CN113779675B - 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 - Google Patents

Abstract

本发明提供一种物理‑数据驱动的智能化剪力墙建筑结构设计方法和装置，方法包括：获取待处理的建筑设计图和基本条件文本；将建筑设计图和基本条件文本输入结构设计模型，得到结构设计图；其中，结构设计模型是对物理‑数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的；将结构设计图和建筑设计图矢量化，得到剪力墙建筑的结构设计结果。本发明提供的物理‑数据驱动的智能化剪力墙建筑结构设计方法和装置，通过对物理‑数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化，得到的结构设计模型可根据建筑设计图和基本条件文本生成更满足实际设计需求的结构设计图，提高了结构设计效率与可靠性。

Description

物理-数据驱动的智能化剪力墙建筑结构设计方法和装置

技术领域

本发明涉及建筑结构设计与机器学习技术领域，尤其涉及一种物理-数据驱动的智能化剪力墙建筑结构设计方法和装置。

背景技术

目前，剪力墙建筑的结构方案设计，一般由有经验的工程师完成，由于人工设计方法过度依赖专业经验，难以有效推广应用，且人工设计过程耗时耗力，智能化程度不足，效率低下。为了满足智能建造快速发展需求，智能化的结构设计方法应运而生。

但是，由于结构设计的物理规律主要通过公式、文本等多种复杂形式表达，与图像数据的表达方式有显著差异，这样，神经网络仅可以有效的学习图像数据特征，无法直接读取并学习物理规律。导致现有的智能化结构设计方法仅由数据驱动，无法通过智能化算法学习到结构设计的物理规律和经验知识，使得最终得到的结构设计结果难以较好的满足结构设计的实际物理约束与需求，可参考性不高。

因此，现在亟需一种能够学习物理规律与数据经验的智能化剪力墙建筑的结构设计方法。

发明内容

本发明提供一种物理-数据驱动的智能化剪力墙建筑结构设计方法和装置，用以解决现有技术中剪力墙建筑结构设计方法无法通过智能化算法同时学习物理规律与数据经验，导致结构设计结果可参考性低的缺陷。

第一方面，本发明提供一种物理-数据驱动的智能化剪力墙建筑结构设计方法，该方法包括：

获取待处理的建筑设计图和基本条件文本；

将所述建筑设计图和所述基本条件文本输入结构设计模型，得到所述结构设计模型输出的结构设计图；其中，所述结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据，对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的；

将所述结构设计图和建筑设计图矢量化，提取所述结构设计图中剪力墙构件矢量数据以及所述建筑设计图中建筑外轮廓矢量数据，根据所述剪力墙构件矢量数据和所述建筑外轮廓矢量数据，得到剪力墙建筑的结构设计结果。

根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，所述结构设计模型的训练过程，包括：

构建物理-数据驱动的生成对抗网络；

将有完整标签的样本数据输入所述物理-数据驱动的生成对抗网络，对所述物理-数据驱动的生成对抗网络的结构设计图生成能力进行训练；其中，所述有完整标签的样本数据包括建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据；

对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算，得到物理性能计算结果；

构建结构物理性能预测神经网络，将结构设计图生成能力训练过程中生成的结构设计图样本数据与所述物理性能计算结果作为训练数据，对所述结构物理性能预测神经网络进行结构物理性能预测能力训练，得到结构物理性能预测模型；

计算结构设计图生成能力训练过程中的图像数据损失，并采用所述结构物理性能预测模型计算对应的物理损失，将所述图像数据损失和所述物理损失融合，得到所述物理-数据驱动的生成对抗网络的损失函数；

通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练，得到结构设计模型。

根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，所述物理-数据驱动的生成对抗网络包括：

图像生成器，用于分别对建筑设计图样本数据和基本条件文本样本数据进行编码和特征提取并融合，将融合后的特征解码，生成结构设计图样本数据；并且，所述图像生成器的神经网络参数在优化训练中需要同时接收物理性能损失和图像数据损失的指导，从而所述图像生成器掌握结构设计的物理机理，以及满足物理机理的结构设计图生成能力；

