CN114880740B - 数据-力学-规则驱动的结构支撑智能化布置方法和装置 - Google Patents
数据-力学-规则驱动的结构支撑智能化布置方法和装置 Download PDFInfo
- Publication number
- CN114880740B CN114880740B CN202210444466.5A CN202210444466A CN114880740B CN 114880740 B CN114880740 B CN 114880740B CN 202210444466 A CN202210444466 A CN 202210444466A CN 114880740 B CN114880740 B CN 114880740B
- Authority
- CN
- China
- Prior art keywords
- structural
- design
- structural support
- arrangement
- rule
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种数据‑力学‑规则驱动的结构支撑智能化布置方法和装置，包括：将目标建筑不包含结构支撑布置设计的结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；矢量化输出结构平面布置像素图中结构支撑的布置位置；其中，智能化结构支撑布置设计模型，是经过数据驱动、数据‑力学耦合驱动和力学‑规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型。本发明通过对设计数据、力学规律和经验规则的同时学习，构建智能化结构支撑布置设计模型，利用智能化结构支撑布置设计模型可以实现结构支撑位置的高效智能化布置，提高结构设计效率与可靠性。
Description
技术领域
本发明涉及土木工程结构设计与人工智能的交叉领域，尤其涉及数据-力学-规则驱动的结构支撑智能化布置方法和装置。
背景技术
结构支撑是框架结构体系中提升结构抗侧能力的重要构件，但是因为结构支撑会影响建筑的室内空间使用，其布置方案的确定至关重要。
目前，通常采用两种方式实现工程中结构支撑的布置设计。第一种依赖人工，即由工程师通过反复试算和调整得到结构支撑布置设计方案。这种方式设计效率有限，难以与智能建造的发展需求相匹配，且设计成果难以有效的传承与利用。第一种是采用新兴的数据驱动的智能化工程结构设计技术进行结构支撑的布置设计，得到结构支撑布置设计方案。这种方式难以完全满足工程结构设计可靠性的需求。
因此，亟需提出更加智能化、高效的结构支撑布置设计技术。
发明内容
本发明的目的是提供一种数据-力学-规则驱动的结构支撑智能化布置方法和装置，以解决现有设计中结构支撑布置设计难以同时兼顾设计效率和设计可靠性的问题，实现数据特征、力学机理、设计规则耦合的结构支撑智能化布置。
第一方面，本发明提供一种数据-力学-规则驱动的结构支撑智能化布置方法，所述方法包括：
获取目标建筑不包含结构支撑布置设计的结构平面布置图；
将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；
矢量化输出所述结构平面布置像素图中结构支撑的布置位置；
其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型。
根据本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法，所述结构平面布置图，为目标建筑不包含结构支撑布置设计的结构构件布置位置像素图与结构构件截面尺寸掩码矩阵的哈达玛积；
其中，所述结构构件截面尺寸掩码矩阵中非零元素位置处存在结构构件，且非零元素位置处的元素值为相应结构构件截面尺寸的归一化值。
根据本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法，所述智能化结构支撑布置设计模型的构建过程，包括：
利用结构支撑布置设计样本构建数据集；其中，所述结构支撑布置设计样本包括：不包含结构支撑布置设计的结构平面布置图及其对应的理想的包含结构支撑布置设计的平面布置像素图；
构建结构支撑布置设计图像生成器；
构建真假判别器；
构建力学性能评估器；
构建规则评价器；
基于所述真假判别器、所述力学性能评估器和所述规则评价器，利用所述训练集，对所述结构支撑布置设计图像生成器进行数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三阶段协同训练和测试，并将测试合格的结构支撑布置设计图像生成器作为所述智能化结构支撑布置设计模型；
其中，所述结构支撑布置设计图像生成器，是以不包含结构支撑布置设计的结构平面布置图为输入，以包含结构支撑布置设计的结构平面布置像素图为输出的神经网络架构；
所述真假判别器，用于对包含结构支撑布置设计的结构平面布置像素图进行真伪判别；
所述力学性能评估器，用于对包含结构支撑布置设计的结构平面布置像素图进行特征提取，并映射输出该包含结构支撑布置设计的结构平面布置像素图对应的力学性能指标值；
所述规则评价器为包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度关于该包含结构支撑布置设计的结构平面布置像素图的映射函数。
根据本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法，所述力学性能评估器的构建过程，包括：
从建筑结构的设计资料中收集包含结构支撑布置设计的平面布置像素图；
基于结构计算软件自动建模技术，构建与收集的包含结构支撑布置设计的平面布置像素图相对应的力学计算模型；
利用所述力学计算模型，开展力学性能分析，得到收集的每一个包含结构支撑布置设计的平面布置像素图对应的力学性能指标值；
根据收集的每一个包含结构支撑布置设计的平面布置像素图及其对应的力学性能指标值构建力学性能评估数据集；
利用所述力学性能评估数据集，训练得到所述力学性能评估器。
根据本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法，所述规则评价器的构建过程，包括：
获取预先设定的设计规则；所述设计规则，包括：结构支撑沿建筑空间对称轴布置的对称性、结构支撑布置的中心与建筑空间整体结构平面质心的重合性和结构支撑布置位置与建筑空间的冲突性；
