CN114417465B - 基于深度学习的隔震结构生成方法及装置 - Google Patents
基于深度学习的隔震结构生成方法及装置 Download PDFInfo
- Publication number
- CN114417465B CN114417465B CN202111673685.2A CN202111673685A CN114417465B CN 114417465 B CN114417465 B CN 114417465B CN 202111673685 A CN202111673685 A CN 202111673685A CN 114417465 B CN114417465 B CN 114417465B
- Authority
- CN
- China
- Prior art keywords
- seismic isolation
- design
- parameter
- model
- shock insulation
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Buildings Adapted To Withstand Abnormal External Influences (AREA)
Abstract
本发明提供一种基于深度学习的隔震结构生成方法及装置,方法包括:获取待处理的建筑设计图和隔震结构设计条件;基于建筑设计图和隔震结构设计条件,得到上部结构设计图;将上部结构设计图和隔震结构设计条件输入隔震层设计模型,得到隔震层设计模型输出的隔震层布置参数;隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;基于隔震层布置参数和上部结构设计图,生成隔震结构设计结果。通过隔震层设计模型能够基于上部结构设计图和隔震结构设计条件获得隔震层布置参数,进而得到合理的隔震结构设计结果,可以有效提高隔震结构设计效率,降低隔震结构设计过程中对专业经验的依赖性。
Description
技术领域
本发明涉及建筑结构设计技术领域,尤其涉及一种基于深度学习的隔震结构生成方法及装置。
背景技术
建筑结构的抗震性能作为影响结构安全性的重要因素,已经得到广泛关注,由于隔震结构的设计可以有效提高建筑结构的抗震性能,因此,隔震结构设计越来越多的应用于建筑结构的设计方案中。
但是,现有的隔震结构设计方案一般由专业的工程师设计完成,该设计过程不仅过度依赖专业经验,而且存在耗时耗力的问题,设计效率低,且设计结果因人而异,差异性较大。
发明内容
本发明提供一种基于深度学习的隔震结构生成方法及装置,用以解决现有技术中人工设计隔震结构的方式过度依赖专业经验、耗时耗力、设计效率低且设计结果差异性较大的不足。
第一方面,本发明提供一种基于深度学习的隔震结构生成方法,该方法包括:
获取待处理的建筑设计图和隔震结构设计条件;
基于所述建筑设计图和所述隔震结构设计条件,得到上部结构设计图;
将所述上部结构设计图和所述隔震结构设计条件输入隔震层设计模型,得到所述隔震层设计模型输出的隔震层布置参数;其中,所述隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;
基于所述隔震层布置参数和所述上部结构设计图,生成隔震结构设计结果。
根据本发明提供的一种基于深度学习的隔震结构生成方法,所述隔震层设计模型通过如下方式训练得到:
获取隔震设计样本数据;
根据所述隔震设计样本数据的数据量,确定模型训练方式;其中,所述模型训练方式包括监督训练、半监督训练以及无监督训练;
通过确定的所述模型训练方式,利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型。
隔震层设计模型的训练过程,可以根据隔震设计样本数据的数据量选择相应的模型训练方式,训练过程更加灵活、高效,得到的隔震层设计模型数据处理精度更高。
根据本发明提供的一种基于深度学习的隔震结构生成方法,通过确定的所述模型训练方式,利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型之后,还包括:
对隔震层设计模型进行评估,根据评估结果判断所述隔震层设计模型是否具备应用条件。
通过对隔震层设计模型进行评估可以确定训练得到的模型是否具体应用条件,进而可以保证应用后的隔震层设计模型数据处理可靠性更高。
根据本发明提供的一种基于深度学习的隔震结构生成方法,利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型,包括:
将所述隔震设计样本数据中上部结构设计图样本和隔震结构设计条件样本输入参数生成器,输出隔震层布置参数样本;
将所述隔震层布置参数样本输入参数评估器,输出参数误差;
将所述隔震层布置参数样本和所述上部结构设计图样本输入性能评估器,输出隔震结构的物理性能评估结果;
将所述隔震层布置参数样本和所述上部结构设计图样本输入性能计算器,输出隔震结构的物理性能计算结果;
根据所述物理性能评估结果和所述物理性能计算结果,得到性能评估损失,并基于所述性能评估损失对所述性能评估器进行优化;
基于优化后所述性能评估器输出的物理性能评估结果以及所述参数误差,得到参数生成损失,并基于所述参数生成损失对所述参数生成器进行优化;
直至所述性能评估器和所述参数生成器性能均达到最优,得到隔震层设计模型。
