CN113935086B - 一种基于计算机视觉和深度学习的结构智能设计方法 - Google Patents

Abstract

本发明提出一种基于计算机视觉和深度学习的结构智能设计方法，包括外部截面轮廓设计与内部受力配筋设计两部分，分别建立了基于计算机视觉和深度学习的截面轮廓与内部配筋智能设计模型，针对结构截面轮廓生成图像可能存在的问题，比如总高度与原始样本存在较大误差、下翼板超出腹板、上翼板存在缺陷、板中部不连通等，基于数据拟合和图像形态学运算，重新调整生成的结构截面轮廓高度，并且使用闭运算调整截面轮廓；针对智能配筋设计结果进行了承载能力极限状态验算和正常使用极限验算；本发明无需耗费大量的人力和算力进行反复试算和迭代修改，提高了桥梁和建筑结构的设计效率以及自动化和智能化程度。

Description

一种基于计算机视觉和深度学习的结构智能设计方法

技术领域

本发明所属的研究领域包括结构工程、桥梁工程，可以直接应用的技术领域包括桥梁设计、结构设计、混凝土箱梁截面设计、钢筋混凝土楼板配筋设计等，具体地，涉及一种基于计算机视觉和深度学习的结构智能设计方法。

背景技术

目前，我国桥梁或建筑建设的主要结构形式为钢筋混凝土结构。钢筋混凝土桥梁或建筑结构设计的普遍流程是首先收集重要的结构设计参数，然后运用商业软件建立结构模型、施加荷载进行有限元试算，最后根据实际工程需求和相关规范要求对构件尺寸和材料强度等级等参数进行调整修改，并且反复迭代试算直至满足要求。可以看出，传统结构设计方法过程繁琐、需要大量的人工干预、并且设计人员的主观意识和经验会直接影响到所设计的结构参数进而影响结构性能。

近年来，随着人工智能技术的蓬勃发展，计算机视觉和深度学习等先进技术具有巨大的潜力为结构设计赋能，从而实现结构设计的自动化和智能化。智能结构设计的优势在于：通过利用大量的现有工程设计图纸形成样本数据库，建立计算机视觉和深度学习网络等人工智能模型并进行模型训练；当模型训练完毕后、遇到新的设计任务时，将设计参数作为输入就会直接获得设计结果。如此一来，结构设计工作就会变得十分便捷，无需耗费大量的人力和算力进行反复试算和迭代修改，同时能够降低设计人员的专业门槛，减少设计人员的机械化工作量，提高设计效率。

发明内容

为了解决上述问题，本发明提供一种基于计算机视觉和深度学习的结构智能设计方法，

本发明是通过以下方案实现的：

一种基于计算机视觉和深度学习的结构智能设计方法：

所述方法具体包括以下步骤：

步骤一：进行基于计算机视觉的结构截面设计，通过收集结构截面轮廓图像作为训练样本，由截面高度和下翼缘板宽度作为控制参数获得结构截面的简化图作为输入，结构截面轮廓完整图像作为输出，建立深度卷积神经网络模型；

步骤二：针对步骤一生成结构截面轮廓图像，采用数据拟合和形态学闭运算的方法对所述结构截面轮廓图像进行后处理，获得更符合工程实际的新结构截面轮廓图像；

步骤三：在获得步骤二生成的新结构截面轮廓图像后，进行基于深度学习的钢筋混凝土结构内部受力配筋设计，以结构尺寸、荷载信息、边界条件的基本设计参数作为输入，结构内部受力钢筋的等级、直径和间距作为输出，建立钢筋混凝土结构内部受力钢筋智能设计的深度卷积神经网络模型；

步骤四：对步骤三建立的结构内部受力钢筋智能设计的深度卷积神经网络模型进行力学验算，所述力学验算包括弯曲应力和裂缝宽度，通过承载能力极限状态验算和正常使用极限验算，保证智能配筋设计方案的有效性。

进一步地，在步骤一中，

步骤一一：对将DWG格式的结构设计图纸进行格式转换，获得结构截面轮廓图像，完成结构截面轮廓的智能设计；

步骤一二：训练结构截面轮廓智能设计的深度卷积神经网络模型。

进一步地，所述获得结构截面轮廓图像的具体步骤为：

S1：将DWG格式图纸中除结构轮廓以外的所有图层全部隐藏，按照实际工程结构的绘图比例，以一个像素点对应5cm×5cm的比例尺进行换算，将结构轮廓导出形成PNG文件，分辨率为360像素×240像素，背景为纯白色，结构轮廓线为黑色；

S2：利用Photoshop软件将结构内部的钢筋混凝土部分用纯黑色填充，初步得到结构截面图像；

S3：通过图像灰度阈值分割，设置灰度分割阈值为1，即所有灰度值大于等于1的像素点全部设置为255，为纯白色背景，消除原PNG图像中结构主体部分附近的噪声点；然后再次对结构内部进行纯黑色填充，经过处理后的PNG图像为黑白二值图像，像素灰度值为0或255；

S4：利用matplotlib库生成结构截面轮廓的简化图，由截面高度和下翼缘板宽为控制参数，以结构轮廓截面的简化图作为输入，通过建立计算机视觉模型，自动输出完整的结构截面轮廓图像，完成结构截面轮廓的智能设计。

进一步地，所述训练结构截面轮廓智能设计的深度卷积神经网络模型的具体步骤为：

反复堆叠3×3卷积层和2×2最大池化层，建立深度卷积神经网络模型；

Input代表模型的输入层，尺寸为256×256×3，由360像素×240像素的结构轮廓截面简化图进行缩放得到；Conv代表卷积层，卷积核大小为3×3；Max Pooling代表最大池化层；FC代表全连接层；Dropout代表随机丢弃运算，用来抑制过拟合；Sigmoid代表激活函数；Output代表输出；