图像判别器，用于对所述结构设计图样本数据进行特征提取和真伪判别。

根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算，得到物理性能计算结果，包括：

提取所述结构设计图样本数据中剪力墙的结构构件矢量数据，并提取建筑设计图样本数据中的建筑外轮廓矢量数据；

根据所述结构设计图样本数据中剪力墙的结构构件矢量数据和所述建筑设计图样本数据中的建筑外轮廓矢量数据，计算楼层质量与楼层刚度，进而构建剪力墙建筑的质量矩阵和刚度矩阵，得到剪力墙建筑的多自由度力学计算模型；

根据所述多自由度力学计算模型，对剪力墙建筑进行结构力学响应计算与性能分析，得到物理性能计算结果。

根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，所述结构物理性能预测模型的构建、训练和预测过程，包括：

基于残差网络结构，构建用于图像特征提取与物理性能预测的结构物理性能预测神经网络；

通过结构设计图生成能力训练过程中生成的结构设计图样本数据与对应的物理性能计算结果，对所述结构物理性能预测神经网络的物理性能预测能力进行训练，得到结构物理性能预测模型；

通过所述结构物理性能预测模型对结构设计图生成能力训练过程中得到的结构设计图样本数据进行物理性能预测，得到相应的物理损失，指导物理-数据驱动的生成对抗网络进行物理性能优化训练。

根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练后，还包括：

通过无完整标签样本数据与有完整标签样本数据，对所述物理-数据驱动的生成对抗网络进行半监督优化训练；其中，所述无完整标签样本数据包括建筑设计图样本数据和基本条件文本样本数据。

第二方面，本发明还提供一种物理-数据驱动的智能化剪力墙建筑结构设计装置，包括：

获取模块，用于获取待处理的建筑设计图和基本条件文本；

结构设计模块，用于将所述建筑设计图和所述基本条件文本输入结构设计模型，得到所述结构设计模型输出的结构设计图；其中，所述结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据，对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的；

矢量化输出模块，用于提取所述结构设计图中剪力墙构件矢量数据以及所述建筑设计图中建筑外轮廓矢量数据，根据所述剪力墙构件矢量数据和所述建筑外轮廓矢量数据，得到剪力墙建筑的结构设计结果。

本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计方法和装置，通过对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练，实现生成对抗网络对图像-文本数据的学习以及物理性能的学习，得到的结构设计模型可以根据建筑设计图和基本条件文本生成更满足实际设计需求的结构设计图，提高了结构设计的效率与最终结构设计结果的可靠性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计方法的流程示意图；

图2是本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计方法的原理示意图；

图3是结构设计模型训练过程的原理示意图；

图4是典型数据集示意图；

图5是像素图矢量化的实现原理示意图；

图6是将结构设计图矢量化获得结构力学模型的实现原理示意图；

图7是本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1和图2示出了本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计方法，该方法包括：

S110：获取待处理的建筑设计图和基本条件文本；

S120：将建筑设计图和基本条件文本输入结构设计模型，得到结构设计模型输出的结构设计图；其中，结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据，对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的；

S130：提取结构设计图中剪力墙构件矢量数据以及建筑设计图中建筑外轮廓矢量数据，根据剪力墙构件矢量数据和建筑外轮廓矢量数据，得到剪力墙建筑的结构设计结果。

具体地，参见附图2和图3，本实施例对结构设计模型进行训练的过程，包括以下步骤：

第一步：构建物理-数据驱动的生成对抗网络，该网络主要由生成器和判别器组成，生成器和判别器为常规深度神经网络，生成器由卷积神经网络进行图像和文本编码与特征提取，采用哈达玛积进行特征融合，并采用反卷积神经网络进行特征解码，生成结构设计图；判别器则由卷积神经网络对生成器生成的结构设计图进行特征提取与真伪判别。

