剪力墙结构智能化生成式设计方法：从数据驱动到物理增强

廖文杰，陆新征，黄羽立，赵鹏举，费一凡，郑哲; LIAO Wenjie; LU Xinzheng; HUANG Yuli; ZHAO Pengju; FEI Yifan; ZHENG Zhe

网刊加载中。。。

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

剪力墙结构智能化生成式设计方法：从数据驱动到物理增强 PDF

- ORCID：
廖文杰
✉
- ORCID：
陆新征
✉
- ORCID：
黄羽立
- ORCID：
赵鹏举
- ORCID：
费一凡
- ORCID：
郑哲

清华大学土木工程安全与耐久教育部重点实验室；土木工程系，北京 100084

中图分类号： TU318

最近更新：2023-11-28

DOI：10.11835/j.issn.2096-6717.2022.078

摘要

建筑结构的智能化方案设计是智能建造的重要内容。既有研究提出了基于深度神经网络的剪力墙结构生成式设计方法框架、智能设计算法、设计性能评价方法等，完成了从数据驱动到物理增强的智能化设计方法的发展，但目前尚未有研究针对不同设计条件下数据驱动和物理增强方法的设计能力进行详细对比，且基于计算机视觉与基于力学性能的评价方法尚未有明确的关系，难以有效保证计算机视觉评价方法的合理性。基于深度生成式算法对比和算例分析，开展数据驱动和物理增强数据驱动方法的详细对比，并进一步验证基于计算机视觉评价与基于力学分析评价方法的正相关性。结果表明：数据驱动的方法易受到数据质量与数量的约束，而物理增强数据驱动的方法设计性能更加稳定，基本摆脱数据质量和数量的约束；基于计算机视觉综合评价指标S_CV的合理性阈值为0.5，对应力学性能差异约为10%。

关键词

智能化结构设计; 生成对抗网络; 数据驱动; 物理增强; 设计评价

人工智能的应用为土木工程领域的规划、设计、建造、维护和防灾技术带来了重大变革与重塑^[

1-4]，智能建造已成为土木领域的重点发展方向。建筑结构智能化设计则是智能建造的重要内容，不仅可以减少大量繁琐的人工设计流程，还能为设计人员提供更加多样的初始设计选择，最终达到更好的设计效果^{[参考文献 5-14}5-14]。建筑结构设计主要包括方案设计、优化设计及施工图设计阶段，其中方案设计对后续设计影响关键，且对设计知识与经验的需求较高，并对设计速度有较高的要求。

智能化方案设计通常采用进化算法等对结构设计方案进行搜索和设计^[

15-17]，但是，进化算法难以有效学习结构设计数据与经验，迭代优化效率有限，难以满足快速完成结构方案设计的需求。相比而言，具备大数据特征提取与学习能力的深度生成算法快速进步，例如，基于卷积的生成神经网络、图（Graph）生成神经网络与生成对抗网络等，为建筑和结构智能化设计提供了新的可能性^{[参考文献 18-27}18-27]。

生成对抗网络（Generative Adversarial Networks, GAN）可通过对既有设计图像和文本的学习，掌握设计数据中潜在的设计规律，实现新设计图像的生成。剪力墙结构是一种广泛应用的典型住宅建筑结构形式^[

28]，具备设计需求较大、结构相对规则、图纸表达有效等特点，可作为智能设计的重要研究对象^{[参考文献 12-14}12-14, 25-26]。笔者基于生成对抗网络开展了从数据驱动到物理增强数据驱动的剪力墙结构智能化生成式设计方法研究，基于生成对抗网络的剪力墙结构智能化设计方法包括StructGAN^{[参考文献 12

百度学术}12]、txtimg2img^{[参考文献 13

百度学术}13]（后续改称为StructGAN-TXT）、StructGAN-PHY^{[参考文献 14

百度学术}14]。但是，目前对于数据驱动及物理增强智能设计方法的对比研究相对缺乏，不同方法中，数据特征分析与数据集创建、智能设计算法开发、测试评估方法以及典型案例分析的研究相对缺乏且不明确。笔者针对提出的3种智能化结构设计方法开展详细的对比分析研究，明确不同方法的性能及适用范围，并对相关评价指标进行合理性分析，为未来的智能化设计方法研究提供对比模型和评价方法及指标的参考。

1 剪力墙结构智能化设计方法

基于生成对抗网络的剪力墙结构智能化设计方法如图1所示，主要包括语义化模块、设计模块、结构建模模块^[

12-14]。目前，该方法主要应用于基于像素图表达的建筑和结构设计中，对于可采用像素图表达的不同结构类型的智能设计，具备一定的可拓展性和通用性。

图1 基于生成对抗网络的剪力墙结构智能化设计方法

Fig. 1 Intelligent structural design method for shear wall building using generative adversarial network

