廖文杰,陸新征,黃羽立,趙鵬舉,費(fèi)一凡,鄭哲

（清華大學(xué) 土木工程安全與耐久教育部重點(diǎn)實(shí)驗(yàn)室；土木工程系，北京 100084）

人工智能的應(yīng)用為土木工程領(lǐng)域的規(guī)劃、設(shè)計(jì)、建造、維護(hù)和防災(zāi)技術(shù)帶來了重大變革與重塑[1-4]，智能建造已成為土木領(lǐng)域的重點(diǎn)發(fā)展方向。建筑結(jié)構(gòu)智能化設(shè)計(jì)則是智能建造的重要內(nèi)容，不僅可以減少大量繁瑣的人工設(shè)計(jì)流程，還能為設(shè)計(jì)人員提供更加多樣的初始設(shè)計(jì)選擇，最終達(dá)到更好的設(shè)計(jì)效果[5-14]。建筑結(jié)構(gòu)設(shè)計(jì)主要包括方案設(shè)計(jì)、優(yōu)化設(shè)計(jì)及施工圖設(shè)計(jì)階段，其中方案設(shè)計(jì)對(duì)后續(xù)設(shè)計(jì)影響關(guān)鍵，且對(duì)設(shè)計(jì)知識(shí)與經(jīng)驗(yàn)的需求較高，并對(duì)設(shè)計(jì)速度有較高的要求。

智能化方案設(shè)計(jì)通常采用進(jìn)化算法等對(duì)結(jié)構(gòu)設(shè)計(jì)方案進(jìn)行搜索和設(shè)計(jì)[15-17]，但是，進(jìn)化算法難以有效學(xué)習(xí)結(jié)構(gòu)設(shè)計(jì)數(shù)據(jù)與經(jīng)驗(yàn)，迭代優(yōu)化效率有限，難以滿足快速完成結(jié)構(gòu)方案設(shè)計(jì)的需求。相比而言，具備大數(shù)據(jù)特征提取與學(xué)習(xí)能力的深度生成算法快速進(jìn)步，例如，基于卷積的生成神經(jīng)網(wǎng)絡(luò)、圖（Graph）生成神經(jīng)網(wǎng)絡(luò)與生成對(duì)抗網(wǎng)絡(luò)等，為建筑和結(jié)構(gòu)智能化設(shè)計(jì)提供了新的可能性[18-27]。

生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks,GAN）可通過對(duì)既有設(shè)計(jì)圖像和文本的學(xué)習(xí)，掌握設(shè)計(jì)數(shù)據(jù)中潛在的設(shè)計(jì)規(guī)律，實(shí)現(xiàn)新設(shè)計(jì)圖像的生成。剪力墻結(jié)構(gòu)是一種廣泛應(yīng)用的典型住宅建筑結(jié)構(gòu)形式[28]，具備設(shè)計(jì)需求較大、結(jié)構(gòu)相對(duì)規(guī)則、圖紙表達(dá)有效等特點(diǎn)，可作為智能設(shè)計(jì)的重要研究對(duì)象[12-14,25-26]。筆者基于生成對(duì)抗網(wǎng)絡(luò)開展了從數(shù)據(jù)驅(qū)動(dòng)到物理增強(qiáng)數(shù)據(jù)驅(qū)動(dòng)的剪力墻結(jié)構(gòu)智能化生成式設(shè)計(jì)方法研究，基于生成對(duì)抗網(wǎng)絡(luò)的剪力墻結(jié)構(gòu)智能化設(shè)計(jì)方法包括StructGAN[12]、txtimg2img[13]（后續(xù)改稱為 StructGAN-TXT）、StructGANPHY[14]。但是，目前對(duì)于數(shù)據(jù)驅(qū)動(dòng)及物理增強(qiáng)智能設(shè)計(jì)方法的對(duì)比研究相對(duì)缺乏，不同方法中，數(shù)據(jù)特征分析與數(shù)據(jù)集創(chuàng)建、智能設(shè)計(jì)算法開發(fā)、測(cè)試評(píng)估方法以及典型案例分析的研究相對(duì)缺乏且不明確。筆者針對(duì)提出的3 種智能化結(jié)構(gòu)設(shè)計(jì)方法開展詳細(xì)的對(duì)比分析研究，明確不同方法的性能及適用范圍，并對(duì)相關(guān)評(píng)價(jià)指標(biāo)進(jìn)行合理性分析，為未來的智能化設(shè)計(jì)方法研究提供對(duì)比模型和評(píng)價(jià)方法及指標(biāo)的參考。

