基于联合结构优化神经网络的建筑结构设计方法和装置制造方法及图纸

本发明专利技术涉及一种基于联合结构优化神经网络的建筑结构设计方法和装置，包括：获取目标建筑结构的设计条件；将所述设计条件代入预先构建的建筑结构设计方案生成模型中，得到目标建筑结构的设计方案；其中，建筑结构设计方案生成模型，是在建筑结构优化器的协助下构建的。建筑结构优化器，是可用于对建筑结构的设计方案进行优化，输出建筑结构的优化设计方案及其对应的指定目标性能的优化模型。本发明专利技术一方面利用建筑结构优化器，提高建筑结构设计方案生成神经网络训练集的规模和质量，另一方面利用指定目标性能评估神经网络对设计方案特征张量的指定目标性能评估能力，优化建筑结构设计方案生成神经网络；从而实现快速、可靠地建筑结构智能化设计。建筑结构智能化设计。建筑结构智能化设计。

【技术实现步骤摘要】
基于联合结构优化神经网络的建筑结构设计方法和装置


[0001]本专利技术涉及建筑结构设计与人工智能交叉
，尤其涉及一种基于联合结构优化神经网络的建筑结构设计方法和装置。

技术介绍

[0002]在建筑结构的方案设计阶段，为保证最终的结构设计方案的合规性、经济性、环保性等，需在结构设计条件的约束下，进行快速合理的结构构件平面布置和截面尺寸的初步方案设计。
[0003]但目前的初步方案设计主要依赖建筑师和结构工程师的个人经验，不仅耗时耗力，而且难以传承既有设计经验。
[0004]而既有的基于人工智能的建筑结构设计方法存在一系列局限性，包括用于生成建筑结构设计方案的设计模型性能受到数据集规模和质量的影响和制约，难以充分考虑经济性、环保性等多方面需求等。

