CN111666617B - 基于对抗生成网络的剪力墙结构布置方法和装置 - Google Patents
基于对抗生成网络的剪力墙结构布置方法和装置 Download PDFInfo
- Publication number
- CN111666617B CN111666617B CN202010446468.9A CN202010446468A CN111666617B CN 111666617 B CN111666617 B CN 111666617B CN 202010446468 A CN202010446468 A CN 202010446468A CN 111666617 B CN111666617 B CN 111666617B
- Authority
- CN
- China
- Prior art keywords
- shear wall
- design
- wall structure
- generation network
- structural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请提出一种基于对抗生成网络的剪力墙布置方法和装置,其中,方法包括:获取待处理的建筑设计图纸;提取建筑设计图纸中的关键元素,并对关键元素进行不同颜色填充处理,生成待输入图像特征;将待输入图像特征输入预先训练的结构对抗生成网络模型进行处理,生成结构设计图纸。由此,能够根据建筑设计中的标准层平面图纸,快速输出对应的剪力墙结构设计,实现建筑设计对应的剪力墙结构快速设计。
Description
技术领域
本申请涉及建筑与土木结构工程技术领域,特别涉及一种基于对抗生成网络的剪力墙结构布置方法和装置。
背景技术
在高层剪力墙住宅建筑方案设计时、以及结构初始设计时,为保证最终设计结果的安全性与合理性,需在建筑平面图纸的基础上进行快速合理的剪力墙结构构件初步设计。
良好的结构初步设计方案,可辅助建筑方案与结构方案的后期深化设计。但目前依赖人工经验的结构设计方法时间长、效率低,易降低建筑工程师与结构工程师之间的交互设计效率,并且人工设计依赖经验导致不同设计人员的设计结果存在一定差异,难以充分利用既有的资源,设计成果变异性较大。同时,现有基于计算机辅助的结构设计优化方法计算资源消耗大,耗时长,且难以有效应用既有的成熟设计结果,导致结构初步设计阶段的快速设计需求难以满足。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的一个目的在于提出一种基于对抗生成网络的剪力墙结构布置方法,能根据建筑设计中的标准层平面图纸,快速输出对应的剪力墙结构设计,实现建筑设计对应的剪力墙结构快速设计。
本申请的另一个目的在于提出一种基于对抗生成网络的剪力墙结构布置装置。
为达到上述目的,本申请一方面实施例提出了一种基于对抗生成网络的剪力墙结构布置方法,包括:
获取待处理的建筑设计图纸;
提取建筑设计图纸中的关键元素,并对关键元素进行不同颜色填充处理,生成待输入图像特征;
将待输入图像特征输入预先训练的结构对抗生成网络模型进行处理,生成结构设计图纸。
本申请另一方面实施例提出了一种基于对抗生成网络的剪力墙结构布置装置,包括:
第一获取模块,用于获取待处理的建筑设计图纸;
第一提取模块,用于提取建筑设计图纸中的关键元素,并对关键元素进行不同颜色填充处理,生成待输入图像特征;
生成模块,用于将待输入图像特征输入预先训练的结构对抗生成网络模型进行处理,生成结构设计图纸。
本申请实施例所提供的技术方案可以包含如下的有益效果:
通过获取待处理的建筑设计图纸;提取建筑设计图纸中的关键元素,并对关键元素进行不同颜色填充处理,生成待输入图像特征;将待输入图像特征输入预先训练的结构对抗生成网络模型进行处理,生成结构设计图纸。由此,能够根据建筑设计中的标准层平面图纸,快速输出对应的剪力墙结构设计,实现建筑设计对应的剪力墙结构快速设计。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种基于对抗生成网络的剪力墙结构布置方法的流程示意图;
图2为本申请实施例所提供的基于对抗生成网络的剪力墙结构布置方法的详细框架图;
图3为本申请实施例所提供的一组典型训练-测试图像集;
图4为本申请实施例所提供的对抗生成网络算法的训练过程图;
图5为本申请实施例所提供的生成图像与目标图像中关键元素分别提取的结果图;
图6为本申请实施例所提供的剪力墙面积交并比(SIoU)的评价方法图;
图7为本申请实施例所提供的结构工程师设计的剪力墙结构标准层平面设计图;
图8为本申请实施例所提供的StructGAN(结构对抗生成网络模型)输出的剪力墙设计图以及与工程师设计的结果对比图;
图9为本申请实施例所提供的StructGAN(结构对抗生成网络模型)设计与工程师设计的结构模型的计算层间位移角对比图;