设定每一个设计规则对应的设计损失计算式；
将包含结构支撑布置设计的结构平面布置像素图在各个设计规则下的设计损失的加权和作为包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度；
构建包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度关于该包含结构支撑布置设计的结构平面布置像素图的映射函数，并将所述映射函数的实现器件作为所述规则评价器。
根据本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法，所述对所述结构支撑布置设计图像生成器进行数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三阶段协同训练，包括：
将包含结构支撑布置设计的结构平面布置像素图及其对应的理想的包含结构支撑布置设计的结构平面布置像素图两者间的一致性损失与包含结构支撑布置设计的结构平面布置像素图的真假判别损失的加权和作为数据损失；将包含结构支撑布置设计的结构平面布置像素图的力学性能损失作为力学损失；
将包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度作为规则损失；
将所述数据损失、所述力学损失和所述规则损失的加权和作为耦合训练损失函数；所述数据损失、所述力学损失和所述规则损失各自对应的权重的加和为1；
规定数据驱动训练阶段耦合训练损失函数中所述力学损失和所述规则损失对应的权重为0，数据-力学耦合驱动训练阶段耦合训练损失函数中所述规则损失对应的权重为0，所述力学-规则耦合驱动训练阶段耦合训练损失函数中所述数据损失对应的权重为0，以耦合训练损失函数优化对所述结构支撑布置设计图像生成器的参数，进而实现对所述结构支撑布置设计图像生成器的数据驱动、数据-力学耦合驱动和力学-规则耦合驱动的三阶段协同训练；
其中，所述包含结构支撑布置设计的结构平面布置像素图的力学性能损失，是基于包含结构支撑布置设计的结构平面布置像素图对应的力学性能指标值确定的。
根据本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法，所述“结构支撑沿建筑空间对称轴布置的对称性”设计规则对应的设计损失计算式如下：
上式中，Lrule_sym为“结构支撑沿建筑空间对称轴布置的对称性”设计规则对应的设计损失值，px,y为支撑构件布置张量图像中像素坐标(x，y)上的值，pL-x,y为支撑构件布置张量图像中像素坐标(L-x，y)上的值，L/2为建筑空间对称轴，H和L分别为包含结构支撑布置设计的结构平面布置像素图的高度和宽度；
所述“结构支撑布置的中心与建筑空间整体结构平面质心的重合性”设计规则对应的设计损失计算式如下：
Lrule_center＝|xmass-xb-stiff|+|ymass-yb-stiff|
上式中，(xmass,ymass)为建筑空间整体结构平面质心的坐标，其为与包含结构支撑布置设计的结构平面布置像素图相对应的建筑空间图像中所有非0像素坐标的均值；(xb-stiff,yb-stiff)为结构支撑布置的中心，其为支撑构件布置张量图像中所有非0像素坐标的均值；Lrule_center为“结构支撑布置的中心与建筑空间整体结构平面质心的重合性”设计规则对应的设计损失值；
所述“结构支撑布置位置与建筑空间的冲突性”设计规则对应的设计损失计算式如下：
Lrule_space＝Tspace⊙Tbrace
上式中，Tspace为与包含结构支撑布置设计的结构平面布置像素图相对应的可行域空间张量，Tbrace为支撑构件布置张量图像，Lrule_space为“结构支撑布置位置与建筑空间的冲突性”设计规则对应的设计损失值；
其中，所述支撑构件布置张量图像，为将所述包含结构支撑布置设计的结构平面布置像素图中位于非结构支撑范围的像素坐标上的值置为0后得到的；
所述与包含结构支撑布置设计的结构平面布置像素图相对应的可行域空间张量，为将与包含结构支撑布置设计的结构平面布置像素图相对应的建筑空间图像中不能设置支撑的空间矩阵赋值为1，可以设置支撑的空间矩阵赋值为0得到的。
第二方面，本发明还提供一种数据-力学-规则驱动的结构支撑智能化布置装置，所述装置包括：
获取模块，用于获取目标建筑不包含结构支撑布置设计的结构平面布置图；
输入模块，用于将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；
矢量化模块，用于矢量化输出所述结构平面布置像素图中结构支撑的布置位置；
其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型。
第三方面，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数据-力学-规则驱动的结构支撑智能化布置方法。
第四方面，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如上述任一种所述数据-力学-规则驱动的结构支撑智能化布置方法。
本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法和装置，预先构建数据-力学-规则驱动的智能化结构支撑布置设计模型，该模型同时对既有设计数据、力学机理和经验性的设计规则进行有效学习，掌握结构支撑布置机理。获取目标建筑不包含结构支撑布置设计的结构平面布置图；将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；矢量化输出所述结构平面布置像素图中结构支撑的布置位置；利用智能化结构支撑布置设计模型实现了结构支撑位置的高效智能化布置，提高结构设计效率与可靠性。
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是本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法流程图；
图2是本发明提供的结构支撑布置设计图像生成器的一种初始架构图；
图3是本发明提供的真假判别器初始架构和力学性能评估器均可采用的一种初始架构图；
