CN114491740B

CN114491740B - 物理与多模态数据驱动的建筑结构生成方法及设备

Info

Publication number: CN114491740B
Application number: CN202111667931.3A
Authority: CN
Inventors: 陆新征; 赵鹏举; 廖文杰; 费一凡
Original assignee: Tsinghua University
Current assignee: Tsinghua University
Priority date: 2021-12-31
Filing date: 2021-12-31
Publication date: 2022-09-02
Anticipated expiration: 2041-12-31
Also published as: CN114491740A

Abstract

本发明提供一种物理与多模态数据驱动的建筑结构生成方法及设备，方法包括：将第一多模态数据的特征，输入至抗侧力结构生成模型中，得到建筑结构的抗侧力结构的设计结果；抗侧力结构生成模型是基于第一多模态数据的特征样本及对应的抗侧力结构的设计结果样本，以及第一物理性能评估器进行训练得到的；将第二多模态数据的图谱特征，输入至竖向传力结构生成模型中，得到建筑结构的竖向传力结构的设计结果的图谱特征；竖向传力结构生成模型是基于第二多模态数据的图谱特征样本及对应的竖向传力结构的设计结果的图谱特征样本，以及第二物理性能评估器训练得到的；图谱特征为表征关键结构构件的拓扑关系的特征。如此，实现了快速可靠的建筑结构的设计。

Description

物理与多模态数据驱动的建筑结构生成方法及设备

技术领域

本发明涉及建筑结构设计与计算机技术领域，尤其涉及一种物理与多模态数据驱动的建筑结构生成方法及设备。

背景技术

传统的建筑结构的设计方式中，主要依赖人工经验进行建筑结构的设计，并且需要多种工程师配合，才能完成建筑结构的设计，设计效率较低，智能化程度低。并且，结构设计结果不仅仅包括图像特征，还包括其它数据形式表示的经验规律。而现有的智能化设计中，采用的神经网络仅仅通过学习图像特征来学习结构设计的经验和规律是远远不足的，可靠性不高。

因此，现在亟需一种能够快速可靠地完成建筑结构设计的智能化建筑结构设计方法。

发明内容

本发明提供一种物理与多模态数据驱动的建筑结构生成方法及设备，用以解决现有技术中建筑结构设计效率较低的缺陷，实现快速可靠地完成建筑结构的智能化设计。

本发明提供一种物理与多模态数据驱动的建筑结构生成方法，包括：

将第一多模态数据的特征，输入至抗侧力结构生成模型中，得到建筑结构的抗侧力结构的设计结果；所述第一多模态数据包括建筑构件信息、建筑空间信息和设计条件文本信息；所述抗侧力结构生成模型是基于所述第一多模态数据的特征样本及对应的抗侧力结构的设计结果样本，以及第一物理性能评估器进行训练得到的；所述第一物理性能评估器是基于抗侧力结构的设计结果样本及对应的物理性能数据样本训练得到的；

将第二多模态数据的图谱特征，输入至竖向传力结构生成模型中，得到建筑结构的竖向传力结构的设计结果的图谱特征；所述第二多模态数据包括所述抗侧力结构的设计结果、所述建筑空间信息和所述设计条件文本信息；所述竖向传力结构生成模型是基于所述第二多模态数据的图谱特征样本及对应的竖向传力结构的设计结果的图谱特征样本，以及第二物理性能评估器训练得到的；所述第二物理性能评估器是基于竖向传力结构的设计结果的图谱特征样本及对应的物理性能数据样本训练得到的；所述图谱特征为表征关键结构构件的拓扑关系的特征；

基于所述抗侧力结构的设计结果和所述竖向传力结构的设计结果的图谱特征，生成所述建筑结构的设计结果。

本发明还提供一种电子设备，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上述任一种所述物理与多模态数据驱动的建筑结构生成方法的步骤。

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如上述任一种所述物理与多模态数据驱动的建筑结构生成方法的步骤。

本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述物理与多模态数据驱动的建筑结构生成方法的步骤。

本发明提供的物理与多模态数据驱动的建筑结构生成方法，所采用的抗侧力结构生成模型和竖向传力结构生成模型，在对多模态数据学习的过程中考虑了物理性能以及关键结构构件之间的拓扑关系，可靠性更高，能够快速可靠地完成建筑结构的智能化设计。

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与多模态数据驱动的建筑结构生成方法的流程示意图之一；

图2是本发明提供的物理与多模态数据驱动的建筑结构生成方法的流程示意图之二；

图3是本发明提供的物理与多模态数据驱动的建筑结构生成方法的流程示意图之三；

图4是本发明提供的物理与多模态数据驱动的建筑结构生成方法的流程示意图之四；

图5是本发明提供的物理与多模态数据驱动的建筑结构生成方法的流程示意图之五；

图6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。

图1是本发明提供的物理与多模态数据驱动的建筑结构生成方法的流程示意图之一。如图1所示，本实施例提供的一种物理与多模态数据驱动的建筑结构生成方法，至少包括如下步骤：

步骤110，将第一多模态数据的特征，输入至抗侧力结构生成模型中，得到建筑结构的抗侧力结构的设计结果；所述第一多模态数据包括建筑构件信息、建筑空间信息和设计条件文本信息；所述抗侧力结构生成模型是基于所述第一多模态数据的特征样本及对应的抗侧力结构的设计结果样本，以及第一物理性能评估器进行训练得到的，所述第一物理性能评估器是基于抗侧力结构的设计结果样本及对应的物理性能数据样本训练得到的。