1 剪力墻結(jié)構(gòu)智能化設(shè)計(jì)方法

基于生成對(duì)抗網(wǎng)絡(luò)的剪力墻結(jié)構(gòu)智能化設(shè)計(jì)方法如圖1 所示，主要包括語義化模塊、設(shè)計(jì)模塊、結(jié)構(gòu)建模模塊[12-14]。目前，該方法主要應(yīng)用于基于像素圖表達(dá)的建筑和結(jié)構(gòu)設(shè)計(jì)中，對(duì)于可采用像素圖表達(dá)的不同結(jié)構(gòu)類型的智能設(shè)計(jì)，具備一定的可拓展性和通用性。

圖1 基于生成對(duì)抗網(wǎng)絡(luò)的剪力墻結(jié)構(gòu)智能化設(shè)計(jì)方法Fig.1 Intelligent structural design method for shear wall building using generative adversarial network

1）語義化模塊是指將復(fù)雜的原始CAD 建筑圖，通過對(duì)關(guān)鍵元素的提取，并采用顏色填充生成為包含建筑設(shè)計(jì)初步特征的語義化圖紙。語義化過程可有效排除復(fù)雜信息的干擾，有效提升深度生成網(wǎng)絡(luò)的設(shè)計(jì)效果，更詳細(xì)的語義化方法詳見既有研究[12]。該過程可通過人工提取數(shù)據(jù)特征，精度高但效率較低，也可進(jìn)一步研發(fā)基于BIM（Building Information Modeling）和CAD 的數(shù)字化自動(dòng)提取方法，效率高且精度可控。

2）設(shè)計(jì)模塊是指采用深度生成網(wǎng)絡(luò)，根據(jù)輸入的語義化建筑圖智能地生成語義化結(jié)構(gòu)設(shè)計(jì)圖。深度生成網(wǎng)絡(luò)是生成對(duì)抗網(wǎng)絡(luò)模型的生成器，在采用生成網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)前，需要采用構(gòu)建的建筑-結(jié)構(gòu)圖紙數(shù)據(jù)集對(duì)生成對(duì)抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使生成網(wǎng)絡(luò)基本掌握剪力墻結(jié)構(gòu)設(shè)計(jì)能力。

3）建模模塊是指基于生成的結(jié)構(gòu)設(shè)計(jì)像素圖建立對(duì)應(yīng)的結(jié)構(gòu)計(jì)算模型。通過像素圖到矢量圖的自動(dòng)轉(zhuǎn)化算法提取剪力墻構(gòu)件的矢量坐標(biāo)，并基于結(jié)構(gòu)計(jì)算軟件的應(yīng)用程序接口（Application Programming Interface，API）建立對(duì)應(yīng)的結(jié)構(gòu)計(jì)算模型，完成整體結(jié)構(gòu)的方案設(shè)計(jì)。

用于訓(xùn)練和測(cè)試的數(shù)據(jù)集構(gòu)建方法如圖2 所示，即將CAD 圖紙數(shù)據(jù)進(jìn)行語義化處理。在該數(shù)據(jù)集中，7 度設(shè)防且結(jié)構(gòu)高度50 m 以下（簡(jiǎn)稱：7d-H1）數(shù)據(jù)63 組、7 度設(shè)防且結(jié)構(gòu)高度50～150 m（7d-H2）數(shù)據(jù)80 組、8 度設(shè)防（8d）數(shù)據(jù)81 組[12]。