图4是本发明提供的结构支撑布置设计图像生成器训练过程示意图；
图5是本发明提供的力学性能评估器损失随迭代步数的变化示意图；
图6是本发明提供的结构支撑布置设计图像生成器数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段协同训练过程示意图；
图7是本发明提供的数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段下数据损失、力学损失和规则损失的变化示意图；
图8是本发明提供的数据-力学-规则驱动的结构支撑智能化布置装置结构图；
图9是本发明提供的实现数据-力学-规则驱动的结构支撑智能化布置方法的电子设备结构示意图；
附图标记：
a：数据损失，b：力学损失，c：规则损失。
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。
下面结合图1至图9描述本发明数据-力学-规则驱动的结构支撑智能化布置方法和装置。
第一方面，如图1所示，本发明提供一种数据-力学-规则驱动的结构支撑智能化布置方法，包括：
S11、获取目标建筑不包含结构支撑布置设计的结构平面布置图；
S12、将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；
S13、矢量化输出所述结构平面布置像素图中结构支撑的布置位置；
本发明采用基于Python-OpenCV的计算机视觉处理方法，将目标建筑包含结构支撑布置设计的结构平面布置像素图中建筑轴线与结构构件像素轮廓求交线提取构件的矢量结果，以得到结构支撑的布置位置。
其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型。
本发明提供的数据-力学-规则驱动的结构支撑智能化布置方法，预先构建数据-力学-规则驱动的智能化结构支撑布置设计模型，该模型同时对既有设计数据、力学机理和经验性的设计规则进行有效学习，掌握结构支撑布置机理。获取目标建筑不包含结构支撑布置设计的结构平面布置图；将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；矢量化输出所述结构平面布置像素图中结构支撑的布置位置；利用智能化结构支撑布置设计模型实现了结构支撑位置的高效智能化布置，提高结构设计效率与可靠性。
在上述各实施例的基础上，作为一种可选的实施例，所述结构平面布置图，为目标建筑不包含结构支撑布置设计的结构构件布置位置像素图与结构构件截面尺寸掩码矩阵的哈达玛积；
其中，所述结构构件截面尺寸掩码矩阵中非零元素位置处存在结构构件，且非零元素位置处的元素值为相应结构构件截面尺寸的归一化值。
本实施例中，结构构件包括：墙、柱和梁；
目标建筑不包含结构支撑布置设计的结构构件布置位置像素图，为目标建筑除结构支撑外的结构构件的布置位置像素图，在该布置位置像素图中墙、柱与梁等构件的像素宽度按照固定的缩放比确定，缩放比即实际宽度与像素单元宽度的比例。
结构构件截面尺寸掩码矩阵中墙、柱与梁等构件位置与结构构件布置位置像素图对应。
本发明提供了建筑结构对应的不包含结构支撑布置设计的结构平面布置图的生成方式，为后续结构支撑智能化布置提供方便。
在上述各实施例的基础上，作为一种可选的实施例，所述智能化结构支撑布置设计模型的构建过程，包括：
利用结构支撑布置设计样本构建数据集；其中，所述结构支撑布置设计样本包括：不包含结构支撑布置设计的结构平面布置图及其对应的理想的包含结构支撑布置设计的平面布置像素图；
构建结构支撑布置设计图像生成器；
本实施例中，结构支撑布置设计图像生成器初始架构可以采用如图2所示的配置直连(shortcut)的卷积神经网络和反卷积神经网络连接结构，该初始架构可以有效的将数据特征进行传递，尽可能的避免梯度消失的问题。其中，图2中灰度较深的矩形表示卷积神经网络，灰度较浅的矩形表示反卷积神经网络，箭头表示直连(shortcut)，
当然，本实施例结构支撑布置设计图像生成器架构还可以直接采用pix2pix算法(或pix2pixHD算法)的生成网络模型；
构建真假判别器；
构建力学性能评估器；
本实施例中，真假判别器初始架构和力学性能评估器初始架构，均可以采用如图3所示的卷积神经网络加上shortcut(直连)的残差网络模型，以尽可能的避免梯度消失。其中，图3中矩形表示卷积神经网络，箭头表示直连(shortcut)，
当然，真假判别器初始架构，可以采用pix2pix算法(或pix2pixHD算法)的图形判别网络模型；
力学性能评估器初始架构，可以采用ResNet18残差网络模型；
构建规则评价器；
基于所述真假判别器、所述力学性能评估器和所述规则评价器，利用所述训练集，对所述结构支撑布置设计图像生成器进行数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三阶段协同训练和测试，并将测试合格的结构支撑布置设计图像生成器作为所述智能化结构支撑布置设计模型；
图4为结构支撑布置设计图像生成器训练过程示意图，从图4中可以清楚地看到既有设计数据、力学性能和经验规则协同训练结构支撑布置设计图像生成器；
本发明在所述结构支撑布置设计图像生成器训练完成后，利用未参与训练的样本数据对所述结构支撑布置设计图像生成器进行测试，采用力学性能评价方法对设计结果进行评价，满足性能指标要求的所述结构支撑布置设计图像生成器合格。
其中，所述结构支撑布置设计图像生成器，是以不包含结构支撑布置设计的结构平面布置图为输入，以包含结构支撑布置设计的结构平面布置像素图为输出的神经网络架构；
所述真假判别器，用于对包含结构支撑布置设计的结构平面布置像素图进行真伪判别；
需要注意的是，真假判别器，通过对包含结构支撑布置设计的结构平面布置像素图及其对应的理想的包含结构支撑布置设计的平面布置像素图分别进行特征提取，根据两者的特征相似性对包含结构支撑布置设计的结构平面布置像素图进行真伪判别；
所述力学性能评估器，用于对包含结构支撑布置设计的结构平面布置像素图进行特征提取，并映射输出该包含结构支撑布置设计的结构平面布置像素图对应的力学性能指标值；
所述规则评价器为包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度关于该包含结构支撑布置设计的结构平面布置像素图的映射函数。