步骤120，将第二多模态数据的图谱特征，输入至竖向传力结构生成模型中，得到建筑结构的竖向传力结构的设计结果的图谱特征；所述第二多模态数据包括所述抗侧力结构的设计结果、所述建筑空间信息和所述设计条件文本信息；所述竖向传力结构生成模型是基于所述第二多模态数据的图谱特征样本及对应的竖向传力结构的设计结果的图谱特征样本，以及第二物理性能评估器训练得到的；所述第二物理性能评估器是基于竖向传力结构的设计结果的图谱特征样本及对应的物理性能数据样本训练得到的；所述图谱特征为表征关键结构构件的拓扑关系的特征。

步骤130，基于所述抗侧力结构的设计结果和所述竖向传力结构的设计结果的图谱特征，生成所述建筑结构的设计结果。

其中，抗侧力结构是建筑结构中承载水平力的构件。竖向传力结构是建筑结构中承受竖向力的构件。

所述建筑结构可以为框架结构，相应的，所述抗侧力结构的设计结果包括框架柱的设计结果，所述竖向传力结构的设计结果包括框架梁的设计结果。或者，所述建筑结构可以为框架-剪力墙结构，相应的，所述抗侧力结构的设计结果包括框架柱的设计结果和剪力墙的设计结果，所述竖向传力结构的设计结果包括连梁的设计结果和框架梁的设计结果。或者，所述建筑结构为剪力墙结构，相应的，所述抗侧力结构的设计结果包括剪力墙的设计结果，所述竖向传力结构的设计结果包括连梁的设计结果和框架梁的设计结果。

抗侧力结构的设计结果样本即预先标注的抗侧力结构的目标设计结果。竖向传力结构的设计结果的图谱特征样本即预先标注的竖向传力结构的目标设计结果的图谱特征。

建筑构件是构成建筑结构的各个要素，例如隔墙、窗户、室内门洞和室外门洞等。建筑构件信息即建筑构件的布置的信息，例如，可以包括隔墙的布置的信息、窗户的布置的信息、室内门洞的布置的信息和室外门洞的布置的信息。

建筑空间信息即建筑空间的布置的信息，可以包括建筑功能分区的布置的信息和建筑荷载分区的布置的信息。建筑功能分区是将建筑空间按照不同功能的要求进行分类得到的，例如会议室、卫生间、楼梯间等。建筑荷载主要是指直接施加在结构上的各种荷载，建筑荷载分区即将建筑空间按照不同的建筑荷载进行分类得到的。

设计条件文本信息可以包括抗震设防烈度、结构总高度以及标准层平面所在高度等。

抗侧力结构的设计结果可以包括抗侧力结构的空间信息。其中，抗侧力结构的空间信息表征抗侧力结构的空间位置。

本实施例中，利用包括建筑构件信息、建筑空间信息和设计条件文本信息的第一多模态数据的特征以及抗侧力结构生成模型，可以快速得到抗侧力结构的设计结果，进一步的，利用包括抗侧力结构的设计结果的信息、所述建筑空间信息和所述设计条件文本信息的第二多模态数据的图谱特征以及竖向传力结构生成模型，可以快速得到竖向传力结构的设计结果的图谱特征，从而快速得到了建筑结构的设计结果，实现了建筑结构的抗侧力结构和竖向传力结构的一体化智能化设计，设计效率更高。并且，抗侧力结构生成模型是基于第一多模态数据的特征样本及对应的抗侧力结构的设计结果样本，以及第一物理性能评估器进行训练得到的，即该抗侧力结构生成模型是物理与多模态数据耦合驱动训练的模型，在对多模态数据学习的过程中考虑了物理性能，可靠性更高。同样的，竖向传力结构生成模型是基于第二多模态数据的图谱特征样本及对应的竖向传力结构的设计结果的图谱特征样本，以及第二物理性能评估器训练得到的，即该竖向传力结构生成模型是物理与多模态数据耦合驱动训练的模型，在对多模态数据学习的过程中也考虑了物理性能，同时基于图谱特征展开训练，考虑了关键结构构件之间的拓扑关系，可靠性更高。如此，实现了物理与多模态数据驱动的建筑结构生成方法，能够快速可靠地完成建筑结构的智能化设计。

基于以上实施例，所述抗侧力结构生成模型是通过如下方式进行训练的：

第一步、将所述第一多模态数据的特征样本，输入至预设神经网络模型，得到所述预设神经网络模型输出的抗侧力结构的设计结果。

实际应用中，可以预先构建物理-多模态数据耦合驱动训练的深度卷积神经网络模型，例如预设生成对抗网络，如图2所示，包括生成器和判别器。其中，生成器作为上述预设神经网络模型。

生成器和判别器可以为常规的深度神经网络模型。生成器用于通过对多模态数据进行卷积运算来实现多模态数据特征的编码、提取和融合，并通过反卷积运算进行特征的解码，进而得到抗侧力结构的设计结果。判别器用于通过对生成器输出的抗侧力结构的设计结果和抗侧力结构的设计结果样本分别进行卷积运算，从而对生成器输出的抗侧力结构的设计结果进行真伪判别。

抗侧力结构的设计结果可以通过图像的形式表示。因此，上述生成器可以为图像生成器，判别器可以为图像判别器。

实施中，可以预先创建用于训练抗侧力结构生成模型的数据集，如图3所示，可以通过获取的配套的建筑设计图纸样本、结构设计图纸样本、设计条件文本样本，利用结构设计经验对其进行关键元素和关键信息的提取得到。

