揭秘人工智能设计剪力墙结构的科学原理 | 新论文：基于生成对抗网络的剪力墙结构设计方法
5分钟小视频，介绍本方法的核心内容
论文链接：https://doi.org/10.1016/j.autcon.2021.103931
1
StructGAN智能化剪力墙结构生成式设计
智能化结构设计是智能建造的重要内容。现阶段结构方案设计主要依赖设计人员的经验，缺乏智能化的设计方法。是否可能让人工智能通过大量学习既有设计资料，掌握工程师的设计经验，进而实现结构设计的自动化？
本课题组基于生成对抗网络模型，提出了一种基于生成对抗网络的剪力墙结构布置方法，图1所示。先行版的专利介绍（参见：用人工智能进行结构方案设计| 发明专利：基于对抗生成网络的剪力墙结构布置方法）与应用展示（参见：5分钟！从设计结构方案到完成计算书 | 人工智能设计剪力墙结构案例演示）已经展示了该方法很好的设计性能。那是不是只要有了生成对抗网络就可以自动解决这个问题呢？（所谓：“论文不成、人工智能”？），当然不是，本方法从特征提取，到网络结构，再到评价方法都做了很多的探索，最后找到了一条可以走通的路。
本论文将详细解析该方法的特征提取模块、结构设计模块、以及设计评价模块的具体实现原理。
图1 基于对抗生成网络的剪力墙结构生成式设计方法
2
特征提取模块
特征提取的方法是对深度神经网络训练和测试采用的数据集进行清洗与特征初步提取，进而基于人工设计的特征训练深度学习模型，并提升深度学习算法的性能。
特征提取的方法灵感来源于计算机视觉中的语义分割，因此该特征提取过程称为语义化。语义化特征是将图像中的关键元素剥离，并采用单纯的颜色对关键元素进行填充处理，使得关键元素特征更加清晰、所占像素比重更充足。此外，剪力墙的设计结果与结构高度以及抗震设防水准等因素密切相关。故根据中国规范规定，将数据集按照高度分为H1 (高度低于50 m)和H2(高度高于50 m，低于150m)两个组别，并进一步将图纸分为7度设防与8度设防。典型数据集如图2所示，例如图中，Group7-H1代表7度设防高度低于50m的数据，Group7-H1、Group7-H2和Group8的训练集数量分别为63、80、81，测试集数量分别为8、8、8。
图2 语义化建筑与结构图纸数据集（结构图中红色代表剪力墙，灰色代表普通墙；建筑图中灰色代表可布置墙体位置；绿色代表门窗洞口，蓝色代表室外门洞）
当然，这时我们就遇到了第一个大难题，虽然我们已经想了各种办法去搜集设计资料，但是训练数据集仅包含几百组数据，对于训练生成对抗网络而言还是太少了。这里有一个小诀窍，由于目前能收集到的数据总量有限，因此我们考虑采用数据增广技术扩充训练数据集。我们对每套设计资料都进行了镜像和旋转，这样就一下子使得训练的数据量扩充了4倍，有效提升了设计的效果，如图3所示。
图3 数据增广方法典型效果（ScoreIoU越高代表与目标设计相似度越高，算法越优异）
3
结构设计模块
结构设计模块的核心是通过生成对抗网络，实现建筑设计图到结构设计图的转化。图像的特征转化方法多样，其中应用最为广泛的几种网络为：UNet、pix2pix和pix2pixHD，UNet为常规深度神经网络，pix2pix和pix2pixHD为生成对抗网络。每种网络都有很多成功的案例，不同计算参数对结果也有很大的影响。本研究针对三种网络进行了设计性能对比，各网络训练稳定之后的生成设计结果如图4所示。可以看到，UNet几乎把所有可能布置位置都设计了剪力墙，pix2pix的设计图像生成较模糊，pix2pixHD的效果最优异，与目标设计最为接近。虽然三种方法都能有效的生成结构设计图纸，但由于生成对抗网络的对抗学习机制，可以更好的学习图像中的结构化损失，因此其设计效果最佳。而三种网络性能对比下的ScoreIoU为本研究提出的性能量化指标，指标越高，性能最好，评价指标的设计过程详见第4部分设计评价模块。
图4 结构设计性能对比UNet、pix2pix和pix2pixHD（ScoreIoU越高代表与目标设计相似度越高，算法越优异）
此外，为了获得网络最优的性能，我们同样进行了网络关键参数的对比和研究。参数研究如图5所示，参数分析所采用的评价指标包括SIoU、WIoU、PA、Difference of SWratio。SIoU、WIoU、PA均是越大越好，Difference of SWratio则是越小越好，采用的评价指标的设计过程依旧详见第4部分评价模块。经过参数讨论与性能分析，我们确定pix2pixHD（对应参数γFM=10）是目前最合适的算法，其生成的图像分辨率高、准确率高，更适用于结构设计中。