本发明对结构支撑布置设计图像生成器进行数据-力学-规则分阶段协同训练，具体而言分为数据驱动、数据-力学耦合驱动、力学-规则耦合驱动这3个训练阶段。应用训练数据集进行训练时，分别利用所述真假判别器、所述力学性能评估器和所述规则评价器，得到包含结构支撑布置设计的结构平面布置像素图的数据损失、力学损失以及规则损失；而后通过控制包含结构支撑布置设计的结构平面布置像素图的数据损失、力学损失以及规则损失的权重，实现数据驱动、数据-力学耦合驱动、力学-规则耦合驱动3个训练阶段的切换，进而控制结构支撑布置设计图像生成器的训练效果。
在上述各实施例的基础上，作为一种可选的实施例，所述力学性能评估器的构建过程，包括：
从建筑结构的设计资料中收集包含结构支撑布置设计的平面布置像素图；
基于结构计算软件自动建模技术，构建与收集的包含结构支撑布置设计的平面布置像素图相对应的力学计算模型；
利用所述力学计算模型，开展力学性能分析，得到收集的每一个包含结构支撑布置设计的平面布置像素图对应的力学性能指标值；
根据收集的每一个包含结构支撑布置设计的平面布置像素图及其对应的力学性能指标值构建力学性能评估数据集；
利用所述力学性能评估数据集，训练得到所述力学性能评估器。
本实施例力学性能评估器需要进行力学性能评估的训练，力学性能评估数据集构建，是借助于结构计算软件的用户程序接口(API)开发的自动建模技术实现的。这里，结构计算软件可以采用PKPM、YJK、Midas、ETABS等结构计算软件；力学性能指标包括：结构层间变形、整体扭转系数等。
同样，力学性能评估数据集被划分为力学性能评估训练集和力学性能评估测试集，利用力学性能评估训练集对力学性能评估器进行训练，直至其评估的力学性能稳定；其后基于上述构建的力学性能评估测试集对力学性能评估器进行性能测试，测试结果表明评估精度满足要求即可投入使用。图5是示例了力学性能评估器损失随迭代步数的变化示意图，从该图可以看出，迭代步数到40左右时，损失大幅下降。
本发明借助结构计算软件自动建模技术，构建力学性能评估器，以分析结构支撑布置设计结果的力学性能，为结构支撑布置设计结果力学性能损失的计算提供便利。
在上述各实施例的基础上，作为一种可选的实施例，所述规则评价器的构建过程，包括：
获取预先设定的设计规则；所述设计规则，包括：结构支撑沿建筑空间对称轴布置的对称性、结构支撑布置的中心与建筑空间整体结构平面质心的重合性和结构支撑布置位置与建筑空间的冲突性；
设定每一个设计规则对应的设计损失计算式；
将包含结构支撑布置设计的结构平面布置像素图在各个设计规则下的设计损失的加权和作为包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度；
构建包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度关于该包含结构支撑布置设计的结构平面布置像素图的映射函数，并将所述映射函数的实现器件作为所述规则评价器。
假设预先设定的设计规则仅有结构支撑沿建筑空间对称轴布置的对称性、结构支撑布置的中心与建筑空间整体结构平面质心的重合性和结构支撑布置位置与建筑空间的冲突性这三条设计规则，那么设计规则满意程度Lrule的计算式如下：
Lrule＝γsymLrule_sym+γcenterLrule_center+γspaceLrule_space
上式中，Lrule为设计规则满意程度，Lrule_sym为“结构支撑沿建筑空间对称轴布置的对称性”设计规则对应的设计损失值，Lrule_center为“结构支撑布置的中心与建筑空间整体结构平面质心的重合性”设计规则对应的设计损失值，Lrule_space为“结构支撑布置位置与建筑空间的冲突性”设计规则对应的设计损失值，γsym、γcenter、γspace分别为Lrule_sym、Lrule_center和Lrule_space对应的权重值。
需要说明的是，γsym、γcenter、γspace可以根据实际工况自行设定。
本发明构建规则评价器，以分析结构支撑布置设计结果的规则满足程度，为结构支撑布置设计结果规则损失的计算提供便利。
在上述各实施例的基础上，作为一种可选的实施例，所述对所述结构支撑布置设计图像生成器进行数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三阶段协同训练，包括：
将包含结构支撑布置设计的结构平面布置像素图及其对应的理想的包含结构支撑布置设计的结构平面布置像素图两者间的一致性损失与包含结构支撑布置设计的结构平面布置像素图的真假判别损失的加权和作为数据损失；将包含结构支撑布置设计的结构平面布置像素图的力学性能损失作为力学损失；
将包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度作为规则损失；
将所述数据损失、所述力学损失和所述规则损失的加权和作为耦合训练损失函数；所述数据损失、所述力学损失和所述规则损失各自对应的权重的加和为1；
本实施例耦合训练损失函数Lloss的计算式如下：
Lloss＝ωdataLdata+ωphyLphy+ωruleLrule
上式中，Ldata、Lphy和Lrule分别为数据损失、力学损失和规则损失，ωdata、ωphy和ωrule分别为数据损失、力学损失和规则损失对应的权重；
可以理解的是，数据驱动训练阶段，ωdata、ωphy和ωrule分别为1,0,0；数据-力学耦合驱动训练阶段ωrule为0，ωdata和ωphy依据实际工况自行选定；力学-规则耦合驱动训练阶段ωdata为0，ωphy和ωrule依据实际工况自行选定；
规定数据驱动训练阶段耦合训练损失函数中所述力学损失和所述规则损失对应的权重为0，数据-力学耦合驱动训练阶段耦合训练损失函数中所述规则损失对应的权重为0，所述力学-规则耦合驱动训练阶段耦合训练损失函数中所述数据损失对应的权重为0，以耦合训练损失函数优化对所述结构支撑布置设计图像生成器的参数，进而实现对所述结构支撑布置设计图像生成器的数据驱动、数据-力学耦合驱动和力学-规则耦合驱动的三阶段协同训练；
图6是示例了数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段协同训练结构支撑布置设计图像生成器的示意图，通过规定数据驱动训练阶段力学损失和规则损失对应的权重为0，数据-力学耦合驱动训练阶段规则损失对应的权重为0，力学-规则耦合驱动训练阶段数据损失对应的权重为0，控制数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段结构支撑布置设计图像生成器损失函数的变化。