其中，提取的关键元素可以包括框架柱、剪力墙、连梁和框架梁这些关键结构构件和隔墙等，还可以包括建筑功能分区和建筑荷载分区，等等。提取的关键信息则可以包括抗震设防烈度、结构总高度(即结构总高)、标准层平面所在的高度等设计条件文本信息。基于此，所述第一多模态数据的特征样本及对应的抗侧力结构的设计结果样本是通过如下方式获得的：首先，如图3所示，从建筑设计图纸样本中提取建筑构件信息的特征样本，从所述建筑设计图纸样本和结构设计图纸样本中提取建筑空间信息的特征样本，从设计条件文本中提取设计条件文本信息的特征样本，以得到所述第一多模态数据的特征样本；从所述结构设计图纸样本中提取所述抗侧力结构的设计结果样本。其中，所述建筑构件信息的特征样本中，以不同颜色的图元表征不同的建筑构件特征；所述建筑空间信息的特征样本中，以不同颜色的图块表征不同的建筑功能分区的布置，以及以不同灰度表征不同的建筑荷载分区的布置，还可以以不同的浮点数或整数来表征不同的建筑功能分区的布置和不同的建筑荷载分区的布置，目的是将不同的建筑功能分区的布置和不同的建筑荷载分区的布置进行有效的区分；所述设计条件文本信息的特征样本为设计条件文本信息转换的特征向量；所述抗侧力结构的设计结果样本中，以不同颜色的图元表征不同抗侧力构件的特征。

示例性的，在提取的建筑构件信息的特征样本中，可使用灰色图元代表可布置隔墙的布置，绿色图元代表窗，洋红色图元代表室内门洞，蓝色图元代表室外门洞。

示例性的，如图3所示，在建筑空间信息的特征样本中，可以使用不同RGB颜色的图块来表征不同的建筑功能分区的布置的信息的特征，使用不同的灰度数值表征不同的建筑荷载分区的布置的信息的特征。举例来说，RGB颜色(204,204,0)代表会议室，RGB颜色(127,63,79)代表活动室，RGB颜色(127,255,127)代表教室，RGB颜色(0,153,153)代表卫生间，RGB颜色(127,63,79)代表活动室，RGB颜色(255,159,127)代表门厅，RGB颜色(204,204,0)代表会议室，RGB颜色(204,102,127)代表电梯间，RGB颜色(255,127,0)代表楼梯间，即使用不重复的颜色来表征不同的建筑功能分区的布置的信息的特征即可，如此，最终可以使用一个通道数目为3的三维张量来表征建筑功能分区的布置的信息的特征。实施中，可以预先定义荷载的灰度表征规则，即灰度数值与建筑荷载分区的对应关系，比如，使用1表征0.1kN/m²的建筑荷载分区，255表征25.5kN/m²的建筑荷载分区，如此，可以使用一个灰度二维矩阵表征建筑荷载分区的布置的信息的特征。

示例性的，在设计条件文本信息转换成的特征向量样本中，抗震设防烈度、结构总高度以及标准层平面所在的高度提取为数字，并用向量表征，举例来说，若抗震设防烈度为8度、结构总高度为24m，标准层平面所在的高度为9m，则使用[8，24，9]的向量来表征。

在抗侧力结构的设计结果样本中，可以使用不同的颜色的图元表征不同的抗侧力结构的构件特征，示例性的，使用红色图元代表剪力墙和框架柱，图3中以方形的点状示意。

在数据集创建完毕之后，可以随机划分为训练集和测试集，示例性的，训练集可占数据集的80％，测试集可占数据集的20％。该数据集包括输入标签数据和输出目标的标签数据(即输出标签数据)。输入标签数据包括第一多模态数据的特征样本。输出目标的标签数据则包括抗侧力结果的设计结果样本。

将训练集输入预设神经网络模型进行训练，使其掌握基本的抗侧力结构的生成能力，能够输出相应的抗侧力结构的设计结果。

需要说明的是，在完成训练之后，由于最终的目标是进行结构设计，因此，模型的实际应用中，不需要结构设计图纸，只需要建筑设计图纸。具体的，可以从建筑设计图纸中提取建筑构件信息的特征，从建筑设计图纸中提取建筑功能分区的信息的特征以及获取用户根据设计需求设置的建筑荷载分区的信息的特征，以得到建筑空间信息的特征，以及获取用户根据设计需求设置的设计条件文本信息的特征，以得到第一多模态数据的特征。

第二步、将所述预设神经网络模型输出的抗侧力结构的设计结果，输入至所述第一物理性能评估器，得到所述预设神经网络模型输出的抗侧力结构的设计结果的物理性能数据。

这里的第一物理性能评估器为神经网络代理模型。实施中，可以预先训练该第一物理性能评估器。所述第一物理性能评估器可以是通过如下方式进行训练的：首先，基于第一物理性能计算模型，对所述抗侧力结构的设计结果样本，计算物理性能数据，以得到所述抗侧力结构的设计结果样本对应的物理性能数据样本。然后，基于所述抗侧力结构的设计结果样本及对应的物理性能数据样本，对第一预设模型训练，得到所述第一物理性能评估器。

其中的第一物理性能计算模型可以为多自由度剪切层模型或多自由度弯剪耦合模型，用于计算抗侧力结构的结构整体变形，该结构整体变形包括每一楼层的位移。下面以多自由度剪切层模型为例进行具体说明。