圖2 數(shù)據(jù)集構(gòu)建Fig.2 Datasets construction

2 數(shù)據(jù)驅(qū)動(dòng)和物理增強(qiáng)設(shè)計(jì)方法對(duì)比

StructGAN 采用的核心算法為圖像合成生成對(duì)抗網(wǎng)絡(luò)[12]，StructGAN-TXT 采用的核心算法為文本-圖像特征融合生成對(duì)抗網(wǎng)絡(luò)[13]，二者均為數(shù)據(jù)驅(qū)動(dòng)方法；StructGAN-PHY 采用的核心算法為物理增強(qiáng)生成對(duì)抗網(wǎng)絡(luò)[14]，是一種物理增強(qiáng)方法。3 種方法的核心差異在于設(shè)計(jì)模塊，分別為3 種不同的條件生成對(duì)抗網(wǎng)絡(luò)模型，如圖3 所示。圖3（a）所示為StructGAN 模型，由圖像生成器與圖像真假判別器構(gòu)成，基于建筑圖輸入生成結(jié)構(gòu)設(shè)計(jì)圖紙。其對(duì)應(yīng)數(shù)據(jù)集的輸入為建筑設(shè)計(jì)圖（圖2（b）），標(biāo)簽為結(jié)構(gòu)設(shè)計(jì)圖（圖2（c））。訓(xùn)練過程中，圖像生成器不斷生成結(jié)構(gòu)設(shè)計(jì)圖，判別器不斷判斷生成圖的真假，判別器判斷正確則提升生成器，判斷錯(cuò)誤則提升判別器；生成器與判別器對(duì)抗訓(xùn)練不斷提升，直到二者性能均難以提升達(dá)到納什均衡，完成訓(xùn)練獲得結(jié)構(gòu)設(shè)計(jì)能力，詳細(xì)訓(xùn)練過程可見相關(guān)研究源代碼[12,29]。訓(xùn)練時(shí)，7d-H1、7d-H2、8d 數(shù)據(jù)集分別訓(xùn)練3 個(gè)StructGAN 設(shè)計(jì)模型[12]。

圖3 StructGAN 核心算法對(duì)比Fig.3 Comparison on the critical algorithms of StructGAN

圖3(b)所示為StructGAN-TXT 模型，基于建筑圖和對(duì)應(yīng)結(jié)構(gòu)設(shè)計(jì)條件同時(shí)輸入，生成滿足建筑圖和設(shè)計(jì)條件約束的結(jié)構(gòu)設(shè)計(jì)圖紙。相比于StructGAN，StructGAN-TXT 增加了文本輸入，其對(duì)應(yīng)數(shù)據(jù)集的輸入為建筑設(shè)計(jì)圖（圖2(b)）和抗震設(shè)防烈度及結(jié)構(gòu)高度文本，標(biāo)簽為結(jié)構(gòu)設(shè)計(jì)圖（圖2(c)）。因此，其圖像生成器需要同時(shí)對(duì)圖像和文本特征進(jìn)行提取和融合，進(jìn)而基于文本-圖像融合特征，生成結(jié)構(gòu)設(shè)計(jì)圖紙；判別器同樣需要對(duì)真假圖像真假文本進(jìn)行判別；生成器和判別器對(duì)抗訓(xùn)練至性能穩(wěn)定，進(jìn)而具備結(jié)構(gòu)設(shè)計(jì)生成能力。訓(xùn)練時(shí)，7d-H1、7d-H2、8d 所有圖像數(shù)據(jù)混合，并對(duì)每個(gè)圖像給予對(duì)應(yīng)文本，創(chuàng)建數(shù)據(jù)集訓(xùn)練一個(gè)StructGANTXT 設(shè)計(jì)模型[13]。

圖3(b)所示為StructGAN-PHY 模型，由圖像生成器、判別器、物理評(píng)估器構(gòu)成，基于建筑圖輸入生成器，生成滿足建筑圖和相應(yīng)設(shè)計(jì)條件的結(jié)構(gòu)設(shè)計(jì)圖紙。其對(duì)應(yīng)數(shù)據(jù)集的輸入為建筑設(shè)計(jì)圖（圖2（b）），標(biāo)簽為結(jié)構(gòu)設(shè)計(jì)圖（圖2（c）），輸入的抗震設(shè)防烈度和結(jié)構(gòu)高度并不會(huì)輸入生成器中，而是輔助物理性能評(píng)估器進(jìn)行力學(xué)性能評(píng)估。與StructGAN和StructGAN-TXT 相比，其網(wǎng)絡(luò)架構(gòu)中新增了物理性能評(píng)估器。物理性能評(píng)估器為基于深度判別神經(jīng)網(wǎng)絡(luò)的代理模型，通過對(duì)結(jié)構(gòu)平面圖紙及其對(duì)應(yīng)力學(xué)性能數(shù)據(jù)集的訓(xùn)練，物理性能掌握對(duì)結(jié)構(gòu)設(shè)計(jì)對(duì)應(yīng)力學(xué)性能的預(yù)測(cè)，進(jìn)而有效指導(dǎo)生成器的結(jié)構(gòu)設(shè)計(jì)。訓(xùn)練時(shí)，7d-H1、7d-H2、8d 所有圖像數(shù)據(jù)混合，創(chuàng)建多個(gè)設(shè)計(jì)條件組合，設(shè)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)，結(jié)構(gòu)高度包括“＜40 m”“40～60 m”“60～80 m”“80～100 m”“＞100 m”，采用物理增強(qiáng)提升StructGAN-PHY 設(shè)計(jì)性能，得到不同設(shè)計(jì)條件對(duì)應(yīng)的智能設(shè)計(jì)模型。相比而言，當(dāng)StructGAN-TXT和StructGAN 沒有特定設(shè)計(jì)條件下的數(shù)據(jù)時(shí)（例如6 度50 m），便無法開展對(duì)應(yīng)的設(shè)計(jì)模型訓(xùn)練[14]。所以StructGAN-PHY 是在數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)的基礎(chǔ)上，由物理性能評(píng)估器進(jìn)行增強(qiáng)的智能設(shè)計(jì)方法，能有效地保證設(shè)計(jì)結(jié)果盡可能滿足設(shè)計(jì)規(guī)范要求，避免由于數(shù)據(jù)數(shù)量不足或質(zhì)量不佳導(dǎo)致的設(shè)計(jì)效果降低。