1）语义化模块是指将复杂的原始CAD建筑图，通过对关键元素的提取，并采用颜色填充生成为包含建筑设计初步特征的语义化图纸。语义化过程可有效排除复杂信息的干扰，有效提升深度生成网络的设计效果，更详细的语义化方法详见既有研究^[

12]。该过程可通过人工提取数据特征，精度高但效率较低，也可进一步研发基于BIM（Building Information Modeling）和CAD的数字化自动提取方法，效率高且精度可控。

2）设计模块是指采用深度生成网络，根据输入的语义化建筑图智能地生成语义化结构设计图。深度生成网络是生成对抗网络模型的生成器，在采用生成网络进行设计前，需要采用构建的建筑-结构图纸数据集对生成对抗网络进行训练，使生成网络基本掌握剪力墙结构设计能力。

3）建模模块是指基于生成的结构设计像素图建立对应的结构计算模型。通过像素图到矢量图的自动转化算法提取剪力墙构件的矢量坐标，并基于结构计算软件的应用程序接口（Application Programming Interface，API）建立对应的结构计算模型，完成整体结构的方案设计。

用于训练和测试的数据集构建方法如图2所示，即将CAD图纸数据进行语义化处理。在该数据集中，7度设防且结构高度50 m以下（简称：7d-H1）数据63组、7度设防且结构高度50~150 m（7d-H2）数据80组、8度设防（8d）数据81组^[

12]。

(a) 原始CAD图纸

(b) 建筑特征图纸（输入）

图2 数据集构建

Fig. 2 Datasets construction

2 数据驱动和物理增强设计方法对比

StructGAN采用的核心算法为图像合成生成对抗网络^[

12]，StructGAN-TXT采用的核心算法为文本-图像特征融合生成对抗网络^{[参考文献 13

百度学术}13]，二者均为数据驱动方法；StructGAN-PHY采用的核心算法为物理增强生成对抗网络^{[参考文献 14

百度学术}14]，是一种物理增强方法。3种方法的核心差异在于设计模块，分别为3种不同的条件生成对抗网络模型，如图3所示。图3（a）所示为StructGAN模型，由图像生成器与图像真假判别器构成，基于建筑图输入生成结构设计图纸。其对应数据集的输入为建筑设计图（图2（b）），标签为结构设计图（图2（c））。训练过程中，图像生成器不断生成结构设计图，判别器不断判断生成图的真假，判别器判断正确则提升生成器，判断错误则提升判别器；生成器与判别器对抗训练不断提升，直到二者性能均难以提升达到纳什均衡，完成训练获得结构设计能力，详细训练过程可见相关研究源代码^{[参考文献 12

百度学术}12,29]。训练时，7d-H1、7d-H2、8d数据集分别训练3个StructGAN设计模型^{[参考文献 12

百度学术}12]。

（a）图像合成生成对抗网络（StructGAN）

（b）文本-图像特征融合生成对抗网络（StructGAN-TXT）

（c）物理增强生成对抗网络（StructGAN-PHY）

图3 StructGAN核心算法对比

Fig.3 Comparison on the critical algorithms of StructGAN

图3(b)所示为StructGAN-TXT模型，基于建筑图和对应结构设计条件同时输入，生成满足建筑图和设计条件约束的结构设计图纸。相比于StructGAN，StructGAN-TXT增加了文本输入，其对应数据集的输入为建筑设计图（图2(b)）和抗震设防烈度及结构高度文本，标签为结构设计图（图2(c)）。因此，其图像生成器需要同时对图像和文本特征进行提取和融合，进而基于文本-图像融合特征，生成结构设计图纸；判别器同样需要对真假图像真假文本进行判别；生成器和判别器对抗训练至性能稳定，进而具备结构设计生成能力。训练时，7d-H1、7d-H2、8d所有图像数据混合，并对每个图像给予对应文本，创建数据集训练一个StructGAN-TXT设计模型^[

13]。

图3(b)所示为StructGAN-PHY模型，由图像生成器、判别器、物理评估器构成，基于建筑图输入生成器，生成满足建筑图和相应设计条件的结构设计图纸。其对应数据集的输入为建筑设计图（图2（b）），标签为结构设计图（图2（c）），输入的抗震设防烈度和结构高度并不会输入生成器中，而是辅助物理性能评估器进行力学性能评估。与StructGAN和StructGAN-TXT相比，其网络架构中新增了物理性能评估器。物理性能评估器为基于深度判别神经网络的代理模型，通过对结构平面图纸及其对应力学性能数据集的训练，物理性能掌握对结构设计对应力学性能的预测，进而有效指导生成器的结构设计。训练时，7d-H1、7d-H2、8d所有图像数据混合，创建多个设计条件组合，设防烈度包括6度(0.05g)、7度(0.10g)、7度(0.15g)、8度(0.20g)、8度(0.30g)，结构高度包括“<40 m”“40~60 m”“60~80 m”“80~100 m”“>100 m”，采用物理增强提升StructGAN-PHY设计性能，得到不同设计条件对应的智能设计模型。相比而言，当StructGAN-TXT和StructGAN没有特定设计条件下的数据时（例如6度50 m），便无法开展对应的设计模型训练^[