图10为本申请实施例所提供的一种基于对抗生成网络的剪力墙结构布置装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于对抗生成网络的剪力墙结构布置方法和装置。
图1为本申请实施例所提供的一种基于对抗生成网络的剪力墙结构布置方法的流程示意图。
如图1所示,该方法包括以下步骤:
步骤101,获取待处理的建筑设计图纸。
步骤102,提取建筑设计图纸中的关键元素,并对关键元素进行不同颜色填充处理,生成待输入图像特征。
在本申请实施例中,提取建筑设计图纸中的关键元素,并对关键元素进行不同颜色填充处理,生成待输入图像特征,包括:提取建筑设计图纸中的剪力墙、普通填充墙、室内门窗洞口和室外门洞四个关键元素;采用不同颜色对关键元素进行填充,其中,红色代表剪力墙,灰色代表普通填充墙,绿色代表室内门窗洞口,蓝色代表室外门洞。
步骤103,将待输入图像特征输入预先训练的结构对抗生成网络模型进行处理,生成结构设计图纸。
在本申请的一个实施例中,在将待输入图像特征输入预先训练的结构对抗生成网络模型进行处理,生成结构设计图纸之前,还包括:获取建筑设计图纸样本及其配套的结构设计图纸样本;提取建筑设计图纸样本的建筑样本元素,并对建筑样本元素进行不同颜色填充处理,生成待训练建筑图像特征;提取结构设计图纸样本的结构样本元素,并对结构样本元素进行不同颜色填充处理,生成待训练结构图像特征;将待训练建筑图像特征和待训练结构图像特征划分为训练集和测试集;根据训练集输入对抗生成网络进行训练,训练完成得到结构对抗生成网络模型。
进一步地,将待训练建筑图像特征和待训练结构图像特征划分为训练集和测试集,包括:根据按照结构高度和结构抗震设防水准将待训练建筑图像特征和待训练结构图像特征划分为训练集和测试集。
其中,测试集对结构对抗生成网络模型进行测试评估。
具体地,根据测试集对结构对抗生成网络模型进行测试评估,包括:将生成图像与目标图像的各像素点按照颜色范围将生成图像与目标图像中的各像素点进行分类;将分类后的像素点制作成混淆矩阵,基于混淆矩阵计算第一评价指标。将生成图像与目标图像划分为多个子图;提取每个子图的剪力墙,并获取剪力墙的轮廓坐标;计算生成图像与目标图像中的每片剪力墙的交集面积和并集面积,并根据交集面积和并集面积计算第二评价指标。
进一步地,根据第一评价指标和第二评价指标确定加权系数;基于加权后的综合指标进行评价。
为了本领域人员更加清楚上述实施例,下面结合图2-图9进行详细说明。
图2本申请实施例所提供的基于对抗生成网络的剪力墙结构布置方法的详细框架图。
如图2所示,收集高层剪力墙住宅建筑的建筑-结构配套CAD图纸数据集,以及CAD图纸中关键元素的语义化清洗;数据集整理划分与StructGAN模型(结构对抗生成网络模型)训练;StructGAN训练后进行模型评估,采用测试集图纸输入StructGAN中并生成结构设计图纸,将生成结构图纸与目标结构图纸进行差异评估,评估合格的StructGAN投入应用;将全新设计的建筑图纸语义化后输入合格的StructGAN模型中,生成对应剪力墙设计;全新设计分别采用工程师设计以及本发明提出的基于StructGAN的剪力墙结构布置快速设计方法,随后将二者设计结果进行动力特性和设计结果的对比,验证基于该方法的设计结果的安全性与合理性。
其中,收集高层剪力墙住宅建筑的建筑-结构配套CAD图纸数据集,以及CAD图纸中关键元素的语义化清洗。一共收集了187份结构设计图纸,包含了不同高度,不同抗震设防水准信息。对所有的图纸进行图纸内部元素清洗,仅保留图纸中的墙体、门、窗洞口元素,去除掉常规CAD图纸中存在的不必要信息,包括轴网、标注、家具、文字信息;对所有收集的CAD图纸元素的进行语义化前处理,采用4种颜色在图纸中对关键元素进行填充,红色代表剪力墙,灰色代表普通填充墙,绿色代表室内门窗洞口,蓝色代表室外门洞。
其中,数据集的划分与整理,如图3所示,为收集并语义化后的典型训练-测试图像集。根据收集的图纸信息,将设计结果按照高度分为Level 1(高度低于50m)和Level 2(高度高于50m,低于140m)两个组别,再进一步将图纸按照抗震设防水准分为7度设防与8度设防共四个组别,并对组别编号。需指出,当抗震设防烈度为8度时,Level 1和Level 2组别的剪力墙设计结果接近,表明当抗震设计需求较高时,抗震需求将主导剪力墙的设计结果,而结构高度的影响相对较小。因此,最终将结构设计图纸作为训练集划分为三类,即Level 1-7度设防(L1-7),Level 2-7度设防(L2-7),以及8度设防(L1&2-8)。其中,L1-7的训练集55份设计图纸,测试集6份图纸;L2-7的训练集55份,测试集6份;L1&2-8的训练集57份,测试集6份。