整體而言，StructGAN 與StructGAN-TXT 為數(shù)據(jù)驅(qū)動(dòng)的方法，其設(shè)計(jì)能力與訓(xùn)練數(shù)據(jù)的數(shù)量和質(zhì)量密切相關(guān)，而StructGAN-PHY 則是物理增強(qiáng)的方法，能通過GAN 對(duì)結(jié)構(gòu)力學(xué)性能學(xué)習(xí)，有效克服數(shù)據(jù)數(shù)量或質(zhì)量的影響，并保證設(shè)計(jì)結(jié)果力學(xué)性能的穩(wěn)定性。

3 典型案例分析與對(duì)比

采用4 個(gè)實(shí)際工程案例進(jìn)行設(shè)計(jì)，并開展性能分析、對(duì)比。需指出，由于設(shè)計(jì)資料的知識(shí)產(chǎn)權(quán)限制，將隱去工程項(xiàng)目的真實(shí)信息，以及真實(shí)的圖紙和對(duì)應(yīng)的結(jié)構(gòu)設(shè)計(jì)模型，僅展示研究提出方法的設(shè)計(jì)結(jié)果。典型案例命名為“案例1-7d83m”，其中，“1”代表案例編號(hào)、“7d”代表設(shè)防烈度為7 度(0.1g)、“83m”代表結(jié)構(gòu)高度83 m。

3.1 評(píng)價(jià)方法

圖4(a)為基于圖像相似性的評(píng)價(jià)方法，將生成設(shè)計(jì)的剪力墻布置與工程師的設(shè)計(jì)逐像素對(duì)比以及逐構(gòu)件輪廓對(duì)比，通過式（1）～式（4）所示的交并比計(jì)算相似性，以SCV作為綜合相似性指標(biāo)[12-14]。圖4（b）為基于結(jié)構(gòu)力學(xué)模型進(jìn)行力學(xué)性能分析的評(píng)價(jià)，其中像素圖剪力墻構(gòu)件矢量提取方法見Lu等[14]的研究。

圖4 設(shè)計(jì)評(píng)價(jià)方法Fig.4 Evaluation methods of design

式中：SCV為生成設(shè)計(jì)與目標(biāo)設(shè)計(jì)的綜合相似性指標(biāo)，該指標(biāo)越大，代表相似性越高；RSWratio為剪力墻占比率，即圖像中剪力墻像素面積（Aswall）占總墻體面積（Aswall+Ainwall）的比例；ηSWratio為剪力墻占比率一致性指標(biāo)，該指標(biāo)越大，表明生成設(shè)計(jì)剪力墻率（RSWratiogenerate）與目標(biāo)設(shè)計(jì)剪力墻率（RSWratiotarget）越一致；SSIoU為剪力墻輪廓交并比一致性指標(biāo)，即生成與目標(biāo)設(shè)計(jì)的剪力墻輪廓交集面積（Ainter）與并集面積（Aunion）的比例；SWIoU為剪力墻像素一致性指標(biāo)，k是總的像素類別（類別0 是背景，類別1 是剪力墻，類別2 是填充墻，類別3 是窗戶，類別4是戶外門洞）；pii是生成正確的像素點(diǎn)數(shù)量，pij和pji則是生成錯(cuò)誤的像素點(diǎn)數(shù)量。