第二步：创建用于网络训练的数据集，具体包含有完整标签的结构设计数据集与无完整标签的结构设计数据集。收集配套建筑设计图、属性文本(即基本条件文本)以及结构设计图的数据，创建有完整标签的结构设计数据集，即有完整标签的样本数据；针对仅有建筑设计图和基本条件文本的数据，则创建无完整标签的结构设计数据集，即无完整标签的样本数据。

本实施例采用的典型数据集如图4所示，通过获取建筑设计图纸、配套的结构设计图纸与基本设计条件文本，采用结构设计的先验知识对图纸关键元素和文本关键属性进行预提取，完成数据集创建。采用随机划分得到训练集与测试集。该数据集包括输入标签数据和输出目标数据。

输入标签数据包括建筑设计图以及基本条件文本，这些标签均是通过结构设计的先验知识进行特征预筛选和提取得到的。如图4所示，建筑设计图中关键特征包括可布置墙体部位、门窗和室内门洞、室外门洞，为了区分各个关键特征，可以通过不同的颜色的图元表示不同的结构特征，本实施例中用灰色图元代表可布置墙体部位，绿色图元代表门窗和室内门洞，蓝色图元代表室外门洞；基本条件文本分别为抗震设防烈度和建筑高度，6度设防代表该结构抗震烈度为6度，90m代表结构高度接近90m。其余的设计条件可以进行类推。

本实施例中目标数据为结构设计图，参见附图4，结构设计图中关键特征包括结构剪力墙、结构柱、非结构填充墙、门窗和室内门洞以及室外门洞。结构设计图中各个关键特征同样可以通过不同颜色的图元进行区分，本实施例中用红色图元代表结构剪力墙或者结构柱的布置部位，灰色代表非结构填充墙的布置位置，绿色图元代表门窗和室内门洞，蓝色代表室外门洞。

第三步：将有完整标签的样本数据输入物理-数据驱动的生成对抗网络，对物理-数据驱动的生成对抗网络的结构设计图生成能力进行训练，使得该网络掌握基本的剪力墙建筑的结构设计图生成能力，能够输出相应的结构设计图像。

第四步：进行物理性能计算，对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算，得到物理性能计算结果。本实施例中物理性能计算结果是结构质心与刚心距离计算结果、最大结构变形计算结果以及结构构件的强度计算结果的加权求和值。

具体地，物理性能计算的实现过程，包括：

首先，提取结构设计图样本数据中剪力墙的结构构件矢量数据，并提取建筑设计图样本数据中的建筑外轮廓矢量数据。

由于结构设计图以及建筑设计图均属于像素图，在物理性能计算环节需要将上述像素图矢量化，像素图矢量化的过程如图5所示，本实施例中图像处理与矢量提取均采用Open CV-Python。针对建筑设计图，首先采用图像二值化将所有元素转化，并采用膨胀操作扩展元素，以保证外轮廓闭合，随后采用轮廓检测对建筑外轮廓进行提取，进而得到外轮廓的坐标信息，即建筑外轮廓矢量数据。

针对结构设计图，同样采用二值化操作，仅将剪力墙元素转化，并采用腐蚀与膨胀操作去除图像噪音，随后采用网格直线与剪力墙元素相交的方法进行剪力墙构件的提取，进而得到所有剪力墙构件的坐标信息，即剪力墙的结构构件矢量数据。

然后，根据结构设计图样本数据中剪力墙的结构构件矢量数据和建筑设计图样本数据中的建筑外轮廓矢量数据，计算楼层质量与楼层刚度，进而构建剪力墙建筑的质量矩阵和刚度矩阵，得到剪力墙建筑的多自由度力学计算模型。

本实施例以典型剪力墙住宅结构为设计对象，因此可以采用弯剪耦合的多自由度模型。该模型结构可以参见图3中的结构力学计算模型，该模型第i层对应的层质量矩阵与层刚度矩阵如式(1)和式(2)所示。