具体地，首先基于图形学方法提取抗侧力结构的设计结果样本中的抗侧力结构(包括框架柱和/或剪力墙)的矢量数据，并提取建筑空间信息的特征样本中的建筑外轮廓矢量数据。其中，剪力墙的矢量数据可以包含每一墙段的端点的坐标，框架柱的矢量数据至少包含框架柱的截面的中心的坐标，也可包含详细框架柱的轮廓的坐标。

然后，根据抗侧力结构的设计结果样本中抗侧力结构(包括框架柱和/或剪力墙)的矢量数据和建筑空间信息的特征样本中的建筑外轮廓矢量数据，计算楼层质量与楼层刚度，进而构建建筑结构的质量矩阵和刚度矩阵，以得到建筑结构的多自由度剪切层模型。

以框架结构为例，多自由度剪切层模型的弹性参数包括各楼层的质量以及剪切刚度，由于多层钢筋混凝土框架结构的水平布置以及竖向布置通常相对比较规则，可以假设质量和刚度沿竖向均匀分布，因此可以将结构的弹性参数简化为两个参数，即结构的单层质量m以及结构层间剪切刚度k₀。

结构的单层质量m可以根据结构的单层面积A以及单位建筑面积的质量m₁按照式(1)进行计算。

m＝m₁A (1)

建筑单层面积A可以根据建筑外轮廓矢量数据计算得到。单位建筑面积的质量m₁可以根据结构类型以及使用功能进行估算。

结构层间剪切刚度k₀可以根据单层质量m以及结构的一阶动力特性按照式(2)进行计算，式(2)中，ω₁为一阶自振频率，T₁为结构一阶自振周期，可按式(5)和式(6)取得，[A]和[I]分别为刚度矩阵[K]和质量矩阵[M]的系数矩阵，如式(3)和式(4)所示，[Φ₁]是结构一阶振型的振型向量，可用数据统计和经验公式获得。

对于钢筋混凝土框架结构，结构的一阶周期可以采用GB50009-2012《中国建筑结构荷载规范》中建议的公式计算，如式(5)所示。

T₁＝(0.05～0.1)n (5)

式中，n为钢筋混凝土框架结构结构层数。

如果结构的平面形状长短轴方向尺寸相差较大，此时，按照式(5)计算的周期可能难以较好反映结构的平面形状特性，这时，可以采用式(6)计算结构两个方向的平动周期。

式中，H为房屋高度，B为房屋平面宽度，H和B的单位都是m。

之后，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，将结构的单层质量m以及结构层间剪切刚度k₀输入多自由度剪切层模型，在模型中，可基于结构的刚度矩阵[K]和质量矩阵[M]，通过振型分解反应谱法，对框架结构进行结构力学响应计算与性能分析，以计算结构整体变形。基于结构整体变形，得到结构的最大层间位移角，能够反映结构最大层间侧向变形。基于结构的最大层间位移角，确定结构的层间变形性能。结构的层间变形性能Score_θ可采用式(7)计算。

式中，θ_limit为结构的层间位移角限值，θ_max为计算所得结构的最大层间位移角。

之后，可基于大量的抗侧力结构的设计结果样本和对应的层间变形性能Score_θ构建第一物理性能评估器的训练用的数据集。然后，可以使用卷积神经网络创建第一预设模型，进而使用上述数据集对该第一预设模型进行训练，使其能够较为准确的预测给定的抗侧力结构的设计结果的物理性能数据，即得到第一物理性能评估器。

第三步、确定所述预设神经网络模型输出的抗侧力结构的设计结果与所述抗侧力结构的设计结果样本之间的损失值，作为第一损失值。

具体的，抗侧力结构的设计结果以图像表示时，第一损失值则为两个图像之间的损失，称为图像损失值。

第四步、基于所述预设神经网络模型输出的抗侧力结构的设计结果的物理性能数据，确定所述预设神经网络模型输出的抗侧力结构的设计结果在物理性能上的损失值，作为第二损失值。

第五步、确定所述预设神经网络模型输出的抗侧力结构的设计结果在预设知识规则上的损失值，作为第三损失值；所述预设知识规则用于表征抗侧力结构所需满足的知识规则。这里的第三损失值也称为知识规则损失值。

具体的，可以基于知识规则评估器，确定预设神经网络模型输出的抗侧力结构的设计结果在预设知识规则上的损失值。知识规则评估器是一个损失值计算模型，用于评估抗侧力结构的设计结果在预设知识规则上的损失值，能够表征抗侧力结构的设计结果对于建筑结构设计经验知识的满足程度，也称抗侧力结构的知识规则性能。

预设知识规则可以包括抗侧力结构的空间位置所需满足的知识规则。

确定所述预设神经网络模型输出的抗侧力结构的设计结果在预设知识规则上的损失值，作为第三损失值Score_rule，具体可以包括：若所述建筑结构为框架结构，按照如下公式(即知识规则评估器)计算所述预设神经网络模型输出的抗侧力结构的设计结果在预设知识规则上的损失值Score_rule：

式中，p为所有框架柱的总数，n_xi表示与第i根框架柱在x方向上对齐的框架柱的数量，n_yi表示与第i根框架柱在y方向上对齐的框架柱的数量。如此，基于框架柱的空间位置所需满足的规则，得到了框架结构在预设知识规则上的损失值。所述x方向和y方向为预设的两个正交的方向。

第六步、基于所述第一损失值、所述第二损失值和所述第三损失值，确定所述预设神经网络模型的损失值。

本步骤中，将第一损失值、第二损失值和第三损失值耦合，得到了预设神经网络模型的损失值，具体的，可以对第一损失值、第二损失值和第三损失值加权求平均，得到预设神经网络模型的损失值Loss_G。