其中，所述包含结构支撑布置设计的结构平面布置像素图的力学性能损失，是基于包含结构支撑布置设计的结构平面布置像素图对应的力学性能指标值确定的。例如：直接以包含结构支撑布置设计的结构平面布置像素图对应的力学性能指标值作为力学损失值。
图7提供了数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段数据损失、力学损失和规则损失的变化示意图，该图中a表示数据损失，b表示力学损失，c表示规则损失；可以看出，从数据驱动阶段开始，数据损失不断降低；从力学-数据耦合驱动阶段开始，力学损失开始不断降低；从规则-力学耦合驱动阶段，规则损失开始不断降低。最终，总损失不断降低至稳定。
本发明在设计数据驱动的基础上增加力学机理和设计规则的约束，对所述结构支撑布置设计图像生成器进行既有设计数据、力学机理和经验性的设计规则的协同学习，以使最终作为智能化结构支撑布置设计模型的结构支撑布置设计图像生成器具备可靠的结构支撑布置设计能力。
在上述各实施例的基础上，作为一种可选的实施例，所述“结构支撑沿建筑空间对称轴布置的对称性”设计规则对应的设计损失计算式如下：
上式中，Lrule_sym为“结构支撑沿建筑空间对称轴布置的对称性”设计规则对应的设计损失值，px,y为支撑构件布置张量图像中像素坐标(x，y)上的值，pL-x,y为支撑构件布置张量图像中像素坐标(L-x，y)上的值，L/2为建筑空间对称轴，H和L分别为包含结构支撑布置设计的结构平面布置像素图的高度和宽度；
本发明通过计算建筑空间对称轴两侧包含结构支撑布置设计的结构平面布置像素图中结构支撑差异的绝对值，确定包含结构支撑布置设计的结构平面布置像素图关于“结构支撑沿建筑空间对称轴布置的对称性”的对称性损失函数值；
所述“结构支撑布置的中心与建筑空间整体结构平面质心的重合性”设计规则对应的设计损失计算式如下：
Lrule_center＝|xmass-xb-stiff|+|ymass-yb-stiff|
上式中，(xmass,ymass)为建筑空间整体结构平面质心的坐标，其为与包含结构支撑布置设计的结构平面布置像素图相对应的建筑空间图像中所有非0像素坐标的均值；(xb-stiff,yb-stiff)为结构支撑布置的中心，其为支撑构件布置张量图像中所有非0像素坐标的均值；Lrule_center为“结构支撑布置的中心与建筑空间整体结构平面质心的重合性”设计规则对应的设计损失值；
所述“结构支撑布置位置与建筑空间的冲突性”设计规则对应的设计损失计算式如下：
Lrule_space＝Tspace⊙Tbrace
上式中，Tspace为与包含结构支撑布置设计的结构平面布置像素图相对应的可行域空间张量，Tbrace为支撑构件布置张量图像，Lrule_space为“结构支撑布置位置与建筑空间的冲突性”设计规则对应的设计损失值，⊙为哈达玛积；
其中，所述支撑构件布置张量图像，为将所述包含结构支撑布置设计的结构平面布置像素图中位于非结构支撑范围的像素坐标上的值置为0后得到的；
所述与包含结构支撑布置设计的结构平面布置像素图相对应的可行域空间张量，为将与包含结构支撑布置设计的结构平面布置像素图相对应的建筑空间图像中不能设置支撑的空间矩阵赋值为1，可以设置支撑的空间矩阵赋值为0得到的。
本发明可以采用threshold函数将所述包含结构支撑布置设计的结构平面布置像素图中位于支撑构件范围的像素值进行提取，即不在支撑构件范围内的元素值都变为0，
本发明列举了几种设计规则对应的设计损失计算式，以便更充分的说明本发明技术。本领域技术人员应当理解，设计规则及其对应的设计损失计算式根据实际情况进行增添，增添的设计规则及其对应的设计损失计算式也应属于本发明的保护范围内。
第二方面，对本发明提供的数据-力学-规则驱动的结构支撑智能化布置装置进行描述，下文描述的数据-力学-规则驱动的结构支撑智能化布置装置与上文描述的数据-力学-规则驱动的结构支撑智能化布置方法可相互对应参照。图8示例了一种数据-力学-规则驱动的结构支撑智能化布置装置的结构示意图，如图8所示，该装置包括：获取模块21、输入模块22和矢量化模块23；
获取模块21，用于获取目标建筑不包含结构支撑布置设计的结构平面布置图；
输入模块22，用于将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；
矢量化模块23，用于矢量化输出所述结构平面布置像素图中结构支撑的布置位置；
其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型。
本发明实施例提供的数据-力学-规则驱动的结构支撑智能化布置装置，具体执行上述各数据-力学-规则驱动的结构支撑智能化布置方法实施例流程，具体请详见上述各数据-力学-规则驱动的结构支撑智能化布置方法实施例的内容，在此不再赘述。
本发明提供的数据-力学-规则驱动的结构支撑智能化布置装置，预先构建数据-力学-规则驱动的智能化结构支撑布置设计模型，该模型同时对既有设计数据、力学机理和经验性的设计规则进行有效学习，掌握结构支撑布置机理。获取目标建筑不包含结构支撑布置设计的结构平面布置图；将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；矢量化输出所述结构平面布置像素图中结构支撑的布置位置；利用智能化结构支撑布置设计模型实现了结构支撑位置的高效智能化布置，提高结构设计效率与可靠性。
第三方面，图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令，以执行数据-力学-规则驱动的结构支撑智能化布置方法，所述方法包括：获取目标建筑不包含结构支撑布置设计的结构平面布置图；将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；矢量化输出所述结构平面布置像素图中结构支撑的布置位置；其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型。
此外，上述的存储器930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。