模型中的层质量的计算方法为：

M_i＝unit_mass×A_i (3)

unit_mass为单位面积质量，根据中国建筑工程建设经验可知，unit_mass＝14kN/m²，A_i则根据建筑轮廓直接求解面积。

上式中，M_i、M_i-1分别为第i和i-1层的层质量，GA_i为第i层剪切刚度，EI_i为第i层弯曲刚度，h_i为第i层高度。

基于刚性楼板假定，可以近似认为所有剪力墙构件在水平面内的变形协调，同时还应考虑楼面系中梁构件对结构整体刚度的放大效应。因此，第i层弯曲刚度EI_i的计算公式为：

式中，λ_EI为弯曲刚度放大系数，与剪力墙密度和结构高度有关，

为第i层第j片剪力墙绕自身中性轴的弯曲刚度。

由公式(4)可以看出，层弯曲刚度等于所有剪力墙的弯曲刚度叠加，并乘以楼面系对弯曲刚度的放大系数λ_EI。由于结构剪切变形机理更加复杂，结构整体剪切刚度无法由所有剪力墙剪切刚度叠加。因此，本实施例采用弯剪耦合系数α_eq，由层弯曲刚度推定层剪切刚度GA_i，计算公式如下：

α_eq为结构弯曲刚度与剪切刚度的耦合比系数，与剪力墙的密度有关；H为结构高度。

最后，根据多自由度力学计算模型，对剪力墙建筑进行结构力学响应计算与性能分析，得到物理性能计算结果。

本实施例基于构建的多自由度弯剪耦合计算模型，并基于物理规律开展结构计算与性能分析。首先根据式(6)，采用特征值法求解结构的自振周期与阵型，计算公式如下：

([K]-ω²[M]){φ}＝{0} (6)

式中，[K]为刚度矩阵，[M]为质量矩阵，ω为自振频率，{φ}为阵型向量。

基于结构动力特性、结构设计信息、以及建筑结构抗震设计规范(GB 50011-2010)，便可以计算得到相应的地震作用强度。随后基于阵型分解反应谱法，计算结构不同方向的地震作用力以及结构整体变形响应。其中，对于结构设计最重要的性能便是结构整体层间位移角。具体地，地震作用力以及结构整体变形响应的计算公式如下：

F_ji＝α_jγ_jX_jiG_i (7)

式中，F_ji为j阵型i质点的水平地震作用标准值，α_j为j阵型自振周期对应的地震影响系数，X_ji为j阵型i质点的水平相对位移，γ_j为j阵型的阵型质量参与系数，G_i为i质点的等效重力荷载。

之后根据剪力墙构件的刚度比例，对结构地震作用力进行分配，进而根据每个剪力墙构件的作用力验算其强度性能。剪力墙的构件强度验算包括轴压、抗剪和压弯承载力验算。

基于图5得到的结构平面设计矢量数据，进而得到结构设计的质心与刚心分布及距离D_{cs_cm}，基于多自由度弯剪耦合模型计算结构力学响应计算与性能分析，便可以得到结构的最大层间变形drift_max，以及剪力墙结构构件的强度验算结果。

根据获得的上述数据，计算结构设计图生成能力训练过程中的综合物理性能，将结构的质心-刚心距离、结构最大层间变形、结构构件强度验算结果进行加权求和，得到综合物理性能，即物理性能计算结果。综合物理性能Perform_PHY计算公式如下：

Perform_PHY＝ω_tperform_torsion+ω_dperform_drift+ω_sperform_strength (9)

式中，ω_t、ω_d、ω_s分别为扭转性能、层间变形性能、和构件强度性能的权重系数。

本实施例中综合物理性能由扭转性能perform_torsion、层间变形性能perform_drift、构件强度性能perform_strength三项主要指标组成。

其中，结构质心与刚心距离的计算公式如下：

上式中：

扭转性能性能perform_torsion的表达式如下：

perform_torsion＝D_{cs_cm}/D_limit (12)