需指出，平面設(shè)計(jì)結(jié)果的評(píng)價(jià)采用圖4（a）所示的基于計(jì)算機(jī)視覺的評(píng)價(jià)方法，快速評(píng)價(jià)生成設(shè)計(jì)結(jié)果與工程師設(shè)計(jì)結(jié)果的一致性。整體結(jié)構(gòu)設(shè)計(jì)評(píng)價(jià)采用圖4（b）所示的基于結(jié)構(gòu)力學(xué)性能的評(píng)價(jià)方法。整體結(jié)構(gòu)模型構(gòu)建就以工程師設(shè)計(jì)模型的參數(shù)為基準(zhǔn)，剪力墻布置由像素到矢量的自動(dòng)化程序轉(zhuǎn)化，剪力墻厚度和材料參數(shù)以及沿結(jié)構(gòu)高度的變化與工程師設(shè)計(jì)一致，梁構(gòu)件設(shè)計(jì)則根據(jù)墻體布置進(jìn)行適應(yīng)性調(diào)整?；谏鲜鲈O(shè)計(jì)和評(píng)價(jià)方法，保證3 種方法對(duì)比條件盡可能一致，更加有效體現(xiàn)差異。

3.2 案例1-7d83m 對(duì)比分析

1）案例1-7d83m 基本信息

結(jié)構(gòu)總高度83 m，28 層，平面尺寸為：49.4 m×18.7 m?？拐鹪O(shè)防烈度7度（0.1g），特征周期0.55 s。工程師完成的建筑和結(jié)構(gòu)平面設(shè)計(jì)CAD 及其對(duì)應(yīng)的語義化圖紙如圖5 所示。

圖5 案例1-7d83m 建筑圖和結(jié)構(gòu)圖Fig.5 Architectural and structural design drawings of Case 1-7d83m

2）案例1-7d83m 平面設(shè)計(jì)結(jié)果對(duì)比

在該案例的平面設(shè)計(jì)中，StructGAN、-TXT、-PHY 三種方法的設(shè)計(jì)結(jié)果以及對(duì)應(yīng)的工程師設(shè)計(jì)結(jié)果如圖6 所示。同時(shí)，基于SCV指標(biāo)評(píng)價(jià)的智能設(shè)計(jì)與工程師設(shè)計(jì)的相似性結(jié)果也如圖6 所示。在該案例中，StructGAN 和StructGAN-PHY 兩種方法的設(shè)計(jì)結(jié)果較好，與工程師設(shè)計(jì)相似性高（即量化SCV指標(biāo)較高，均為0.47），而StructGAN-TXT 的設(shè)計(jì)則差別較大（量化SCV指標(biāo)僅為0.39）。具體分析，StructGAN 和StructGAN-PHY 生成設(shè)計(jì)的ηSWratio指標(biāo)接近1，意味著在該案例中二者生成的剪力墻總像素?cái)?shù)量與工程師設(shè)計(jì)的剪力墻像素量基本一致，而StructGAN-TXT 生成設(shè)計(jì)的ηSWratio指標(biāo)則偏低，代表剪力墻總量與工程差異較大；3 個(gè)案例的SWIoU和SSIoU指標(biāo)則較為接近（均接近0.5），表明剪力墻布置位置與工程師布置位置差異較小。

圖6 案例1-7d83m 的智能生成式結(jié)構(gòu)方案設(shè)計(jì)圖Fig.6 Intelligent designed structural drawings of Case 1-7d83m

3）案例1-7d83m 整體結(jié)構(gòu)性能對(duì)比

整體結(jié)構(gòu)案例分析的模型如圖7 所示，不同設(shè)計(jì)結(jié)果的剪力墻布置不同，但建模方法與工程師設(shè)計(jì)均一致。

圖7 案例1-7d83m 整體結(jié)構(gòu)設(shè)計(jì)ETABS 模型Fig.7 Overall structural design of ETABS model of Case 1-7d83m

