本发明专利技术提供一种基于知识增强扩散模型的建筑结构设计方法及系统，该方法包括：确定输入建筑设计特征张量；根据输入建筑设计特征张量，确定含噪声的建筑设计特征张量；将含噪声的建筑设计特征张量输入预训练的知识增强的扩散生成网络模型，得到扩散生成网络模型输出的预测噪声张量；知识增强扩散生成网络模型包括扩散生成网络、力学评估器和规则评估器；根据预测噪声张量更新含噪声的建筑设计特征张量，重复迭代，得到建筑结构设计特征张量；根据建筑结构设计特征张量，确定建筑结构设计数据。本发明专利技术通过数据‑力学‑规则的耦合学习可有效提升扩散生成网络模型的设计能力，实现高效、可靠的智能化建筑结构设计。
【技术实现步骤摘要】
本专利技术涉及建筑设计，尤其涉及一种基于知识增强扩散模型的建筑设计方法及系统。
技术介绍
1、目前，人工智能已经深入到各行各业，以建筑设计为例，通过运用生成对抗网络或图神经网络技术，可以提升建筑设计的效率，但是建筑结构布置图像在局部细节尚不理想，导致智能设计结果难以完全被工程师所接受。此外，设计过程通过缺乏对建筑结构设计领域知识的高效充分学习，导致其设计结果仍旧难以有效满足相关力学要求和经验规则的约束。
2、因此，建筑结构智能设计质量有较大的提升空间，亟需一种能够快速可靠地实现更加高质量的建筑智能设计方法。
技术实现思路
1、本专利技术提供一种基于知识增强扩散模型的建筑设计方法及系统，用以对建筑结构设计的数据和知识进行耦合学习，更好的克服智能设计力学性能和经验规则满足程度不足的难题，实现更优的建筑结构布置设计。
2、本专利技术提供一种基于知识增强扩散模型的建筑设计方法，包括：确定输入建筑设计特征张量；根据所述输入建筑设计特征张量，确定含噪声的建筑设计特征张量；将所述含噪声的建筑设计特征张量输入预训练的知识增强扩散生成网络模型，得到所述知识增强扩散生成网络模型输出的预测噪声张量；所述知识增强扩散生成网络模型包括扩散生成网络、力学评估器和规则评估器；根据所述预测噪声张量更新所述含噪声的建筑设计特征张量，并重复迭代执行所述预训练的知识增强扩散生成网络模型的步骤，直至迭代时间达到预设值，得到建筑结构设计特征张量；根据所述建筑结构设计特征张量，确定建筑结构设计数据。</p>3、根据本专利技术提供的一种基于知识增强扩散模型的建筑设计方法，所述确定输入建筑设计特征张量，包括：获取建筑设计结构化数据；所述建筑设计结构化数据包括待生成结构设计的建筑设计图及设计条件；根据所述建筑设计结构化数据，构建位置掩码矩阵和设计条件特征矩阵，得到所述输入建筑设计特征张量。
4、根据本专利技术提供的一种基于知识增强扩散模型的建筑设计方法，所述根据所述输入建筑设计特征张量确定含噪声的建筑设计特征张量，包括：构建高斯白噪声矩阵；将所述设计条件特征矩阵和所述高斯白噪声矩阵进行矩阵耦合，并采用所述位置掩码矩阵进行布尔运算，得到所述含噪声的建筑设计特征张量。
5、根据本专利技术提供的一种基于知识增强扩散模型的建筑设计方法，所述将所述含噪声的建筑设计特征张量输入预训练的知识增强扩散生成网络模型，得到所述扩散生成网络模型输出的预测噪声张量之前，还包括：构建建筑结构设计数据集，所述建筑结构设计数据集包括训练数据集和测试数据集；基于所述建筑结构设计数据集对所述知识增强扩散生成网络模型进行模型训练和测试；所述模型训练的阶段包括数据驱动训练阶段、数据-力学耦合驱动训练阶段、数据-力学-规则耦合驱动训练阶段。
6、根据本专利技术提供的一种基于知识增强扩散模型的建筑设计方法，所述知识增强扩散生成网络模型的数据驱动训练阶段，包括：将在预设时刻的高斯噪声与所述建筑设计结构化数据进行融合，得到融合所述高斯噪声的建筑结构设计特征；将所述融合所述高斯噪声的建筑结构设计特征输入所述扩散生成网络，得到所述扩散生成网络输出的预测高斯噪声；计算所述预设时刻的高斯噪声和所述预测高斯噪声的欧氏距离，并基于所述位置掩码矩阵进行哈达玛积计算，得到数据损失值；在所述数据驱动训练阶段重复迭代执行所述融合的步骤、所述扩散生成网络的步骤和所述计算的步骤，以优化所述知识增强扩散生成网络模型。
7、根据本专利技术提供的一种基于知识增强扩散模型的建筑设计方法，所述知识增强扩散生成网络模型的数据-力学耦合驱动训练阶段，包括：将所述融合所述高斯噪声的建筑结构设计特征减去所述预测高斯噪声，得到减噪建筑结构设计特征；将所述减噪建筑结构设计特征输入所述力学评估器，得到所述力学评估器输出的力学损失值；力学评估器用于辅助知识增强扩散生成模型的训练；耦合所述数据损失值和所述力学损失值，以优化所述知识增强扩散生成网络模型。
8、根据本专利技术提供的一种基于知识增强扩散模型的建筑设计方法，所述知识增强扩散生成网络模型的数据-力学-规则耦合驱动训练阶段，包括：将所述融合所述高斯噪声的建筑结构设计特征减去所述预测高斯噪声，得到减噪建筑结构设计特征；将所述减噪建筑结构设计特征输入所述规则评估器，得到所述规则评估器输出的规则损失值；耦合所述数据损失值、所述力学损失值和所述规则损失值，以优化所述知识增强扩散生成网络模型。
9、根据本专利技术提供的一种基于知识增强扩散模型的建筑设计方法，所述力学评估器为基于深度卷积网络构建的力学性能评估网络模型；所述力学性能评估网络模型包括水平力学性能评估网络模型和竖向力学性能评估网络模型；所述力学评估器基于力学性能评估训练集进行模型训练直至完成训练且预测精度满足预设力学要求；所述力学性能评估训练集包括作为输入的所述减噪建筑结构设计特征、作为目标值的竖向和水平力学性能。