采用动量梯度下降法训练所述深度卷积神经网络模型，即在随机梯度下降法的基础上引入动量及动量系数，如下式所示：

ω_j+1＝ω_j-v_j+1

式中，v_j表示模型第j次更新的动量，γ为动量系数，用于控制动量在模型优化过程中的影响；初始动量v₁＝0；α为学习率，ω为模型参数，x,y代表输入和输出，

代表由损失函数计算出的梯度；

所述结构截面轮廓智能设计的深度卷积神经网络模型在30个迭代后达到99％的准确率。

进一步地，在步骤二中，

所述结构截面轮廓图像的后处理过程具体包括以下步骤：

首先对结构截面轮廓图像的高度进行重调整，将所生成结构截面轮廓图像与真实结构轮廓图像的相对误差记为error，相对误差与图像的宽高比和图像高度存在线性关系，公式为：

error＝ah+br+c

式中，error表示生成图像高度与原始图像高度的相对误差，h表示原始图像的轮廓高度，r表示原始图像的宽高比，a,b,c为待定系数；

对于第i个数据样本点数据(h_i,r_i,error_i)和总样本数量n，总误差S记为：

然后根据最小二乘法原理进行平面拟合，总体误差S达到最小时有

得到

式中n为样本总数；

由此计算得到待定系数a,b,c，并获得拟合平面方程：

error＝-0.00307h+0.31144r+0.1775

最后，根据相对误差，对由深度卷积神经网络模型生成的图像高度做如下调整：

式中h'为调整后的结构截面轮廓高度，h为由深度卷积神经网络模型直接生成的图像高度；

在高度重调整后，基于形态学闭运算对结构截面轮廓图像进行外形调整；

对生成的结构截面轮廓图像进行高度重调整和基于形态学闭运算后，生成的结构截面轮廓更符合实际工程。

进一步地，在步骤三中，

步骤三一：获得结构内部配筋样本，提取相应的结构设计参数，得到深度卷积神经网络模型的待学习样本；

步骤三二：建立并训练结构内部受力钢筋智能设计的深度卷积神经网络模型。

进一步地，所述结构设计参数具体包括以下参数：

结构混凝土强度等级：样本中所有图纸的混凝土强度等级均为C30；

钢筋等级：样本中所有图纸的钢筋强度等级均为I级；

结构的长度和宽度：将结构沿横向和沿纵向的边长分别作为长度和宽度；

结构板厚：混凝土板厚为110毫米或120毫米；

结构恒荷载：结构恒荷载包括结构自重和附着在结构上下表面的装饰构造层重量，由建筑结构的形式确定；由于样本集中混凝土强度等级均为C30，结构尺寸和板厚已经作为了参数，所以恒荷载不再单独作为输入；

结构活荷载：结构活荷载包括人员、设备和附属物重量，由建筑功能确定；上部活荷载在板平法施工图的结构设计总说明中直接给出，分布范围为2KN/m²至6KN/m²；

结构下部通长钢筋：包括钢筋直径、间距和强度等级，全部样本在结构下部都布置了两个方向的通长钢筋，结构下部通长受拉钢筋的主要参数包括钢筋直径、钢筋间距、钢筋强度等级；

结构上部垂直于四周设置的非通长钢筋：由于结构在四周边界的上部处于受拉状态，所以需要在结构四周上部布置垂直于边长方向的钢筋，主要参数包括钢筋直径、钢筋间距、钢筋强度等级、内延和外伸距离；

结构四周约束条件：当结构边界条件限制上部钢筋无法伸出楼板时，将结构四周约束条件作为参数；在实际参数化建模过程中，如果结构某边的上部钢筋可以外伸，就将此边的约束标签设置为0；如果结构某边的上部钢筋因为孔洞和建筑边缘等原因不能外伸，则将此约束标签设置为1；

对于结构的四周边界，每一条边都有以下参数：约束标签，钢筋直径，钢筋间距，钢筋强度，钢筋内侧延伸距离和钢筋外侧延伸距离，即结构四周每一条边的上部钢筋均有6个参数；

则对于每一个结构内部配筋样本，包含以下28个输入参数：

4个结构参数：混凝土板厚，上部活荷载，结构横向边长和纵向边长；

4×5＝20个结构四周边界参数：上下左右四周的约束条件，钢筋直径，钢筋间距，钢筋内侧延伸长度和钢筋外部延伸长度；

4个结构下部配筋参数：下部沿横向钢筋直径，沿横向钢筋间距，沿纵向钢筋直径，沿纵向钢筋间距；

将配筋设计样本全部进行顺时针旋转90度、180度、270度和沿横向轴对称、沿纵向轴对称共五种变换，作为数据增强，和原始样本最终形成了231×6＝1386个待学习的样本。

进一步地，所述结构内部受力钢筋智能设计的深度卷积神经网络模型由4个卷积层、 2个最大池化层、1个全连接层、1个Dropout层和1个激活层组成；Input代表模型的输入层，即8维与结构尺寸、荷载和边界条件有关的输入参数；Conv代表卷积层，卷积核大小为1×1；Max Pooling代表最大池化层；FC代表全连接层；Dropout代表随机丢弃运算用来抑制过拟合；Activation代表激活函数，采用Sigmoid函数，Output代表输出，即 20维与钢筋相关的输出参数；网络中所有的卷积核全部设置为1×1；

其中钢筋直径为8毫米、10毫米或12毫米，钢筋间距为100毫米、120毫米、150 毫米、180毫米或200毫米，则钢筋直径和钢筋间距采用softmax分类损失函数；

其他参数采用回归损失，使用均方根误差RMSE函数，如下所示：

式中Loss表示损失函数，N表示样本总数，i表示第i个样本，C表示真实类别总数，p_j表示网络对应的输出，y代表真实标签；随机选取总体样本的70％作为训练集，30％作为测试集，采用Adam优化算法进行网络更新；

