剪力墻結構智能化生成式設計方法：從數據驅動到物理增強

廖文杰,陸新征,黃羽立,趙鵬舉,費一凡,鄭哲

（清華大學 土木工程安全與耐久教育部重點實驗室；土木工程系，北京 100084）

人工智能的應用為土木工程領域的規劃、設計、建造、維護和防災技術帶來了重大變革與重塑[1-4]，智能建造已成為土木領域的重點發展方向。建筑結構智能化設計則是智能建造的重要內容，不僅可以減少大量繁瑣的人工設計流程，還能為設計人員提供更加多樣的初始設計選擇，最終達到更好的設計效果[5-14]。建筑結構設計主要包括方案設計、優化設計及施工圖設計階段，其中方案設計對后續設計影響關鍵，且對設計知識與經驗的需求較高，并對設計速度有較高的要求。

智能化方案設計通常采用進化算法等對結構設計方案進行搜索和設計[15-17]，但是，進化算法難以有效學習結構設計數據與經驗，迭代優化效率有限，難以滿足快速完成結構方案設計的需求。相比而言，具備大數據特征提取與學習能力的深度生成算法快速進步，例如，基于卷積的生成神經網絡、圖（Graph）生成神經網絡與生成對抗網絡等，為建筑和結構智能化設計提供了新的可能性[18-27]。

生成對抗網絡（Generative Adversarial Networks,GAN）可通過對既有設計圖像和文本的學習，掌握設計數據中潛在的設計規律，實現新設計圖像的生成。剪力墻結構是一種廣泛應用的典型住宅建筑結構形式[28]，具備設計需求較大、結構相對規則、圖紙表達有效等特點，可作為智能設計的重要研究對象[12-14,25-26]。筆者基于生成對抗網絡開展了從數據驅動到物理增強數據驅動的剪力墻結構智能化生成式設計方法研究，基于生成對抗網絡的剪力墻結構智能化設計方法包括StructGAN[12]、txtimg2img[13]（后續改稱為 StructGAN-TXT）、StructGANPHY[14]。但是，目前對于數據驅動及物理增強智能設計方法的對比研究相對缺乏，不同方法中，數據特征分析與數據集創建、智能設計算法開發、測試評估方法以及典型案例分析的研究相對缺乏且不明確。筆者針對提出的3 種智能化結構設計方法開展詳細的對比分析研究，明確不同方法的性能及適用范圍，并對相關評價指標進行合理性分析，為未來的智能化設計方法研究提供對比模型和評價方法及指標的參考。

1 剪力墻結構智能化設計方法

基于生成對抗網絡的剪力墻結構智能化設計方法如圖1 所示，主要包括語義化模塊、設計模塊、結構建模模塊[12-14]。目前，該方法主要應用于基于像素圖表達的建筑和結構設計中，對于可采用像素圖表達的不同結構類型的智能設計，具備一定的可拓展性和通用性。

圖1 基于生成對抗網絡的剪力墻結構智能化設計方法Fig.1 Intelligent structural design method for shear wall building using generative adversarial network

1）語義化模塊是指將復雜的原始CAD 建筑圖，通過對關鍵元素的提取，并采用顏色填充生成為包含建筑設計初步特征的語義化圖紙。語義化過程可有效排除復雜信息的干擾，有效提升深度生成網絡的設計效果，更詳細的語義化方法詳見既有研究[12]。該過程可通過人工提取數據特征，精度高但效率較低，也可進一步研發基于BIM（Building Information Modeling）和CAD 的數字化自動提取方法，效率高且精度可控。

2）設計模塊是指采用深度生成網絡，根據輸入的語義化建筑圖智能地生成語義化結構設計圖。深度生成網絡是生成對抗網絡模型的生成器，在采用生成網絡進行設計前，需要采用構建的建筑-結構圖紙數據集對生成對抗網絡進行訓練，使生成網絡基本掌握剪力墻結構設計能力。