模型训练过程中,通过引入物理性能评估环节,可以使隔震层设计模型基于隔震设计样本数据和物理规律训练得到,通过不断优化参数生成器和性能评估器,可以对隔震层布置参数的生成能力和物理性能的评估能力进行寻优,从而保证最终得到的参数生成器可以生成更加合理的隔震层布置参数,使得最终得到的隔震结构设计结果避免因人为主观干预带来的差异性。
根据本发明提供的一种基于深度学习的隔震结构生成方法,将所述隔震层布置参数样本输入参数评估器,输出参数误差,包括:
将所述隔震层布置参数样本与预设的目标隔震参数进行误差计算,并计算隔震层布置参数样本的对称性与均匀性,综合得到参数误差。
根据本发明提供的一种基于深度学习的隔震结构生成方法,基于优化后所述性能评估器输出的物理性能评估结果以及所述参数误差,得到参数生成损失,包括:
对优化后所述性能评估器输出的物理性能评估结果和所述参数误差进行加权求和,得到参数生成损失;
其中,所述参数误差的加权值和所述物理性能评估结果的加权值均与训练迭代次数相关。
根据本发明提供的一种基于深度学习的隔震结构生成方法,将所述隔震层布置参数样本和所述上部结构设计图样本输入性能计算器,输出隔震结构的物理性能计算结果,包括:
基于所述上部结构设计图样本,构建多自由度结构分析模型;
基于所述隔震层布置参数样本,构建单自由度隔震分析模型;
将所述多自由度结构分析模型和所述单自由度隔震分析模型进行整合,得到隔震结构分析模型;
基于所述隔震结构分析模型,对隔震结构进行力学性能分析和计算,得到物理性能参数;
将所述物理性能参数进行加权求和,得到物理性能计算结果。
根据本发明提供的一种基于深度学习的隔震结构生成方法,基于所述隔震层布置参数和所述上部结构设计图,生成隔震结构设计结果,包括:
从所述上部结构设计图中分别提取各个竖向构件的端点坐标,作为隔震构件坐标;
从所述隔震层布置参数中提取与所述隔震构件坐标对应的隔震构件参数;
基于所述隔震构件坐标以及所述隔震构件参数,生成隔震结构设计结果。
根据本发明提供的一种基于深度学习的隔震结构生成方法,所述建筑设计图包括建筑构件设计图以及建筑空间设计图;
所述隔震结构设计条件包括抗震设防参数、建筑结构外形参数以及结构类型参数。
第二方面,本发明还提供一种基于深度学习的隔震结构生成装置,该装置包括:
获取模块,用于获取待处理的建筑设计图和隔震结构设计条件;
第一处理模块,用于基于所述建筑设计图和所述隔震结构设计条件,获取相应的上部结构设计图;
第二处理模块,用于将所述上部结构设计图和所述隔震结构设计条件输入隔震层设计模型,得到所述隔震层设计模型输出的隔震层布置参数;其中,所述隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;
第三处理模块,用于基于所述隔震层布置参数和所述上部结构设计图,生成隔震结构设计结果。
本发明提供的基于深度学习的隔震结构生成方法及装置,通过隔震层设计模型能够基于上部结构设计图和隔震结构设计条件获得相应的隔震层布置参数,进而利用得到的隔震层布置参数和上部结构设计图,可以得到合理的隔震结构设计结果,相比于人工设计方式,基于隔震层设计模型实现的隔震结构设计方案,可以有效提高隔震结构的设计效率,降低隔震结构设计过程中对专业经验的依赖性。
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是本发明提供的基于深度学习的隔震结构生成方法的流程示意图;
图2是对隔震层设计模型进行无监督训练的流程示意图;
图3是深度神经网络模型的结构架构及训练原理示意图;
图4是无监督训练样本数据集的示例性示意图;
图5是参数生成器的数据输入输出原理示意图;
图6是隔震层参数矩阵的示例性示意图;
图7是性能计算器的数据处理原理示意图;
图8是以剪力墙结构为例的隔震结构生成原理示意图;
图9是本发明提供的基于深度学习的隔震结构生成装置的结构示意图;
图10是本发明提供的电子设备的结构示意图。
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。
为了提升建筑结构的隔震结构设计效率与稳定性,摆脱隔震设计对工程师经验的过度依赖,并进一步推广隔震结构设计,本实施例针对建筑结构提出了如下智能化的隔震结构生成方案。
图1示出了本发明实施例提供的基于深度学习的隔震结构生成方法,该方法包括:
步骤110:获取待处理的建筑设计图和隔震结构设计条件。
本实施例中建筑设计图可以包括建筑构件设计图以及建筑空间设计图,在实际应用过程中,建筑构件设计图根据建筑结构类型不同可能存在相应的差异,本实施例中可以进行隔震设计的建筑结构类型包括框架结构、剪力墙结构以及框架-剪力墙结构。
具体地,隔震结构设计条件可以包括抗震设防参数、建筑结构外形参数以及结构类型参数。
步骤120:基于建筑设计图和隔震结构设计条件,得到上部结构设计图。
本实施例中上部结构设计图的获取,可以基于工程师经验人工生成,也可以采用预先训练好的结构设计模型自动生成,结构设计模型可以基于建筑设计图样本数据、隔震结构设计条件样本数据以及结构设计图样本数据对预先构建的深度学习网络进行训练得到。
在示例性实施例中,该深度学习网络可以是物理-数据驱动的生成对抗网络,此时,结构设计模型可以基于建筑设计图样本数据、隔震结构设计条件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。
具体地,物理-数据驱动的生成对抗网络可以包括:
图像生成器,用于分别对建筑设计图样本数据和隔震结构设计条件样本数据进行编码和特征提取,得到图像特征和文本特征,将图像特征和文本特征进行融合,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,用于对结构设计图样本数据进行特征提取和真伪判别。