Loss_G＝γ_imageLoss_image+γ_phyLoss_phy+γ_ruleLoss_rule (9)

式中，γ_image为第一损失值Loss_image的权重系数，γ_phy为第二损失值Loss_phy的权重系数，γ_rule为第三损失值Loss_rule的权重系数。

第七步、如图2所示，基于所述预设神经网络模型的损失值，优化所述预设神经网络模型的参数，直至所述预设神经网络模型收敛。

实施中，对于预设生成对抗网络来说，还需要将生成器输出的抗侧力结构的设计结果，输入至判别器，得到生成器输出的抗侧力结构的设计结果的真伪判定结果。具体的，基于判别器的真伪判定结果以及所述预设神经网络模型的损失值，优化所述预设神经网络模型的参数，直至所述预设神经网络模型收敛。

第八步、将收敛后的所述预设神经网络模型作为所述抗侧力结构生成模型。

本实施例中的方式，可以实现对建筑结构设计的经验知识、物理规律与数据特征的学习，得到的抗侧力结构的生成模型的可靠性更高。

基于以上实施例，所述竖向传力结构生成模型是通过如下方式进行训练的：

第一步，将所述第二多模态数据的图谱特征样本输入至预设图(Graph)神经网络模型，得到所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征。

实施中，如图4和图5所示，可以预先构建物理-多模态数据耦合驱动训练的深度图神经网络模型，以及创建用于训练的数据集。该数据集可以通过图谱特征表示，图谱由节点(Node)和边(Edge)构成。基于此，所述第二多模态数据的图谱特征样本及对应的竖向传力结构的设计结果的图谱特征样本是通过如下方式获得的：从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中提取关键结构构件的拓扑关系并表征为图谱；将所述建筑空间信息的特征样本转换成所述图谱的节点中的特征和边中的特征；将所述设计条件文本信息的特征样本转换成所述图谱的节点中的特征和边中的特征；将所述图谱中抗侧力结构对应的部分图谱特征作为所述第二多模态数据的图谱特征样本；将所述图谱中竖向传力结构对应的部分图谱特征作为所述竖向传力结构的设计结果的图谱特征样本。如此，得到了物理-多模态数据耦合驱动训练的深度图神经网络模型的数据集。

其中，所述从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中提取关键结构构件的拓扑关系并表征为图谱，具体可以包括：若所述建筑结构为框架结构，从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中，提取框架柱和框架梁的拓扑关系，并表征为图谱的节点和边；若所述建筑结构为框架-剪力墙结构，从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中，提取框架柱、剪力墙、框架梁和连梁的拓扑关系，并表征为图谱中的节点和边；若所述建筑结构为剪力墙结构，从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中，提取剪力墙、框架梁和连梁的拓扑关系，并表征为图谱中的节点和边。

示例性的，若所述建筑结构为框架结构，从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中提取框架柱和框架梁的拓扑关系，并可以表征为以框架柱为节点且以框架梁为边的图谱；若所述建筑结构为框架-剪力墙结构，从所述抗侧力结构的设计结果样本中提取框架柱、剪力墙、连梁和框架梁的拓扑关系，并可以表征为以框架柱和剪力墙的端点为节点且以连梁、框架梁和剪力墙为边的图谱；若所述建筑结构为剪力墙结构，从所述抗侧力结构的设计结果样本中提取剪力墙、连梁和框架梁的拓扑关系，并可以表征为以剪力墙的端点为节点且以连梁、框架梁和剪力墙为边的图谱。

以上所述的框架结构、框架-剪力墙结构、剪力墙结构的图谱提取方式，仅是举例并非限定，也可以采用其它的方式。

以框架结构为例，采用框架柱作为节点，框架梁作为边。具体的，首先，使用图形学方法对抗侧力结构的设计结果样本的图像进行框架柱的轮廓提取，计算框架柱的轮廓表征的多边形的中心，作为节点，其中，框架柱的中心的坐标作为框架柱对应的节点的坐标特征。

实施中，可以将框架柱对应的节点的坐标特征，以向量表示，例如，若框架柱的中心的坐标为x＝2，y＝5，则[2，5]即为该框架柱对应的节点的坐标特征。

其次，基于节点的坐标特征，在竖向传力结构的设计结果样本的图像中，获取任两个节点构成的线段在对应的竖向传力结构的设计结果样本的图像上对应的像素值，若线段中所有像素点中有大于或者等于预设比例的像素点的像素值为表征框架梁的像素值，则该两个节点之间存在表示框架梁的边，否则，该两个节点之间不存在连接关系。示例性的，其中的预设比例可以为80％。例如，若两个节点之间对应的像素点共1000个，其中有900个为表示梁的黄色RGB像素值，则梁的像素值占比为90％，大于80％，该两个节点之间存在表示框架梁的边。

对于框架-剪力墙结构中的框架柱，采用如上述框架结构中的节点提取方法一致的方法来提取。

对于框架-剪力墙结构中的剪力墙，首先，可提取每片剪力墙的端点作为节点。端点的坐标作为节点的坐标特征，以向量表示。除了节点的坐标特征，还存在节点的种类特征，示例性的，以0表示框架柱对应的节点，以1表示剪力墙的端点对应的节点。然后，基于节点的坐标特征，在竖向传力结构的设计结果样本的图像中，获取任两个节点构成的线段在对应的竖向传力结构的设计结果样本的图像上对应的像素值，若线段中所有像素点中有大于或者等于预设比例的像素点的像素值为表征剪力墙或者梁的像素值，则该两个节点之间存在表示剪力墙或者框架梁的边，否则，该两个节点之间不存在连接关系。框架-剪力墙结构中可以包括4类边的种类特征，并以不同的符号进行表示，其中：第一类表示两节点之间无连接关系，示例性的，用0表示；第二类表示两节点之间为剪力墙，示例性的，用1表示；第三类表示两节点之间为框架梁，示例性的，用2表示；第四类表示两节点之间为连梁，示例性的，用3表示。