14]。所以StructGAN-PHY是在数据驱动学习的基础上，由物理性能评估器进行增强的智能设计方法，能有效地保证设计结果尽可能满足设计规范要求，避免由于数据数量不足或质量不佳导致的设计效果降低。

整体而言，StructGAN与StructGAN-TXT为数据驱动的方法，其设计能力与训练数据的数量和质量密切相关，而StructGAN-PHY则是物理增强的方法，能通过GAN对结构力学性能学习，有效克服数据数量或质量的影响，并保证设计结果力学性能的稳定性。

3 典型案例分析与对比

采用4个实际工程案例进行设计，并开展性能分析、对比。需指出，由于设计资料的知识产权限制，将隐去工程项目的真实信息，以及真实的图纸和对应的结构设计模型，仅展示研究提出方法的设计结果。典型案例命名为“案例1-7d83m”，其中，“1”代表案例编号、“7d”代表设防烈度为7度(0.1g)、“83m”代表结构高度83 m。

3.1 评价方法

图4(a)为基于图像相似性的评价方法，将生成设计的剪力墙布置与工程师的设计逐像素对比以及逐构件轮廓对比，通过式（1）~式（4）所示的交并比计算相似性，以S_CV作为综合相似性指标^[

12-14]。图4（b）为基于结构力学模型进行力学性能分析的评价，其中像素图剪力墙构件矢量提取方法见Lu等^{[参考文献 14

百度学术}14]的研究。

（a）基于计算机视觉的相似性评价

（b）基于结构力学性能的评价

图4 设计评价方法

Fig. 4 Evaluation methods of design

S_{C V} = η_{S W r a t i o} \times (η_{S I o U} \times S_{S I o U} + η_{W I o U} \times S_{W I o U})

（1）

η_{S W r a t i o} = 1 - (|R_{g e n e r a t e}^{S W r a t i o} - R_{t a r g e t}^{S W r a t i o}| / R_{t a r g e t}^{S W r a t i o})

，

R^{S W r a t i o} = A_{s w a l l} / (A_{s w a l l} + A_{i n w a l l})

（2）

S_{S I o U} = \frac{A_{i n t e r}}{A_{u n i o n}}

（3）

S_{W I o U} = \sum_{i = 0}^{k} \frac{ω_{i} p_{i i}}{\sum_{j = 0}^{k} p_{i j} + \sum_{j = 0}^{k} p_{j i} - p_{i i}}

（4）

式中：S_CV为生成设计与目标设计的综合相似性指标，该指标越大，代表相似性越高；R^SWratio为剪力墙占比率，即图像中剪力墙像素面积（A_swall）占总墙体面积（A_swall+A_inwall）的比例；η_SWratio为剪力墙占比率一致性指标，该指标越大，表明生成设计剪力墙率（ $R_{g e n e r a t e}^{S W r a t i o}$ ）与目标设计剪力墙率（ $R_{t a r g e t}^{S W r a t i o}$ ）越一致；S_SIoU为剪力墙轮廓交并比一致性指标，即生成与目标设计的剪力墙轮廓交集面积（A_inter）与并集面积（A_union）的比例；S_WIoU为剪力墙像素一致性指标，k是总的像素类别（类别0是背景，类别1是剪力墙，类别2是填充墙，类别3是窗户，类别4是户外门洞）；p_ii是生成正确的像素点数量，p_ij和p_ji则是生成错误的像素点数量。

需指出，平面设计结果的评价采用图4（a）所示的基于计算机视觉的评价方法，快速评价生成设计结果与工程师设计结果的一致性。整体结构设计评价采用图4（b）所示的基于结构力学性能的评价方法。整体结构模型构建就以工程师设计模型的参数为基准，剪力墙布置由像素到矢量的自动化程序转化，剪力墙厚度和材料参数以及沿结构高度的变化与工程师设计一致，梁构件设计则根据墙体布置进行适应性调整。基于上述设计和评价方法，保证3种方法对比条件尽可能一致，更加有效体现差异。

3.2 案例1-7d83m对比分析

1）　案例1-7d83m基本信息

结构总高度83 m，28层，平面尺寸为：49.4 m×18.7 m。抗震设防烈度7度（0.1g），特征周期0.55 s。工程师完成的建筑和结构平面设计CAD及其对应的语义化图纸如图5所示。