由此可见，距离越大则表明结构越容易发生扭转变形，D_limit主要用于对D_{cs_cm}进行归一化，保证perform_torsion值位于[0,1]。

结构层间变形性能perform_drift的计算公式如下：

当结构的最大层间变形drift_max小于规范规定的变形值drift_limit时，perform_drift为线性变化，当结构的最大层间变形drift_max大于规范规定值drift_limit时，perform_drift为0.5次方变化，也就意味着当perform_drift大于规范限值drift_limit时，其损失增加更快，perform_drift值位于[0,1]。

剪力墙构件强度性能perform_strength的计算公式为：

式中，N为剪力墙总数量，

为每一片剪力墙的强度性能。

对每一块剪力墙构件的强度进行验算，验算通过

为0，验算不通过

为1，最后对所有剪力墙的验算结果取均值，同样perform_strength值位于[0,1]。

第五步：计算物理损失，首先，基于生成器对结构设计图的生成，以及物理计算对物理性能的获取，可以创建大量结构设计图-物理性能计算结果的数据集。然后，基于残差网络创建一个用于结构力学性能预测的神经网络，即结构物理性能预测神经网络。接着，利用该数据集对构建的结构物理性能预测神经网络进行训练，经过了大量数据训练后，结构物理性能预测神经网络能较为准确的预测结构设计图纸对应的综合物理性能，即物理性能预测结果，这样就得到了训练好的结构物理性能预测模型。最后，将结构设计图样本数据输入结构物理性能预测模型，即可预测得到相应的综合物理性能，将该预测得到的综合物理性能，作为生成对抗网络后续训练中的物理损失Loss_G-PHY。

本实施例中生成器的损失包括图像数据损失与物理性能损失，图像数据损失通过对生成器与判别器的图像分析结果进行损失计算获得，生成器的物理损失则由前述的结构物理性能预测模型计算得到。

最终，融合了图像数据损失与物理性能损失之后，生成器的损失表达如下：

Loss_G＝ω_imgLoss_G-img+ω_PHYLoss_G-PHY (15)

式中，ω_img为图像数据损失的权重，Loss_G-img为图像数据损失，ω_PHY为物理性能损失的权重，Loss_G-PHY为物理性能损失。

输入判别器的损失表达式为：

Loss_D＝Loss_D-GAN (16)

式中，Loss_D-GAN为生成对抗网络的判别损失。

第六步：通过损失函数对结构设计图生成能力训练后的物理-数据驱动的生成对抗网络进行优化训练，得到结构设计模型。

本实施例采用物理计算损失来优化神经网络模型对结构设计经验的学习，进而可以摆脱纯数据支持的网络模型训练的约束。基于有标签与无完整标签数据，采用半监督学习算法，可以有效实现物理-数据驱动的网络模型训练，在训练前期，需要依托有标签数据进行网络训练，使得神经网络基本掌握结构设计图的生成能力；随后，采用物理机理对网络模型的训练进行优化，使得神经网络逐渐掌握结构设计能力；同时采用无完整标签数据开展半监督学习，提升网络的结构设计能力。

本实施例通过对物理-数据驱动的生成对抗网络进行半监督训练，得到结构设计模型，通过向结构设计模型中输入建筑设计图与基本条件文本，可以输出对应的结构设计图。参见附图6，由于结构设计图属于像素图，无法直接应用于实际的建筑结构建模设计中，需要对结构设计图进行像素图矢量化处理，利用得到的矢量数据，可以构建得到剪力墙建筑的结构力学模型，实现人机交互的剪力墙整体结构建模与计算，得到结构设计结果。根据中国抗震设计规范要求，最大层间位移角变形应该小于1/1000，从图6中层间位移角的数据图可以看到，本发明得到的结构设计结果对应的力学响应如图6所示，满足规范要求。