技术实现思路

[0005]本专利技术的目的是提供一种基于联合结构优化神经网络的建筑结构设计方法和装置，用于解决现有技术中设计模型性能受到数据集规模和质量的影响和制约，难以充分考虑经济性、环保性等多方面需求的缺陷，从而能够快速、可靠地完成建筑结构的智能化设计。
[0006]第一方面，本专利技术提供一种基于联合结构优化神经网络的建筑结构设计方法，所述方法包括：
[0007]获取目标建筑结构的设计条件；
[0008]将所述设计条件代入预先构建的建筑结构设计方案生成模型中，得到目标建筑结构的设计方案；
[0009]其中，所述建筑结构设计方案生成模型，是在建筑结构优化器的协助下构建的；
[0010]所述建筑结构优化器，是基于指定目标、建筑设计经验规则和优化算法生成的，可用于对建筑结构的设计方案进行优化，输出建筑结构的优化设计方案及其对应的指定目标性能的优化模型。
[0011]根据本专利技术提供的基于联合结构优化神经网络的建筑结构设计方法，当所述设计条件由结构布置图和自然环境因素构成时，所述设计方案为构件截面尺寸设计方案；
[0012]当所述设计条件由建筑设计图和自然环境因素构成时，所述设计方案为构件布置设计方案；
[0013]其中，所述自然环境因素，包括：地震影响系数、风力影响系数、结构总高度和标准层特征高度。
[0014]根据本专利技术提供的基于联合结构优化神经网络的建筑结构设计方法，所述建筑结构设计方案生成模型，包括：前处理器、后处理器和建筑结构设计方案生成神经网络；所述
将所述设计条件代入预先构建的建筑结构设计方案生成模型中，得到目标建筑结构的设计方案，包括：
[0015]基于前处理器，将所述设计条件处理为设计条件特征张量；
[0016]将所述设计条件特征张量输入至所述建筑结构设计方案生成神经网络，得到所述建筑结构设计方案生成神经网络输出的设计方案特征张量；
[0017]基于后处理器，将所述设计方案特征张量转换为设计方案，并将转换后的设计方案作为目标建筑结构的设计方案。
[0018]根据本专利技术提供的基于联合结构优化神经网络的建筑结构设计方法，所述建筑结构设计方案生成模型，还包括：指定目标性能评估神经网络；所述建筑结构设计方案生成神经网络的构建过程，包括：
[0019]步骤1：从工程案例中收集建筑结构的设计条件和设计方案，将建筑结构的设计条件和设计方案分别转换为建筑结构的设计条件特征张量和设计方案特征张量，并构建以建筑结构的设计条件特征张量
‑
设计方案特征张量为样本的基础数据集；
[0020]步骤2：以建筑结构的设计条件特征张量为初始神经网络的输入，以建筑结构的设计方案特征张量为初始神经网络的输出，利用基础数据集训练所述初始神经网络直至其损失函数稳定；
[0021]步骤3：采集所述初始神经网络损失函数稳定前最后k轮迭代输入的建筑结构的设计条件特征张量及其对应的所述初始神经网络输出的建筑结构设计方案特征张量，并以其组成的建筑结构的设计条件特征张量
‑
设计方案特征张量为样本扩充基础数据集，得到增广数据集；
[0022]步骤4：基于增广数据集和所述建筑结构优化器，构建结构优化数据集和结构评估数据集；其中，所述结构优化数据集是以建筑结构的设计条件特征张量
‑
优化设计方案特征张量为样本的，所述结构评估数据集是以建筑结构的设计方案特征张量
‑
优化设计方案特征张量对应的指定目标性能特征张量为样本的；所述优化设计方案特征张量，是设计方案特征张量经所述建筑结构优化器优化后的结果；
[0023]步骤5：利用结构评估数据集训练所述指定目标性能评估神经网络，利用所述结构优化数据集对所述初始神经网络进行再训练，并将再训练阶段所述初始神经网络输出的建筑结构的设计方案特征张量输入到所述指定目标性能评估神经网络，得到相应的指定目标性能特征张量；
[0024]步骤6：若基于所述指定目标性能特征张量判定所述初始神经网络相较于之前一轮迭代的优化效果小于预期，则结束训练并将得到的所述初始神经网络作为所述建筑结构设计方案生成神经网络；否则，利用所述初始神经网络自身的损失与所述指定目标性能特征张量的加权和优化所述初始神经网络的参数，直至所述初始神经网络的损失函数稳定，并返回步骤3。
[0025]根据本专利技术提供的基于联合结构优化神经网络的建筑结构设计方法，所述建筑结构优化器的构建过程，包括：
[0026]设定所述建筑结构优化器的优化对象、优化输出、优化目标和优化算法；
[0027]根据建筑设计经验规则对所述优化对象中的构件进行分组，并设定各组构件需要满足的约束；
[0028]基于设定的所述优化对象、所述优化输出、所述优化目标、所述优化算法和所述约束，构建所述建筑结构优化器；
[0029]其中，所述优化对象，为建筑结构的设计方案特征张量对应的结构分析模型；
[0030]所述优化目标，为所述指定目标；
[0031]所述优化输出，为建筑结构的优化设计方案及其对应的指定目标性能。