结构内部受力钢筋智能设计的深度卷积神经网络模型训练完毕后，将混凝土板厚、上部活荷载、结构横向边长、纵向边长、左侧约束、下侧约束、右侧约束、上侧约束这8 个参数作为输入，剩余20个参数作为输出；

即给定结构尺寸信息荷载、边界条件，则能够自动输出剩余20个参数，完成智能配筋设计。

进一步地，在步骤四中，

所述力学验算具体包括以下步骤：

承载能力极限状态验算：考虑弯曲应力的影响，定义受拉比例系数r：

式中，M_u代表结构可以承受的最大弯矩，单位kN·m；A_s代表纵向受拉钢筋总面积，单位m²；f_y代表钢筋的强度设计值，单位kN/m²；h₀代表混凝土构件的计算高度，单位m；ξ代表相对受压区高度，单位m；M代表跨中弯矩值，单位kN·m；γ_G代表永久荷载分项系数；S_G代表永久荷载效应值，单位kN；γ_Q代表活荷载分项系数；γ_L代表活荷载考虑使用年限时的调整系数；S_Q代表活荷载效应值，单位kN；L₀代表计算跨度，单位m；

受拉比例系数r反映了结构内部可承受弯矩的能力；当r≥1时，结构能够满足承载能力极限状态要求；反之，当r＜1时，结构不满足承载能力极限状态要求；

正常使用极限状态验算：考虑裂缝开裂的影响，定义开裂比例系数r’：

式中，α_cr为构件受力特征系数；Ψ为纵向受拉钢筋应变不均匀系数；σ_sq为按荷载准永久组合计算得到的构件纵向受拉普通钢筋应力，单位kN/m²；E_S为混凝土弹性模量，单位kN/m²；c_s为最外层纵向受拉钢筋外边缘至受拉区底边的距离，单位m；d_eq为纵向受拉钢筋的等效直径，单位m²；ρ_te为按有效受拉混凝土截面面积计算的纵向受拉钢筋配筋率；ω_max为最大裂缝宽度单位mm；ω_lim为最大裂缝宽度限值，单位mm；按照相关规范的三级裂缝控制等级，ω_lim＝0.3mm；

开裂比例系数r’反映了结构抵抗裂缝开裂的影响；当r’≥1时，结构通过开裂验算，符合正常使用极限状态要求，反之则不通过。

本发明有益效果

(1)本发明提出的结构智能设计方法主要包括外部截面轮廓设计与内部受力配筋设计两部分，分别建立了基于计算机视觉和深度学习的截面轮廓与内部配筋智能设计模型，大大提高了桥梁和建筑结构的设计效率以及自动化和智能化程度；

(2)本发明针对结构截面轮廓生成图像可能存在的问题，比如总高度与原始样本存在较大误差、下翼板超出腹板、上翼板存在缺陷、板中部不连通等，基于数据拟合和，重新调整生成的结构截面轮廓高度，并且使用闭运算调整截面轮廓，使得生成的结构截面轮廓图像更符合工程实际；

(3)本发明针对智能配筋设计结果进行了承载能力极限状态验算和正常使用极限验算，保证了智能设计结果在实际结构工程中的有效性和实用性；

(4)本发明无需耗费大量的人力和算力进行反复试算和迭代修改，降低了设计人员的专业门槛，减少设计人员的机械化工作量，提高设计效率。

附图说明

图1为本发明基于计算机视觉和深度学习的结构智能设计方法整体流程图；

图2为由原始结构设计图纸转化为结构截面轮廓图像以及设计简图的示例，其中(a) 原始结构设计图纸，(b)由设计图纸转换得到的结构截面轮廓二值图像(即输出)，(c)由matplotlib库处理得到的结构截面轮廓简化图(即输入)；

图3为结构截面轮廓智能设计的深度卷积神经网络模型架构图；

图4为结构截面轮廓智能设计模型生成的结构截面轮廓图(a1)(a2)与实际轮廓(b1) (b2)对比，其中(a1)(a2)的下翼板670cm，高290cm，(b1)(b2)的下翼板680cm，高390cm；

图5为结构截面轮廓智能设计模型对未训练过设计参数的生成效果；

图6为基于图像高度重调整和形态学闭运算的结构截面轮廓图像后处理效果，其中 (a)直接生成的结构截面轮廓图像，(b)经过后处理的结构截面轮廓图像；

图7为结构内部受力钢筋智能设计的深度卷积神经网络模型；

图8为某实际结构配筋图和使用智能设计模型的输出配筋图对比结果，其中(a)实际结构配筋图，(b)智能配筋模型生成的配筋图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。

一种基于计算机视觉和深度学习的结构智能设计方法：

所述方法具体包括以下步骤：

步骤一：进行基于计算机视觉的结构截面设计，通过收集结构截面轮廓图像作为训练样本，由截面高度和下翼缘板宽度作为控制参数获得结构截面的简化图作为输入，结构截面轮廓完整图像作为输出，建立深度卷积神经网络模型；

步骤二：针对步骤一生成结构截面轮廓图像可能存在的问题，比如生成图像总高度与原始样本存在差距、下翼板超出腹板、上翼板中部存在缺陷等，采用数据拟合和形态学闭运算等方法对所述结构截面轮廓图像进行后处理，获得更符合工程实际的新结构截面轮廓图像；

步骤三：在获得步骤二生成的新结构截面轮廓图像后，进行基于深度学习的钢筋混凝土结构内部受力配筋设计，以结构尺寸、荷载信息、边界条件的基本设计参数作为输入，结构内部受力钢筋的等级、直径和间距作为输出，建立钢筋混凝土结构内部受力钢筋智能设计的深度卷积神经网络模型；