其中,GAN算法的选取与训练,如图4所示,为对抗生成网络算法的训练过程图。可应用的GAN算法包括两类,pix2pix与pix2pixHD。pix2pix算法的关键参数为γGAN与γL1,对图像局部效果和整体效果的由二者参数的相对值确定,其中γGAN相对值越大,生成图像的局部效果更好,γL1相对值越大,生成图像的整体效果越好。经过分析表明,对与剪力墙生成问题而言,γGAN=1,γL1=100时的pix2pix算法效果较好。pix2pixHD算法的关键参数为γFM,γFM参数用于调整生成图像特征匹配的损失在整个损失中的占比,进而影响生成图像的整体质量,经过分析表明,γFM=10时pix2pixHD算法较好。pix2pix与pix2pixHD两种算法均可以得到较好的设计结果,总体而言pix2pixHD效果更佳。但pix2pixHD的训练硬件条件的需求更高,训练2048×1024分辨率的图像需要24G显存的NVIDIA显卡,而pix2pix算法在6G显存的NVIDIA显卡中即可开展应用。因此,应用时需根据硬件条件选用相应算法,本实施例选用1024×512分辨率的pix2pixHD算法。选取算法后,将分组的训练集输入StructGAN模型中开展训练,直到训练的损失达到稳定即可停止训练。
进一步地,StructGAN训练后模型评估有3种评价方法。
评价方法一:基于图像像素点语义分类的评估方法。对生成图像的每个像素点所处的颜色范围进行判断,根据颜色确定其所代表的关键元素,将生成图像的像素点分类结果与目标图像的像素点分类结果组合成混淆矩阵,进而开展评估。具体评估流程如下:
1)根据图像中每个像素HSV值,直接判定像素点类别并分离。由于图像的不同颜色RGB值范围离散,不利于应用,因此采用OpenCV进行图像处理将其转化为HSV空间,各颜色范围如表1所示,元素分离后的结果如图5所示。
2)图像像素点分类后,可得到每个图像每个像素点的类别矩阵,将矩阵重组变为向量,将合成图像与目标图像的向量输入“sklearn.metrics.confusion_matrix(y_true,y_pred)”API中,得到混淆矩如表2所示。
3)基于该混淆矩阵或提取的像素结果,计算相应的评价指标,包括加权交并比(WIoU,公式(1)),剪力墙占比率(SWratio,公式(2))。
表1应用的5种颜色的HSV范围
表2混淆矩阵
式中,(k+1)是像素点总共的类别(类别0是背景,类别1是剪力墙,类别2是填充墙,类别3是室内门窗洞口,类别4是室外门洞)。pij是类别i的像素点被判断为类别j的数量,即pii代表生成正确的像素点的数量,而pij和pji则是生成错误的像素点的数量。w0=0,w1=0.4,w2=0.4,w3=0.1,w4=0.1,代表5个类别的像素权重。Aswall为剪力墙面积,Ainwall为填充墙面积。
评价方法二:基于目标检测剪力墙图形交并比评价方法。通过检测生成图像中的剪力墙边缘与目标图像中剪力墙的边缘,再求解轮廓边缘的交集面积以及总的并集面积,进而得到剪力墙生成情况的评价。若生成的剪力墙与目标剪力墙完全匹配,则结果为1,若完全不匹配,则结果为0。如图6所示,具体步骤如下:
1)将合成图像与目标图像划分为多个子图。
2)基于表1的HSV提取每个子图的剪力墙,随后基于OpenCV.findContours(image)的API获取每个子图中每片剪力墙的轮廓坐标。
3)基于shapely.geometry.Polygon(coordinates)的API计算合成图像中与目标图像中,每片剪力墙的交集面积,并集面积,采用公式(3)计算剪力墙交并比(SIoU)。
式中,Ainter是生成剪力墙与目标剪力墙交集面积,Aunion是生成剪力墙与目标剪力墙的并集面积,Aunion=Atar+Aout-Ainter,Atar为目标图像剪力墙面积,Aout为生成图像剪力墙面积。
评价方法三:基于多指标的加权综合评价,融合评价方法一与评价方法二,得到综合评价指标,IoU综合得分由公式(4)计算。
ScoreIoU=(ηSWratio×(ηSIoU×SIoU+ηWIoU×WIoU)) (4)
式中,ηSWratio=1-|SWratioout-SWratiotar|/SWratiotar,SWratioout和SWratiotar分别为生成图像和目标图像的SWratio;ηSIoU为SIoU值系数,取值0.5;ηSIoU为WIoU值系数,取值0.5。
将训练完成的StructGAN模型,采用相应的测试数据集进行测试,并采用本发明提出的评价方法开展评价,最终的评价结果如表3所示。其中,当多指标的加权综合评价指标超过0.5时,可认为该生成结果良好,StructGAN模型可以应用。
表3训练完成模型测试结果评价
进一步地,将全新设计的建筑图纸语义化后输入评估合格的StructGAN模型中,生成对应剪力墙设计。全新设计分别采用工程师设计以及本发明提出的基于StructGAN的剪力墙结构布置快速设计方法,随后将二者设计结果进行动力特性和设计结果的对比,验证基于该方法的设计结果的安全性与合理性。