在示例性实施例中,结构设计模型的训练过程,包括:
第一步:构建物理-数据驱动的生成对抗网络;
第二步: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;其中,有完整标签的样本数据包括建筑设计图样本数据、隔震结构设计条件样本数据以及结构设计图样本数据;
第三步: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;
第四步: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物理性能计算结果作为训练数据,对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;
第五步:计算结构设计图生成能力训练过程中的图像数据损失,并采用结构物理性能预测模型计算对应的物理损失,将图像数据损失和物理损失融合,得到物理-数据驱动的生成对抗网络的损失函数;
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。
步骤130:将上部结构设计图和隔震结构设计条件输入隔震层设计模型,得到隔震层设计模型输出的隔震层布置参数;其中,隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的。
在示例性实施例中,隔震层设计模型可以通过如下方式训练得到:
首先,获取隔震设计样本数据;
然后,根据隔震设计样本数据的数据量,确定模型训练方式;其中,模型训练方式包括监督训练、半监督训练以及无监督训练;
最后,通过确定的模型训练方式,利用隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型。
更优地,通过确定的模型训练方式,利用隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型之后,还包括:
对隔震层设计模型进行评估,根据评估结果判断隔震层设计模型是否具备应用条件。
本实施例采用隔震设计方案评价方法对训练模型的测试结果进行评估,具体采用物理计算方法对测试结果进行分析计算,评估合格后的隔震层设计模型可以投入隔震层设计的应用中。
可以理解的是,在确定模型训练方式时,首先判断隔震设计样本数据的数据量是否充足,比如可以预先设定数据量上限阈值和数据量下限阈值,当当前样本数据的数据量高于数据量上限阈值,则说明当前样本数据的数据量充足,此时可以选择监督训练方式,比如可以采用基于数据驱动的深度神经网络模型训练方式,此时用于训练的样本数据包括上部结构设计图样本和隔震结构设计条件样本以及对应的隔震层布置参数样本。
若当前样本数据的数据量在下限阈值和上限阈值之间,则说明当前样本数据的数据量一般,此时可以选择半监督训练方式,比如可以采用基于数据-物理耦合驱动的训练方式,此时用于训练的样本数据包括部分上部结构设计图样本和隔震结构设计条件样本以及对应的隔震层布置参数样本,还包括部分仅存在上部结构设计图样本和隔震结构设计条件样本,无对应的隔震层布置参数样本的数据。
若当前样本数据的数量量低于下限阈值,则说明当前样本数据的数据量过低,此时可以选择无监督训练方式,比如可以采用基于物理驱动的训练方式,此时用于训练的样本数据包括上部结构设计图样本和隔震结构设计条件样本。
在示例性实施例中,参见附图2,以无监督训练方式为例,对隔震层设计模型的训练过程进行详细说明:
步骤210:创建隔震层设计模型的基本架构,具体为用于隔震层设计的物理增强深度神经网络模型;
步骤220:创建无监督训练与测试用的数据集,具体可以包括上部结构设计图样本和隔震结构设计条件样本;
步骤230:基于构建的网络模型和创建的训练数据集,对隔震层设计模型进行无监督训练;
步骤240:对训练后的模型进行测试与评估,具体可以采用隔震设计方案评价方法利用测试数据对训练模型的测试结果进行评估。
参见附图3,本实施例中隔震层设计模型在训练阶段所基于的深度神经网络模型主要包括参数生成器310、性能评估器320、性能计算器330以及参数评估器340。
其中,参数生成器310中,由卷积神经网络进行上部结构设计图的编码和特征提取,由反卷积神经网络将特征映射生成隔震层布置参数,本实施例中隔震层布置参数通过矩阵的形式呈现,所以可以称为隔震层参数矩阵;
性能评估器320中,由卷积神经网络进行隔震层布置参数的特征提取,输出隔震层布置参数对应的物理性能评估结果;
性能计算器330主要基于结构动力学的物理原理,对隔震层与隔震结构的物理性能进行计算;
参数评估器340可以直接基于矩阵距离度量,计算生成器生成的参数矩阵与目标参数矩阵之间的差异,并采用对称性与均匀性度量,计算生成器生成的参数矩阵规则性,无监督训练中的目标参数矩阵可以是基于经验设计得到。
结合附图3,本实施例中利用隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型的过程,具体可以包括:
第一步:将隔震设计样本数据中上部结构设计图样本和隔震结构设计条件样本输入参数生成器310,输出隔震层布置参数样本。
本实施例以无监督训练方式为例,隔震设计样本数据如图4所示,该无监督训练数据集中仅有输入数据,无目标数据,即仅有隔震结构设计条件和上部结构设计图,图4示出了五种隔震结构设计条件与上部结构设计图的样本数据实例,其中,隔震结构设计条件包括抗震与隔震参数(即隔震设防参数)、建筑结构外形参数和结构类型参数,具体实例数据如下:
实例1:抗震与隔震参数为7度设防、减震系数为0.5,建筑结构外形参数为高度30m,结构类型参数为剪力墙结构;
实例2:抗震与隔震参数为7度设防、减震系数为0.4,建筑结构外形参数为高度50m,结构类型参数为剪力墙结构;
实例3:抗震与隔震参数为7度设防、减震系数为0.45,建筑结构外形参数为高度70m,结构类型参数为剪力墙结构;
实例4:抗震与隔震参数为7度设防、减震系数为0.55,建筑结构外形参数为高度70m,结构类型参数为剪力墙结构;
实例5:抗震与隔震参数为7度设防、减震系数为0.4,建筑结构外形参数为高度70m,结构类型参数为剪力墙结构。
将上述隔震结构设计条件和上部结构设计图输入(隔震层)参数生成器,可以得到相应的隔震设计参数,即隔震层参数矩阵,该过程如图5所示。
第二步:将隔震层布置参数样本输入参数评估器340,输出参数误差。
将上述隔震层参数矩阵输入参数评估器340中,可以评估隔震层参数矩阵与根据经验公式设计得到的目标隔震层参数矩阵之间的差异。
在本实施例中,隔震层参数矩阵的具体结构可以如附图6所示,该隔震层参数矩阵与输入的上部结构设计图尺寸完全一致。
在该隔震层参数矩阵中,0值代表此像素点处不设置隔震支座,1-N则代表该像素点处设置参数为1-N的隔震支座,隔震支座的参数根据实际应用中所能提供的支座参数进行确定。
根据经验公式设计得到的隔震层参数矩阵,在该矩阵中与上部结构设计图中空白处对应的值为0,而与上部结构设计图中剪力墙端点对应位置处的值为1-N,代表此处设置有某参数的隔震支座。
在实际应用过程中,计算生成的参数矩阵与经验矩阵的差异,可以采用矩阵之间的距离度量方法实现,包括平均绝对误差(即L1 loss)或者均方误差(即L2 loss),从而可以得到参数矩阵误差(即参数误差),记为Lmatrix。
第三步:将隔震层布置参数样本和上部结构设计图样本输入性能评估器320,输出隔震结构的物理性能评估结果,记为Lphy-iso。
第四步:将隔震层布置参数样本和上部结构设计图样本输入性能计算器330,输出隔震结构的物理性能计算结果,记为Pphy-iso。
具体地,将隔震层布置参数样本和上部结构设计图样本输入性能计算器330,输出隔震结构的物理性能计算结果,可以包括:
首先,基于上部结构设计图样本,提取其中的结构构件坐标参数,进而构建多自由度结构分析模型。
在示例性实施例中,参见附图7,性能计算器330基于结构动力学设计得到,以剪力墙结构为例,隔震构件为隔震支座,带有隔震层的剪力墙结构可以采用MDOF计算模型(即多自由度结构分析模型)进行动力计算,该模型第i层对应的层质量矩阵如下:
其中,Mi、Mi-1分别为第i和i-1层的层质量。
该模型第i层对应的层刚度矩阵如下:
其中,GAi为第i层剪切刚度,EIi为第i层弯曲刚度,hi为第i层高度。
然后,基于隔震层布置参数样本,提取参数矩阵中隔震构件布置位置和性能参数,进而构建单自由度隔震分析模型。
需要说明的是,当i=0时,即为第0层隔震层,可以将隔震层作为单自由度隔震分析模型,集成在式(1)和式(2)所示的多自由度结构计算模型中。在单自由度隔震分析模型中,隔震层的刚度为所有隔震支座的水平刚度总和,即:
其中,N为隔震支座数量;K0 i为第0层的第i个隔震支座的水平刚度。
之后,将多自由度结构分析模型和单自由度隔震分析模型进行整合,得到隔震结构分析模型。
可以理解的是,多自由度结构分析模型主要完成上部隔震结构的动力学分析,单自由度隔震分析模型主要完成底部隔震层的动力学分析。
接着,基于隔震结构分析模型,对隔震结构进行力学性能分析和计算,得到物理性能参数。
根据隔震结构分析模型,对隔震的剪力墙结构进行结构力学响应计算与性能分析,具体可以采用振型分解反应谱法进行分析,得到的物理性能参数,以隔震构件为隔震支座为例,物理性能参数可以包括:隔震结构的质心与隔震支座刚心的距离Dcs_cm、水平减震系数Creduce、隔震支座最大使用面压值Ppressure以及隔震支座最大水平变形Ddeform。
最后,将物理性能参数进行加权求和,得到物理性能计算结果。
根据获得的上述物理性能参数,将Dcs_cm、Creduce、Ppressure、Ddeform进行加权求和,可以得到物理性能计算结果,本实施例中物理性能计算结果Pphy-iso的计算公式如下:
Pphy-iso=ωcs_cmDcs cm+ωdeformDdeform+ωreduceCreduce+ωpressurePpressure (4)
式中,ωcs_cm、ωdeform、ωreduce、ωpressure分别为质心和刚心的距离Dcs_cm、隔震支座最大水平变形Ddeform、水平减震系数Creduce和隔震支座最大面压值Ppressure的权重系数。
类似地,上述对隔震层设计模型的应用评估过程中提到的,采用物理计算方法对测试结果进行分析计算,同样可以采用上述物理性能计算结果的计算方式实现。
第五步:根据物理性能评估结果和物理性能计算结果,得到性能评估损失,并基于性能评估损失对性能评估器320进行优化。
计算隔震层的物理性能评估结果与物理性能计算结果的差异,得到,性能评估损失,即为性能评估器320的损失函数,记为LE,其计算公式如下:
LE=|Pphy-iso-Lphy-iso| (5)
第六步:基于优化后性能评估器320输出的物理性能评估结果以及参数误差,得到参数生成损失,并基于参数生成损失对参数生成器310进行优化。
在本实施例中,具体可以对优化后性能评估器320输出的物理性能评估结果和参数误差进行加权求和,得到参数生成损失。