3）建模模塊是指基于生成的結構設計像素圖建立對應的結構計算模型。通過像素圖到矢量圖的自動轉化算法提取剪力墻構件的矢量坐標，并基于結構計算軟件的應用程序接口（Application Programming Interface，API）建立對應的結構計算模型，完成整體結構的方案設計。

用于訓練和測試的數據集構建方法如圖2 所示，即將CAD 圖紙數據進行語義化處理。在該數據集中，7 度設防且結構高度50 m 以下（簡稱：7d-H1）數據63 組、7 度設防且結構高度50～150 m（7d-H2）數據80 組、8 度設防（8d）數據81 組[12]。

圖2 數據集構建Fig.2 Datasets construction

2 數據驅動和物理增強設計方法對比

StructGAN 采用的核心算法為圖像合成生成對抗網絡[12]，StructGAN-TXT 采用的核心算法為文本-圖像特征融合生成對抗網絡[13]，二者均為數據驅動方法；StructGAN-PHY 采用的核心算法為物理增強生成對抗網絡[14]，是一種物理增強方法。3 種方法的核心差異在于設計模塊，分別為3 種不同的條件生成對抗網絡模型，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成，基于建筑圖輸入生成結構設計圖紙。其對應數據集的輸入為建筑設計圖（圖2（b）），標簽為結構設計圖（圖2（c））。訓練過程中，圖像生成器不斷生成結構設計圖，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，判斷錯誤則提升判別器；生成器與判別器對抗訓練不斷提升，直到二者性能均難以提升達到納什均衡，完成訓練獲得結構設計能力，詳細訓練過程可見相關研究源代碼[12,29]。訓練時，7d-H1、7d-H2、8d 數據集分別訓練3 個StructGAN 設計模型[12]。

圖3 StructGAN 核心算法對比Fig.3 Comparison on the critical algorithms of StructGAN

圖3(b)所示為StructGAN-TXT 模型，基于建筑圖和對應結構設計條件同時輸入，生成滿足建筑圖和設計條件約束的結構設計圖紙。相比于StructGAN，StructGAN-TXT 增加了文本輸入，其對應數據集的輸入為建筑設計圖（圖2(b)）和抗震設防烈度及結構高度文本，標簽為結構設計圖（圖2(c)）。因此，其圖像生成器需要同時對圖像和文本特征進行提取和融合，進而基于文本-圖像融合特征，生成結構設計圖紙；判別器同樣需要對真假圖像真假文本進行判別；生成器和判別器對抗訓練至性能穩定，進而具備結構設計生成能力。訓練時，7d-H1、7d-H2、8d 所有圖像數據混合，并對每個圖像給予對應文本，創建數據集訓練一個StructGANTXT 設計模型[13]。

圖3(b)所示為StructGAN-PHY 模型，由圖像生成器、判別器、物理評估器構成，基于建筑圖輸入生成器，生成滿足建筑圖和相應設計條件的結構設計圖紙。其對應數據集的輸入為建筑設計圖（圖2（b）），標簽為結構設計圖（圖2（c）），輸入的抗震設防烈度和結構高度并不會輸入生成器中，而是輔助物理性能評估器進行力學性能評估。與StructGAN和StructGAN-TXT 相比，其網絡架構中新增了物理性能評估器。物理性能評估器為基于深度判別神經網絡的代理模型，通過對結構平面圖紙及其對應力學性能數據集的訓練，物理性能掌握對結構設計對應力學性能的預測，進而有效指導生成器的結構設計。訓練時，7d-H1、7d-H2、8d 所有圖像數據混合，創建多個設計條件組合，設防烈度包括6 度(0.05g)、7 度(0.10g)、7 度(0.15g)、8 度(0.20g)、8 度(0.30g)，結構高度包括“＜40 m”“40～60 m”“60～80 m”“80～100 m”“＞100 m”，采用物理增強提升StructGAN-PHY 設計性能，得到不同設計條件對應的智能設計模型。相比而言，當StructGAN-TXT和StructGAN 沒有特定設計條件下的數據時（例如6 度50 m），便無法開展對應的設計模型訓練[14]。所以StructGAN-PHY 是在數據驅動學習的基礎上，由物理性能評估器進行增強的智能設計方法，能有效地保證設計結果盡可能滿足設計規范要求，避免由于數據數量不足或質量不佳導致的設計效果降低。