首先由结构工程师完成结构的设计,结构为38层剪力墙住宅建筑,结构主体总高103m,其中标准层为5-36层,层高均为2.9m,设防地震分组第二组,设防烈度7度(0.15g),场地类别Ⅱ类,剪力墙抗震等级2级,结构的标准层的设计结果如图7所示。随后利用本发明提出的方法生成标准层平面的剪力墙设计结果,如图8所示。对StructGAN得到的设计结果进行评估,评估结果见表4。
表4定量评价StructGAN剪力墙设计结果
随后基于StructGAN生成的剪力墙结构设计图相应调整结构工程师设计模型,其中语义化图纸转化为结构模型的过程为:
1)采用AutoCAD附图功能,将像素化图纸附着于原结构的AutoCAD图纸中。
2)采用AutoCAD标注功能,获取StructGAN生成设计结果的剪力墙坐标及其墙体长度。
3)根据步骤2)获取的剪力墙坐标在PKPM软件中调整工程师设计结构模型。
4)模型调整遵循以下原则:StructGAN生成的剪力墙存在部分像素缺失,此情况认为该长度内只要存在剪力墙像素即布置剪力墙;若剪力墙长度短于墙体厚度(200mm),则舍弃该墙体;仅调整原结构的墙体长度设计,不更改其厚度和材料等其他属性;墙体缩短后的梁体相应加长。
图8展示了工程师设计的结果与StructGAN设计的剪力墙布置详细对比情况,可以看到:1)StructGAN设计的剪力墙与结构工程师设计的剪力墙重合度高;2)StructGAN生成的剪力墙布置则相对离散,且存在部分短肢剪力墙。3)从墙体的数量和分布整体来看,StructGAN的生成结果并无明显错误,基本能满足设计的需求。随后,将工程师设计模型与StructGAN设计模型采用PKPM软件开展计算,对比实际计算结果。
PKPM计算结果的整体指标的对比结果如表5和图9的结果所示,从表5中可以看到,无论是整体质量还是动力特性,StructGAN设计的模型与工程师设计的模型基本一致。此外,结构抗侧力设计的关键指标为设计层间位移角包络值,StructGAN模型与工程师设计模型的差异基本在10%左右。因此,StructGAN模型仅作为初始设计,与最终的完善设计结果相差仅10%左右,在可接受差异范围内,表明了该方法设计结果的可靠性。
表5结构设计结果整体指标对比
为了实现上述实施例,本申请还提出一种基于对抗生成网络的剪力墙结构布置装置。
图10为本申请实施例提供的一种基于对抗生成网络的剪力墙结构布置装置的结构示意图。
如图10所示,该装置包括:第一获取模块1001、第一提取模块1002、和生成模块1003。
第一获取模块1001,用于获取待处理的建筑设计图纸;
第一提取模块1002,用于提取建筑设计图纸中的关键元素,并对关键元素进行不同颜色填充处理,生成待输入图像特征;
生成模块1003,用于将待输入图像特征输入预先训练的结构对抗生成网络模型进行处理,生成结构设计图纸。
进一步地,在本申请的一个实施例中,所述装置还包括:第一获取模块,用于获取建筑设计图纸样本,以及与所述建筑设计图纸样本配套的结构设计图纸样本;第二提取模块,用于提取所述建筑设计图纸样本的建筑样本元素,并对所述建筑样本元素进行不同颜色填充处理,生成待训练建筑图像特征;第三提取模块,用于提取所述结构设计图纸样本的结构样本元素,并对所述结构样本元素进行不同颜色填充处理,生成待训练结构图像特征;划分模块,用于将所述待训练建筑图像特征和所述待训练结构图像特征划分为训练集和测试集;训练模块,用于根据所述训练集输入对抗生成网络进行训练,训练完成得到所述结构对抗生成网络模型;评估模块,用于对所述生成的结构对抗生成网络模型进行设计效果评估,基于三种评估方法测试合格的模型可投入应用。
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
本申请实施例的基于对抗生成网络的剪力墙结构布置装置中,通过获取待处理的建筑设计图纸;提取建筑设计图纸中的关键元素,并对关键元素进行不同颜色填充处理,生成待输入图像特征;将待输入图像特征输入预先训练的结构对抗生成网络模型进行处理,生成结构设计图纸。由此,能够根据建筑设计中的标准层平面图纸,快速输出对应的剪力墙结构设计,实现建筑设计对应的剪力墙结构快速设计。
为了实现上述实施例,本申请实施例提出了一种电子设备,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,实现如前述终端设备执行方法实施例所述的基于对抗生成网络的剪力墙结构布置方法。
为了实现上述实施例,本申请实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现前述方法实施例所述的基于对抗生成网络的剪力墙结构布置方法。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于对抗生成网络的剪力墙结构布置方法,其特征在于,包括:
获取待处理的建筑设计图纸;
提取所述建筑设计图纸中的可布置墙体位置和门窗洞口的关键元素,并对所述关键元素进行不同颜色填充处理,生成待输入建筑设计图像特征;
将所述待输入建筑设计图像特征输入预先训练的剪力墙结构对抗生成网络模型进行处理,生成对应的剪力墙结构设计图纸,该图纸包含剪力墙结构元素、非结构填充墙元素和门窗洞口元素;
在所述预先训练的剪力墙结构对抗生成网络模型应用于结构设计前,还包括:创建训练和测试数据集,并应用所述数据集对所述剪力墙结构对抗生成网络模型进行训练和测试,根据综合评估方法对所述测试结果进行评价,所述评价合格的剪力墙结构对抗生成网络模型可投入应用。
2.如权利要求1所述的方法,其特征在于,在将所述待输入建筑设计图像特征输入预先训练的剪力墙结构对抗生成网络模型进行处理,生成剪力墙结构设计图纸之前,还包括:
获取既有设计成果中建筑设计图纸样本,以及与所述建筑设计图纸样本配套的剪力墙结构设计图纸样本;
提取所述建筑设计图纸样本的建筑样本关键元素,并对所述建筑样本关键元素进行不同颜色填充处理,生成待训练建筑图像特征;
提取所述剪力墙结构设计图纸样本的结构样本关键元素,并对所述结构样本关键元素进行不同颜色填充处理,生成待训练剪力墙结构图像特征;
将所述待训练建筑图像特征和配套的剪力墙结构图像特征划分为训练集和测试集;
将所述训练集和测试集按照结构高度和结构抗震设防水准进行分组,形成不同结构高度和抗震设防水准组别下的训练集和测试集;
根据所述不同结构高度和抗震设防水准组别下的训练集和测试集输入所述对抗生成网络进行训练和测试,测试合格得到所述用于剪力墙结构布置的对抗生成网络模型。
3.如权利要求2所述的方法,其特征在于,所述提取建筑设计图纸样本及其配套的剪力墙结构设计图纸样本的关键元素,并对所述关键元素进行不同颜色填充处理,生成待输入图像特征,包括:
提取所述建筑设计图纸样本中的可布置墙体位置、室内门窗洞口和室外门洞,及其配套的剪力墙结构设计图纸样本中的结构剪力墙、非结构填充墙、室内门窗洞口和室外门洞关键元素;
采用不同颜色对所述关键元素进行填充,其中,红色代表所述剪力墙,灰色代表所述可布置墙体位置以及非结构填充墙,绿色代表所述室内门窗洞口,蓝色代表所述室外门洞。
4.如权利要求1所述的方法,其特征在于,所述综合评估方法包括:
根据指标WIoU、SWratio、SIoU确定加权系数;基于加权后的综合指标ScoreIoU进行评价;
ScoreIoU的计算公式为:
ScoreIoU=(ηSWratio×(ηSIoU×SIoU+ηWIoU×WIoU))
其中,ηSWratio=1-|SWratioout-SWratiotar|/SWratiotar,SWratioout和SWratiotar分别为生成图像和目标图像的SWratio;ηSIoU为SIoU值系数;ηWIoU为WIoU值系数;
所述的WIoU、SWratio、SIoU计算方法为:
一是按照像素点颜色范围将所述生成结构设计图像与目标结构设计图像的各像素点进行分类,将分类后的像素点制作成混淆矩阵,基于所述混淆矩阵计算WIoU和SWratio评价指标;
其中,(k+1)是像素点总共的类别,pij是类别i的像素点被判断为类别j的数量,即pii代表生成正确的像素点的数量,而pij和pji则是生成错误的像素点的数量,w0-w4代表5个类别的像素权重,Aswall为剪力墙面积,Ainwall为填充墙面积;
二是将所述生成结构设计图像与目标结构设计图像划分为多个子图,提取所述每个子图中剪力墙的轮廓坐标,基于所述提取的剪力墙轮廓坐标,计算所述生成结构设计图像与目标结构设计图像中的所有剪力墙的交集面积和并集面积,并根据所述剪力墙的交集面积和并集面积计算SIoU指标;
其中,Ainter是生成结构设计与目标结构设计的剪力墙交集面积,Aunion是生成剪力墙与目标剪力墙的并集面积,Aunion=Atar+Aout-Ainter,Atar为目标图像剪力墙面积,Aout为生成图像剪力墙面积。
5.一种基于对抗生成网络的剪力墙结构布置装置,其特征在于,包括:
第一获取模块,用于获取待处理的建筑设计图纸;
第一提取模块,用于提取所述建筑设计图纸中的可布置墙体位置和门窗洞口的关键元素,并对所述关键元素进行不同颜色填充处理,生成待输入建筑设计图像特征;
生成模块,用于将所述待输入建筑设计图像特征输入预先训练的剪力墙结构对抗生成网络模型进行处理,生成对应的剪力墙结构设计图纸,该图纸包含剪力墙结构元素、非结构填充墙元素和门窗洞口元素;
在所述预先训练的剪力墙结构对抗生成网络模型应用于结构设计前,还包括:创建训练和测试数据集,并应用所述数据集对所述剪力墙结构对抗生成网络模型进行训练和测试,根据综合评估方法对所述测试结果进行评价,所述评价合格的剪力墙结构对抗生成网络模型可投入应用。
6.如权利要求5所述的装置,其特征在于,还包括:
第一获取模块,用于获取既有设计成果中建筑设计图纸样本,以及与所述建筑设计图纸样本配套的剪力墙结构设计图纸样本;