上述得到的参数生成损失,可以理解为参数生成器310的损失函数,计算公式如下:
LG=ωmatrixLmatrix+ωphy-isoLphy-iso (6)
式中,LG为参数生成损失;ωmatrix为参数矩阵误差的权重,即参数误差的加权值;Lmatrix为参数矩阵误差;ωphy-iso为隔震层物理性能评估值的权重,即物理性能评估结果的加权值;Lphy-iso为隔震层的物理性能评估结果。
需要说明的是,ωmatrix与ωphy-iso是随着深度神经网络训练迭代次数改变而改变的。在初始训练时,ωmatrix的权值较大,表示初始训练时更关注参数矩阵生成是否与经验设计值矩阵一致;随着训练迭代次数不断增加,ωphy-iso的权值不断提升,物理性能计算的结果重要性不断提升;最后训练至稳定阶段后,权值不再改变,使得参数生成器的性能最优。
第七步:直至性能评估器320和参数生成器310性能均达到最优,得到隔震层设计模型。
基于上述步骤进行训练,通过参数生成损失优化参数生成器310,通过性能评估损失优化性能评估器320,最终使得性能评估器320能准确评估隔震设计性能,且参数生成器310能生成相对最优的隔震设计参数,即可得到训练好的隔震层设计模型。
步骤140:基于隔震层布置参数和上部结构设计图,生成隔震结构设计结果。
在示例性实施例中,基于隔震层布置参数和上部结构设计图,生成隔震结构设计结果的过程,具体可以包括:
首先,从上部结构设计图中分别提取各个竖向构件的端点坐标,作为隔震构件坐标;
然后,从隔震层布置参数中提取与隔震构件坐标对应的隔震构件参数;
最后,基于隔震构件坐标以及隔震构件参数,生成隔震结构设计结果。
需要说明的是,本实施例中的设计目标,即隔震结构,包括上部结构和底部的隔震层,因此,在设计过程中,需要先确定上部结构,然后再对隔震层进行设计,最终生成隔震结构设计结果。
在实际应用过程中,本发明实施例提供的基于深度学习的隔震结构生成,应用评估合格后的隔震层设计模型,针对剪力墙结构开展完整的隔震方案设计,整个设计过程如附图8所示,通过上部结构设计模块可以基于剪力墙建筑设计图纸以及剪力墙结构设计条件,得到上部结构设计图,进而利用隔震层设计模块得到隔震层设计参数矩阵,从而可以进行隔震层设计,得到隔震层设计结果,并结合上部结构设计图得到完整的隔震结构设计结果,该方案中包含上部隔震结构设计方案以及底部隔震层设计方案。
由此可见,本发明实施例提供的基于深度学习的隔震结构生成方法,通过对深度神经网络进行隔震层设计能力的训练,实现深度神经网络模型对结构隔震设计规律的学习,得到的隔震方案设计模型可以根据建筑设计图和隔震设计条件生成更满足实际设计需求的建筑结构隔震方案设计,提高了隔震方案设计的效率与可靠性。
下面对本发明提供的基于深度学习的隔震结构生成装置进行描述,下文描述的基于深度学习的隔震结构生成装置与上文描述的基于深度学习的隔震结构生成方法可相互对应参照。
图9示出了本发明实施例提供的基于深度学习的隔震结构生成装置,该装置包括:
获取模块910,用于获取待处理的建筑设计图和隔震结构设计条件;
第一处理模块920,用于基于建筑设计图和隔震结构设计条件,获取相应的上部结构设计图;
第二处理模块930,用于将上部结构设计图和隔震结构设计条件输入隔震层设计模型,得到隔震层设计模型输出的隔震层布置参数;其中,隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;
第三处理模块940,用于基于隔震层布置参数和上部结构设计图,生成隔震结构设计结果。
在示例性实施例中,上述基于深度学习的隔震结构生成装置,还包括模型训练模块,该模型训练模块可以用于:获取隔震设计样本数据;根据隔震设计样本数据的数据量,确定模型训练方式;其中,模型训练方式包括监督训练、半监督训练以及无监督训练;通过确定的模型训练方式,利用隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型。
更优地,上述模型训练模块还用于:对隔震层设计模型进行评估,根据评估结果判断隔震层设计模型是否具备应用条件。
进一步地,上述模型训练模块具体用于:将隔震设计样本数据中上部结构设计图样本和隔震结构设计条件样本输入参数生成器,输出隔震层布置参数样本;将隔震层布置参数样本输入参数评估器,输出参数误差;将隔震层布置参数样本和上部结构设计图样本输入性能评估器,输出隔震结构的物理性能评估结果;将隔震层布置参数样本和上部结构设计图样本输入性能计算器,输出隔震结构的物理性能计算结果;根据物理性能评估结果和物理性能计算结果,得到性能评估损失,并基于性能评估损失对性能评估器进行优化;基于优化后性能评估器输出的物理性能评估结果以及参数误差,得到参数生成损失,并基于参数生成损失对参数生成器进行优化;直至性能评估器和参数生成器性能均达到最优,得到隔震层设计模型。
在示例性实施例中,上述参数评估器,具体用于:将隔震层布置参数样本与预设的目标隔震参数进行误差计算,并计算隔震层布置参数样本的对称性与均匀性,综合得到参数误差。
上述模型训练模块具体通过如下方式实现基于优化后性能评估器输出的物理性能评估结果以及参数误差,得到参数生成损失的功能:
对优化后性能评估器输出的物理性能评估结果和参数误差进行加权求和,得到参数生成损失;
其中,参数误差的加权值和物理性能评估结果的加权值均与训练迭代次数相关。
进一步地,上述性能计算器,具体用于:基于上部结构设计图样本,构建多自由度结构分析模型;基于隔震层布置参数样本,构建单自由度隔震分析模型;将多自由度结构分析模型和单自由度隔震分析模型进行整合,得到隔震结构分析模型;基于隔震结构分析模型,对隔震结构进行力学性能分析和计算,得到物理性能参数;将物理性能参数进行加权求和,得到物理性能计算结果。