開展結(jié)構(gòu)動(dòng)力特性分析以及基于振型分解反應(yīng)譜法的結(jié)構(gòu)力學(xué)響應(yīng)分析，對(duì)應(yīng)的結(jié)構(gòu)動(dòng)力特性和層間位移角的對(duì)比結(jié)果如表1 和圖8 所示。StructGAN-TXT 的設(shè)計(jì)結(jié)果與工程師設(shè)計(jì)差異較大，生成的剪力墻數(shù)量偏多，結(jié)構(gòu)剛度偏大，導(dǎo)致動(dòng)力特性差異20%左右，層間變形的最大差異達(dá)到了30%；而StructGAN 和StructGAN-PHY 的設(shè) 計(jì)與工程師差異則較小，最大性能差異約10%。

表1 案例1-7d83m 結(jié)構(gòu)動(dòng)力特性與最大層間變形對(duì)比Table 1 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 1-7d83m

圖8 案例1-7d83m 層間位移角性能對(duì)比Fig.8 Comparison on inter-story drift ratio of Case 1-7d83m

3.3 案例2-8d96m、案例3-7d77m、案例4-7d41m對(duì)比分析

案例1-7d83m 的分析表明，StructGAN-PHY 與StructGAN 的設(shè)計(jì)效果較好，為進(jìn)一步研究不同智能設(shè)計(jì)方法的通用性和泛化性，進(jìn)一步開展了案例2-8d96m、案例3-7d77m、案例4-7d41m 的對(duì)比分析。案例2-8d96m 的抗震設(shè)防烈度8 度（0.2g）、結(jié)構(gòu)總高度96 m（30 層）；案例3-7d77m 的抗震設(shè)防烈度7 度（0.1g）、結(jié)構(gòu)總高度77 m（26 層）；案例4-7d41m 的抗震設(shè)防烈度7 度（0.1g）、結(jié)構(gòu)總高度41 m（14 層）。

1）案例2-8d96m 平面與整體設(shè)計(jì)結(jié)果對(duì)比

在該案例的平面設(shè)計(jì)中，StructGAN、-TXT、-PHY 三種方法的設(shè)計(jì)結(jié)果以及對(duì)應(yīng)的工程師設(shè)計(jì)結(jié)果如圖9 所示。在該案例中，直觀視覺判斷3 種方法的設(shè)計(jì)均與工程師設(shè)計(jì)非常接近，且量化的SCV指標(biāo)較高（＞0.5）。其中，ηSWratio均較接近1，意味著生成設(shè)計(jì)的總剪力墻數(shù)量與工程設(shè)計(jì)的基本一致；且SWIoU和SSIoU均大于0.5，意味著剪力墻布置的位置一致性較高。

圖9 案例2-8d96m 的智能生成式結(jié)構(gòu)方案設(shè)計(jì)圖Fig.9 Intelligent designed structural drawings of Case 2-8d96m

進(jìn)一步開展整體結(jié)構(gòu)設(shè)計(jì)的對(duì)比分析，結(jié)果如表2 所示。3 種設(shè)計(jì)與工程師設(shè)計(jì)的結(jié)果差異均較小，動(dòng)力特性差異在3%左右，最大層間變形在15%左右，且整體變形模式非常接近。其中，StructGAN-TXT 的差異最?。▌?dòng)力特性差異1.00%，最大層間變形差異3.79%）。

表2 案例2-8d96m 結(jié)構(gòu)動(dòng)力特性與最大層間變形對(duì)比Table 2 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 2-8d96m

2）案例3-7d77m 平面設(shè)計(jì)結(jié)果對(duì)比

該案例的3 種方法設(shè)計(jì)結(jié)果以及對(duì)應(yīng)SCV評(píng)價(jià)結(jié)果如圖10 所示。可以看到，StructGAN 和StructGAN-PHY 兩種方法的設(shè)計(jì)結(jié)果較好，與工程師設(shè)計(jì)相似性高，而StructGAN-TXT 的設(shè)計(jì)則差別較大。主要原因在于StructGAN-TXT 設(shè)計(jì)的剪力墻墻體過多，ηSWratio指標(biāo)偏小，僅0.65。

圖10 案例3-7d77m 的智能生成式結(jié)構(gòu)方案設(shè)計(jì)圖Fig.10 Intelligent designed structural drawings of Case 3-7d77m

