CN115795608A - 基于楼盖物理分析模型嵌入的智能结构设计方法及系统 - Google Patents
基于楼盖物理分析模型嵌入的智能结构设计方法及系统 Download PDFInfo
- Publication number
- CN115795608A CN115795608A CN202211486483.1A CN202211486483A CN115795608A CN 115795608 A CN115795608 A CN 115795608A CN 202211486483 A CN202211486483 A CN 202211486483A CN 115795608 A CN115795608 A CN 115795608A
- Authority
- CN
- China
- Prior art keywords
- floor
- analysis model
- physical analysis
- model
- design
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于楼盖物理分析模型嵌入的智能结构设计方法及系统,包括:获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;将待设计的建筑平面数据输入楼盖物理模型嵌入的智能结构设计模型,生成结构方案设计结果。通过本发明解决了现有建筑设计未能考虑楼盖竖向位移的缺陷。
Description
技术领域
本发明涉及智能建筑设计技术领域,尤其涉及一种基于楼盖物理分析模型嵌入的智能结构设计方法及系统。
背景技术
对于建筑结构设计而言,楼盖结构的竖向位移是关键的控制性指标之一。无论是对于剪力墙、支撑、柱子等抗侧力结构构件的设计,还是对于结构梁这种水平传力结构构件,在结构方案设计时对楼盖结构的竖向位移加以考虑,都会使得结构方案设计结果更加合理,且具有更优的力学性能和楼面舒适度。
因此,开发楼盖物理模型嵌入的智能化结构方案设计方法,对于提升基于神经网络方法的结构方案设计的设计效果,是具有重要意义。
发明内容
本发明提供一种基于楼盖物理分析模型嵌入的智能结构设计方法及系统,用以解决现有建筑设计未能考虑楼盖竖向位移的缺陷。
本发明提供一种基于楼盖物理分析模型嵌入的智能结构设计方法,包括:
获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。
根据本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法,所述获取楼盖结构标准层中的结构元素数据,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型,具体包括:
将楼盖结构标准层中的结构元素用矢量化方法表示;
基于有限元方法,建立重力荷载作用下的矢量化表示的楼盖结构标准层的有限元模型;
对所述楼盖结构标准层的有限元模型进行物理分析,获取楼盖结构在重力荷载作用下的竖向位移,建立楼盖物理分析模型。
根据本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法,将楼盖结构标准层中的结构元素用矢量化方法表示,具体包括:
所述楼盖结构标准层中的结构元素包括:抗侧力结构元素和水平传力结构元素,抗侧力结构元素包括剪力墙、支撑、柱子的至少一种,水平传力结构元素包括结构梁、楼板中的至少一种;
在楼盖结构的平面布置中,抗侧力结构元素和水平传力结构元素中的剪力墙的墙段的两端点位置、支撑的两端点位置、柱子位置、结构梁两端点位置、楼板轮廓,所述抗侧力结构元素和水平传力结构元素中的剪力墙的墙段的墙厚和所用材料、支撑截面尺寸和所用材料、柱子截面尺寸和所用材料、结构梁截面尺寸和所用材料、楼板厚度和所用材料。
根据本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法,将所述楼盖物理分析模型嵌入预设的智能结构设计模型,具体包括:
所述智能结构设计模型中包括预设的图像卷积神经网络和图像生成对抗网络;
将所述楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络;
将所述楼盖物理分析模型以楼盖物理特征损失函数和楼盖物理特征判别器神经网络的形式嵌入用于结构方案设计的图像生成对抗网络。
根据本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法,将所述楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络,具体包括:
将待设计的建筑平面数据对应的智能结构设计模型所生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;
将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