10、根据本专利技术提供的一种基于知识增强扩散模型的建筑设计方法，所述规则评估器具体用于：计算所述减噪建筑结构设计特征的对称性和计算所述的减噪建筑结构设计特征的关键位置支撑性；所述计算所述减噪建筑结构设计特征的对称性，包括：采用对称位置的掩码矩阵进行结构构件布置位置提取；计算对称位置处结构构件布置的差异，得到对称布置差异值；基于所述对称布置差异值得到对称规则损失；所述计算所述的减噪建筑结构设计特征的关键位置支撑性，包括：采用位置掩码矩阵提取关键位置；确定所述关键位置处的结构布置的存在结果；基于所述结构布置的存在结果得到所述规则损失值。
11、本专利技术还提供一种基于知识增强扩散模型的建筑设计系统，包括：输入张量确定模块，用于确定输入建筑设计特征张量；含噪声张量确定模块，根据所述输入建筑设计特征张量，确定含噪声的建筑设计特征张量；知识增强扩散生成网络模块，用于将所述含噪声的建筑设计特征张量输入预训练的知识增强扩散生成网络模型，得到所述扩散生成网络模型输出的预测噪声张量；所述知识增强扩散生成网络模型包括生成网络模型、力学评估器和规则评估器；迭代模块，用于根据所述预测噪声张量更新所述含噪声的建筑设计特征张量，并重复迭代执行所述预训练的知识增强扩散生成网络模型的步骤，直至迭代时间达到预设值，得到建筑结构设计特征张量；设计数据确定模块，用于根据所述建筑结构设计特征张量，确定建筑结构设计数据。
12、本专利技术提供的一种基于知识增强扩散模型的建筑设计方法及系统，该方法包括：确定输入建筑设计特征张量；根据输入建筑设计特征张量，确定含噪声的建筑设计特征张量；将含噪声的建筑设计特征张量输入预训练的知识增强的扩散生成网络模型，得到扩散生成网络模型输出的预测噪声张量；知识增强扩散生成网络模型包括扩散生成网络、力学评估器和规则评估器；根据预测噪声张量更新含噪声的建筑设计特征张量，重复迭代，得到建筑结构设计特征张量；根据建筑结构设计特征张量，确定建筑结构设计数据。本专利技术通过数据-力学-规则的耦合学习可有效提升扩散生成网络模型的设计能力，实现高效、可靠的智能化建筑结构设计。
本文档来自技高网...
【技术保护点】
1.一种基于知识增强扩散模型的建筑设计方法，其特征在于，包括：
2.根据权利要求1所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述确定输入建筑设计特征张量，包括：
3.根据权利要求2所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述根据所述输入建筑设计特征张量确定含噪声的建筑设计特征张量，包括：
4.根据权利要求1所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述将所述含噪声的建筑设计特征张量输入预训练的知识增强扩散生成网络模型，得到所述扩散生成网络模型输出的预测噪声张量之前，还包括：
5.根据权利要求4所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述知识增强扩散生成网络模型的数据驱动训练阶段，包括：
6.根据权利要求5所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述知识增强扩散生成网络模型的数据-力学耦合驱动训练阶段，包括：
7.根据权利要求6所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述知识增强扩散生成网络模型的数据-力学-规则耦合驱动训练阶段，包括：
8.根据权利要求6所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述力学评估器为基于深度卷积网络构建的力学性能评估网络模型；所述力学性能评估网络模型包括水平力学性能评估网络模型和竖向力学性能评估网络模型；
9.根据权利要求7所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述规则评估器具体用于：
10.一种基于知识增强扩散模型的建筑设计系统，其特征在于，包括：
...
【技术特征摘要】
1.一种基于知识增强扩散模型的建筑设计方法，其特征在于，包括：
2.根据权利要求1所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述确定输入建筑设计特征张量，包括：
3.根据权利要求2所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述根据所述输入建筑设计特征张量确定含噪声的建筑设计特征张量，包括：
4.根据权利要求1所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述将所述含噪声的建筑设计特征张量输入预训练的知识增强扩散生成网络模型，得到所述扩散生成网络模型输出的预测噪声张量之前，还包括：
5.根据权利要求4所述的基于知识增强扩散模型的建筑设计方法，其特征在于，所述知识增强扩散生成网络模型的数据驱动训练阶段，包括：
...
【专利技术属性】
技术研发人员：陆新征，廖文杰，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。