对于框架结构和剪力墙结构，以上节点的种类特征和边的种类特征的定义方式仍然是适用的。

其中，所述将所述建筑空间信息的特征样本转换成所述图谱的节点中的特征和边中的特征，具体可以包括：将所述图谱的节点对应的建筑功能分区的种类和建筑荷载分区的种类以向量形式表征成所述图谱的节点中的特征；将所述图谱的边对应的建筑功能分区的种类和建筑荷载分区的种类以向量形式表征成所述图谱的边中的特征。

具体的，将图谱的节点和边投影在建筑空间信息的特征样本中，将节点附近的建筑功能分区种类和建筑荷载分区种类分别以固定维度的向量形式表征为特征。示例性的，以不重复的正整数表征不同的建筑功能分区的种类，以0表征空位，节点附近的建筑功能分区的种类总数不超过第一预设值，例如不超过4种。以建筑荷载分区对应灰度正整数表征不同的建筑荷载分区的种类，以0表征空位，种类总数不超过第二预设值，例如不超过4种。将边所跨越的建筑功能分区的种类和建筑荷载分区的种类以向量形式表征为特征，建筑功能分区的种类和建筑荷载分区的种类的总数均不超过第三预设值，例如不超过10种。例如，若某节点附近有建筑功能分区的种类1、2、10，有建筑荷载分区的种类为45、25，则以维度为1×8的向量[1，2，10，0，45，25，0，0]表征建筑空间信息的特征样本需转换到节点中的特征，即节点中的建筑空间信息特征。例如，若某条边共跨越5种建筑功能分区的种类：1、2、10、8、5，跨越建筑荷载分区的种类3种：45、25、10，则以维度为1×20的向量[1，2，10，8，5，0，0，0，0，0，45，25，10，0，0，0，0，0，0，0]表征建筑空间信息的特征样本需转换到边中的特征，即边中的建筑空间信息的特征。

其中，所述将所述设计条件文本信息的特征样本转换成所述图谱的节点中的特征和边中的特征，具体可以包括：将所述设计条件文本信息的特征样本作为所述图谱的节点中的特征；将所述设计条件文本信息的特征样本作为所述图谱的边中的特征。

具体的，文本设计条件信息的特征样本则可以直接添加到节点和边的特征中，例如，若抗震设防烈度为8度、结构总高度为24m，标准层平面所在的高度为9m，则基于[8，24，9]的向量，来确定节点中的文本设计条件信息的特征和边中的文本设计条件信息的特征。

之后，将节点中的向量形式的种类特征、坐标特征、建筑空间信息的特征、文本设计条件信息的特征在向量长度方向依次进行拼接，得到节点的特征；将边中的向量形式的种类特征、建筑空间信息的特征、文本设计条件信息的特征在向量长度方向依次进行拼接，得到边的特征。对拼接进行举例说明，一个特征[a,b]，一个特征是[c,d]，拼接起来就[a,b,c,d]。

竖向传力结构生成模型的数据集也可直接从收集到的配套的建筑空间信息、设计条件文本信息以及对应的结构设计图样本的数据中提取所得，只需使得数据的格式符合神经网络训练的要求即可。

在图神经网络训练时，对于框架结构而言，竖向传力结构生成模型的数据集中，训练用的第二多模态数据的图谱特征样本，也就是输入的图谱标签数据中：节点的特征保持不变，而边的特征中删除种类特征；图谱中竖向传力结构对应的部分图谱特征，即输出的目标数据，为边的种类特征。

对于框架-剪力墙结构和剪力墙结构而言，训练用的第二多模态数据的特征样本，也就是输入的图谱标签数据中：节点的特征保持不变，而边的特征中仅保留剪力墙的种类特征；图谱中竖向传力结构对应的部分图谱特征，即输出的目标数据，为表示梁的边的种类特征。

在数据集创建完毕之后，可以随机划分为训练集和测试集，训练集可占数据集的80％，测试集可占数据集的20％。数据集包括输入标签数据和输出目标数据。将训练集输入预设图神经网络模型进行训练，使得该预设图神经网络模型掌握基本的竖向传力结构的设计结果的图谱特征的生成能力，能够输出相应的竖向传力结构的设计结果的图谱特征。

第二步，将所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征，输入至所述第二物理性能评估器，得到所述预设图神经网络模型输出的抗侧力结构的设计结果的图谱特征的物理性能数据。

这里的第二物理性能评估器为神经网络代理模型。基于以上实施例，所述第二物理性能模型是通过如下方式进行训练的：首先，基于第二物理性能计算模型，对所述竖向传力结构的设计结果的图谱特征样本，计算物理性能数据，以得到所述竖向传力结构的设计结果的图谱特征样本对应的物理性能数据样本。然后，基于所述竖向传力结构的设计结果的图谱特征样本及对应的物理性能数据样本，对第二预设模型训练，得到所述第二物理性能评估器。