将所述生成结果楼面竖向位移与所述目标结果楼面竖向位移进行比对生成第一差异值,将所述生成结果楼面竖向位移与预设的楼面竖向位移的设计经验限值进行比对生成第二差异值,将所述第一差异值和第二差异值组合设定为适用于图像卷积神经网络方法的第一楼盖物理特征损失函数;
将所述第一楼盖物理特征损失函数与图像卷积神经网络自带的损失函数结合,生成新的损失函数,完成楼盖物理分析模型嵌入图像卷积神经网络。
根据本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法,将所述楼盖物理分析模型以楼盖物理特征损失函数和楼盖物理特征判别器神经网络的形式嵌入用于结构方案设计的图像生成对抗网络,具体包括:
将待设计的建筑平面数据对应的智能结构设计模型生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;
将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
将所述生成结果楼面竖向位移与所述目标结果楼面竖向位移进行比对生成第三差异值,将所述生成结果楼面竖向位移与预设的楼面竖向位移的设计经验限值进行比对生成第四差异值,将所述第三差异值和第四差异值组合设定为适用于图像卷积神经网络方法的第二楼盖物理特征损失函数;
构建可分析生成结果楼面竖向位移和目标结果楼面竖向位移的高维特征差异的楼盖物理特征判别器神经网络;
将所述第二楼盖物理特征损失函数与图像卷积神经网络方法原本的损失函数结合,作为新的损失函数;在图像生成对抗网络中添加一个楼盖物理特征判别器神经网络作为图像生成对抗网络的一个新的判别器网络,完成楼盖物理分析模型嵌入图像生成对抗网络。
本发明还提供一种基于楼盖物理分析模型嵌入的智能结构设计系统,所述系统包括:
物理分析模块,用于获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
物理嵌入模块,用于将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
嵌入设计模块,用于将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。
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基于楼盖物理分析模型嵌入的智能结构设计方法。
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基于楼盖物理分析模型嵌入的智能结构设计方法。
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基于楼盖物理分析模型嵌入的智能结构设计方法。
本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法及系统,通过建立可用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;将楼盖物理分析模型嵌入智能结构设计模型,用以评估结构方案设计结果的楼面竖向位移,并将其反馈给智能化结构方案设计方法,以控制结构方案设计结果的生成,形成楼盖物理分析模型嵌入的智能化结构方案设计方法。将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。可以弥补现有基于神经网络方法的结构方案设计方法中对楼盖结构竖向位移考虑不足的缺陷,可有效提高基于神经网络方法智能化结构方案设计的设计效果,实现建筑方案的智能设计。
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以简单地介绍,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是本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法的流程示意图之一;
图2是本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法的流程示意图之二;
图3是本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法的流程示意图之三;
图4是本发明提供的楼盖结构有限元网格示意以及竖向位移计算结果示意图;
图5是本发明提供的楼盖物理分析模型嵌入用于结构方案设计的图像卷积神经网络方法示意图;
图6是本发明提供的楼盖物理分析模型嵌入用于结构方案设计的图像生成对抗网络方法示意图;
图7是本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计系统的模块连接示意图;
图8是本发明提供的电子设备的结构示意图。
附图标记:
110:物理分析模块;120:物理嵌入模块;130:嵌入设计模块;
