新论文：基于图神经网络的剪力墙布置人工智能设计方法

原创赵鹏举等陆新征课题组

2023年01月20日 20:30

论文：Intelligent Design of Shear Wall Layout Based on Graph Neural Networks. Advanced Engineering Informatics. 2023.

DOI: https://doi.org/10.1016/j.aei.2023.101886

4分钟视频介绍：

太长不看版

结构方案设计对剪力墙结构而言至关重要。我们课题组之前提出了基于像素（Pixel）图像的结构方案生成式智能设计方法StructGAN。但是该方法模型参数多，计算量大，难以反映结构的拓扑特征，且与后续设计阶段衔接困难。以图（Graph）数据表示剪力墙结构，并采用具有强大拓扑特征提取能力的图神经网络（GNN）有望有效解决上述缺陷。但由于缺乏图表征方法和高质量建筑结构图谱数据，当前GNN在剪力墙结构设计领域尚无研究先例。因此，本研究提出了一种基于GNN的剪力墙布置的智能化设计方法，解决了两个关键难题（剪力墙结构合适的图表征方法、适用于图神经网络的剪力墙结构数据增广方法）。测试案例表明，本研究提出的方法设计的结构其最大层间位移角、自振周期、混凝土用量、钢筋用量等方面更接近人类工程师的设计，表明该方法可以更好的学会人类工程师的设计经验。

本文解决的两个难题的科普

考虑到很多读者对图神经网络和智能生成式设计不是很熟悉，所以我们用比较科普的方法介绍（1）剪力墙结构合适的图表征方法、（2）适用于图神经网络的剪力墙结构数据增广方法这两个关键难题。

（1）从边分类到边特征预测，解决剪力墙结构合适的图表征方法难题

在我们此前基于图神经网络设计框架结构的研究（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）中，我们采用边分类算法来判断两个柱子之间是否需要布置梁，有梁就是1，没有梁就是0。但是这个方法在剪力墙结构布置中就会遇到困难，因为两个节点间，可以满布剪力墙，可以不布置剪力墙，还可以部分布置剪力墙，这就不再是一个0和1的问题。

那有没有办法去解决这个问题呢？

小时候看三国演义，每次看到糜芳叛变导致关羽丢失荆州，而后刘封又见死不救导致大英雄关羽败死麦城，我都非常难过。从图神经网络的角度看来，这是因为关羽只学会了图神经网络的“边分类”算法，也就是关羽眼中的众人关系，要么是己方，要么是敌方，如图1这样，这就留下后患了。

图1 “边分类”算法下关羽和周边人物的关系

那如何解决这个问题呢？如果关羽学了图神经网络的“边特征预测”算法，给每个人的关系中增加一个“忠诚度”特征，并评判各人的忠诚度，那他眼中的人物关系就变成图2这样的了。

图2 “边特征预测”算法下关羽和周边人物的关系

那根据图2，关羽肯定不会安排忠诚度只有20的糜芳去驻守荆州，从而有可能改变历史的进程。

于是乎，赵鹏举同学提出可以把两个节点间剪力墙的任意布置方案，简化成连接两个节点的边的特征预测。如果是满布剪力墙，则边特征是“50%，50%”，如果是布置了一半，就是“50%，0%”，如果是留了一个门洞，那就是“30%，30%”。

图3 用连接两个节点的边的特征来描述任意剪力墙布置方案

（2）通过翻转、旋转、平移来解决数据不足的问题

在结构智能设计中，一直困扰我们的一个严重问题就是AI学习的数据量不足的问题。别的领域AI研究动辄都是几十万、几百万的图片来训练。而结构设计领域我们能找到的结构设计案例数量往往只有几百个。这样一来就必须想出好办法来解决训练数据不足的难题。

在我们此前基于图神经网络设计框架结构的研究（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）中，发现了图神经网络有一个非常优良的特性，就是无论我们怎么去翻转、旋转、平移，图的关系应该不变。也就是说，对于一个剪力墙结构，我们对它做图4这样的各种翻转、旋转、平移后，都可以作为一个新的数据案例供AI去学习。这样我们就一下子把学习的数据库扩大了3528倍（专业用词叫“数据增广方法”），从而极大的提升了AI的学习效果。

图4 通过翻转、旋转、平移来解决数据不足的问题

研究背景

近年来，我们课题组提出了基于像素图像的深度神经网络的剪力墙结构设计方法StructGAN，并取得了良好发展，但是仍然面临以下挑战：像素图像表征剪力墙结构耗用计算资源大、难以考虑结构构件之间的拓扑特征、与设计流程中接下来的深化设计等阶段必需的有限元建模、力学分析衔接不好。