第四方面，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，以执行数据-力学-规则驱动的结构支撑智能化布置方法，所述方法包括：获取目标建筑不包含结构支撑布置设计的结构平面布置图；将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；矢量化输出所述结构平面布置像素图中结构支撑的布置位置；其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型。
第五方面，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，以执行数据-力学-规则驱动的结构支撑智能化布置方法，所述方法包括：获取目标建筑不包含结构支撑布置设计的结构平面布置图；将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；矢量化输出所述结构平面布置像素图中结构支撑的布置位置；其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型。
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)
1.一种数据-力学-规则驱动的结构支撑智能化布置方法，其特征在于，所述方法包括：
获取目标建筑不包含结构支撑布置设计的结构平面布置图；
将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；
矢量化输出所述结构平面布置像素图中结构支撑的布置位置；
其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型；
所述智能化结构支撑布置设计模型的构建过程，包括：
利用结构支撑布置设计样本构建数据集；其中，所述结构支撑布置设计样本包括：不包含结构支撑布置设计的结构平面布置图及其对应的理想的包含结构支撑布置设计的平面布置像素图；
构建结构支撑布置设计图像生成器；
构建真假判别器；
构建力学性能评估器；
构建规则评价器；
基于所述真假判别器、所述力学性能评估器和所述规则评价器，利用所述数据集，对所述结构支撑布置设计图像生成器进行数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三阶段协同训练和测试，并将测试合格的结构支撑布置设计图像生成器作为所述智能化结构支撑布置设计模型；
其中，所述结构支撑布置设计图像生成器，是以不包含结构支撑布置设计的结构平面布置图为输入，以包含结构支撑布置设计的结构平面布置像素图为输出的神经网络架构；
所述真假判别器，用于对包含结构支撑布置设计的结构平面布置像素图进行真伪判别；
所述力学性能评估器，用于对包含结构支撑布置设计的结构平面布置像素图进行特征提取，并映射输出该包含结构支撑布置设计的结构平面布置像素图对应的力学性能指标值；
所述规则评价器为包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度关于该包含结构支撑布置设计的结构平面布置像素图的映射函数。
2.根据权利要求1所述的数据-力学-规则驱动的结构支撑智能化布置方法，其特征在于，所述结构平面布置图，为目标建筑不包含结构支撑布置设计的结构构件布置位置像素图与结构构件截面尺寸掩码矩阵的哈达玛积；
其中，所述结构构件截面尺寸掩码矩阵中非零元素位置处存在结构构件，且非零元素位置处的元素值为相应结构构件截面尺寸的归一化值。
3.根据权利要求1所述的数据-力学-规则驱动的结构支撑智能化布置方法，其特征在于，所述力学性能评估器的构建过程，包括：
从建筑结构的设计资料中收集包含结构支撑布置设计的平面布置像素图；
基于结构计算软件自动建模技术，构建与收集的包含结构支撑布置设计的平面布置像素图相对应的力学计算模型；
利用所述力学计算模型，开展力学性能分析，得到收集的每一个包含结构支撑布置设计的平面布置像素图对应的力学性能指标值；
根据收集的每一个包含结构支撑布置设计的平面布置像素图及其对应的力学性能指标值构建力学性能评估数据集；
利用所述力学性能评估数据集，训练得到所述力学性能评估器。
4.根据权利要求1所述的数据-力学-规则驱动的结构支撑智能化布置方法，其特征在于，所述规则评价器的构建过程，包括：
获取预先设定的设计规则；所述设计规则，包括：结构支撑沿建筑空间对称轴布置的对称性、结构支撑布置的中心与建筑空间整体结构平面质心的重合性和结构支撑布置位置与建筑空间的冲突性；
设定每一个设计规则对应的设计损失计算式；
将包含结构支撑布置设计的结构平面布置像素图在各个设计规则下的设计损失的加权和作为包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度；
构建包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度关于该包含结构支撑布置设计的结构平面布置像素图的映射函数，并将所述映射函数的实现器件作为所述规则评价器。
5.根据权利要求1所述的数据-力学-规则驱动的结构支撑智能化布置方法，其特征在于，所述对所述结构支撑布置设计图像生成器进行数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三阶段协同训练，包括：
将包含结构支撑布置设计的结构平面布置像素图及其对应的理想的包含结构支撑布置设计的结构平面布置像素图两者间的一致性损失与包含结构支撑布置设计的结构平面布置像素图的真假判别损失的加权和作为数据损失；
将包含结构支撑布置设计的结构平面布置像素图的力学性能损失作为力学损失；
将包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度作为规则损失；
将所述数据损失、所述力学损失和所述规则损失的加权和作为耦合训练损失函数；所述数据损失、所述力学损失和所述规则损失各自对应的权重的加和为1；
规定数据驱动训练阶段耦合训练损失函数中所述力学损失和所述规则损失对应的权重为0，数据-力学耦合驱动训练阶段耦合训练损失函数中所述规则损失对应的权重为0，所述力学-规则耦合驱动训练阶段耦合训练损失函数中所述数据损失对应的权重为0，以耦合训练损失函数优化对所述结构支撑布置设计图像生成器的参数，进而实现对所述结构支撑布置设计图像生成器的数据驱动、数据-力学耦合驱动和力学-规则耦合驱动的三阶段协同训练；