810:处理器;820:通信接口;830:存储器;840:通信总线
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-图3描述本发明的一种基于楼盖物理分析模型嵌入的智能结构设计方法,包括:
S100、获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
S200、将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
S300、将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。
通过建立可用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;将楼盖物理分析模型嵌入智能结构设计模型,用以评估结构方案设计结果的楼面竖向位移,并将其反馈给智能化结构方案设计方法,以控制结构方案设计结果的生成,形成楼盖物理分析模型嵌入的智能化结构方案设计方法。将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。可以弥补现有基于神经网络方法的结构方案设计方法中对楼盖结构竖向位移考虑不足的缺陷,可有效提高基于神经网络方法智能化结构方案设计的设计效果,实现建筑方案的智能设计。
获取楼盖结构标准层中的结构元素数据,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型,具体包括:
S101、将楼盖结构标准层中的结构元素用矢量化方法表示;
S102、基于有限元方法,建立重力荷载作用下的矢量化表示的楼盖结构标准层的有限元模型;
S103、对所述楼盖结构标准层的有限元模型进行物理分析,获取楼盖结构在重力荷载作用下的竖向位移,建立楼盖物理分析模型。
所述楼盖结构标准层中的结构元素包括抗侧力结构元素和水平传力结构元素,抗侧力结构元素包括剪力墙、支撑、柱子的至少一种,水平传力结构元素包括结构梁、楼板中的至少一种;
所述结构元素用矢量化方法表示,包括:在楼盖结构的平面布置中,抗侧力结构元素和水平传力结构元素中的剪力墙的墙段的两端点位置、支撑的两端点位置、柱子位置、结构梁两端点位置、楼板轮廓;还可以包括:抗侧力结构元素和水平传力结构元素中的剪力墙的墙段的墙厚和所用材料、柱子截面尺寸和所用材料、结构梁截面尺寸和所用材料、支撑截面尺寸和所用材料、楼板厚度和所用材料。
将所述楼盖物理分析模型嵌入预设的智能结构设计模型,具体包括:
S201、所述智能结构设计模型中包括预设的图像卷积神经网络和图像生成对抗网络;
S202、将所述楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络;
S203、将所述楼盖物理分析模型以楼盖物理特征损失函数和楼盖物理特征判别器神经网络的形式嵌入用于结构方案设计的图像生成对抗网络。
其中,所述结构方案设计包括:抗侧力结构元素中剪力墙和支撑的设计、抗侧力结构元素中柱子的设计、水平传力结构元素中结构梁的设计中的至少一种;
所述智能化结构方案设计方法包括用于结构方案设计的图像卷积神经网络方法、图像生成对抗网络方法中的至少一种。
将所述楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络,具体包括:
将待设计的建筑平面数据对应的智能结构设计模型所生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;
将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
将所述生成结果楼面竖向位移与所述目标结果楼面竖向位移进行比对生成第一差异值,将所述生成结果楼面竖向位移与预设的楼面竖向位移的设计经验限值进行比对生成第二差异值,将所述第一差异值和第二差异值组合设定为适用于图像卷积神经网络方法的第一楼盖物理特征损失函数;
将所述第一楼盖物理特征损失函数与图像卷积神经网络自带的损失函数结合,生成新的损失函数,完成楼盖物理分析模型嵌入图像卷积神经网络。
将所述楼盖物理分析模型以楼盖物理特征损失函数和楼盖物理特征判别器神经网络的形式嵌入用于结构方案设计的图像生成对抗网络,具体包括:
将待设计的建筑平面数据对应的智能结构设计模型生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;
将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
将所述生成结果楼面竖向位移与所述目标结果楼面竖向位移进行比对生成第三差异值,将所述生成结果楼面竖向位移与预设的楼面竖向位移的设计经验限值进行比对生成第四差异值,将所述第三差异值和第四差异值组合设定为适用于图像卷积神经网络方法的第二楼盖物理特征损失函数;
