【技术实现步骤摘要】
本专利技术涉及建筑结构设计与深度学习，尤其涉及一种基于扩散模型生成-优化-再学习的建筑设计方法及组件。
技术介绍
1、传统建筑行业作为人工密集型产业，在图纸设计方面数据壁垒高且自动化程度低，难以充分利用和结合其他项目的图纸资料。且由于工程师设计需要在满足设计规范的条件下尽可能优化方案，庞大的优化备选方案使得工程师只能依据自身设计经验进行判断，从而导致难以得到最优的设计方案。因此面向建筑结构的智能设计方法将会是一个具有广阔前景的研究方向。现有的建筑结构智能设计中可获取的建筑结构设计数据集数量有限，较严重的影响了数据驱动的生成式智能设计效果，仍需进一步扩充符合结构力学特性规则和设计经验规则的高质量数据集。
技术实现思路
1、本专利技术提供一种基于扩散模型生成-优化-再学习的建筑设计方法及组件，用以解决现有技术中可获取的建筑结构设计数据集数量有限，较严重的影响了数据驱动的生成式智能设计效果的缺陷。本专利技术根据基于扩散模型的生成式建筑结构设计网络、预设优化算法、再学习的建筑结构设计数据集重复迭代进行建筑结构设计方案的快速生成、优化与再学习，从而不断提升扩散模型的学习数据总量和设计质量，提高基于扩散模型的生成式建筑结构设计网络对底层力学和设计经验的捕捉与泛化性能。
2、本专利技术提供一种基于扩散模型生成-优化-再学习的建筑设计方法，包括：确定初始建筑结构设计数据集，以根据所述初始建筑结构设计数据集对扩散模型进行生成训练；所述初始建筑结构设计数据集包括初始建筑设计数据和初始结构设
3、根据本专利技术提供的一种基于扩散模型生成-优化-再学习的建筑设计方法，所述初始建筑设计数据包括所述初始建筑设计张量和所述初始掩码张量；所述初始结构设计数据为初始剪力墙张量；所述确定初始建筑结构设计数据集，并根据所述初始建筑结构设计数据集对扩散模型进行生成训练，包括：将初始建筑图纸、初始结构图纸和初始建筑参数映射到特征空间，得到所述初始剪力墙张量、初始建筑设计张量和初始掩码张量，以根据所述初始剪力墙张量、所述初始建筑设计张量和所述初始掩码张量构建所述初始建筑结构设计数据集；将所述初始建筑设计张量和所述初始掩码张量输入所述扩散模型，并根据所述初始剪力墙张量指导所述扩散模型的生成训练。
4、根据本专利技术提供的一种基于扩散模型生成-优化-再学习的建筑设计方法，所述将初始建筑图纸、初始结构图纸和初始建筑参数映射到特征空间，得到所述初始剪力墙张量、所述初始建筑设计张量和所述初始掩码张量，包括：对所述初始建筑图纸进行特征提取，得到初始构件位置特征张量；对所述初始结构图纸进行特征提取，得到所述初始剪力墙张量；根据初始建筑参数确定初始建筑参数特征张量；将所述初始构件位置特征张量和所述初始建筑参数特征张量进行拼接，得到所述初始建筑设计张量；根据所述初始构件位置特征张量，确定所述初始掩码张量。
5、根据本专利技术提供的一种基于扩散模型生成-优化-再学习的建筑设计方法，所述基于扩散模型的生成式建筑结构设计网络，生成结构布置生成方案，包括：对所述初始建筑参数进行参数修改，得到输入建筑参数；将所述初始建筑图纸和所述输入建筑参数映射到特征空间，得到输入建筑设计张量和输入掩码张量；将所述输入建筑设计张量和所述输入掩码张量输入至所述基于扩散模型的生成式建筑结构设计网络，得到所述网络输出的结构布置特征张量；根据所述结构布置特征张量，确定所述结构布置生成方案。
6、根据本专利技术提供的一种基于扩散模型生成-优化-再学习的建筑设计方法，所述将所述建筑设计张量和所述掩码张量输入至所述基于扩散模型的生成式建筑结构设计网络，得到所述网络输出的结构布置特征张量，包括：基于所述掩码张量，将所述建筑设计张量位置前向扩散为高斯噪声；应用所述网络进行反向去噪，得到所述结构布置特征张量。
7、根据本专利技术提供的一种基于扩散模型生成-优化-再学习的建筑设计方法，所述基于预设优化算法对所述结构布置生成方案进行优化，得到优化后的结构布置方案，包括：对所述结构布置生成方案进行构件信息提取，得到构件位置特征数据；根据所述构件位置特征数据，确定结构分析模型；基于所述结构分析模型，在经验规则约束和力学指标约束下，应用所述预设优化算法，以材料成本最小化为目标，对所述结构布置生成方案进行优化，得到所述优化后的结构布置方案；所述预设优化算法包括梯度下降法、遗传算法、模拟退火算法、粒子群优化算法和在线优化算法。
8、根据本专利技术提供的一种基于扩散模型生成-优化-再学习的建筑设计方法，所述根据所述优化后的结构布置方案，确定再学习的所述建筑结构设计数据集，包括：根据所述优化后的结构布置方案，确定优化后的结构图纸；将所述优化后的结构图纸和与其对应的建筑图纸和建筑参数映射至特征空间，得到再学习剪力墙张量、再学习建筑设计张量和再学习掩码张量，以根据所述再学习剪力墙张量、所述再学习建筑设计张量和所述再学习掩码张量构建所述再学习的所述建筑结构设计数据集。