其中的第二物理性能计算模型可以为竖向变形计算模型，用于计算竖向变形，包括结构的最大竖向位移。

以框架结构为例，可以根据图谱中节点的坐标特征和边所表示的连接关系，构建框架结构的有限元模型，其中，有限元模型中的结构构件的尺寸可以依照混凝土结构设计规范来确定。从竖向传力结构的设计结果的图谱特征样本中，获取边的建筑空间信息的特征中的荷载分区的信息，对获取的荷载分区的信息取均值，将该均值乘以预设的作用宽度(即荷载作用的宽度)，作为边的荷载；将预先计算的框架结构的重力荷载和边的荷载，输入有限元模型，得到结构的最大竖向位移，基于结构的最大竖向位移，确定物理性能数据Score_disp，可采用式(10)计算。

式中，disp_limit为结构的竖向位移限值，disp_max为计算所得的结构最大竖向位移。

之后，可基于大量的竖向传力结构的设计结果和其对应的物理性能数据Score_disp构建第二物理性能评估器的训练用数据集。可以使用图神经网络模型创建第二预设模型，进而使用上述数据集对该第二预设模型进行训练，使其能够较为准确的预测给定的竖向传力结构的设计结果的图谱特征的物理性能数据。

第三步，确定所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征与所述竖向传力结构的设计结果的图谱特征样本之间的图谱损失值，作为第四损失值。

具体的，可以通过图神经网络模型输出的竖向传力结构的设计结果的图谱特征与竖向传力结构的设计结果的图谱特征样本之间的相似度，来确定第四损失值。

第四步，基于所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征的物理性能数据，确定所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征在物理性能上的损失值，作为第五损失值。可以将第二物理性能评估器对竖向传力结构的设计结果的图谱特征样本计算的物理性能数据作为第五损失值。

第五步，基于所述第四损失值和所述第五损失值，确定所述预设图神经网络模型的损失值。

具体的，将第四损失值和第五损失值耦合，得到所述预设图神经网络模型的损失值，具体的，可以对第四损失值和第五损失值加权求平均，得到预设图神经网络模型的损失值Loss_graph：

Loss_graph＝γ_struct-graphLoss_struct-graph+γ_phy-graphLoss_phy-graph (11)

式中，γ_struct-graph为第四损失值Loss_struct-graph的权重系数，γ_phy-graph为第五损失值Loss_phy-graph的权重系数。

第六步，如图4所示，基于所述预设图神经网络模型的损失值，优化所述预设图神经网络模型的参数，直至所述预设图神经网络模型收敛。

第七步，将已收敛的所述预设图神经网络模型作为所述竖向传力结构生成模型。

本实施例中的方式，可以实现对建筑结构设计的经验知识、物理规律与数据特征的学习，得到的竖向传力结构的生成模型的可靠性更高。

本实施例的方案中，通过物理-多模态数据驱动的深度卷积神经网络模型和深度图神经网络模型，实现对建筑结构设计的经验知识、物理规律与数据特征的学习，得到建筑结构的抗侧力结构和竖向传力结构的设计，提高了结构设计的效率与最终的设计结果的可靠性。

对模型评估时，模型评估的指标Eva_model为图像评估指标、力学评估指标、图谱评价指标的加权平均，评估合格的模型可用于建筑结构的设计。

其中，图像评估指标Eva_image可采用模型生成的设计结果与目标设计结果的像素图之间的交并比来计算得到，如式(12)所示：

式中，c是目标类别，y是目标设计结果的像素值，

是模型生成的设计结果的像素值。这里的目标类别即建筑结构的抗侧力结构中的关键结构构件和竖向传力结构中的关键结构构件的类别。以框架结构为例，包括框架柱和框架梁两个类别。

力学评估指标Eva_phy可采用式(7)所示的结构的层间变形性能Score_θ和式(10)所示的结构的物理性能数据Score_disp的组合来计算得到，如式(13)所示：

Eva_phy＝2-Score_θ-Score_disp (13)

图谱评价指标Eva_graph可采用模型生成的设计结果与目标设计结果的Graph表征之间的相似度来计算得到，如式(14)所示：

Eva_graph＝GraphSimilarity(Graph_output,Graph_target) (14)

式中，Graph_output和Graph_target分别为模型生成的设计结果与目标设计结果的Graph表征，所谓Graph表征，即为将设计结果用图谱表示，以框架结构为例，将框架柱表示为图谱的节点，将框架梁表示为图谱的边，这与前文的描述是一致的；GraphSimilarity()表示某种图谱相似度计算函数，比如，可以取Weisfeiler-Lehman核函数方法。

上述图像评估指标Eva_image、力学评估指标Eva_phy、图谱评价指标Eva_graph的定义方法仅是举例并非限定，也可以采用其他方法。

那么，模型评估的指标Eva_model可用式(15)计算：

Eva_model＝λ_imageEva_image+λ_phyEva_phy+λ_graphEva_graph (15)

式中，λ_image为图像评估指标Eva_image的权重系数，λ_phy为力学评估指标Eva_phy的权重系数，λ_graph为图谱评价指标Eva_graph的权重系数。

图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(Processor)610、通信接口(Communications Interface)620、存储器(Memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行物理与多模态数据驱动的建筑结构生成方法，该方法包括：

此外，上述的存储器630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物理与多模态数据驱动的建筑结构生成方法，该方法包括：

