AIstructure-Copilot: 人工智能驱动的建筑结构生成式智能设计助手
文章信息
1. 论文标题：AIstructure-Copilot: assistant for generative AI-driven intelligent design of building structures
2. 论文引用：Qin S, Liao W, Huang S, Hu K, Tan Z, Gao Y, Lu X. AIstructure-Copilot: assistant for generative AI-driven intelligent design of building structures. Smart Constr. 2024(1): 0001, https://doi.org/10.55092/sc20240001.
3. DOI：https://doi.org/10.55092/sc20240001
一、团队简介
陆新征，清华大学土木工程系教授，防灾减灾工程研究所所长
主要从事土木工程防灾减灾方面的研究工作。发表论文200余篇，出版中英文专著5部。连续入选Elsevier“中国土木和结构工程学科高被引学者”。成果被国标、行标、美国混凝土学会规程、美国NSF重大项目平台及重要结构计算软件采纳，并应用于“中国尊”超高层建筑等标志性工程。曾获国家自然科学二等奖(2/4)，长江学者特聘教授（2018）等奖励。
覃思中，清华大学土木工程系在读博士生
主要从事建筑结构智能设计方向研究，累计参与发表期刊及会议论文5篇，曾获茅以升科学技术-工程教育学生奖、国家奖学金、清华大学优秀毕业生等荣誉。
廖文杰，清华大学土木工程系博士后
主要从事建筑结构智能设计与力学模拟研究。累积发表SCI/EI论文20余篇、授权发明专利10余项。曾获日内瓦国际发明展“评审团特别嘉许金奖”、香港建造业议会创新奖国际一等奖等奖励。
二、研究创新点
清华大学土木系陆新征课题组发布了AIstructure-Copilot【AIstructure-Copilot-v0.2.1：新界面！新功能！新设计！新研讨！】，很多人都在好奇它的实现方式，本文将为大家解答。
AIstructure-Copilot是一种本地-云协同的剪力墙结构智能设计工具，可以直接在CAD中进行较为简洁的图形处理任务，而复杂的建筑结构设计任务则直接交给云端的服务器去处理，傻瓜式一键生成不再是梦。
但是，AI设计如何保证经济性、安全性和准确性呢？这就需要依赖于我们的系列关键技术：(1)基于GAN、GNN、diffusion的智能设计模块，三驾马车共同为您的设计保驾护航；(2)结构设计材料用量智能预测模块；(3)以及结构力学模型参数化构建模块。
图1 AIstructure-Copilot运行逻辑
三、研究背景
目前建筑结构智能设计主要采用两种模式：一种是依托于本地端的技术，通过三维图形引擎和可视化编程语言实现结构的参数化建模和优化；另一种是基于云平台的技术，将设计功能全部迁移到云端实现。本地端工具对硬件要求高；而云端设计则与现有设计流程衔接不够紧密，使用起来不够方便。
为了解决这些问题，我们结合本地端和云端的优势，在本地端保留大家熟悉的图形交互流程，而把复杂的设计计算丢给云端，提高设计的效率。
四、工作介绍
4.1
剪力墙结构智能设计助手
4.1.1 本地-云协同设计工具
本地端在CAD平台进行设计图纸的绘制操作，并在CAD平台中对智能设计结果进行显示，而智能设计算法则在云平台中通过开放网络API以提供智能设计服务。
图2 AIstructure-Copilot在CAD中的剪力墙设计功能按钮
4.1.2 建筑结构智能设计流程
步骤(1)建筑信息前处理(~ 3 min)：进行参数设置，执行建筑构件轴线提取与建筑空间轮廓生成。
步骤(2)剪力墙结构智能设计(~ 1 min)：调用云端平台执行3种算法的剪力墙智能设计，目前提供GAN、GNN和扩散模型三种设计结果供用户选择。