步骤四：对步骤三建立的结构内部受力钢筋智能设计的深度卷积神经网络模型进行力学验算，所述力学验算包括弯曲应力和裂缝宽度，通过承载能力极限状态验算和正常使用极限验算，保证智能配筋设计方案的有效性。

在步骤一中，结构图纸收集：

DWG图纸为结构设计通用软件AutoCAD的默认保存格式，在结构设计领域具有广泛的适用性，可以方便地对不同的图层和标注进行修改。本发明选取DWG格式的结构设计图纸，收集了近十年来我国实际桥梁工程的52幅单箱单室混凝土箱梁结构施工设计图纸，所遵照的设计规范相差不大，各项标准基本统一。

步骤一一：对将DWG格式的结构设计图纸进行格式转换，获得结构截面轮廓图像，完成结构截面轮廓的智能设计；

步骤一二：训练结构截面轮廓智能设计的深度卷积神经网络模型。

所述获得结构截面轮廓图像的具体步骤为：

S1：将DWG格式图纸中除结构轮廓以外的所有图层全部隐藏，按照实际工程结构的绘图比例，以一个像素点对应5cm×5cm的比例尺进行换算，将结构轮廓导出形成PNG文件，分辨率为360像素×240像素，背景为纯白色，结构轮廓线为黑色；

S2：利用Photoshop软件将结构内部的钢筋混凝土部分用纯黑色填充，初步得到结构截面图像；

S3：通过图像灰度阈值分割，设置灰度分割阈值为1，即所有灰度值大于等于1的像素点全部设置为255，为纯白色背景，消除原PNG图像中结构主体部分附近的噪声点；然后再次对结构内部进行纯黑色填充(为了填充结构主体内部被误消除的像素点)，经过处理后的PNG图像为黑白二值图像，像素灰度值为0或255，并且噪声点也得到了有效去除；

S4：由于所收集的结构设计图纸并不能保证都含有上部荷载、抗震等级等设计信息，也就是缺少荷载设计条件作为输入，因此无法直接输出结构截面，所以本发明利用matplotlib库生成结构截面轮廓的简化图，由截面高度和下翼缘板宽为控制参数，以结构轮廓截面的简化图作为输入，通过建立计算机视觉模型，自动输出完整的结构截面轮廓图像，完成结构截面轮廓的智能设计。

所述训练结构截面轮廓智能设计的深度卷积神经网络模型的具体步骤为：

反复堆叠3×3卷积层和2×2最大池化层，建立深度卷积神经网络模型；网络结构如图3所示，

Input代表模型的输入层，尺寸为256×256×3，由360像素×240像素的结构轮廓截面简化图进行缩放得到；Conv代表卷积层，卷积核大小为3×3；Max Pooling代表最大池化层；FC代表全连接层；Dropout代表随机丢弃运算，用来抑制过拟合；Sigmoid代表激活函数；Output代表输出，图3括号中的数字代表了每一层运算后的特征图尺寸大小；

采用动量梯度下降法训练所述深度卷积神经网络模型，即在随机梯度下降法的基础上引入动量及动量系数，保证迭代速度的同时加快了网络收敛速度，减小在梯度为0附近区域的震荡，如下式所示：

ω_j+1＝ω_j-v_j+1

式中，v_j表示模型第j次更新的动量，γ为动量系数，用于控制动量在模型优化过程中的影响；初始动量v₁＝0；α为学习率，ω为模型参数，x,y代表输入和输出，

代表由损失函数计算出的梯度；本发明中各参数设置如下：α＝0.005，γ＝0.9：

需要指出的是，作为内核的深度卷积神经网络模型架构可以是多种多样的，具有不同的功能层数量、卷积核大小和数量等设置，也可以采用不同的训练算法和参数设置。本发明中通过建立深度卷积神经网络模型进行结构截面轮廓智能设计的思想不仅仅局限于某一种网络架构或某一种优化算法上，例如可以通过建立多层神经网络等其他形式的深度学习模型和使用Adam优化算法等其他网络训练算法来实现，在此不一一列举。

所述结构截面轮廓智能设计的深度卷积神经网络模型在30个迭代后达到99％的准确率。图4展示了一些由模型生成的结构截面轮廓图像与实际轮廓的对比。结果表明，该模型基本实现了结构截面的智能设计，能够生成与实际工程较为吻合的结构截面轮廓图像。

对于未曾训练过设计参数(下翼板750cm，总高750cm)，该模型也可以给出一个较为合理的轮廓图像，如图5所示，结果表明该模型具有一定的泛化能力。

在步骤二中，经过观察分析，由上述结构截面轮廓智能设计模型直接生成的结构截面轮廓图像可能存在以下问题：生成图像总高度与原始箱梁样本存在误差、部分图像的上翼板存在缺陷、板中部并未明显连通，因此需要对生成的结构截面轮廓图像进行后处理，使得生成结果更符合工程实际；

所述结构截面轮廓图像的后处理过程具体包括以下步骤：

首先对结构截面轮廓图像的高度进行重调整，将所生成结构截面轮廓图像与真实结构轮廓图像的相对误差记为error，相对误差与图像的宽高比和图像高度存在线性关系，公式为：

error＝ah+br+c

式中，error表示生成图像高度与原始图像高度的相对误差，h表示原始图像的轮廓高度，r表示原始图像的宽高比，a,b,c为待定系数；

对于第i个数据样本点数据(h_i,r_i,error_i)和总样本数量n，总误差S记为：

然后根据最小二乘法原理进行平面拟合，总体误差S达到最小时有

得到

式中n为样本总数，本发明中取52，因为共收集了52幅结构设计图纸；

由此计算得到待定系数a,b,c，并获得拟合平面方程：

error＝-0.00307h+0.31144r+0.1775

最后，根据相对误差，对由深度卷积神经网络模型生成的图像高度做如下调整：

式中h'为调整后的结构截面轮廓高度，h为由深度卷积神经网络模型直接生成的图像高度；

在高度重调整后，基于形态学闭运算对结构截面轮廓图像进行外形调整；图像闭运算是指依次对图像进行一次膨胀运算和一次腐蚀运算的数字图像处理方法。图像被膨胀后，原图像中的相邻物体之间的间隔得到填充(但噪声区域也被放大)；然后腐蚀被膨胀的图像，恢复被放大的主体部分(同时去除噪声区域)。图像闭运算主要用来填充物体内的小孔缝、连接相邻的物体、连接断开的轮廓线，在平滑边界的同时不改变面积。经过后处理的结构截面轮廓示例图如图6所示。结果表明，对生成的结构截面轮廓图像进行高度重调整和闭运算后，可以使得生成的结构截面轮廓更符合实际工程。