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物理与多模态数据驱动的建筑结构生成方法，该方法包括：

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

1.一种物理与多模态数据驱动的建筑结构生成方法，其特征在于，包括：

2.根据权利要求1所述的物理与多模态数据驱动的建筑结构生成方法，其特征在于，所述抗侧力结构生成模型是通过如下方式进行训练的：

将所述第一多模态数据的特征样本，输入至预设神经网络模型，得到所述预设神经网络模型输出的抗侧力结构的设计结果；

将所述预设神经网络模型输出的抗侧力结构的设计结果，输入至所述第一物理性能评估器，得到所述预设神经网络模型输出的抗侧力结构的设计结果的物理性能数据；

确定所述预设神经网络模型输出的抗侧力结构的设计结果与所述抗侧力结构的设计结果样本之间的损失值，作为第一损失值；

基于所述预设神经网络模型输出的抗侧力结构的设计结果的物理性能数据，确定所述预设神经网络模型输出的抗侧力结构的设计结果在物理性能上的损失值，作为第二损失值；

确定所述预设神经网络模型输出的抗侧力结构的设计结果在预设知识规则上的损失值，作为第三损失值；所述预设知识规则用于表征抗侧力结构所需满足的知识规则；

基于所述第一损失值、所述第二损失值和所述第三损失值，确定所述预设神经网络模型的损失值；

基于所述预设神经网络模型的损失值，优化所述预设神经网络模型的参数，直至所述预设神经网络模型收敛；

将收敛后的所述预设神经网络模型作为所述抗侧力结构生成模型。

3.根据权利要求2所述的物理与多模态数据驱动的建筑结构生成方法，其特征在于，所述预设知识规则包括抗侧力结构的空间位置所需满足的知识规则。

4.根据权利要求1所述的物理与多模态数据驱动的建筑结构生成方法，其特征在于，所述竖向传力结构生成模型是通过如下方式进行训练的：

将所述第二多模态数据的图谱特征样本输入至预设图神经网络模型，得到所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征；

将所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征，输入至所述第二物理性能评估器，得到所述预设图神经网络模型输出的抗侧力结构的设计结果的图谱特征的物理性能数据；

确定所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征与所述竖向传力结构的设计结果的图谱特征样本之间的图谱损失值，作为第四损失值；

基于所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征的物理性能数据，确定所述预设图神经网络模型输出的竖向传力结构的设计结果的图谱特征在物理性能上的损失值，作为第五损失值；

基于所述第四损失值和所述第五损失值，确定所述预设图神经网络模型的损失值；

基于所述预设图神经网络模型的损失值，优化所述预设图神经网络模型的参数，直至所述预设图神经网络模型收敛；

将已收敛的所述预设图神经网络模型作为所述竖向传力结构生成模型。

5.根据权利要求1至4任一项所述的物理与多模态数据驱动的建筑结构生成方法，其特征在于，所述第一多模态数据的特征样本及对应的抗侧力结构的设计结果样本是通过如下方式获得的：

从建筑设计图纸样本中提取建筑构件信息的特征样本，从所述建筑设计图纸样本和结构设计图纸样本中提取建筑空间信息的特征样本，从设计条件文本中提取设计条件文本信息的特征样本，以得到所述第一多模态数据的特征样本；

从所述结构设计图纸样本中提取所述抗侧力结构的设计结果样本。

6.根据权利要求1所述的物理与多模态数据驱动的建筑结构生成方法，其特征在于，所述第二多模态数据的图谱特征样本及对应的竖向传力结构的设计结果的图谱特征样本是通过如下方式获得的：

从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中提取关键结构构件的拓扑关系并表征为图谱；

将所述建筑空间信息的特征样本转换成所述图谱的节点中的特征和边中的特征；

将所述设计条件文本信息的特征样本转换成所述图谱的节点中的特征和边中的特征；

将所述图谱中抗侧力结构对应的部分图谱特征作为所述第二多模态数据的图谱特征样本；

将所述图谱中竖向传力结构对应的部分图谱特征作为所述竖向传力结构的设计结果的图谱特征样本。

7.根据权利要求6所述的物理与多模态数据驱动的建筑结构生成方法，其特征在于，所述从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中提取关键结构构件的拓扑关系并表征为图谱，包括：

若所述建筑结构为框架结构，从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中，提取框架柱和框架梁的拓扑关系，并表征为图谱中的节点和边；

若所述建筑结构为框架-剪力墙结构，从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中，提取框架柱、剪力墙、框架梁和连梁的拓扑关系，并表征为图谱中的节点和边；

若所述建筑结构为剪力墙结构，从所述抗侧力结构的设计结果样本和对应的竖向传力结构的设计结果样本中，提取剪力墙、框架梁和连梁的拓扑关系，并表征为图谱中的节点和边。

8.根据权利要求6所述的物理与多模态数据驱动的建筑结构生成方法，其特征在于，所述将所述建筑空间信息的特征样本转换成所述图谱的节点中的特征和边中的特征，包括：

将所述图谱的节点对应的建筑功能分区的种类和建筑荷载分区的种类以向量形式表征成所述图谱的节点中的特征；

将所述图谱的边对应的建筑功能分区的种类和建筑荷载分区的种类以向量形式表征成所述图谱的边中的特征。

9.根据权利要求6所述的物理与多模态数据驱动的建筑结构生成方法，其特征在于，所述将所述设计条件文本信息的特征样本转换成所述图谱的节点中的特征和边中的特征，包括：

将所述设计条件文本信息的特征样本作为所述图谱的节点中的特征；

将所述设计条件文本信息的特征样本作为所述图谱的边中的特征。

10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至9任一项所述物理与多模态数据驱动的建筑结构生成方法的步骤。

11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述物理与多模态数据驱动的建筑结构生成方法的步骤。

12.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述物理与多模态数据驱动的建筑结构生成方法的步骤。