第二提取模块,用于提取所述建筑设计图纸样本的建筑样本关键元素,并对所述建筑样本关键元素进行不同颜色填充处理,生成待训练建筑图像特征;
第三提取模块,用于提取所述剪力墙结构设计图纸样本的结构样本关键元素,并对所述结构样本关键元素进行不同颜色填充处理,生成待训练结构图像特征;
划分模块,用于将所述待训练建筑图像特征和所述待训练结构图像特征划分为训练集和测试集,并根据结构抗震设防烈度和结构高度对所述训练集和测试集进行分组;
训练模块,用于根据所述训练集输入对抗生成网络进行训练,训练完成得到所述剪力墙结构对抗生成网络模型;
评估模块,用于根据所述测试集对所述剪力墙结构对抗生成网络模型进行设计效果的测试,基于所述综合评估方法对测试结果进行评估,所述评估合格的模型可投入应用。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446468.9A CN111666617B (zh) | 2020-05-25 | 2020-05-25 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
PCT/CN2020/131065 WO2021238113A1 (zh) | 2020-05-25 | 2020-11-24 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
US17/697,660 US20220207205A1 (en) | 2020-05-25 | 2022-03-17 | Method and device for scheme design of shear wall structure based on generative adversarial network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010446468.9A CN111666617B (zh) | 2020-05-25 | 2020-05-25 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666617A CN111666617A (zh) | 2020-09-15 |
CN111666617B true CN111666617B (zh) | 2021-09-14 |
Family
ID=72384438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010446468.9A Active CN111666617B (zh) | 2020-05-25 | 2020-05-25 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220207205A1 (zh) |
CN (1) | CN111666617B (zh) |
WO (1) | WO2021238113A1 (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666617B (zh) * | 2020-05-25 | 2021-09-14 | 清华大学 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
CN112966760B (zh) * | 2021-03-15 | 2021-11-09 | 清华大学 | 融合文本和图像数据的神经网络及其建筑结构的设计方法 |
CN113779675B (zh) * | 2021-09-02 | 2022-04-19 | 清华大学 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
CN113987637B (zh) * | 2021-10-25 | 2022-07-01 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
CN114880739B (zh) * | 2022-04-25 | 2023-03-24 | 清华大学 | 生成式建筑结构设计方案的再优化设计方法和装置 |
CN114880741B (zh) * | 2022-04-25 | 2023-01-31 | 清华大学 | 一种嵌入领域知识的建筑结构构件尺寸设计方法和装置 |
CN115563674B (zh) * | 2022-09-29 | 2023-06-16 | 清华大学 | 初始平面布置生成方法和装置、电子设备和存储介质 |
CN116186825B (zh) * | 2022-11-29 | 2023-10-31 | 清华大学 | 基于图节点分类图神经网络的剪力墙设计方法和装置 |