具体地,物理性能参数可以包括隔震结构质心与隔震构件刚心的距离、水平减震系数、隔震构件的最大使用面压值以及隔震构件的最大水平变形。
在示例性实施例中,上述第三处理模块940,具体用于:从上部结构设计图中分别提取各个竖向构件的端点坐标,作为隔震构件坐标;从隔震层布置参数中提取与隔震构件坐标对应的隔震构件参数;基于隔震构件坐标以及隔震构件参数,生成隔震结构设计结果。
具体地,本实施例中建筑设计图可以包括建筑构件设计图以及建筑空间设计图。
本实施例中隔震结构设计条件可以包括抗震设防参数、建筑结构外形参数以及结构类型参数。
图10示例了一种电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)101、通信接口(Communications Interface)102、存储器(memory)103和通信总线104,其中,处理器101,通信接口102,存储器103通过通信总线104完成相互间的通信。处理器101可以调用存储器103中的逻辑指令,以执行基于深度学习的隔震结构生成方法,该方法包括:获取待处理的建筑设计图和隔震结构设计条件;基于建筑设计图和隔震结构设计条件,得到上部结构设计图;将上部结构设计图和隔震结构设计条件输入隔震层设计模型,得到隔震层设计模型输出的隔震层布置参数;其中,隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;基于隔震层布置参数和上部结构设计图,生成隔震结构设计结果。
此外,上述的存储器103中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于深度学习的隔震结构生成方法,该方法包括:获取待处理的建筑设计图和隔震结构设计条件;基于建筑设计图和隔震结构设计条件,得到上部结构设计图;将上部结构设计图和隔震结构设计条件输入隔震层设计模型,得到隔震层设计模型输出的隔震层布置参数;其中,隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;基于隔震层布置参数和上部结构设计图,生成隔震结构设计结果。
又一方面,本发明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以执行上述各方法提供的基于深度学习的隔震结构生成方法,该方法包括:获取待处理的建筑设计图和隔震结构设计条件;基于建筑设计图和隔震结构设计条件,得到上部结构设计图;将上部结构设计图和隔震结构设计条件输入隔震层设计模型,得到隔震层设计模型输出的隔震层布置参数;其中,隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;基于隔震层布置参数和上部结构设计图,生成隔震结构设计结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (9)
1.一种基于深度学习的隔震结构生成方法,其特征在于,包括:
获取待处理的建筑设计图和隔震结构设计条件;
基于所述建筑设计图和所述隔震结构设计条件,得到上部结构设计图;
将所述上部结构设计图和所述隔震结构设计条件输入隔震层设计模型,得到所述隔震层设计模型输出的隔震层布置参数;其中,所述隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;
基于所述隔震层布置参数和所述上部结构设计图,生成隔震结构设计结果;
利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型,包括:
将所述隔震设计样本数据中上部结构设计图样本和隔震结构设计条件样本输入参数生成器,输出隔震层布置参数样本;
将所述隔震层布置参数样本输入参数评估器,输出参数误差;
将所述隔震层布置参数样本和所述上部结构设计图样本输入性能评估器,输出隔震结构的物理性能评估结果;
将所述隔震层布置参数样本和所述上部结构设计图样本输入性能计算器,输出隔震结构的物理性能计算结果;
根据所述物理性能评估结果和所述物理性能计算结果,得到性能评估损失,并基于所述性能评估损失对所述性能评估器进行优化;
基于优化后所述性能评估器输出的物理性能评估结果以及所述参数误差,得到参数生成损失,并基于所述参数生成损失对所述参数生成器进行优化;
直至所述性能评估器和所述参数生成器性能均达到最优,得到隔震层设计模型。
2.根据权利要求1所述的一种基于深度学习的隔震结构生成方法,其特征在于,所述隔震层设计模型通过如下方式训练得到:
获取隔震设计样本数据;
根据所述隔震设计样本数据的数据量,确定模型训练方式;其中,所述模型训练方式包括监督训练、半监督训练以及无监督训练;
通过确定的所述模型训练方式,利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型。
3.根据权利要求2所述的一种基于深度学习的隔震结构生成方法,其特征在于,通过确定的所述模型训练方式,利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型之后,还包括:
对隔震层设计模型进行评估,根据评估结果判断所述隔震层设计模型是否具备应用条件。
4.根据权利要求1所述的一种基于深度学习的隔震结构生成方法,其特征在于,将所述隔震层布置参数样本输入参数评估器,输出参数误差,包括:
将所述隔震层布置参数样本与预设的目标隔震参数进行误差计算,并计算隔震层布置参数样本的对称性与均匀性,综合得到参数误差。
5.根据权利要求1所述的一种基于深度学习的隔震结构生成方法,其特征在于,基于优化后所述性能评估器输出的物理性能评估结果以及所述参数误差,得到参数生成损失,包括:
对优化后所述性能评估器输出的物理性能评估结果和所述参数误差进行加权求和,得到参数生成损失;
其中,所述参数误差的加权值和所述物理性能评估结果的加权值均与训练迭代次数相关。
6.根据权利要求1所述的一种基于深度学习的隔震结构生成方法,其特征在于,将所述隔震层布置参数样本和所述上部结构设计图样本输入性能计算器,输出隔震结构的物理性能计算结果,包括:
基于所述上部结构设计图样本,构建多自由度结构分析模型;
基于所述隔震层布置参数样本,构建单自由度隔震分析模型;
将所述多自由度结构分析模型和所述单自由度隔震分析模型进行整合,得到隔震结构分析模型;
基于所述隔震结构分析模型,对隔震结构进行力学性能分析和计算,得到物理性能参数;
将所述物理性能参数进行加权求和,得到物理性能计算结果。
7.根据权利要求1所述的一种基于深度学习的隔震结构生成方法,其特征在于,基于所述隔震层布置参数和所述上部结构设计图,生成隔震结构设计结果,包括:
从所述上部结构设计图中分别提取各个竖向构件的端点坐标,作为隔震构件坐标;
从所述隔震层布置参数中提取与所述隔震构件坐标对应的隔震构件参数;
基于所述隔震构件坐标以及所述隔震构件参数,生成隔震结构设计结果。
8.根据权利要求1所述的一种基于深度学习的隔震结构生成方法,其特征在于,所述建筑设计图包括建筑构件设计图以及建筑空间设计图;
所述隔震结构设计条件包括抗震设防参数、建筑结构外形参数以及结构类型参数。
9.一种基于深度学习的隔震结构生成装置,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隔震结构设计条件;
第一处理模块,用于基于所述建筑设计图和所述隔震结构设计条件,获取相应的上部结构设计图;
第二处理模块,用于将所述上部结构设计图和所述隔震结构设计条件输入隔震层设计模型,得到所述隔震层设计模型输出的隔震层布置参数;其中,所述隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的;
第三处理模块,用于基于所述隔震层布置参数和所述上部结构设计图,生成隔震结构设计结果;
所述第二处理模块具体通过如下过程实现利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练,得到隔震层设计模型:
将所述隔震设计样本数据中上部结构设计图样本和隔震结构设计条件样本输入参数生成器,输出隔震层布置参数样本;
将所述隔震层布置参数样本输入参数评估器,输出参数误差;
将所述隔震层布置参数样本和所述上部结构设计图样本输入性能评估器,输出隔震结构的物理性能评估结果;
将所述隔震层布置参数样本和所述上部结构设计图样本输入性能计算器,输出隔震结构的物理性能计算结果;
根据所述物理性能评估结果和所述物理性能计算结果,得到性能评估损失,并基于所述性能评估损失对所述性能评估器进行优化;
基于优化后所述性能评估器输出的物理性能评估结果以及所述参数误差,得到参数生成损失,并基于所述参数生成损失对所述参数生成器进行优化;
直至所述性能评估器和所述参数生成器性能均达到最优,得到隔震层设计模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111673685.2A CN114417465B (zh) | 2021-12-31 | 2021-12-31 | 基于深度学习的隔震结构生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111673685.2A CN114417465B (zh) | 2021-12-31 | 2021-12-31 | 基于深度学习的隔震结构生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417465A CN114417465A (zh) | 2022-04-29 |
CN114417465B true CN114417465B (zh) | 2022-10-11 |
Family
ID=81270693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111673685.2A Active CN114417465B (zh) | 2021-12-31 | 2021-12-31 | 基于深度学习的隔震结构生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417465B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116186826B (zh) * | 2022-11-29 | 2023-08-25 | 清华大学 | 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 |
CN116628821B (zh) * | 2023-06-28 | 2024-04-02 | 盛年科技有限公司 | 基于数据库的宽频隔振支座逆向设计方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106649954B (zh) * | 2016-10-08 | 2020-01-31 | 中冶华天工程技术有限公司 | 一种基于扩展pbee2理论框架的地震易损性分析方法 |