对生成的结构截面轮廓图像进行高度重调整和基于形态学闭运算后，生成的结构截面轮廓更符合实际工程。

在步骤三中，

本发明收集结构设计领域通用的DWG格式的结构内部配筋图纸，全部来源于近10年来的实际钢筋混凝土建筑工程结构，所遵照的设计规范相差不大，各项标准基本统一。图纸包括了详细的板平法施工图，平面图中包含结构长度、宽度、板厚、钢筋标号、直径、间距等数据，为下一步提取结构尺寸和内部受力钢筋信息参数奠定基础。需要注意的是，部分相邻结构的尺寸完全相同、内部配筋也完全一致、导致样本重复；部分结构由于短边很短，在实际工程中为了施工便利以及满足钢筋与混凝土的搭接距离等规范要求，短边上部钢筋直接设计为通长钢筋(不用设计)。去除上述两种情况的配筋图纸后，总共收集到 231个互不相同的结构内部配筋样本。图7是本发明收集的某结构平面板平法施工图纸示例图。

步骤三一：获得结构内部配筋样本，提取相应的结构设计参数，得到深度卷积神经网络模型的待学习样本；

步骤三二：建立并训练结构内部受力钢筋智能设计的深度卷积神经网络模型。

所述结构设计参数具体包括以下参数：

结构混凝土强度等级：样本中所有图纸的混凝土强度等级均为C30；

钢筋等级：样本中所有图纸的钢筋强度等级均为I级；

结构的长度和宽度：将结构沿横向和沿纵向的边长分别作为长度和宽度；

结构板厚：统计发现所收集到的结构样本基本都是常见民用建筑，规格形式较为统一，基本没有特殊用途，混凝土板厚为110毫米或120毫米；

结构恒荷载：结构恒荷载包括结构自重和附着在结构上下表面的装饰构造层重量等，由建筑结构的形式确定；恒荷载的主要组成部分是混凝土自重，这部分荷载远远大于装饰层的自重，而且混凝土的自重取决于所选取的结构尺寸、混凝土强度等级和混凝土板厚；由于样本集中混凝土强度等级均为C30，结构尺寸和板厚已经作为了参数，所以恒荷载不再单独作为输入；

结构活荷载：结构活荷载包括人员、设备和附属物重量，由建筑功能确定；上部活荷载在板平法施工图的结构设计总说明中直接给出，分布范围为2KN/m²至6KN/m²；

结构下部通长钢筋：包括钢筋直径、间距和强度等级，由于混凝土结构跨中一般为下部受拉，所以全部样本在结构下部都布置了两个方向的通长钢筋，结构下部通长受拉钢筋的主要参数包括钢筋直径、钢筋间距、钢筋强度等级；

结构上部垂直于四周设置的非通长钢筋：由于结构在四周边界的上部处于受拉状态，所以需要在结构四周上部布置垂直于边长方向的钢筋，由于经济性考虑，这类钢筋通常设计为非通长钢筋，主要参数包括钢筋直径、钢筋间距、钢筋强度等级、内延和外伸距离；

结构四周约束条件：由于某些结构边界条件限制(结构某侧旁边为孔洞、电梯井或某边已经是建筑边缘)，其上部钢筋无法伸出楼板，将结构四周约束条件作为参数；在实际参数化建模过程中，如果结构某边的上部钢筋可以外伸，就将此边的约束标签设置为0；如果结构某边的上部钢筋因为孔洞和建筑边缘等原因不能外伸，则将此约束标签设置为 1；

对于结构的四周边界，每一条边都有以下参数：约束标签(0/1)，钢筋直径，钢筋间距，钢筋强度，钢筋内侧延伸距离和钢筋外侧延伸距离，即结构四周每一条边的上部钢筋均有6个参数；

需要注意的是，本发明在统计所有样本后发现，所有图纸均采用C30强度等级混凝土和I级钢筋，因此混凝土强度等级和钢筋等级就不再作为输入参数。与此同时，所训练的深度学习网络模型适用于混凝土强度等级为C30、钢筋强度等级均为I级的结构。如果遇到不同的混凝土和钢筋强度等级，则需要按此思路重新训练，过程与本发明内容一致，不再赘述。

综上所述，对于每一个结构内部配筋样本，包含以下28个输入参数：

4个结构参数：混凝土板厚，上部活荷载，结构横向边长和纵向边长；

4×5＝20个结构四周边界参数：上下左右四周的约束条件(0/1)，钢筋直径，钢筋间距，钢筋内侧延伸长度和钢筋外部延伸长度；

4个结构下部配筋参数：下部沿横向钢筋直径，沿横向钢筋间距，沿纵向钢筋直径，沿纵向钢筋间距；

此外，考虑到结构配筋图纸在旋转和中心对称变换下仍应该为正确图纸，并不会影响实际施工。将这些结构配筋样本进行旋转和中心对称变换后，其上部每侧钢筋和下部通长钢筋参数应该进行相应的调整。本发明将配筋设计样本全部进行顺时针旋转90度、180度、270度和沿横向轴对称、沿纵向轴对称共五种变换，作为数据增强，和原始样本最终形成了231×6＝1386个待学习的样本。