需要说明的是，虽然在对结构设计模型进行训练过程中以及实际应用中获得结构设计结果的过程中均涉及到对建筑设计图和结构设计图进行矢量化处理和构建结构计算力学模型的方案，且矢量化处理和构建结构计算力学模型的实现原理基本相同。但是，结构设计模型训练阶段构建多自由度力学计算模型的过程属于快速建模环节，此环节分析计算耗时约5s。而获得结构设计结果的过程中，构建人机交互用的结构力学模型的过程属于详细建模环节，该环节分析计算耗时约30min。

下面对本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计装置进行描述，下文描述的物理-数据驱动的智能化剪力墙建筑结构设计装置与上文描述的物理-数据驱动的智能化剪力墙建筑结构设计方法可相互对应参照。

图7示出了本发明实施例提供的物理-数据驱动的智能化剪力墙建筑结构设计装置，包括：

获取模块710，用于获取待处理的建筑设计图和基本条件文本；

结构设计模块720，用于将建筑设计图和基本条件文本输入结构设计模型，得到结构设计模型输出的结构设计图；其中，结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据，对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的；

矢量化输出模块730，用于提取结构设计图中剪力墙构件矢量数据以及建筑设计图中建筑外轮廓矢量数据，根据剪力墙构件矢量数据和建筑外轮廓矢量数据，得到剪力墙建筑的结构设计结果。

本实施例中结构设计模块720通过预先训练好的结构设计模型生成目标剪力墙建筑的结构设计图，具体地，结构设计模型的训练过程如下：

首先，创建有完整标签与无完整标签的结构设计数据集。针对有完整配套建筑设计图、基本条件文本和结构设计图的数据，创建有完整标签训练数据集；针对仅有建筑设计图和基本设计条件文本的数据，则创建无完整标签的训练数据集；

然后，基于创建好的数据集与预先构建的物理-数据驱动的生成对抗网络，开展神经网络模型训练。首先采用有完整标签的样本数据对神经网络训练，使得神经网络掌握剪力墙结构设计图生成能力；随后采用物理机制计算，并与数据训练结合优化网络训练，并且采用有完整标签与无完整标签的样本数据进行半监督的混合训练，提升生成对抗网络的结构设计能力，得到结构设计模型。

获得训练好的结构设计模型后，输入建筑设计图与对应的基本条件文本，可以直接输出满足设计要求的结构设计图；但由于得到的结构设计图为像素图，无法直接应用于人机交互建模，因此，本实施例还通过矢量化输出模块730对结构设计图和建筑设计图进行像素图矢量化操作，提取建筑外轮廓和剪力墙结构构件的矢量数据，并基于结构设计软件的应用程序接口，进行人机交互结构设计，得到剪力墙建筑的结构力学模型，即三维结构模型，完成智能化的剪力墙建筑结构生成式设计。

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物理-数据驱动的智能化剪力墙建筑结构设计方法。

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物理-数据驱动的智能化剪力墙建筑结构设计方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种物理-数据驱动的智能化剪力墙建筑结构设计方法，其特征在于，包括：

获取待处理的建筑设计图和基本条件文本；

将所述建筑设计图和所述基本条件文本输入结构设计模型，得到所述结构设计模型输出的结构设计图；其中，所述结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据，对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的；

提取所述结构设计图中剪力墙构件矢量数据以及所述建筑设计图中建筑外轮廓矢量数据，根据所述剪力墙构件矢量数据和所述建筑外轮廓矢量数据，得到剪力墙建筑的结构设计结果；

所述结构设计模型的训练过程，包括：

构建物理-数据驱动的生成对抗网络；

将有完整标签的样本数据输入所述物理-数据驱动的生成对抗网络，对所述物理-数据驱动的生成对抗网络的结构设计图生成能力进行训练；其中，所述有完整标签的样本数据包括建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据；

对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算，得到物理性能计算结果；

构建结构物理性能预测神经网络，将结构设计图生成能力训练过程中生成的结构设计图样本数据与所述物理性能计算结果作为训练数据，对所述结构物理性能预测神经网络进行结构物理性能预测能力训练，得到结构物理性能预测模型；