(a) 建筑设计CAD图

(b) 语义化建筑平面方案设计

图5 案例1-7d83m建筑图和结构图

Fig. 5 Architectural and structural design drawings of Case 1-7d83m

2）案例1-7d83m平面设计结果对比

在该案例的平面设计中，StructGAN、-TXT、-PHY三种方法的设计结果以及对应的工程师设计结果如图6所示。同时，基于S_CV指标评价的智能设计与工程师设计的相似性结果也如图6所示。在该案例中，StructGAN和StructGAN-PHY两种方法的设计结果较好，与工程师设计相似性高（即量化S_CV指标较高，均为0.47），而StructGAN-TXT的设计则差别较大（量化S_CV指标仅为0.39）。具体分析，StructGAN和StructGAN-PHY生成设计的η_SWratio指标接近1，意味着在该案例中二者生成的剪力墙总像素数量与工程师设计的剪力墙像素量基本一致，而StructGAN-TXT生成设计的η_SWratio指标则偏低，代表剪力墙总量与工程差异较大；3个案例的S_WIoU和S_SIoU指标则较为接近（均接近0.5），表明剪力墙布置位置与工程师布置位置差异较小。

（a） StructGAN结构设计，7d-H2模型

（S_CV=0.47; η_SWratio=0.98; S_WIoU=0.49; S_SIoU=0.47）

（b） StructGAN-TXT结构设计

（S_CV=0.39; η_SWratio=0.78; S_WIoU=0.45; S_SIoU=0.55）

（c） StructGAN-PHY结构设计，7度(0.1g) &80~100 m模型

（S_CV=0.47; η_SWratio=0.99; S_WIoU=0.46; S_SIoU=0.49）

图6 案例1-7d83m的智能生成式结构方案设计图

Fig. 6 Intelligent designed structural drawings ofCase 1-7d83m

3）案例1-7d83m整体结构性能对比

整体结构案例分析的模型如图7所示，不同设计结果的剪力墙布置不同，但建模方法与工程师设计均一致。

图7 案例1-7d83m整体结构设计ETABS模型

Fig.7 Overall structural design of ETABS model of Case 1-7d83m

开展结构动力特性分析以及基于振型分解反应谱法的结构力学响应分析，对应的结构动力特性和层间位移角的对比结果如表1和图8所示。StructGAN-TXT的设计结果与工程师设计差异较大，生成的剪力墙数量偏多，结构刚度偏大，导致动力特性差异20%左右，层间变形的最大差异达到了30%；而StructGAN和StructGAN-PHY的设计与工程师差异则较小，最大性能差异约10%。

表1 案例1-7d83m结构动力特性与最大层间变形对比

Table 1 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 1-7d83m

阶数	工程师周期/s	StructGAN		StructGAN-TXT		StructGAN-PHY
阶数	工程师周期/s	周期/s	对比工程师/%	周期/s	对比工程师/%	周期/s	对比工程师/%
1阶	2.08	2.03	-2.59	1.52	-26.75	1.95	-6.23
2阶	1.82	1.79	-1.70	1.45	-20.04	1.75	-3.90
绝对值均值			2.15		23.40		5.07
方向	工程师最大层间变形/rad	StructGAN		StructGAN-TXT		StructGAN-PHY
方向	工程师最大层间变形/rad	最大层间变形/rad	对比工程师/%	最大层间变形/rad	对比工程师/%	最大层间变形/rad	对比工程师/%
x向	0.000 67	0.000 66	-1.63	0.000 46	-32.39	0.000 60	-11.44
y向	0.000 57	0.000 64	11.21	0.000 58	1.93	0.000 59	3.50
绝对值均值			6.42		17.16		7.47

(a) x向层间位移角对比

(b) y向层间位移角对比

图8 案例1-7d83m层间位移角性能对比

Fig. 8 Comparison on inter-story drift ratioof Case 1-7d83m

3.3 案例2-8d96m、案例3-7d77m、案例4-7d41m对比分析

案例1-7d83m的分析表明，StructGAN-PHY与StructGAN的设计效果较好，为进一步研究不同智能设计方法的通用性和泛化性，进一步开展了案例2-8d96m、案例3-7d77m、案例4-7d41m的对比分析。案例2-8d96m的抗震设防烈度8度（0.2g）、结构总高度96 m（30层）；案例3-7d77m的抗震设防烈度7度（0.1g）、结构总高度77 m（26层）；案例4-7d41m的抗震设防烈度7度（0.1g）、结构总高度41 m（14层）。