考虑到结构内部受力钢筋设计任务的需求，将混凝土板厚、上部活荷载、结构横向边长、纵向边长、左侧约束、下侧约束、右侧约束、上侧约束这8个参数作为输入，将其他与钢筋间距、钢筋直径、钢筋延伸长度等相关的20个参数作为输出。也就是说，只要给定结构尺寸信息荷载、边界条件，即可自动输出结构内部钢筋间距、直径和延伸长度等参数，完成智能配筋。

所述结构内部受力钢筋智能设计的深度卷积神经网络模型由4个卷积层、2个最大池化层、1个全连接层、1个Dropout层和1个激活层组成；Input代表模型的输入层，即8 维与结构尺寸、荷载和边界条件有关的输入参数；Conv代表卷积层，卷积核大小为1×1； MaxPooling代表最大池化层；FC代表全连接层；Dropout代表随机丢弃运算用来抑制过拟合；Activation代表激活函数，采用Sigmoid函数，Output代表输出，即20维与钢筋相关的输出参数；网络中所有的卷积核全部设置为1×1；

其中钢筋直径为8毫米、10毫米或12毫米，钢筋间距为100毫米、120毫米、150 毫米、180毫米或200毫米，则钢筋直径和钢筋间距采用softmax分类损失函数；

其他参数采用回归损失，使用均方根误差RMSE函数，如下所示：

式中Loss表示损失函数，N表示样本总数，i表示第i个样本，C表示真实类别总数，p_j表示网络对应的输出，y代表真实标签；随机选取总体样本的70％作为训练集，30％作为测试集，采用Adam优化算法进行网络更新；

需要指出的是，作为内核的深度卷积神经网络模型架构可以是多种多样的，具有不同的功能层数量、卷积核大小和数量等设置，也可以采用不同的训练算法和参数设置。本发明中通过建立深度卷积神经网络模型进行结构内部受力钢筋智能设计的思想不仅仅局限于某一种网络架构或某一种优化算法上，例如可以通过建立多层神经网络等其他形式的深度学习模型和使用动量梯度下降法等其他网络训练算法来实现，在此不一一列举。

结构内部受力钢筋智能设计的深度卷积神经网络模型训练完毕后，将混凝土板厚、上部活荷载、结构横向边长、纵向边长、左侧约束、下侧约束、右侧约束、上侧约束这8 个参数作为输入，即可输出结构内部受力钢筋间距、直径、内外延伸长度等与配筋相关的 20个参数。；

即给定结构尺寸信息荷载、边界条件，则能够自动输出剩余20个参数，完成智能配筋设计。

图8为某一实际结构配筋图和使用智能设计模型输出配筋图的对比效果，其中混凝土板厚110mm，上部活荷载为4kN/m²，沿横向边长为2800mm，沿纵向边长为2950mm。亮红色线代表结构上部受拉钢筋，暗红色线代表结构下部受拉钢筋。钢筋直径、钢筋间距和钢筋延伸长度均已在图中进行了标注。结果表明，结构内部受力钢筋智能设计的深度卷积神经网络模型可以根据给定的重要设计参数对结构内部钢筋进行正确的优化布置，与实际结构符合情况较好。

在步骤四中，所述力学验算具体包括以下步骤：

承载能力极限状态验算：考虑弯曲应力的影响，定义受拉比例系数r：

式中，M_u代表结构可以承受的最大弯矩，单位kN·m；A_s代表纵向受拉钢筋总面积，单位m²；f_y代表钢筋的强度设计值，单位kN/m²；h₀代表混凝土构件的计算高度，单位m；ξ代表相对受压区高度，单位m；M代表跨中弯矩值，单位kN·m；γ_G代表永久荷载分项系数；S_G代表永久荷载效应值，单位kN；γ_Q代表活荷载分项系数；γ_L代表活荷载考虑使用年限时的调整系数；S_Q代表活荷载效应值，单位kN；L₀代表计算跨度，单位m；

受拉比例系数r反映了结构内部可承受弯矩的能力；当r≥1时，结构能够满足承载能力极限状态要求；反之，当r＜1时，结构不满足承载能力极限状态要求；

统计结果表明，在智能设计网络生成的配筋方案中，横向受拉比例系数平均值为1.553，标准差为0.192；纵向受拉比例系数平均值为1.529，标准差为0.185。绝大多数的配筋方案都通过了承载能力极限状态验算，证明了智能配筋设计方法的有效性和实用性。

正常使用极限状态验算：考虑裂缝开裂的影响，定义开裂比例系数r’：

式中，α_cr为构件受力特征系数；Ψ为纵向受拉钢筋应变不均匀系数；σ_sq为按荷载准永久组合计算得到的构件纵向受拉普通钢筋应力，单位kN/m²；E_S为混凝土弹性模量，单位kN/m²；c_s为最外层纵向受拉钢筋外边缘至受拉区底边的距离，单位m；d_eq为纵向受拉钢筋的等效直径，单位m²；ρ_te为按有效受拉混凝土截面面积计算的纵向受拉钢筋配筋率；ω_max为最大裂缝宽度单位mm；ω_lim为最大裂缝宽度限值，单位mm；按照相关规范的三级裂缝控制等级，ω_lim＝0.3mm；

开裂比例系数r’反映了结构抵抗裂缝开裂的影响；当r’≥1时，结构通过开裂验算，符合正常使用极限状态要求，反之则不通过。

统计结果表明，在智能设计网络生成的配筋方案中，横向开裂系数平均值为1.177，标准差为0.097；纵向开裂比例系数平均值为1.175，标准差为0.092。绝大多数的配筋方案都通过了正常使用极限状态验算，证明了智能配筋设计方法的有效性和实用性。