计算结构设计图生成能力训练过程中的图像数据损失，并采用所述结构物理性能预测模型计算对应的物理损失，将所述图像数据损失和所述物理损失融合，得到所述物理-数据驱动的生成对抗网络的损失函数；

通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练，得到结构设计模型。

2.根据权利要求1所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，其特征在于，所述物理-数据驱动的生成对抗网络包括：

图像生成器，用于分别对建筑设计图样本数据和基本条件文本样本数据进行编码和特征提取，得到图像特征和文本特征，将所述图像特征和所述文本特征进行融合，并将融合后的特征解码，生成结构设计图样本数据；

图像判别器，用于对所述结构设计图样本数据进行特征提取和真伪判别。

3.根据权利要求1所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，其特征在于，对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算，得到物理性能计算结果，包括：

提取所述结构设计图样本数据中剪力墙的结构构件矢量数据，并提取建筑设计图样本数据中的建筑外轮廓矢量数据；

根据所述结构设计图样本数据中剪力墙的结构构件矢量数据和所述建筑设计图样本数据中的建筑外轮廓矢量数据，计算楼层质量与楼层刚度，构建剪力墙建筑的质量矩阵和刚度矩阵，得到剪力墙建筑的多自由度力学计算模型；

根据所述多自由度力学计算模型，对剪力墙建筑进行结构力学响应计算与性能分析，得到物理性能计算结果。

4.根据权利要求1所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，其特征在于，所述结构物理性能预测模型的构建、训练和预测过程，包括：

基于残差网络结构，构建用于图像特征提取与物理性能预测的结构物理性能预测神经网络；

通过结构设计图生成能力训练过程中生成的结构设计图样本数据与对应的物理性能计算结果，对所述结构物理性能预测神经网络的物理性能预测能力进行训练，得到结构物理性能预测模型；

通过所述结构物理性能预测模型对结构设计图生成能力训练过程中得到的结构设计图样本数据进行物理性能预测，得到相应的物理损失。

5.根据权利要求1所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法，其特征在于，通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练后，还包括：

通过无完整标签样本数据与有完整标签样本数据，对所述物理-数据驱动的生成对抗网络进行半监督优化训练；其中，所述无完整标签样本数据包括建筑设计图样本数据和基本条件文本样本数据。

6.一种物理-数据驱动的智能化剪力墙建筑结构设计装置，其特征在于，包括：

获取模块，用于获取待处理的建筑设计图和基本条件文本；

结构设计模块，用于将所述建筑设计图和所述基本条件文本输入结构设计模型，得到所述结构设计模型输出的结构设计图；其中，所述结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据，对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的；

矢量化输出模块，用于提取所述结构设计图中剪力墙构件矢量数据以及所述建筑设计图中建筑外轮廓矢量数据，根据所述剪力墙构件矢量数据和所述建筑外轮廓矢量数据，得到剪力墙建筑的结构设计结果；

所述结构设计模型的训练过程，包括：

构建物理-数据驱动的生成对抗网络；

将有完整标签的样本数据输入所述物理-数据驱动的生成对抗网络，对所述物理-数据驱动的生成对抗网络的结构设计图生成能力进行训练；其中，所述有完整标签的样本数据包括建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据；

对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算，得到物理性能计算结果；

构建结构物理性能预测神经网络，将结构设计图生成能力训练过程中生成的结构设计图样本数据与所述物理性能计算结果作为训练数据，对所述结构物理性能预测神经网络进行结构物理性能预测能力训练，得到结构物理性能预测模型；

计算结构设计图生成能力训练过程中的图像数据损失，并采用所述结构物理性能预测模型计算对应的物理损失，将所述图像数据损失和所述物理损失融合，得到所述物理-数据驱动的生成对抗网络的损失函数；

通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练，得到结构设计模型。

Images