1）案例2-8d96m平面与整体设计结果对比

在该案例的平面设计中，StructGAN、-TXT、-PHY三种方法的设计结果以及对应的工程师设计结果如图9所示。在该案例中，直观视觉判断3种方法的设计均与工程师设计非常接近，且量化的S_CV指标较高（>0.5）。其中，η_SWratio均较接近1，意味着生成设计的总剪力墙数量与工程设计的基本一致；且S_WIoU和S_SIoU均大于0.5，意味着剪力墙布置的位置一致性较高。

（a） StructGAN结构设计，8 d模型

（S_CV=0.67; η_SWratio=0.89; S_WIoU=0.70; S_SIoU=0.80）

（b） StructGAN-TXT结构设计

（S_CV=0.68; η_SWratio=0.93; S_WIoU=0.66; S_SIoU=0.80）

（c） StructGAN-PHY结构设计，8度(0.2g) &80~100 m模型

（S_CV=0.66; η_SWratio=0.88; S_WIoU=0.66; S_SIoU=0.85）

（d）工程师设计结构平面方案

图9 案例2-8d96m的智能生成式结构方案设计图

Fig. 9 Intelligent designed structural drawings ofCase 2-8d96m

进一步开展整体结构设计的对比分析，结果如表2所示。3种设计与工程师设计的结果差异均较小，动力特性差异在3%左右，最大层间变形在15%左右，且整体变形模式非常接近。其中，StructGAN-TXT的差异最小（动力特性差异1.00%，最大层间变形差异3.79%）。

表2 案例2-8d96m结构动力特性与最大层间变形对比

Table 2 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 2-8d96m

阶数	智能设计与工程师设计的结构周期差异/%
阶数	StructGAN	StructGAN-TXT	StructGAN-PHY
1阶	-3.30	-1.20	-2.70
2阶	-6.44	-0.80	-4.05
均值*	4.87	1.00	3.37
方向	智能设计与工程师设计的最大层间变形差异/%
方向	StructGAN	StructGAN-TXT	StructGAN-PHY
x向	-16.12	-8.58	-16.64
y向	-7.73	0.99	-7.96
均值*	11.92	3.79	12.30

注： *均值为差异绝对值的均值。

2）案例3-7d77m平面设计结果对比

该案例的3种方法设计结果以及对应S_CV评价结果如图10所示。可以看到，StructGAN和StructGAN-PHY两种方法的设计结果较好，与工程师设计相似性高，而StructGAN-TXT的设计则差别较大。主要原因在于StructGAN-TXT设计的剪力墙墙体过多，η_SWratio指标偏小，仅0.65。

（a） StructGAN结构设计，7d-H2模型

（S_CV=0.48; η_SWratio=0.87; S_WIoU=0.56; S_SIoU=0.53）

（b） StructGAN-TXT结构设计

（S_CV=0.35; η_SWratio=0.65; S_WIoU=0.51; S_SIoU=0.58）

（c） StructGAN-PHY结构设计, 7度(0.1g) &60~80 m模型

（S_CV=0.50; η_SWratio=0.98; S_WIoU=0.53; S_SIoU=0.48）

（d）工程师设计结构平面方案

图10 案例3-7d77m的智能生成式结构方案设计图

Fig. 10 Intelligent designed structural drawings of Case3-7d77m

进一步分析整体结构案例对应的结构动力特性和层间位移角的对比结果如表3所示。与平面设计结果的对比类似，StructGAN-TXT的设计结果与工程师设计结果差异较大，剪力墙布置偏多，导致性能差异20%左右，而StructGAN和StructGAN-PHY的设计与工程师差异则为10%左右。

表3 案例3-7d77m结构动力特性与最大层间变形对比

Table 3 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 3-7d77m

阶数	智能设计与工程师设计的结构周期差异/%
阶数	StructGAN	StructGAN-TXT	StructGAN-PHY
1阶	-7.80	-27.28	-5.20
2阶	1.82	-15.50	5.93
均值*	4.81	21.39	5.57
方向	智能设计与工程师设计的最大层间变形差异/%
方向	StructGAN	StructGAN-TXT	StructGAN-PHY
x向	-8.59	-17.00	9.32
y向	4.68	-19.97	2.34
均值*	6.64	18.49	5.83

注： *均值为差异绝对值的均值。

3）案例4-7d41m平面设计结果对比

该案例的3种方法设计结果以及对应S_CV评价结果如图11所示。可以看出，StructGAN-TXT和StructGAN-PHY两种方法的设计结果较好，与工程师设计相似性高，而StructGAN的设计则差别较大。主要原因在于StructGAN设计的剪力墙墙体偏少，η_SWratio、S_WIoU、S_SIoU指标均偏小。