构建可分析生成结果楼面竖向位移和目标结果楼面竖向位移的高维特征差异的楼盖物理特征判别器神经网络;
将所述第二楼盖物理特征损失函数与图像卷积神经网络方法原本的损失函数结合,作为新的损失函数;在图像生成对抗网络中添加一个楼盖物理特征判别器神经网络作为图像生成对抗网络的一个新的判别器网络,完成楼盖物理分析模型嵌入图像生成对抗网络。
参见图4,本发明实施例以剪力墙结构为例,展示了楼盖结构标准层有限元模型的网格示意、楼盖结构标准层中剪力墙和结构梁示意、楼盖结构标准层竖向位移有限元计算结果示意。
具体地,在本发明实施例中,剪力墙结构的楼盖结构中的抗侧力结构元素包括:剪力墙;剪力墙结构的楼盖结构中的水平传力结构元素包括:结构梁、楼板。
在本发明实施例中,将剪力墙表示为剪力墙两端点位置表示的矢量化形式,将结构梁表示为结构梁两端点位置表示的矢量化形式,将楼板的轮廓表示为轮廓多对应的多边形的角点的坐标按顺序排列的矢量化形式。
在本发明实施例中,楼板的尺寸固定为120mm厚,结构梁均为矩形截面,矩形截面的高度为0.4m和1/12倍结构梁长度中的最大值和0.8m中的最小值,矩形截面的宽度为0.2m和5/12倍截面高度的最大值。
在本发明实施例中,所采用的有限元建模和分析软件是OpenSeesPy。首先,将楼板轮廓的多边形划分网格,需要注意的是,网格中对应剪力墙和结构梁的位置要有较为精确布置的节点,以方便后续布置剪力墙和结构梁。网格划分方法可以采用结构化的网格,也可以采用非结构化的网格。本实施例中采用非结构化的四边形网格对楼板进行网格划分,同时在网格划分时保证剪力墙和结构梁的位置处,有精确布置的网格,以保障后续布置剪力墙和结构梁时的准确性。将楼板进行网格划分后,进行楼板的建模。
由于仅仅分析楼盖结构的标准层,因此,剪力墙构件的作用简化为固定支座。将所有分布在剪力墙位置的网格节点,在有限元分析软件中,设置为固定支座。采用OpenSeesPy中的elasticBeamColumn单元建立结构梁单元,采用OpenSeesPy中的ShellMITC4单元作为楼板的有限元单元。楼面的恒荷载和活荷载采用经验选取,总荷载采用1.2倍的恒荷载和1.4倍的活荷载相加的结果,之后进行静力分析,获得该楼盖结构标准层模型中每个节点的竖向位移。
基于上述有限元建模流程,可以快速建立大量结构模型并进行分析,形成楼盖结构标准层在重力荷载作用下的竖向位移计算的有限元模型并进行分析,且OpenSeesPy基于Python编程语言进行编程建模,方便和基于神经网络方法的智能化结构方案设计方法结合。
参见图5,将可用于计算楼盖结构竖向变形的楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络方法。
首先,将待设计的建筑平面数据对应的智能化结构方案设计方法所生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
之后,将生成结果楼面竖向位移和目标结果楼面竖向位移都用图像张量来表示。在本发明实施例中,将楼盖结构的竖向位移采用2048×1024分辨率的图像张量表示,每个像素点对应的竖向位移采用归一化的浮点数表示,最大竖向位移定义为50mm,以50mm对竖向位移进行归一化,那么如果某一个像素点竖向位移为10mm,则对应的浮点数值为10mm/50mm=0.2。
生成结果楼面竖向位移的最大值也用一个浮点数字表示,比如7.3mm,可以用7.3表示,或者以50mm对竖向位移进行归一化,那么7.3mm/50mm=0.146。
通过均方误差(MSE)计算生成结果楼面竖向位移和目标结果楼面竖向位移的图像张量的差异,为楼面竖向位移整体损失;
通过生成结果楼面竖向位移的最大值和预先定义的楼面竖向位移限值的差值的平方计算楼面竖向位移经验损失;
最后,将楼面竖向位移整体损失和楼面竖向位移经验损失直接相加,形成楼盖物理特征损失函数;将楼盖物理特征损失函数与图像卷积神经网络方法原本的损失函数结合,作为新的损失函数。至此,完成了将可用于计算楼盖结构竖向变形的物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络方法。
相似的,参见图6,将可用于计算楼盖结构竖向变形的物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像生成对抗网络方法。
首先,计算楼盖物理模型损失函数,计算方法与上述将可用于计算楼盖结构竖向变形的物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络方法中描述的一致;
之后,基于卷积神经网络,构建一个新的判别器网络,作为楼盖物理特征判别器神经网络,将生成结果楼面竖向位移和目标结果楼面竖向位移的图像张量分别输入楼盖物理特征判别器神经网络,通过判别器捕捉生成结果楼面竖向位移和目标结果楼面竖向位移的高维特征差异。
最后,将楼盖物理模型损失函数与图像卷积神经网络方法原本的损失函数结合,作为新的损失函数;在图像生成对抗网络中添加一个楼盖物理特征判别器神经网络作为图像生成对抗网络的一个新的判别器网络。