步骤(3)梁结构自动设计(~ 30 s)：选择生成的剪力墙结构布置结果，以及建筑构件轴线和空间轮廓等信息，执行梁智能设计。
步骤(4)材料用量智能预测(~10 s)：自定义或根据统计回归结果自动得到对应的构件截面尺寸设计，调用云平台进行预测，快速得到混凝土和钢筋材料用量预估结果。
步骤(5)力学模型自动构建(~ 30 s)：将剪力墙-梁结构布置和截面尺寸设计结果自动转化为对应的PKPM和YJK力学分析模型。
图3 剪力墙结构智能设计流程
4.1.3 建筑结构智能设计数据传递基础
为了更好的实现全流程的数据传递，并为后续功能调整提供更加灵活的数据增删查改能力，我们定义了可以贯穿整个设计流程的结构化数据表达格式，采用JSON文件进行数据传递。
4.2
关键技术
4.2.1 基于GAN、GNN、diffusion的智能设计模块
(1) GAN算法【详见：新论文：注意力增强的剪力墙结构人工智能设计方法】：
GAN的输入数据为建筑设计图像，生成数据为剪力墙结构布置图像，能较好的学习结构整体布置几何特征。
(2) GNN算法【详见：新论文：设计条件嵌入GNN的剪力墙布置智能设计方法】：
GNN用图谱来表示建筑设计和结构设计，图谱的节点为构件的端点，边为构件的属性，能更好的学习剪力墙结构的拓扑特征。
(3) diffusion算法【发明专利：ZL202310477335.1】：
diffusion算法将JSON数据转化为建筑设计的特征张量，通过将高斯白噪逐步解除噪声的方式得到最终的剪力墙结构设计特征张量，能兼顾学习整体和局部几何特征，但耗时会略长一些。
AIstructure-Copilot将三种AI设计的结果同时提供给工程师用户，用户可以根据性能和材料用量进行选择。
图4 GAN、GNN、diffusion智能设计算法
4.2.2 结构设计材料用量智能预测模块【详见：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】
根据剪力墙结构布置和尺寸设计的图谱数据以及结构设计条件向量数据，将其输入材料用量预测GNN模型中，5s左右就可以快速得到对应的混凝土和钢筋材料总用量，及其对应的剪力墙、梁、楼板构件材料用量。
图5 剪力墙结构材料用量智能预测
4.2.3 结构力学模型参数化构建模块
AIstructure-Copilot将结构设计JSON文件中剪力墙、梁、楼板构件设计参数写入PKPM和YJK软件提供的sqlite建模文件，实现PKPM和YJK结构计算文件的自动化创建。
4.3
案例分析
选择1个实际工程案例，抗震设防烈度为7度（0.15g），建筑结构高度为53m，场地特征周期为0.4s。
(1) 设计效率对比
本案例AI设计总用时为18分钟，而工程师设计总用时为195分钟，设计效率提升了10倍以上。
(2) 平面设计对比
如图6所示，从直观的剪力墙、梁结构构件的布置来看，AI设计与工程师设计结果差异较小。具体表现在整体的剪力墙布置位置、构件的长度尺寸等方面一致性高，并且在布置的对称性、以及在电梯和阳台等关键区域的剪力墙布置结果均较为符合设计经验规则。
图6 Case-7.5d53m的剪力墙-梁布置设计
通过计算AI设计与工程师结构设计的交并比（SIoU），可以量化二者布置设计之间的差异，如表1所示。通常交并比大于0.5即表明AI设计与工程师设计的相似性较高，从表1来看，AI设计与工程师设计的相似度均较高。进一步看修正交并比（SMIoU），可以看到GAN与工程师设计差异会更大一些，而diffusion则差异最小。
表1 剪力墙-梁IoU评估结果
五、结论与展望
看到这，相信大家也对AIstructure-Copilot的能力有了更加深刻的认识，在剪力墙结构设计中，它可以帮我们大幅提高设计的效率，获得与工程师设计相近的结果。当然，现在的设计结果尚存在诸多不足，也欢迎各位专家批评指正。
更多细节可以阅读论文原文或下载软件尝试，如果在使用过程中有任何问题，也可以随时与我们联系。
➯向左滑动查看原文