（a） StructGAN结构设计，7d-H1模型

（S_CV=0.24; η_SWratio=0.57; S_WIoU=0.49; S_SIoU=0.34）

（b） StructGAN-TXT结构设计

（S_CV=0.42; η_SWratio=0.89; S_WIoU=0.53; S_SIoU=0.42）

（c） StructGAN-PHY结构设计, 7度(0.1g) &40~60 m模型

（S_CV=0.43; η_SWratio=0.96; S_WIoU=0.53; S_SIoU=0.40）

（d）工程师设计结构平面方案

图11 案例4-7d41m的智能生成式结构方案设计图

Fig. 11 Intelligent designed structural drawings of Case 4-7d41m

整体结构案例分析对应的结构动力特性和层间位移角的对比结果如表4所示。与平面设计结果的对比类似，StructGAN的设计结果与工程师差异较大，其剪力墙布置偏少，动力特性差异20%左右，层间变形的最大差异达到了40%；而StructGAN-TXT和StructGAN-PHY的设计与工程师差异同样偏大，动力特性差异10%左右，层间变形最大差异达到了20%左右。主要原因是7度41 m设计条件下对应的剪力墙需求较少，剪力墙布置的较小差异都容易引起较大的结构整体特性不同。

表4 案例4-7d41m结构动力特性与最大层间变形对比

Table 4 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 4-7d41m

阶数	智能设计与工程师设计的结构周期差异/%
阶数	StructGAN	StructGAN-TXT	StructGAN-PHY
1阶	19.90	-6.21	-11.17
2阶	13.79	-15.88	-11.49
均值*	16.84	11.05	11.33
方向	智能设计与工程师设计的最大层间变形差异/%
方向	StructGAN	StructGAN-TXT	StructGAN-PHY
x向	2.44	-14.63	-22.76
y向	42.40	-22.30	-0.68
均值*	22.42	18.47	11.72

注： *均值为差异绝对值的均值。

3.4 基于计算机视觉与力学分析的评价分析

通过对4个典型案例的平面设计结果和整体结构分析和对比，分析结果汇总至表5中。可以看出：1）在不同案例中，StructGAN-PHY是3种方法中最有效的，较少受到数据质量的限制，能更准确地匹配对应设计需求，且设计结果与工程师设计最接近；2）StructGAN和StructGAN-TXT的设计能力均受到训练数据的制约，仅有部分案例效果较好，意味着如果待设计的建筑与训练数据的特征域较为接近，则对应的设计结果较良好，反之则设计质量不佳；3）结构抗震性能需求较高的案例，设计结果通常较好，原因在于所需布置的剪力墙较多，设计变化较少；对于抗震性能需求较少的案例，对应布置的剪力墙较少，设计变化则较丰富，人工智能不能保证找到最合适的结果。

表5 不同案例设计结果分析对比

Table 5 Comparison on different case studies

案例	S_CV			动力特性差异/%			层间位移差异/%
案例	StructGAN	StructGAN-TXT	StructGAN-PHY	StructGAN	StructGAN-TXT	StructGAN-PHY	StructGAN	StructGAN-TXT	StructGAN-PHY
1-7d83m	0.47	0.39	0.47	2.15	23.40	5.07	6.42	17.16	7.47
2-8d96m	0.67	0.68	0.66	4.87	1.00	3.37	11.92	3.79	12.30
3-7d77m	0.48	0.35	0.50	4.81	21.39	5.57	6.64	18.49	5.83
4-7d41m	0.24	0.42	0.43	16.84	11.05	11.33	22.42	18.47	11.72

既有研究认为当生成设计与目标设计的交并比大于0.5则相对较优秀^[

12-14]，但目前尚未明确基于计算机视觉的平面设计评价指标与结构力学性能评价指标之间的关系。将所有案例分析结果绘于图12中，可以看出：1）当S_CV大于0.5时，基本可以保证智能设计的结构力学性能与工程师设计的结构动力特性差异在5%以内，且层间位移角在10%以内；2）对于地震作用比较大的情况，例如8度(0.2g)设防、96 m案例中，即使S_CV相差仅0.02且动力特性差异在5%以内，层间位移角的差异仍旧会超过10%，主要原因在于较大地震作用会导致更大的结构变形，相对差异也变得更大。

图12 基于计算机视觉与结构力学分析的评价指标相关性

Fig. 12 Indexes relationship between computer vision-based and structural analysis-based evaluation

因此，可以认为基于计算机视觉的S_CV指标与结构力学性能评价的指标具有高度的正相关性，即S_CV越高则结构力学性能越优，更接近专家的优化设计。S_CV=0.5可作为基于视觉评价的合理性阈值，其对应的结构动力特性差异约为5%，层间位移角差异约为10%。

4 结论

针对建筑结构智能化方案设计方法进行了对比分析研究。从数据驱动到物理增强数据驱动方法，对比了核心算法构建和设计性能，并通过典型案例对比了相同设计条件下不同算法的实际表现，主要结论如下：