整體而言，StructGAN 與StructGAN-TXT 為數據驅動的方法，其設計能力與訓練數據的數量和質量密切相關，而StructGAN-PHY 則是物理增強的方法，能通過GAN 對結構力學性能學習，有效克服數據數量或質量的影響，并保證設計結果力學性能的穩定性。

3 典型案例分析與對比

采用4 個實際工程案例進行設計，并開展性能分析、對比。需指出，由于設計資料的知識產權限制，將隱去工程項目的真實信息，以及真實的圖紙和對應的結構設計模型，僅展示研究提出方法的設計結果。典型案例命名為“案例1-7d83m”，其中，“1”代表案例編號、“7d”代表設防烈度為7 度(0.1g)、“83m”代表結構高度83 m。

3.1 評價方法

圖4(a)為基于圖像相似性的評價方法，將生成設計的剪力墻布置與工程師的設計逐像素對比以及逐構件輪廓對比，通過式（1）～式（4）所示的交并比計算相似性，以SCV作為綜合相似性指標[12-14]。圖4（b）為基于結構力學模型進行力學性能分析的評價，其中像素圖剪力墻構件矢量提取方法見Lu等[14]的研究。

圖4 設計評價方法Fig.4 Evaluation methods of design

式中：SCV為生成設計與目標設計的綜合相似性指標，該指標越大，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，該指標越大，表明生成設計剪力墻率（RSWratiogenerate）與目標設計剪力墻率（RSWratiotarget）越一致；SSIoU為剪力墻輪廓交并比一致性指標，即生成與目標設計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，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數量，pij和pji則是生成錯誤的像素點數量。

需指出，平面設計結果的評價采用圖4（a）所示的基于計算機視覺的評價方法，快速評價生成設計結果與工程師設計結果的一致性。整體結構設計評價采用圖4（b）所示的基于結構力學性能的評價方法。整體結構模型構建就以工程師設計模型的參數為基準，剪力墻布置由像素到矢量的自動化程序轉化，剪力墻厚度和材料參數以及沿結構高度的變化與工程師設計一致，梁構件設計則根據墻體布置進行適應性調整。基于上述設計和評價方法，保證3 種方法對比條件盡可能一致，更加有效體現差異。

3.2 案例1-7d83m 對比分析

1）案例1-7d83m 基本信息

結構總高度83 m，28 層，平面尺寸為：49.4 m×18.7 m。抗震設防烈度7度（0.1g），特征周期0.55 s。工程師完成的建筑和結構平面設計CAD 及其對應的語義化圖紙如圖5 所示。

圖5 案例1-7d83m 建筑圖和結構圖Fig.5 Architectural and structural design drawings of Case 1-7d83m

2）案例1-7d83m 平面設計結果對比

在該案例的平面設計中，StructGAN、-TXT、-PHY 三種方法的設計結果以及對應的工程師設計結果如圖6 所示。同時，基于SCV指標評價的智能設計與工程師設計的相似性結果也如圖6 所示。在該案例中，StructGAN 和StructGAN-PHY 兩種方法的設計結果較好，與工程師設計相似性高（即量化SCV指標較高，均為0.47），而StructGAN-TXT 的設計則差別較大（量化SCV指標僅為0.39）。具體分析，StructGAN 和StructGAN-PHY 生成設計的ηSWratio指標接近1，意味著在該案例中二者生成的剪力墻總像素數量與工程師設計的剪力墻像素量基本一致，而StructGAN-TXT 生成設計的ηSWratio指標則偏低，代表剪力墻總量與工程差異較大；3 個案例的SWIoU和SSIoU指標則較為接近（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 的智能生成式結構方案設計圖Fig.6 Intelligent designed structural drawings of Case 1-7d83m