進(jìn)一步分析整體結(jié)構(gòu)案例對(duì)應(yīng)的結(jié)構(gòu)動(dòng)力特性和層間位移角的對(duì)比結(jié)果如表3 所示。與平面設(shè)計(jì)結(jié)果的對(duì)比類似，StructGAN-TXT 的設(shè)計(jì)結(jié)果與工程師設(shè)計(jì)結(jié)果差異較大，剪力墻布置偏多，導(dǎo)致性能差異20% 左右，而StructGAN 和StructGAN-PHY的設(shè)計(jì)與工程師差異則為10%左右。

表3 案例3-7d77m 結(jié)構(gòu)動(dòng)力特性與最大層間變形對(duì)比Table 3 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 3-7d77m

3）案例4-7d41m 平面設(shè)計(jì)結(jié)果對(duì)比

該案例的3 種方法設(shè)計(jì)結(jié)果以及對(duì)應(yīng)SCV評(píng)價(jià)結(jié)果如圖11 所示?？梢钥闯?，StructGAN-TXT 和StructGAN-PHY 兩種方法的設(shè)計(jì)結(jié)果較好，與工程師設(shè)計(jì)相似性高，而StructGAN 的設(shè)計(jì)則差別較大。主要原因在于StructGAN 設(shè)計(jì)的剪力墻墻體偏少，ηSWratio、SWIoU、SSIoU指標(biāo)均偏小。

圖11 案例4-7d41m 的智能生成式結(jié)構(gòu)方案設(shè)計(jì)圖Fig.11 Intelligent designed structural drawings of Case 4-7d41m

整體結(jié)構(gòu)案例分析對(duì)應(yīng)的結(jié)構(gòu)動(dòng)力特性和層間位移角的對(duì)比結(jié)果如表4 所示。與平面設(shè)計(jì)結(jié)果的對(duì)比類似，StructGAN 的設(shè)計(jì)結(jié)果與工程師差異較大，其剪力墻布置偏少，動(dòng)力特性差異20%左右，層間變形的最大差異達(dá)到了40%；而StructGANTXT 和StructGAN-PHY 的設(shè)計(jì)與工程師差異同樣偏大，動(dòng)力特性差異10%左右，層間變形最大差異達(dá)到了20%左右。主要原因是7 度41 m 設(shè)計(jì)條件下對(duì)應(yīng)的剪力墻需求較少，剪力墻布置的較小差異都容易引起較大的結(jié)構(gòu)整體特性不同。

表4 案例4-7d41m 結(jié)構(gòu)動(dòng)力特性與最大層間變形對(duì)比Table 4 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 4-7d41m

3.4 基于計(jì)算機(jī)視覺與力學(xué)分析的評(píng)價(jià)分析

通過對(duì)4 個(gè)典型案例的平面設(shè)計(jì)結(jié)果和整體結(jié)構(gòu)分析和對(duì)比，分析結(jié)果匯總至表5 中。可以看出：1）在不同案例中，StructGAN-PHY 是3 種方法中最有效的，較少受到數(shù)據(jù)質(zhì)量的限制，能更準(zhǔn)確地匹配對(duì)應(yīng)設(shè)計(jì)需求，且設(shè)計(jì)結(jié)果與工程師設(shè)計(jì)最接近；2）StructGAN 和StructGAN-TXT 的設(shè)計(jì)能力均受到訓(xùn)練數(shù)據(jù)的制約，僅有部分案例效果較好，意味著如果待設(shè)計(jì)的建筑與訓(xùn)練數(shù)據(jù)的特征域較為接近，則對(duì)應(yīng)的設(shè)計(jì)結(jié)果較良好，反之則設(shè)計(jì)質(zhì)量不佳；3）結(jié)構(gòu)抗震性能需求較高的案例，設(shè)計(jì)結(jié)果通常較好，原因在于所需布置的剪力墻較多，設(shè)計(jì)變化較少；對(duì)于抗震性能需求較少的案例，對(duì)應(yīng)布置的剪力墻較少，設(shè)計(jì)變化則較豐富，人工智能不能保證找到最合適的結(jié)果。