1）数据驱动与物理增强数据驱动是建筑结构智能化设计的两个阶段，数据驱动方法搭建了智能化设计的数据、算法、评价和应用方法的基础，物理增强数据驱动方法则进一步提升了算法性能。

2）数据驱动方法（StructGAN和StructGAN-TXT）通常受限于特定设计条件下的数据质量与数量，而物理增强数据驱动（StructGAN-PHY）则可以有效降低对结构设计数据的依赖性。

3）对于抗震设防需求较低的设计，剪力墙布置的需求较少，其布置的位置更加灵活，导致智能化设计与工程师设计存在一定差异，未来将进一步提升相关设计条件下的智能化设计能力。

4）确定了基于计算机视觉与力学分析评价方法的正相关性，且S_CV=0.5可作为基于视觉评价的合理性阈值，可供未来智能化设计评价方法使用。

5）主要针对剪力墙结构开展了智能设计相关研究，框架、框架-剪力墙等多种结构类型的智能设计方法研究有待进一步从结构表达、智能算法和评估方法等方面开展。

采用的4个典型案例分析已在GitHub中开源（https://github.com/wenjie-liao/StructGAN-PHY/blob/main/StructGAN-TXT-PHY.zip）。

参考文献

鲍跃全, 李惠. 人工智能时代的土木工程[J]. 土木工程学报, 2019, 52(5): 1-11. [百度学术]

BAO Y Q, LI H. Artificial intelligence for civil engineering [J]. China Civil Engineering Journal, 2019, 52(5): 1-11. (in Chinese) [百度学术]

勾红叶, 杨彪, 华辉, 等. 桥梁信息化及智能桥梁2019年度研究进展[J]. 土木与环境工程学报(中英文), 2020, 42(5): 14-27. [百度学术]

GOU H Y, YANG B, HUA H, et al. State-of-the-art review of bridge informatization and intelligent bridge in 2019 [J]. Journal of Civil and Environmental Engineering, 2020, 42(5): 14-27. (in Chinese) [百度学术]

赵天祺, 勾红叶, 陈萱颖, 等. 桥梁信息化及智能桥梁2020年度研究进展[J]. 土木与环境工程学报(中英文), 2021, 43(Sup1): 268-279. [百度学术]

ZHAO T Q, GOU H Y, CHEN X Y, et al. State-of-the-art review of bridge informatization and intelligent bridge in 2020 [J]. Journal of Civil and Environmental Engineering, 2021, 43(Sup1): 268-279. (in Chinese) [百度学术]

刘红波, 张帆, 陈志华, 等.人工智能在土木工程领域的应用研究现状及展望[J]. 土木与环境工程学报(中英文), 2024, 46(1): 14-32. [百度学术]

LIU H B, ZHANG F, CHEN Z H, et al. Applied research status and prospects of artificial intelligence in civil engineering field [J]. Journal of Civil and Environmental Engineering. 2024, 46(1): 14-32.(in Chinese) [百度学术]

BROWN N C, MUELLER C T. Design for structural and energy performance of long span buildings using geometric multi-objective optimization [J]. Energy and Buildings, 2016, 127: 748-761. [百度学术]

ZHANG Y, MUELLER C. Shear wall layout optimization for conceptual design of tall buildings [J]. Engineering Structures, 2017, 140: 225-240. [百度学术]

TAFRAOUT S, BOURAHLA N, BOURAHLA Y, et al. Automatic structural design of RC wall-slab buildings using a genetic algorithm with application in BIM environment [J]. Automation in Construction, 2019, 106: 102901. [百度学术]

何政, 来潇. 参数化结构设计基本原理、方法及应用[M]. 北京: 中国建筑工业出版社, 2019. [百度学术]

HE Z, LAI X. Parametric structural design: Theory, approach and applications [M]. Beijing: China Architecture & Building Press, 2019. (in Chinese) [百度学术]

杜修力, 刘占省, 赵研. 智能建造概论[M]. 北京: 中国建筑工业出版社, 2021. [百度学术]

DU X L, LIU Z S, ZHAO Y. Introduction to intelligent construction [M]. Beijing: China Architecture & Building Press, 2021. (in Chinese) [百度学术]

周绪红, 刘界鹏, 冯亮, 等. 建筑智能建造技术初探及其应用 [M]. 北京: 中国建筑工业出版社, 2021. [百度学术]

ZHOU X H, LIU J P, FENG L, et al. A preliminary exploration and application of building intelligent construction technology [M]. Beijing: China Architecture & Building Press, 2021. (in Chinese) [百度学术]

SUN H, BURTON H V, HUANG H L. Machine learning applications for building structural design and performance assessment: State-of-the-art review [J]. Journal of Building Engineering, 2021, 33: 101816. [百度学术]