3）案例1-7d83m 整體結構性能對比

整體結構案例分析的模型如圖7 所示，不同設計結果的剪力墻布置不同，但建模方法與工程師設計均一致。

圖7 案例1-7d83m 整體結構設計ETABS 模型Fig.7 Overall structural design of ETABS model of Case 1-7d83m

開展結構動力特性分析以及基于振型分解反應譜法的結構力學響應分析，對應的結構動力特性和層間位移角的對比結果如表1 和圖8 所示。StructGAN-TXT 的設計結果與工程師設計差異較大，生成的剪力墻數量偏多，結構剛度偏大，導致動力特性差異20%左右，層間變形的最大差異達到了30%；而StructGAN 和StructGAN-PHY 的設 計與工程師差異則較小，最大性能差異約10%。

表1 案例1-7d83m 結構動力特性與最大層間變形對比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對比分析

案例1-7d83m 的分析表明，StructGAN-PHY 與StructGAN 的設計效果較好，為進一步研究不同智能設計方法的通用性和泛化性，進一步開展了案例2-8d96m、案例3-7d77m、案例4-7d41m 的對比分析。案例2-8d96m 的抗震設防烈度8 度（0.2g）、結構總高度96 m（30 層）；案例3-7d77m 的抗震設防烈度7 度（0.1g）、結構總高度77 m（26 層）；案例4-7d41m 的抗震設防烈度7 度（0.1g）、結構總高度41 m（14 層）。

1）案例2-8d96m 平面與整體設計結果對比

在該案例的平面設計中，StructGAN、-TXT、-PHY 三種方法的設計結果以及對應的工程師設計結果如圖9 所示。在該案例中，直觀視覺判斷3 種方法的設計均與工程師設計非常接近，且量化的SCV指標較高（＞0.5）。其中，ηSWratio均較接近1，意味著生成設計的總剪力墻數量與工程設計的基本一致；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 的智能生成式結構方案設計圖Fig.9 Intelligent designed structural drawings of Case 2-8d96m

進一步開展整體結構設計的對比分析，結果如表2 所示。3 種設計與工程師設計的結果差異均較小，動力特性差異在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 的差異最小（動力特性差異1.00%，最大層間變形差異3.79%）。

表2 案例2-8d96m 結構動力特性與最大層間變形對比Table 2 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 2-8d96m

2）案例3-7d77m 平面設計結果對比

該案例的3 種方法設計結果以及對應SCV評價結果如圖10 所示。可以看到，StructGAN 和StructGAN-PHY 兩種方法的設計結果較好，與工程師設計相似性高，而StructGAN-TXT 的設計則差別較大。主要原因在于StructGAN-TXT 設計的剪力墻墻體過多，ηSWratio指標偏小，僅0.65。

圖10 案例3-7d77m 的智能生成式結構方案設計圖Fig.10 Intelligent designed structural drawings of Case 3-7d77m

進一步分析整體結構案例對應的結構動力特性和層間位移角的對比結果如表3 所示。與平面設計結果的對比類似，StructGAN-TXT 的設計結果與工程師設計結果差異較大，剪力墻布置偏多，導致性能差異20% 左右，而StructGAN 和StructGAN-PHY的設計與工程師差異則為10%左右。

表3 案例3-7d77m 結構動力特性與最大層間變形對比Table 3 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 3-7d77m

3）案例4-7d41m 平面設計結果對比

該案例的3 種方法設計結果以及對應SCV評價結果如圖11 所示。可以看出，StructGAN-TXT 和StructGAN-PHY 兩種方法的設計結果較好，與工程師設計相似性高，而StructGAN 的設計則差別較大。主要原因在于StructGAN 設計的剪力墻墻體偏少，ηSWratio、SWIoU、SSIoU指標均偏小。

圖11 案例4-7d41m 的智能生成式結構方案設計圖Fig.11 Intelligent designed structural drawings of Case 4-7d41m