其中，所述包含结构支撑布置设计的结构平面布置像素图的力学性能损失，是基于包含结构支撑布置设计的结构平面布置像素图对应的力学性能指标值确定的。
6.根据权利要求4所述的数据-力学-规则驱动的结构支撑智能化布置方法，其特征在于，所述“结构支撑沿建筑空间对称轴布置的对称性”设计规则对应的设计损失计算式如下：
上式中，Lrule_sym为“结构支撑沿建筑空间对称轴布置的对称性”设计规则对应的设计损失值，px,y为支撑构件布置张量图像中像素坐标(x，y)上的值，pL-x,y为支撑构件布置张量图像中像素坐标(L-x，y)上的值，L/2为建筑空间对称轴，H和L分别为包含结构支撑布置设计的结构平面布置像素图的高度和宽度；
所述“结构支撑布置的中心与建筑空间整体结构平面质心的重合性”设计规则对应的设计损失计算式如下：
Lrule_center＝|xmass-xb-stiff|+|ymass-yb-stiff|
上式中，(xmass,ymass)为建筑空间整体结构平面质心的坐标，其为与包含结构支撑布置设计的结构平面布置像素图相对应的建筑空间图像中所有非0像素坐标的均值；(xb-stiff,yb-stiff)为结构支撑布置的中心，其为支撑构件布置张量图像中所有非0像素坐标的均值；Lrule_center为“结构支撑布置的中心与建筑空间整体结构平面质心的重合性”设计规则对应的设计损失值；
所述“结构支撑布置位置与建筑空间的冲突性”设计规则对应的设计损失计算式如下：
Lrule_space＝Tspace⊙Tbrace
上式中，Tspace为与包含结构支撑布置设计的结构平面布置像素图相对应的可行域空间张量，Tbrace为支撑构件布置张量图像，Lrule_space为“结构支撑布置位置与建筑空间的冲突性”设计规则对应的设计损失值；
其中，所述支撑构件布置张量图像，为将所述包含结构支撑布置设计的结构平面布置像素图中位于非结构支撑范围的像素坐标上的值置为0后得到的；
所述与包含结构支撑布置设计的结构平面布置像素图相对应的可行域空间张量，为将与包含结构支撑布置设计的结构平面布置像素图相对应的建筑空间图像中不能设置支撑的空间矩阵赋值为1，可以设置支撑的空间矩阵赋值为0得到的。
7.一种数据-力学-规则驱动的结构支撑智能化布置装置，其特征在于，所述装置包括：
获取模块，用于获取目标建筑不包含结构支撑布置设计的结构平面布置图；
输入模块，用于将所述结构平面布置图输入到预先构建的智能化结构支撑布置设计模型，得到目标建筑包含结构支撑布置设计的结构平面布置像素图；
矢量化模块，用于矢量化输出所述结构平面布置像素图中结构支撑的布置位置；
其中，所述智能化结构支撑布置设计模型，是经过数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三个阶段训练得到的实现结构支撑位置智能化布置的模型；
所述智能化结构支撑布置设计模型的构建过程，包括：
利用结构支撑布置设计样本构建数据集；其中，所述结构支撑布置设计样本包括：不包含结构支撑布置设计的结构平面布置图及其对应的理想的包含结构支撑布置设计的平面布置像素图；
构建结构支撑布置设计图像生成器；
构建真假判别器；
构建力学性能评估器；
构建规则评价器；
基于所述真假判别器、所述力学性能评估器和所述规则评价器，利用所述数据集，对所述结构支撑布置设计图像生成器进行数据驱动、数据-力学耦合驱动和力学-规则耦合驱动三阶段协同训练和测试，并将测试合格的结构支撑布置设计图像生成器作为所述智能化结构支撑布置设计模型；
其中，所述结构支撑布置设计图像生成器，是以不包含结构支撑布置设计的结构平面布置图为输入，以包含结构支撑布置设计的结构平面布置像素图为输出的神经网络架构；
所述真假判别器，用于对包含结构支撑布置设计的结构平面布置像素图进行真伪判别；
所述力学性能评估器，用于对包含结构支撑布置设计的结构平面布置像素图进行特征提取，并映射输出该包含结构支撑布置设计的结构平面布置像素图对应的力学性能指标值；
所述规则评价器为包含结构支撑布置设计的结构平面布置像素图的设计规则满意程度关于该包含结构支撑布置设计的结构平面布置像素图的映射函数。
8.一种电子设备，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，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6任一项所述数据-力学-规则驱动的结构支撑智能化布置方法。
9.一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，该计算机程序被处理器执行时实现如权利要求1至6任一项所述数据-力学-规则驱动的结构支撑智能化布置方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210444466.5A CN114880740B (zh) | 2022-04-25 | 2022-04-25 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210444466.5A CN114880740B (zh) | 2022-04-25 | 2022-04-25 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114880740A CN114880740A (zh) | 2022-08-09 |
| CN114880740B true CN114880740B (zh) | 2023-03-03 |
Family
ID=82671374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210444466.5A Active CN114880740B (zh) | 2022-04-25 | 2022-04-25 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114880740B (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 |