LIAO W J, LU X Z, HUANG Y L, et al. Automated structural design of shear wall residential buildings using generative adversarial networks [J]. Automation in Construction, 2021, 132: 103931. [百度学术]

廖文杰, 黄羽立, 郑哲, 等. 基于生成对抗网络融合文本图像数据的剪力墙结构生成式设计方法[C]//第30届全国结构工程学术会议论文集(第Ⅲ册), 2021: 381-387. [百度学术]

LIAO W J, HUANG Y L, ZHENG Z, et al. Building structural generative design using generative adversarial networks-based fused-image-text to image translation method [C]//Proceedings of the 30th National Conference on Structural Engineering (NO.Ⅲ), 2021: 381-387. (in Chinese) [百度学术]

LU X Z, LIAO W J, ZHANG Y, et al. Intelligent structural design of shear wall residence using physics-enhanced generative adversarial networks [J]. Earthquake Engineering & Structural Dynamics, 2022, 51(7): 1657-1676. [百度学术]

HUANG X, XIE Y M. Evolutionary topology optimization of continuum structures [M]. Chichester, UK: John Wiley & Sons, Ltd, 2010. [百度学术]

SHEA K, AISH R, GOURTOVAIA M. Towards integrated performance-driven generative design tools [J]. Automation in Construction, 2005, 14(2): 253-264. [百度学术]

赵宪忠, SHEA Kristina. 空间杆系结构的智能生成与设计[J]. 建筑结构学报, 2010, 31(9): 63-69. [百度学术]

ZHAO X Z, KRISTINA S. Intelligent generation and design of spatial truss structures [J]. Journal of Building Structures, 2010, 31(9): 63-69. (in Chinese) [百度学术]

OH S, JUNG Y, KIM S, et al. Deep generative design: Integration of topology optimization and generative models [J]. Journal of Mechanical Design, 2019, 141(11): 111405. [百度学术]

SHU D L, CUNNINGHAM J, STUMP G, et al. 3D design using generative adversarial networks and physics-based validation [J]. Journal of Mechanical Design, 2020, 142(7): 071701. [百度学术]

HUANG W X, ZHENG H. Architectural drawings recognition and generation through machine learning [C]//Proceedings of the 38th Annual Conference of the Association for Computer Aided Design in Architecture (ACADIA), ACADIA Proceedings. October 18-20, 2018. Mexico City, Mexico. ACADIA, 2018. [百度学术]

CHAILLOU S. ArchiGAN: A generative stack for apartment building design [EB/OL]. [2019-7-17]. https://developer.nvidia.com/blog/archigan-generative-stack-apartment-building-design/. [百度学术]

NAUATA N, CHANG K H, CHENG C Y, et al. House-GAN: Relational generative adversarial networks for graph-constrained house layout generation [M]// Computer Vision, ECCV 2020. Cham: Springer, 2020: 162-177. [百度学术]

NAUATA N, HOSSEINI S, CHANG K H, et al. House-GAN++: Generative adversarial layout refinement networks [EB/OL]. 2021: arXiv: 2103.02574. https://arxiv.org/abs/2103.02574. [百度学术]

CHANG K H, CHENG C Y. Learning to simulate and design for structural engineering [EB/OL]. 2020: arXiv: 2003.09103. https://arxiv.org/abs/2003.09103. [百度学术]

PIZARRO P N, MASSONE L M, ROJAS F R, et al. Use of convolutional networks in the conceptual structural design of shear wall buildings layout [J]. Engineering Structures, 2021, 239: 112311. [百度学术]

PIZARRO P N, MASSONE L M. Structural design of reinforced concrete buildings based on deep neural networks [J]. Engineering Structures, 2021, 241: 112377. [百度学术]

QIAN W L, XU Y, LI H. A self-sparse generative adversarial network for autonomous early-stage design of architectural sketches [J]. Computer-Aided Civil and Infrastructure Engineering, 2022, 37(5): 612-628. [百度学术]

田晴, 赵崇锦, 王忠凯, 等. 新疆某超高层住宅楼动力弹塑性分析[J]. 土木建筑与环境工程, 2016, 38(Sup 2): 30-34. [百度学术]

TIAN Q, ZHAO C J, WANG Z K, et al. Elastic and plastic dynamic analysis of a super high-rise residential building in Xinjiang [J]. Journal of Civil, Architectural ＆ Environmental Engineering, 2016, 38(Sup 2): 30-34. (in Chinese) [百度学术]

WANG T C, LIU M Y, ZHU J Y, et al. High-resolution image synthesis and semantic manipulation with conditional GANs [C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT, USA. IEEE, 2018: 8798-8807. [百度学术]