以上对本发明所提出的一种基于计算机视觉和深度学习的结构智能设计方法，进行了详细介绍，对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于计算机视觉和深度学习的结构智能设计方法，其特征在于：

所述方法具体包括以下步骤：

步骤一：进行基于计算机视觉的结构截面设计，通过收集结构截面轮廓图像作为训练样本，由截面高度和下翼缘板宽度作为控制参数获得结构截面的简化图作为输入，结构截面轮廓完整图像作为输出，建立深度卷积神经网络模型；

步骤二：针对步骤一生成结构截面轮廓图像，采用数据拟合和形态学闭运算的方法对所述结构截面轮廓图像进行后处理，获得更符合工程实际的新结构截面轮廓图像；

在步骤二中，

所述结构截面轮廓图像的后处理过程具体包括以下步骤：

首先对结构截面轮廓图像的高度进行重调整，将所生成结构截面轮廓图像与真实结构轮廓图像的相对误差记为error，相对误差与图像的宽高比和图像高度存在线性关系，公式为：

error＝ah+br+c

式中，error表示生成图像高度与原始图像高度的相对误差，h表示原始图像的轮廓高度，r表示原始图像的宽高比，a,b,c为待定系数；

对于第i个数据样本点数据(h_i,r_i,error_i)和总样本数量n，总误差S记为：

然后根据最小二乘法原理进行平面拟合，总体误差S达到最小时有

得到

式中n为样本总数；

由此计算得到待定系数a,b,c，并获得拟合平面方程：

error＝-0.00307h+0.31144r+0.1775

最后，根据相对误差，对由深度卷积神经网络模型生成的图像高度做如下调整：

式中h'为调整后的结构截面轮廓高度，h为由深度卷积神经网络模型直接生成的图像高度；

在高度重调整后，基于形态学闭运算对结构截面轮廓图像进行外形调整；

对生成的结构截面轮廓图像进行高度重调整和基于形态学闭运算后，生成的结构截面轮廓更符合实际工程；

步骤三：在获得步骤二生成的新结构截面轮廓图像后，进行基于深度学习的钢筋混凝土结构内部受力配筋设计，以结构尺寸、荷载信息、边界条件的基本设计参数作为输入，结构内部受力钢筋的等级、直径和间距作为输出，建立钢筋混凝土结构内部受力钢筋智能设计的深度卷积神经网络模型；

在步骤三中，

步骤三一：获得结构内部配筋样本，提取相应的结构设计参数，得到深度卷积神经网络模型的待学习样本；

步骤三二：建立并训练结构内部受力钢筋智能设计的深度卷积神经网络模型；

步骤四：对步骤三建立的结构内部受力钢筋智能设计的深度卷积神经网络模型进行力学验算，所述力学验算包括弯曲应力和裂缝宽度，通过承载能力极限状态验算和正常使用极限验算，保证智能配筋设计方案的有效性；

所述结构设计参数具体包括以下参数：

结构混凝土强度等级：样本中所有图纸的混凝土强度等级均为C30；

钢筋等级：样本中所有图纸的钢筋强度等级均为I级；

结构的长度和宽度：将结构沿横向和沿纵向的边长分别作为长度和宽度；

结构板厚：混凝土板厚为110毫米或120毫米；

结构恒荷载：结构恒荷载包括结构自重和附着在结构上下表面的装饰构造层重量，由建筑结构的形式确定；由于样本集中混凝土强度等级均为C30，结构尺寸和板厚已经作为了参数，所以恒荷载不再单独作为输入；

结构活荷载：结构活荷载包括人员、设备和附属物重量，由建筑功能确定；上部活荷载在板平法施工图的结构设计总说明中直接给出，分布范围为2KN/m²至6KN/m²；

结构下部通长钢筋：包括钢筋直径、间距和强度等级，全部样本在结构下部都布置了两个方向的通长钢筋，结构下部通长受拉钢筋的主要参数包括钢筋直径、钢筋间距、钢筋强度等级；

结构上部垂直于四周设置的非通长钢筋：由于结构在四周边界的上部处于受拉状态，所以需要在结构四周上部布置垂直于边长方向的钢筋，主要参数包括钢筋直径、钢筋间距、钢筋强度等级、内延和外伸距离；

结构四周约束条件：当结构边界条件限制上部钢筋无法伸出楼板时，将结构四周约束条件作为参数；在实际参数化建模过程中，如果结构某边的上部钢筋可以外伸，就将此边的约束标签设置为0；如果结构某边的上部钢筋因为孔洞和建筑边缘等原因不能外伸，则将此约束标签设置为1；

对于结构的四周边界，每一条边都有以下参数：约束标签，钢筋直径，钢筋间距，钢筋强度，钢筋内侧延伸距离和钢筋外侧延伸距离，即结构四周每一条边的上部钢筋均有6个参数；

则对于每一个结构内部配筋样本，包含以下28个输入参数：

4个结构参数：混凝土板厚，上部活荷载，结构横向边长和纵向边长；

4×5＝20个结构四周边界参数：上下左右四周的约束条件，钢筋直径，钢筋间距，钢筋内侧延伸长度和钢筋外部延伸长度；

4个结构下部配筋参数：下部沿横向钢筋直径，沿横向钢筋间距，沿纵向钢筋直径，沿纵向钢筋间距；

将配筋设计样本全部进行顺时针旋转90度、180度、270度和沿横向轴对称、沿纵向轴对称共五种变换，作为数据增强，和原始样本最终形成了231×6＝1386个待学习的样本；