CN116150837B (zh) * | 2022-11-29 | 2023-12-29 | 清华大学 | 基于边特征预测图神经网络的剪力墙设计方法和装置 |
CN115828396B (zh) * | 2023-01-03 | 2023-04-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于混合约束条件下的民宿平面自动生成方法及系统 |
CN116011084B (zh) * | 2023-02-20 | 2023-11-28 | 中国建筑西南设计研究院有限公司 | 结构平面布置整体生成方法、装置、电子设备及存储介质 |
CN116150858B (zh) * | 2023-04-19 | 2023-07-14 | 深圳市嘉闰州生态建工有限公司 | 建筑工程模板支架的自动排布系统及方法 |
CN116680778B (zh) * | 2023-04-27 | 2024-03-12 | 清华大学 | 建筑结构布置生成方法、系统及生成模型的构建方法 |
CN117195626B (zh) * | 2023-08-24 | 2024-04-19 | 东南大学 | 一种基于生成对抗网络的建筑自由曲面网格结构划分的设计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263192A (zh) * | 2019-06-06 | 2019-09-20 | 西安交通大学 | 一种基于条件生成对抗网络的磨粒形貌数据库创建方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11468206B2 (en) * | 2018-08-20 | 2022-10-11 | Sri International | Machine learning system for building renderings and building information modeling data |
CN109360232B (zh) * | 2018-09-10 | 2021-04-06 | 南京邮电大学 | 基于条件生成对抗网络的室内场景布局估计方法和装置 |
US10997464B2 (en) * | 2018-11-09 | 2021-05-04 | Adobe Inc. | Digital image layout training using wireframe rendering within a generative adversarial network (GAN) system |
CN109635511B (zh) * | 2019-01-16 | 2020-08-07 | 哈尔滨工业大学 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
CN110766786A (zh) * | 2019-09-18 | 2020-02-07 | 湖南大学 | 基于生成对抗网络的草图到浅浮雕模型生成的方法 |
CN110633553B (zh) * | 2019-10-09 | 2023-07-18 | 郑豪 | 一种住宅户型平面图自动生成方法和系统 |
CN111666617B (zh) * | 2020-05-25 | 2021-09-14 | 清华大学 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
-
2020
- 2020-05-25 CN CN202010446468.9A patent/CN111666617B/zh active Active
- 2020-11-24 WO PCT/CN2020/131065 patent/WO2021238113A1/zh active Application Filing
-
2022
- 2022-03-17 US US17/697,660 patent/US20220207205A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263192A (zh) * | 2019-06-06 | 2019-09-20 | 西安交通大学 | 一种基于条件生成对抗网络的磨粒形貌数据库创建方法 |
Non-Patent Citations (4)
Title |
---|
"An End-To-End Bayesian Segmentation Network Based on a Generative Adversarial Network for Remote Sensing Images";Dehui Xiong等;《remote sensing》;MDPI;20200108;第4.2.2节 * |