表5 不同案例設(shè)計(jì)結(jié)果分析對(duì)比Table 5 Comparison on different case studies

既有研究認(rèn)為當(dāng)生成設(shè)計(jì)與目標(biāo)設(shè)計(jì)的交并比大于0.5 則相對(duì)較優(yōu)秀[12-14]，但目前尚未明確基于計(jì)算機(jī)視覺的平面設(shè)計(jì)評(píng)價(jià)指標(biāo)與結(jié)構(gòu)力學(xué)性能評(píng)價(jià)指標(biāo)之間的關(guān)系。將所有案例分析結(jié)果繪于圖12 中，可以看出：1）當(dāng)SCV大于0.5 時(shí)，基本可以保證智能設(shè)計(jì)的結(jié)構(gòu)力學(xué)性能與工程師設(shè)計(jì)的結(jié)構(gòu)動(dòng)力特性差異在5%以內(nèi)，且層間位移角在10%以內(nèi)；2）對(duì)于地震作用比較大的情況，例如8 度(0.2g)設(shè)防、96 m 案例中，即使SCV相差僅0.02 且動(dòng)力特性差異在5%以內(nèi)，層間位移角的差異仍舊會(huì)超過10%，主要原因在于較大地震作用會(huì)導(dǎo)致更大的結(jié)構(gòu)變形，相對(duì)差異也變得更大。

圖12 基于計(jì)算機(jī)視覺與結(jié)構(gòu)力學(xué)分析的評(píng)價(jià)指標(biāo)相關(guān)性Fig.12 Indexes relationship between computer visionbased and structural analysis-based evaluation

因此，可以認(rèn)為基于計(jì)算機(jī)視覺的SCV指標(biāo)與結(jié)構(gòu)力學(xué)性能評(píng)價(jià)的指標(biāo)具有高度的正相關(guān)性，即SCV越高則結(jié)構(gòu)力學(xué)性能越優(yōu)，更接近專家的優(yōu)化設(shè)計(jì)。SCV=0.5 可作為基于視覺評(píng)價(jià)的合理性閾值，其對(duì)應(yīng)的結(jié)構(gòu)動(dòng)力特性差異約為5%，層間位移角差異約為10%。

4 結(jié)論

針對(duì)建筑結(jié)構(gòu)智能化方案設(shè)計(jì)方法進(jìn)行了對(duì)比分析研究。從數(shù)據(jù)驅(qū)動(dòng)到物理增強(qiáng)數(shù)據(jù)驅(qū)動(dòng)方法，對(duì)比了核心算法構(gòu)建和設(shè)計(jì)性能，并通過典型案例對(duì)比了相同設(shè)計(jì)條件下不同算法的實(shí)際表現(xiàn)，主要結(jié)論如下：

1）數(shù)據(jù)驅(qū)動(dòng)與物理增強(qiáng)數(shù)據(jù)驅(qū)動(dòng)是建筑結(jié)構(gòu)智能化設(shè)計(jì)的兩個(gè)階段，數(shù)據(jù)驅(qū)動(dòng)方法搭建了智能化設(shè)計(jì)的數(shù)據(jù)、算法、評(píng)價(jià)和應(yīng)用方法的基礎(chǔ)，物理增強(qiáng)數(shù)據(jù)驅(qū)動(dòng)方法則進(jìn)一步提升了算法性能。

2）數(shù)據(jù)驅(qū)動(dòng)方法（StructGAN 和StructGANTXT）通常受限于特定設(shè)計(jì)條件下的數(shù)據(jù)質(zhì)量與數(shù)量，而物理增強(qiáng)數(shù)據(jù)驅(qū)動(dòng)（StructGAN-PHY）則可以有效降低對(duì)結(jié)構(gòu)設(shè)計(jì)數(shù)據(jù)的依賴性。

3）對(duì)于抗震設(shè)防需求較低的設(shè)計(jì)，剪力墻布置的需求較少，其布置的位置更加靈活，導(dǎo)致智能化設(shè)計(jì)與工程師設(shè)計(jì)存在一定差異，未來將進(jìn)一步提升相關(guān)設(shè)計(jì)條件下的智能化設(shè)計(jì)能力。

4）確定了基于計(jì)算機(jī)視覺與力學(xué)分析評(píng)價(jià)方法的正相關(guān)性，且SCV=0.5 可作為基于視覺評(píng)價(jià)的合理性閾值，可供未來智能化設(shè)計(jì)評(píng)價(jià)方法使用。

5）主要針對(duì)剪力墻結(jié)構(gòu)開展了智能設(shè)計(jì)相關(guān)研究，框架、框架-剪力墻等多種結(jié)構(gòu)類型的智能設(shè)計(jì)方法研究有待進(jìn)一步從結(jié)構(gòu)表達(dá)、智能算法和評(píng)估方法等方面開展。

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