| CN117993050B (zh) * | 2023-12-27 | 2024-09-17 | 清华大学 | 一种基于知识增强扩散模型的建筑设计方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635368A (zh) * | 2018-11-23 | 2019-04-16 | 武汉科技大学 | 桥梁结构设计找型方法及装置 |
| CN109635511A (zh) * | 2019-01-16 | 2019-04-16 | 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 |
| CN113779675A (zh) * | 2021-09-02 | 2021-12-10 | 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 |
-
2022
- 2022-04-25 CN CN202210444466.5A patent/CN114880740B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635368A (zh) * | 2018-11-23 | 2019-04-16 | 武汉科技大学 | 桥梁结构设计找型方法及装置 |
| CN109635511A (zh) * | 2019-01-16 | 2019-04-16 | 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 |
| CN113779675A (zh) * | 2021-09-02 | 2021-12-10 | 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 |
Non-Patent Citations (1)
| Title |
|---|
| Automated Structural Design of Shear Wall Residential Buildings Using GAN-Based Machine Learning Algorithm;Xinzheng Lu 等;《Research Square》;20211201;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114880740A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114880740B (zh) | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 | |
| CN114036607B (zh) | 多模态输入深度神经网络、框架结构梁柱设计方法及装置 | |
| KR20220005416A (ko) | 다항 관계 생성 모델의 트레이닝 방법, 장치, 전자 기기 및 매체 | |
| US20220027774A1 (en) | Quantum control pulse generation method, device, and storage medium | |
| CN113158608A (zh) | 确定模拟电路参数的处理方法、装置、设备及存储介质 | |
| CN106203625A (zh) | 一种基于多重预训练的深层神经网络训练方法 | |
| JP7404597B2 (ja) | 分子構造取得方法、装置、電子デバイス及び記憶媒体 | |
| WO2021238568A1 (zh) | 一种更新参数的方法、装置及存储介质 | |
| CN115170418B (zh) | 符合退化的低秩高维图像填充模型及其填充方法与系统 | |
| US20240232575A1 (en) | Neural network obtaining method, data processing method, and related device | |
| EP4227858A1 (en) | Method for determining neural network structure and apparatus thereof | |
| CN112906888A (zh) | 一种任务执行方法及装置、电子设备和存储介质 | |
| CN107305543A (zh) | 对实体词的语义关系进行分类的方法和装置 | |
| CN106407932B (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
| CN111859785B (zh) | 流体特征提取方法、系统、计算机可读存储介质及设备 | |
| CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
| CN117809095A (zh) | 一种图像分类方法、装置、设备和计算机可读存储介质 | |
| CN117115911A (zh) | 一种基于注意力机制的超图学习动作识别系统 | |
| WO2023221407A1 (zh) | 模型生成方法、装置和电子设备 | |
| CN115952493A (zh) | 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质 | |
| WO2022127603A1 (zh) | 一种模型处理方法及相关装置 | |
| CN114611990A (zh) | 一种网络信息体系要素体系贡献率评估方法和装置 | |
| Geng et al. | An End-to-End Deep Learning Method for Solving Nonlocal Allen-Cahn and Cahn-Hilliard Phase-Field Models | |
| WO2020149919A1 (en) | Inertial damping for enhanced simulation of elastic bodies | |
| CN117993050B (zh) | 一种基于知识增强扩散模型的建筑设计方法及系统 |
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 |