[0032]根据本专利技术提供的基于联合结构优化神经网络的建筑结构设计方法，所述指定目标，包括：材料成本最小化目标和碳排放量最小化目标；
[0033]所述优化算法，包括：遗传算法、禁忌搜索算法、模拟退火算法和粒子群算法；
[0034]所述建筑设计经验规则，包括：对称性规则和可施工性规则；
[0035]所述约束，包括：平面布置规则性约束、竖向布置规则性约束、承载力约束、刚度约束和稳定性约束；
[0036]其中，所述平面布置规则性约束，包括：扭转周期比约束、偶然偏心地震作用下的位移比约束和偶然偏心地震作用下的层间位移比约束；
[0037]所述竖向布置规则性约束，包括：楼层质量比约束、楼层侧向刚度比约束和楼层抗剪承载力比约束；
[0038]所述承载力约束，包括：剪重比约束；
[0039]所述刚度约束，包括：水平力作用下的层间位移角约束；
[0040]所述稳定性约束，包括：刚重比约束。
[0041]根据本专利技术提供的基于联合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联合结构优化神经网络的建筑结构设计方法，其特征在于，所述方法包括：获取目标建筑结构的设计条件；将所述设计条件代入预先构建的建筑结构设计方案生成模型中，得到目标建筑结构的设计方案；其中，所述建筑结构设计方案生成模型，是在建筑结构优化器的协助下构建的；所述建筑结构优化器，是基于指定目标、建筑设计经验规则和优化算法生成的，可用于对建筑结构的设计方案进行优化，输出建筑结构的优化设计方案及其对应的指定目标性能的优化模型。2.根据权利要求1所述的基于联合结构优化神经网络的建筑结构设计方法，其特征在于，当所述设计条件由结构布置图和自然环境因素构成时，所述设计方案为构件截面尺寸设计方案；当所述设计条件由建筑设计图和自然环境因素构成时，所述设计方案为构件布置设计方案；其中，所述自然环境因素，包括：地震影响系数、风力影响系数、结构总高度和标准层特征高度。3.根据权利要求1或2所述的基于联合结构优化神经网络的建筑结构设计方法，其特征在于，所述建筑结构设计方案生成模型，包括：前处理器、后处理器和建筑结构设计方案生成神经网络；所述将所述设计条件代入预先构建的建筑结构设计方案生成模型中，得到目标建筑结构的设计方案，包括：基于前处理器，将所述设计条件处理为设计条件特征张量；将所述设计条件特征张量输入至所述建筑结构设计方案生成神经网络，得到所述建筑结构设计方案生成神经网络输出的设计方案特征张量；基于后处理器，将所述设计方案特征张量转换为设计方案，并将转换后的设计方案作为目标建筑结构的设计方案。4.根据权利要求3所述的基于联合结构优化神经网络的建筑结构设计方法，其特征在于，所述建筑结构设计方案生成模型，还包括：指定目标性能评估神经网络；所述建筑结构设计方案生成神经网络的构建过程，包括：步骤1：从工程案例中收集建筑结构的设计条件和设计方案，将建筑结构的设计条件和设计方案分别转换为建筑结构的设计条件特征张量和设计方案特征张量，并构建以建筑结构的设计条件特征张量
‑
设计方案特征张量为样本的基础数据集；步骤2：以建筑结构的设计条件特征张量为初始神经网络的输入，以建筑结构的设计方案特征张量为初始神经网络的输出，利用基础数据集训练所述初始神经网络直至其损失函数稳定；步骤3：采集所述初始神经网络损失函数稳定前最后k轮迭代输入的建筑结构的设计条件特征张量及其对应的所述初始神经网络输出的建筑结构设计方案特征张量，并以其组成的建筑结构的设计条件特征张量
‑
设计方案特征张量为样本扩充基础数据集，得到增广数据集；步骤4：基于增广数据集和所述建筑结构优化器，构建结构优化数据集和结构评估数据集；其中，所述结构优化数据集是以建筑结构的设计条件特征张量
‑
优化设计方案特征张量
为样本的，所述结构评估数据集是以建筑结构的设计方案特征张量
‑
优化设计方案特征张量对应的指定目标性能特征张量为样本的；所述优化设计方案特征张量，是设计方案特征张量经所述建筑结构优化器优化后的结果；步骤5：利用结构评估数据集训练所述指定目标性能评估神经网络，利用所述结构优化数据集对所述初始神经网络进行再训练，并将再训练阶段所述初始神经网络输出的建筑结构的设计方案特征张量输入到所述指定目标性能评估神经网络，得到相应的指定目标性能特征张量；步骤6：若基于所述指定目标性能特征张量判定所述初始神经网络相较于之前一轮迭代的优化效果小于预期，则结束训练并将得到的所述初始神经网络作为所述建筑结构设计方案生成神经网络；否则，利用所述初始神经网络自身的损失与所述指定目标性能特征张量的加权和优化所述初始神经网络的参数，直至所述初始神经网络...

【专利技术属性】
技术研发人员：陆新征，费一凡，廖文杰，
申请(专利权)人：清华大学，
类型：发明
国别省市：