图5 参数分析结果
(a. pix2pix算法参数改变及其对应的典型生成结果；b. pix2pixHD算法参数改变及其对应的典型生成结果；c-f. pix2pix与pix2pixHD算法的关键参数改变对应的性能量化结果)
4
设计评价模块
目前，基于深度学习开展结构生成式设计的研究相对有限，有效的评价方法相对缺乏。倘若按照传统结构设计建模并计算的评价方法，非常耗时，基本难以实现。因此，本研究根据深度学习领域的交并比（IoU）评价方法，进行了结构设计的性能评价方法开发。评价方法核心基础为交并比（IoU），即衡量智能生成结构设计与目标结构设计的重叠程度，交并比越大，一致性越高。基于IoU概念，本研究开发了基于像素的交并比计算以及基于剪力墙轮廓检测的交并比计算，最后通过不同指标的加权，得到ScoreIoU这个综合评价指标。
首先是像素的交并比计算，将结构设计图像中关键元素像素按照颜色范围进行剥离，随后基于剥离的像素数量，构造混淆矩阵，进而基于混淆矩阵计算加权交并比（WIoU）、像素准确度（PA），以及剪力墙像素占比（SWratio，近似于墙率指标），整个过程如图6所示。
图6 基于像素的交并比计算（a. 颜色的HSV范围；b-c. 目标设计与生成设计的关键元素剥离结果；d. 混淆矩阵）
基于剪力墙轮廓检测结果的交并比计算，该交并比计算与像素级别的计算差异在于，剪力墙轮廓是更接近于真实剪力墙结构构件，是一种构件级别的相似度评价。基于剪力墙轮廓检测的交并比评价指标为SIoU，评价流程如图7a所示，典型的计算结果如图7b所示。
图7 基于轮廓检测的交并比计算
(a. 评价流程；b. 典型计算结果)
当然，除了基于计算机的评价外，本研究还提出了一种基于专家经验的评价方法，通过发布盲测问卷，邀请专家进行判断以及设计合理性评分，典型问卷如图8所示。
5
实现流程与案例研究
该方法的典型实现流程如图9所示，需要经历数据集构建与生成对抗网络训练、设计性能评估、评估合格后进行应用。基于该流程，开展了系列的案例研究。
典型平面设计的结果如图10所示，StructGAN的平面设计一致性与工程师设计一致性很高。通过多个典型案例的分析和验证，可见StructGAN设计的性能已经基本达到结构方案设计阶段的需求。
案例1（7度设防-50m以下）
建筑户型图
StructGAN生成结构设计方案
工程师设计结构方案
案例2（7度设防-50m以下）
建筑户型图
StructGAN生成结构设计方案
工程师设计结构方案
案例3（7度设防-50m以上）
建筑户型图
StructGAN生成结构设计方案
工程师设计结构方案
案例4（7度设防-50m以上）
建筑户型图
StructGAN生成结构设计方案
工程师设计结构方案
案例5（8度设防）
建筑户型图
StructGAN生成结构设计方案
工程师设计结构方案
案例6（8度设防）
建筑户型图
StructGAN生成结构设计方案
工程师设计结构方案
6
总结
本论文采用生成对抗网络，开展了剪力墙结构的方案设计。通过提出图纸语义化方法并构建数据集、研究对比UNet、pix2pix和pix2pixHD的算法性能、开发合理高效的评价方法，有效实现了智能化生成式设计方法的探索性研究。基于该方法，可以实现设计经验传承、设计效率提升、建筑-结构协作优化。
本论文讲述了StructGAN实现的细节，我们团队也在不断的完善发展该工作。希望能有更多专家同仁和我们一起开展智能化生成式结构设计方法的理论研究和工程推广。
致谢
感谢斯坦福大学Kincho H Law教授对本研究的建设性意见，感谢清华大学建筑设计研究院、安徽省建筑设计研究院、北京建筑设计研究院、华东建筑设计研究院、广西华蓝设计(集团)有限公司、山东省建筑设计研究院、华通设计顾问工程有限公司、中国建筑设计研究院、中国建筑西南设计研究院、中国建筑西北设计研究院等单位多位专家对本文的大力支持！
联络邮箱:
luxz@tsinghua.edu.cn
liaowj17@mails.tsinghua.edu.cn
廖文杰
---End--
相关研究
专著
人工智能与机器学习
城市灾害模拟与韧性城市
高性能结构与防倒塌
新论文：抗震&防连续倒塌：一种新型构造措施