CN109002678B (zh) * | 2018-10-17 | 2020-08-18 | 中国水利水电科学研究院 | 基于水电工程水工建筑物抗震设计的人工地震模拟方法 |
US20200265175A1 (en) * | 2019-02-15 | 2020-08-20 | Katerra Inc. | Assembly device to design a building system and computer system to create an assembly library |
CN113010947B (zh) * | 2021-03-02 | 2022-10-14 | 大连理工大学 | 一种适用于超高层建筑天线结构的抗多灾害减振设计方法 |
CN113094793B (zh) * | 2021-04-20 | 2023-09-12 | 云南省设计院集团有限公司 | 一种减隔震结构选波及设计方法 |
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 |
CN113849891A (zh) * | 2021-09-28 | 2021-12-28 | 上海应用技术大学 | 基于时程分析的消能减震结构设计方法 |
-
2021
- 2021-12-31 CN CN202111673685.2A patent/CN114417465B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于隔震结构Benchmark模型的隔震层刚度分布分析研究;李冰;《地震工程与工程振动》;20121015;第32卷(第5期);第127-135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114417465A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114417465B (zh) | 基于深度学习的隔震结构生成方法及装置 | |
WO2022083009A1 (zh) | 一种基于异源数据差补融合的定制产品性能预测方法 | |
CN111124840A (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN108596774A (zh) | 基于深层次网络嵌入特征的社会化信息推荐算法及系统 | |
US20220122103A1 (en) | Customized product performance prediction method based on heterogeneous data difference compensation fusion | |
CN114218875A (zh) | 一种用于流场预测的加速方法及装置 | |
JP2020126021A (ja) | 異常音検知装置および異常音検知方法 | |
CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
CN113379071B (zh) | 一种基于联邦学习的噪声标签修正方法 | |
Matilainen et al. | Employing a Monte Carlo algorithm in Newton-type methods for restricted maximum likelihood estimation of genetic parameters | |
CN114741766B (zh) | 基于联合结构优化神经网络的建筑结构设计方法和装置 | |
CN111783238A (zh) | 涡轮轴结构可靠性分析方法、分析装置及可读存储介质 | |
Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
CN114996995A (zh) | 一种超材料隔振单元性能预报方法和系统 | |
Chatterjee et al. | A global two-layer meta-model for response statistics in robust design optimization | |
CN116186826B (zh) | 基于数据-力学耦合驱动图神经网络的隔震支座设计方法 | |
JPWO2020004575A5 (zh) | ||
CN116186824B (zh) | 基于图像嵌入图神经网络模型的建筑结构布置方法 | |
CN116186825A (zh) | 基于图节点分类图神经网络的剪力墙设计方法和装置 | |
CN116503320A (zh) | 高光谱图像异常检测方法、装置、设备及可读存储介质 | |
CN116011071A (zh) | 基于主动学习的空中造楼机结构可靠性分析方法及系统 | |
Zhao et al. | Modelling for Poisson process intensities over irregular spatial domains | |
CN115712977A (zh) | 一种基于Kriging代理模型辅助的齿轮减速器稳健优化设计方法 |
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 |