"House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation";Nelson Nauata等;《https://arxiv.org/abs/2003.06988》;20200316;第3-4章 * |
"基于深度学习的视网膜分支动脉阻塞分割";郭超等;《软件导刊》;20191130;第18卷(第11期);第2节 * |
Nelson Nauata等."House-GAN: Relational Generative Adversarial Networks for Graph-constrained House Layout Generation".《https://arxiv.org/abs/2003.06988》.2020,第3-4章. * |
Also Published As
Publication number | Publication date |
---|---|
CN111666617A (zh) | 2020-09-15 |
US20220207205A1 (en) | 2022-06-30 |
WO2021238113A1 (zh) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666617B (zh) | 基于对抗生成网络的剪力墙结构布置方法和装置 | |
CN113987637B (zh) | 基于生成对抗网络的楼盖结构设计方法和装置 | |
CN107330437B (zh) | 基于卷积神经网络目标实时检测模型的特征提取方法 | |
CN107680678A (zh) | 基于多尺度卷积神经网络甲状腺超声图像结节自动诊断系统 | |
CN108053412B (zh) | 融合多定量评价指标的遥感影像最优分割结果确定方法 | |
CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
CN109446894B (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
CN109284786A (zh) | 基于分布和结构匹配生成对抗网络的sar图像地物分类方法 | |
CN113409314A (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及系统 | |
CN111985499A (zh) | 一种基于计算机视觉的高精度桥梁表观病害识别方法 | |
CN113569788B (zh) | 一种建筑物语义分割网络模型训练方法、系统及应用方法 | |
CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
CN109191460A (zh) | 一种对于色调映射图像的质量评价方法 | |
CN112241950A (zh) | 一种塔式起重机裂缝图像的检测方法 | |
CN113033315A (zh) | 一种稀土开采高分影像识别与定位方法 | |
CN117011295B (zh) | 基于深度可分离卷积神经网络的uhpc预制件质量检测方法 | |
CN109447111A (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN108364011A (zh) | PolSAR图像多级特征提取与无监督分类方法 | |
CN105205816A (zh) | 多特征加权融合的高分辨率sar影像建筑区提取方法 | |
CN108596196A (zh) | 一种基于绝缘子图像特征词典的污秽状态评估方法 | |
CN113052110B (zh) | 一种基于多视图投影和深度学习的三维兴趣点提取方法 | |
CN116011084B (zh) | 结构平面布置整体生成方法、装置、电子设备及存储介质 | |
CN116186825B (zh) | 基于图节点分类图神经网络的剪力墙设计方法和装置 | |
CN103778413B (zh) | 一种遥感影像欠分割对象自动识别方法 | |
CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220615 Address after: 1109, 10th floor, building 20, yard 3, Huangchang Nanli, Chaoyang District, Beijing 100015 Patentee after: Beijing Hemu Zhigou Technology Co.,Ltd. Address before: 100084 Tsinghua Yuan, Beijing, Haidian District Patentee before: TSINGHUA University |