的生成是本研究的重心之一。在工程实际中，剪力墙结构中梁的布置往往和剪力墙的布置以及隔墙、门窗等建筑构件布置相关。因此，在生成潜在梁布置方案时，本研究主要参考剪力墙的布置以及隔墙、门窗等建筑构件的布置。此外，工程师的经验对梁布置也是至关重要的，因此，本研究在生成潜在梁布置方案时，定义了一些有望使梁布置方案更合理的规则，如图3所示，具体规则详见论文。
图3 潜在梁布置方案的生成规则
在进行主梁的潜在梁布置方案生成中，主要考虑三类布置方案，即：
Scenario-NB（No Background），不考虑隔墙、门窗等非结构构件（即“建筑布置背景”）对梁布置的影响；
Scenario-WB（With Background），考虑“建筑布置背景”对梁布置的影响，仅在填充墙、门窗等构件的位置布置梁；
Scenario-HR（Hybrid Rule），混合考虑“建筑布置背景”的影响。
这三类布置方案的示意如图4所示，综合考虑建筑非结构构件布置的影响，可以综合另外两种的优势。
图4 主梁的潜在梁布置方案
次梁也是剪力墙结构梁布置的重要组成。本研究将考虑次梁布置，以提升潜在梁布置方案的质量。在本研究中，作为主梁布置场景的补充，在布置潜在梁布置方案时，仅考虑一端支于剪力墙上，一端支于主梁上的潜在次梁。此类考虑次梁的工况命名为Scenario-SB（Secondary Beam），示意如图5所示。
图5 考虑次梁的潜在梁布置方案
（2）潜在梁布置方案的图表征
图表征指的是使用Graph数据格式去表示剪力墙结构的梁布置场景，合适的图表征方法是将GNN应用于梁布置设计的基础。本研究关注的结构构件对象包括剪力墙和梁，因此，使用Graph表示剪力墙和梁是关键。参考我们之前使用Graph表征剪力墙结构的研究（详见：新论文：基于图神经网络的剪力墙布置人工智能设计方法），本研究使用图边表示剪力墙和梁，使用图节点表示剪力墙构件和梁构件之间的连接关系，如图6所示。
图6 潜在梁布置方案的图表征方法
（3）GNN模型
本研究中，剪力墙结构的梁布置对应的是边分类的任务，因此在我们之前使用GNN进行剪力墙布置方案设计的研究基础上，提出了适用于剪力墙结构梁布置方案设计的GNN模型，如图7所示。
图7 GNN模型架构示意
04
测试结果
我们采用基于IoU的指标IoUbeam来评估GNN设计结果的空间布置质量，IoUbeam是梁布置设计的真值和基于GNN的梁布置设计的交集和并集的比值，可以用来评判GNN方法的梁布置设计和工程师的梁布置设计的相似度，示意如图8所示。
图8 梁布置设计结果的评价方法示意
图9展示了不同组合工况的IoUbeam指标情况。可以看出综合考虑建筑非结构构件的影响以及潜在次梁的工况效果最优，和工程师设计相似度评分IoUbeam最高，即工况：Scenario-HR + Scenario-SB。
图9 不同组合工况的IoUbeam指标
05
案例研究
图10展示了测试集中的部分案例，更多案例展示详见论文。从图10可以看出，本研究所提出方法进行的梁布置设计和工程师设计十分相似。
图10 测试案例展示
选取其中Case 1和Case 4作进一步的力学分析。Case 1为8度设防，结构高度为75 m。Case 4为7度设防，结构高度为39 m。Case 1和Case 4的层高都是3米。Case 1 - Engineer和Case 4 – Engineer表示工程师设计的梁布置结果，Case 1 - GNN和Case 4 – GNN表示GNN方法设计的梁布置结果。
图11展示了这些案例的层间位移角，图12展示了重力荷载作用下标准层楼板的竖向位移。从图11可以看出，工程师设计结果的层间位移角与GNN设计结果高度相似。从图12可以看出，工程师设计结果的标准层楼板竖向位移与GNN设计结果接近，二者最大竖向位移差异小于1 mm。因此，我们提出的GNN方法设计结果的力学性能与工程师的设计结果有高相似性。
图11 案例在地震作用下的层间位移角
图12 案例在重力荷载作用下标准层楼板的竖向位移
05
结语
本研究初步实现了剪力墙结构的GNN梁布置智能设计，尚存在诸多不足，欢迎各位专家批评指正！
我们希望将课题组完成的研究成果更好地为工程设计服务，所以我们近期发表的论文也将在ai-structure.com网站上提供具体使用程序，欢迎大家试用并反馈。
联络邮箱:
ai-structure.com联系方式
QQ群，AI-structure-交流群：741840451
AIstructure-Copilot实现“三驾马车”驱动：Diffusion Model智能设计上线！(20231103)
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(20230928)
ai-structure.com：剪力墙结构材料用量AI预测模块上线测试(20230731)
AIstructure-Copilot：嵌入CAD平台的结构智能设计助手(20230711)
建筑结构生成式智能设计在日内瓦国际发明展上获“评审团特别嘉许金奖”(20230519)
ai-structure.com：土木工程自然语言规则AI解译模块上线测试(20230513)
AI剪力墙设计问卷调查结果(20230508)
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, 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, 2023, 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, 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
学术报告视频
公众号文章
---End--