所述结构内部受力钢筋智能设计的深度卷积神经网络模型由4个卷积层、2个最大池化层、1个全连接层、1个Dropout层和1个激活层组成；Input代表模型的输入层，即8维与结构尺寸、荷载和边界条件有关的输入参数；Conv代表卷积层，卷积核大小为1×1；Max Pooling代表最大池化层；FC代表全连接层；Dropout代表随机丢弃运算用来抑制过拟合；Activation代表激活函数，采用Sigmoid函数，Output代表输出，即20维与钢筋相关的输出参数；网络中所有的卷积核全部设置为1×1；

其中钢筋直径为8毫米、10毫米或12毫米，钢筋间距为100毫米、120毫米、150毫米、180毫米或200毫米，则钢筋直径和钢筋间距采用softmax分类损失函数；

其他参数采用回归损失，使用均方根误差RMSE函数，如下所示：

式中Loss表示损失函数，N表示样本总数，i表示第i个样本，C表示真实类别总数，p_j表示网络对应的输出，y代表真实标签；随机选取总体样本的70％作为训练集，30％作为测试集，采用Adam优化算法进行网络更新；

结构内部受力钢筋智能设计的深度卷积神经网络模型训练完毕后，将混凝土板厚、上部活荷载、结构横向边长、纵向边长、左侧约束、下侧约束、右侧约束、上侧约束这8个参数作为输入，剩余20个参数作为输出；

即给定结构尺寸信息荷载、边界条件，则能够自动输出剩余20个参数，完成智能配筋设计。

2.根据权利要求1所述方法，其特征在于：在步骤一中，

步骤一一：对将DWG格式的结构设计图纸进行格式转换，获得结构截面轮廓图像，完成结构截面轮廓的智能设计；

步骤一二：训练结构截面轮廓智能设计的深度卷积神经网络模型。

3.根据权利要求2所述方法，其特征在于：

所述获得结构截面轮廓图像的具体步骤为：

S1：将DWG格式图纸中除结构轮廓以外的所有图层全部隐藏，按照实际工程结构的绘图比例，以一个像素点对应5cm×5cm的比例尺进行换算，将结构轮廓导出形成PNG文件，分辨率为360像素×240像素，背景为纯白色，结构轮廓线为黑色；

S2：利用Photoshop软件将结构内部的钢筋混凝土部分用纯黑色填充，初步得到结构截面图像；

S3：通过图像灰度阈值分割，设置灰度分割阈值为1，即所有灰度值大于等于1的像素点全部设置为255，为纯白色背景，消除原PNG图像中结构主体部分附近的噪声点；然后再次对结构内部进行纯黑色填充，经过处理后的PNG图像为黑白二值图像，像素灰度值为0或255；

S4：利用matplotlib库生成结构截面轮廓的简化图，由截面高度和下翼缘板宽为控制参数，以结构轮廓截面的简化图作为输入，通过建立计算机视觉模型，自动输出完整的结构截面轮廓图像，完成结构截面轮廓的智能设计。

4.根据权利要求2所述方法，其特征在于：

所述训练结构截面轮廓智能设计的深度卷积神经网络模型的具体步骤为：

反复堆叠3×3卷积层和2×2最大池化层，建立深度卷积神经网络模型；

Input代表模型的输入层，尺寸为256×256×3，由360像素×240像素的结构轮廓截面简化图进行缩放得到；Conv代表卷积层，卷积核大小为3×3；Max Pooling代表最大池化层；FC代表全连接层；Dropout代表随机丢弃运算，用来抑制过拟合；Sigmoid代表激活函数；Output代表输出；

采用动量梯度下降法训练所述深度卷积神经网络模型，即在随机梯度下降法的基础上引入动量及动量系数，如下式所示：

式中，v_j表示模型第j次更新的动量，γ为动量系数，用于控制动量在模型优化过程中的影响；初始动量v₁＝0；α为学习率，ω为模型参数，x,y代表输入和输出，

代表由损失函数计算出的梯度：

所述结构截面轮廓智能设计的深度卷积神经网络模型在30个迭代后达到99％的准确率。

5.根据权利要求1所述方法，其特征在于：在步骤四中，

所述力学验算具体包括以下步骤：

承载能力极限状态验算：考虑弯曲应力的影响，定义受拉比例系数r：

式中，M_u代表结构可以承受的最大弯矩，单位kN·m；A_s代表纵向受拉钢筋总面积，单位m²；f_y代表钢筋的强度设计值，单位kN/m²；h₀代表混凝土构件的计算高度，单位m；ξ代表相对受压区高度，单位m；M代表跨中弯矩值，单位kN·m；γ_G代表永久荷载分项系数；S_G代表永久荷载效应值，单位kN；γ_Q代表活荷载分项系数；γ_L代表活荷载考虑使用年限时的调整系数；S_Q代表活荷载效应值，单位kN；L₀代表计算跨度，单位m；

受拉比例系数r反映了结构内部可承受弯矩的能力；当r≥1时，结构能够满足承载能力极限状态要求；反之，当r＜1时，结构不满足承载能力极限状态要求；

正常使用极限状态验算：考虑裂缝开裂的影响，定义开裂比例系数r’：

式中，α_cr为构件受力特征系数；Ψ为纵向受拉钢筋应变不均匀系数；σ_sq为按荷载准永久组合计算得到的构件纵向受拉普通钢筋应力，单位kN/m²；E_S为混凝土弹性模量，单位kN/m²；c_s为最外层纵向受拉钢筋外边缘至受拉区底边的距离，单位m；d_eq为纵向受拉钢筋的等效直径，单位m²；ρ_te为按有效受拉混凝土截面面积计算的纵向受拉钢筋配筋率；ω_max为最大裂缝宽度单位mm；ω_lim为最大裂缝宽度限值，单位mm；按照相关规范的三级裂缝控制等级，ω_lim＝0.3mm；

开裂比例系数r’反映了结构抵抗裂缝开裂的影响；当r’≥1时，结构通过开裂验算，符合正常使用极限状态要求，反之则不通过。

Images