整體結構案例分析對應的結構動力特性和層間位移角的對比結果如表4 所示。與平面設計結果的對比類似，StructGAN 的設計結果與工程師差異較大，其剪力墻布置偏少，動力特性差異20%左右，層間變形的最大差異達到了40%；而StructGANTXT 和StructGAN-PHY 的設計與工程師差異同樣偏大，動力特性差異10%左右，層間變形最大差異達到了20%左右。主要原因是7 度41 m 設計條件下對應的剪力墻需求較少，剪力墻布置的較小差異都容易引起較大的結構整體特性不同。

表4 案例4-7d41m 結構動力特性與最大層間變形對比Table 4 Comparison on structural dynamic characteristics and maximum inter-story drift ratio of Case 4-7d41m

3.4 基于計算機視覺與力學分析的評價分析

通過對4 個典型案例的平面設計結果和整體結構分析和對比，分析結果匯總至表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，較少受到數據質量的限制，能更準確地匹配對應設計需求，且設計結果與工程師設計最接近；2）StructGAN 和StructGAN-TXT 的設計能力均受到訓練數據的制約，僅有部分案例效果較好，意味著如果待設計的建筑與訓練數據的特征域較為接近，則對應的設計結果較良好，反之則設計質量不佳；3）結構抗震性能需求較高的案例，設計結果通常較好，原因在于所需布置的剪力墻較多，設計變化較少；對于抗震性能需求較少的案例，對應布置的剪力墻較少，設計變化則較豐富，人工智能不能保證找到最合適的結果。

表5 不同案例設計結果分析對比Table 5 Comparison on different case studies

既有研究認為當生成設計與目標設計的交并比大于0.5 則相對較優秀[12-14]，但目前尚未明確基于計算機視覺的平面設計評價指標與結構力學性能評價指標之間的關系。將所有案例分析結果繪于圖12 中，可以看出：1）當SCV大于0.5 時，基本可以保證智能設計的結構力學性能與工程師設計的結構動力特性差異在5%以內，且層間位移角在10%以內；2）對于地震作用比較大的情況，例如8 度(0.2g)設防、96 m 案例中，即使SCV相差僅0.02 且動力特性差異在5%以內，層間位移角的差異仍舊會超過10%，主要原因在于較大地震作用會導致更大的結構變形，相對差異也變得更大。

圖12 基于計算機視覺與結構力學分析的評價指標相關性Fig.12 Indexes relationship between computer visionbased and structural analysis-based evaluation

因此，可以認為基于計算機視覺的SCV指標與結構力學性能評價的指標具有高度的正相關性，即SCV越高則結構力學性能越優，更接近專家的優化設計。SCV=0.5 可作為基于視覺評價的合理性閾值，其對應的結構動力特性差異約為5%，層間位移角差異約為10%。

4 結論

針對建筑結構智能化方案設計方法進行了對比分析研究。從數據驅動到物理增強數據驅動方法，對比了核心算法構建和設計性能，并通過典型案例對比了相同設計條件下不同算法的實際表現，主要結論如下：

1）數據驅動與物理增強數據驅動是建筑結構智能化設計的兩個階段，數據驅動方法搭建了智能化設計的數據、算法、評價和應用方法的基礎，物理增強數據驅動方法則進一步提升了算法性能。

2）數據驅動方法（StructGAN 和StructGANTXT）通常受限于特定設計條件下的數據質量與數量，而物理增強數據驅動（StructGAN-PHY）則可以有效降低對結構設計數據的依賴性。

3）對于抗震設防需求較低的設計，剪力墻布置的需求較少，其布置的位置更加靈活，導致智能化設計與工程師設計存在一定差異，未來將進一步提升相關設計條件下的智能化設計能力。

4）確定了基于計算機視覺與力學分析評價方法的正相關性，且SCV=0.5 可作為基于視覺評價的合理性閾值，可供未來智能化設計評價方法使用。

5）主要針對剪力墻結構開展了智能設計相關研究，框架、框架-剪力墻等多種結構類型的智能設計方法研究有待進一步從結構表達、智能算法和評估方法等方面開展。

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