9、本专利技术还提供一种基于扩散模型生成-优化-再学习的建筑设计系统，包括：初始数据集确定模块，用于确定初始建筑结构设计数据集，以根据所述初始建筑结构设计数据集对扩散模型进行生成训练；所述初始建筑结构设计数据集包括初始建筑设计数据和初始结构设计数据；生成方案确定模块，用于基于扩散模型的生成式建筑结构设计网络，生成结构布置生成方案；优化模块，用于基于预设优化算法对所述结构布置生成方案进行优化，得到优化后的结构布置方案，以根据所述优化后的结构布置方案，确定再学习的建筑结构设计数据集；所述再学习的建筑结构设计数据集为所述优化后的结构布置方案与对应建筑设计数据的集合；再学习模块，用于根据所述再学习的建筑结构设计数据集对所述扩散模型进行再学习训练，并根据再学习训练后的所述扩散模型重复迭代执行所述生成的步骤、所述优化的步骤和所述再学习的步骤，直至所述再学习的建筑结构设计数据集满足预设数据集要求。
10、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于扩散模型生成-优化-再学习的建筑设计方法。
11、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于扩散模型生成-优化-再学习的建筑设计方法。
12、本专利技术提供的一种基于扩散模型生成-优化-再学习的建筑设计方法本文档来自技高网...
【技术保护点】
1.一种基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，包括：
2.根据权利要求1所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述初始建筑设计数据包括所述初始建筑设计张量和所述初始掩码张量；所述初始结构设计数据为初始剪力墙张量；
3.根据权利要求2所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述将初始建筑图纸、初始结构图纸和初始建筑参数映射到特征空间，得到所述初始剪力墙张量、所述初始建筑设计张量和所述初始掩码张量，包括：
4.根据权利要求2所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述基于扩散模型的生成式建筑结构设计网络，生成结构布置生成方案，包括：
5.根据权利要求4所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述将所述建筑设计张量和所述掩码张量输入至所述基于扩散模型的生成式建筑结构设计网络，得到所述网络输出的结构布置特征张量，包括：
6.根据权利要求1所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述基于预设
7.根据权利要求1至6任一项所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述根据所述优化后的结构布置方案，确定再学习的所述建筑结构设计数据集，包括：
8.一种基于扩散模型生成-优化-再学习的建筑设计系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于扩散模型生成-优化-再学习的建筑设计方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于扩散模型生成-优化-再学习的建筑设计方法。
...【技术特征摘要】
1.一种基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，包括：
2.根据权利要求1所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述初始建筑设计数据包括所述初始建筑设计张量和所述初始掩码张量；所述初始结构设计数据为初始剪力墙张量；
3.根据权利要求2所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述将初始建筑图纸、初始结构图纸和初始建筑参数映射到特征空间，得到所述初始剪力墙张量、所述初始建筑设计张量和所述初始掩码张量，包括：
4.根据权利要求2所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述基于扩散模型的生成式建筑结构设计网络，生成结构布置生成方案，包括：
5.根据权利要求4所述的基于扩散模型生成-优化-再学习的建筑设计方法，其特征在于，所述将所述建筑设计张量和所述掩码张量输入至所述基于扩散模型的生成式建筑结构设计网络，得到所述网络输出的结构布置...
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。