不同于像素图像（Pixel Image）数据，图（Graph）数据由图节点和图边组成，结合节点的位置特征，即是天然的矢量化形式，更方便与设计流程中的后续阶段衔接。此外，图谱可以考虑图节点和图边的额外属性，图边在图谱中作为节点元素拓扑联系的表现，往往也具有重要属性。而处理像素图像的卷积神经网络没有处理边属性的机制。最重要的是，图数据中节点和边的较为自由的分布适合于高效地表示形式复杂且自由的建筑结构。而像素图像受制于固定的图像尺寸和有限的空间分辨率，表示整个建筑结构往往需要对结构进行缩放，会损伤原始的建筑和结构特征。并且高分辨率的图像才能清晰表示剪力墙结构，这加剧了计算难度。相比于像素图（维度：1024×512×3），图谱表征（维度：(构件数+节点数)×特征向量(10左右)）有效降低了数据的初始特征维度。模型训练中GPU占用数据量从20G降低到了0.7G，提升了深度学习效果。

此外，合适的剪力墙结构图表征方法是将GNN应用于剪力墙结构设计的基础。但是以往研究往往关注框架结构等形式较为简单的结构的图表征，对于剪力墙结构等复杂结构形式，研究不足。

因此，本研究探讨了剪力墙结构的图表征方法，并提出了一种基于GNN的剪力墙布置设计方法。

图5 基于GNN的剪力墙布置的智能化设计方法

研究方法

（1）图表征方法

剪力墙结构的图表征就是说如何使用图节点和图边来表示剪力墙结构。本研究讨论了2类图表征方法：图边表征方法和图节点表征方法。

图6 剪力墙结构的图边表征方法和图节点表征方法

如图6所示，在图边表征方法中，墙体、门窗这些结构和非结构构件使用图边表示，而图节点仅仅表示构件的交点。使用图边表征方法来表示剪力墙结构是直观且清晰的，因此，图边表征方法是本研究的主要关注对象，图节点表征方法作为一种补充性的讨论。在图节点表征方法中，墙体使用图节点表示，门窗等非结构构件使用图边表征。

对于剪力墙结构的图边表征方法，使用墙体边的属性来表示剪力墙的布置，具体地，采用剪力墙在墙体中的长度占比来表示剪力墙，如图7所示。

图7 图边表征方法中的剪力墙布置

对于剪力墙结构的图节点表征方法，通过墙体节点的类别来表示剪力墙的布置，如图8所示。

图8 图节点表征方法中的剪力墙布置

对于剪力墙结构设计，图纸的刚体位移显然不应该影响剪力墙布置。因此，本研究采用了翻转、旋转、平移等常用的数据增广方法。

（2）GNN模型

针对剪力墙结构的不同图表征方法，需要采用不同的GNN模型。这2类图表征方法对应着不同的GNN任务。图边表征方法通过预测图边的特征进行剪力墙布置，是边特征预测的任务；而图节点表征方法需要通过预测图节点的类别进行剪力墙的布置，是节点分类的任务。因此，本研究讨论了2类GNN模型，以期找到最合适的GNN架构。这两类模型分别为GNN-EP（Edge feature Prediction）和GNN-NC（Node Classification）。

（3）评价方法

一个统一的评价方法对于不同图表征方法和GNN模型的比较和挑选是必须的。然而，图边表征和图节点表征方法分别对应边特征预测和节点分类两种GNN任务，采用同一个矢量化的评估方法来比较不同的GNN任务是困难的。此前研究表明，结构设计的布置相似性往往直接对应结构力学性能的相似性。因此，本研究采用了一种基于IoU（Intersection over Union，交并比）的评价指标，将不同的设计结果映射到单像素宽度的像素图中进行比较，如图9所示。

图9 评价方法示意图. (a) 将剪力墙布置方案的设计结果映射到单像素宽度的像素图像中; (b) 计算和工程师设计结果相比的IoU

案例研究

针对不同设防烈度，我们对比了工程师设计、StructGAN设计、和本研究提出的GNN-EP方法设计这三种设计方案的差异，如图10所示。可以看出，本研究提出的GNN-EP方法所设计的剪力墙布置和工程师设计相当，电梯井区（Group7的④区、Group8的③区)和阳台区(Group7的①区、Group8的①、②区）的剪力墙布置良好。

图10 工程师设计、StructGAN设计、GNN-EP设计的对比

除此之外，我们还进行了不同设计方案的力学性能和材料用量的比较。图11展示了与工程师设计相比，StructGAN设计以及GNN-EP设计的扭转周期比、最大层间位移角、前三阶自振周期、混凝土用量、钢筋用量的差异。可以看出，GNN-EP设计与StructGAN设计具有相似的扭转周期比。但在其余指标（最大层间位移角、前三阶自振周期、混凝土用量、钢筋用量）方面，GNN-EP的设计结果比StructGAN的设计结果更接近工程师的设计。因此，GNN-EP比StructGAN更能从设计图纸数据集中学习到工程师的设计特征，从而得到与工程师更相似的设计结果。

图11 不同设计方案的力学性能和材料用量比较

联络邮箱:

[email protected]

课题组结构智能设计论文

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 X*, 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

---End---

相关研究

学术报告视频

专著

人工智能与机器学习

---结构智能设计

---其他土木工程领域人工智能研究

城市灾害模拟与韧性城市

高性能结构与防倒塌

长按识别二维码，关注我们的科研动态

阅读原文