将待设计的建筑平面数据输入楼盖物理模型嵌入的智能结构设计模型,生成结构方案设计结果。本发明适用于包含抗侧力结构元素中剪力墙的设计、抗侧力结构元素中支撑的设计、抗侧力结构元素中柱子的设计、水平传力结构元素中结构梁的设计中的至少一种的结构方案设计,不局限于剪力墙结构,本发明实施例仅仅以剪力墙结构作为示例。
通过本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计方法,建立可用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;将楼盖物理分析模型嵌入智能结构设计模型,用以评估结构方案设计结果的楼面竖向位移,并将其反馈给智能化结构方案设计方法,以控制结构方案设计结果的生成,形成楼盖物理分析模型嵌入的智能化结构方案设计方法。将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。可以弥补现有基于神经网络方法的结构方案设计方法中对楼盖结构竖向位移考虑不足的缺陷,可有效提高基于神经网络方法智能化结构方案设计的设计效果,实现建筑方案的智能设计。
参考图7,本发明还公开了一种基于楼盖物理分析模型嵌入的智能结构设计系统,所述系统包括:
物理分析模块110,用于获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
物理嵌入模块120,用于将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
嵌入设计模块130,用于将待设计的建筑平面数据输入楼盖物理模型嵌入的智能结构设计模型,生成结构方案设计结果。
其中,物理分析模块,将楼盖结构标准层中的结构元素用矢量化方法表示;
基于有限元方法,建立重力荷载作用下的矢量化表示的楼盖结构标准层的有限元模型;
对所述楼盖结构标准层的有限元模型进行物理分析,获取楼盖结构在重力荷载作用下的竖向位移,建立楼盖物理分析模型。
所述楼盖结构标准层中的结构元素包括:抗侧力结构元素和水平传力结构元素,抗侧力结构元素包括剪力墙、支撑、柱子的至少一种,水平传力结构元素包括结构梁、楼板中的至少一种;
在楼盖结构的平面布置中,抗侧力结构元素和水平传力结构元素中的剪力墙的墙段的两端点位置、支撑的两端点位置、柱子位置、结构梁两端点位置、楼板轮廓,所述抗侧力结构元素和水平传力结构元素中的剪力墙的墙段的墙厚和所用材料、支撑截面尺寸和所用材料、柱子截面尺寸和所用材料、结构梁截面尺寸和所用材料、楼板厚度和所用材料。
物理嵌入模块,将所述楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络;
将所述楼盖物理分析模型以楼盖物理特征损失函数和楼盖物理特征判别器神经网络的形式嵌入用于结构方案设计的图像生成对抗网络。
将所述楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络,具体包括:
将待设计的建筑平面数据对应的智能结构设计模型所生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;
将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
将所述生成结果楼面竖向位移与所述目标结果楼面竖向位移进行比对生成第一差异值,将所述生成结果楼面竖向位移与预设的楼面竖向位移的设计经验限值进行比对生成第二差异值,将所述第一差异值和第二差异值组合设定为适用于图像卷积神经网络方法的第一楼盖物理特征损失函数;
将所述第一楼盖物理特征损失函数与图像卷积神经网络自带的损失函数结合,生成新的损失函数,完成楼盖物理分析模型嵌入图像卷积神经网络。
将所述楼盖物理分析模型以楼盖物理特征损失函数和楼盖物理特征判别器神经网络的形式嵌入用于结构方案设计的图像生成对抗网络,具体包括:
将待设计的建筑平面数据对应的智能结构设计模型生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;
将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
将所述生成结果楼面竖向位移与所述目标结果楼面竖向位移进行比对生成第三差异值,将所述生成结果楼面竖向位移与预设的楼面竖向位移的设计经验限值进行比对生成第四差异值,将所述第三差异值和第四差异值组合设定为适用于图像卷积神经网络方法的第二楼盖物理特征损失函数;
构建可分析生成结果楼面竖向位移和目标结果楼面竖向位移的高维特征差异的楼盖物理特征判别器神经网络;
将所述第二楼盖物理特征损失函数与图像卷积神经网络方法原本的损失函数结合,作为新的损失函数;在图像生成对抗网络中添加一个楼盖物理特征判别器神经网络作为图像生成对抗网络的一个新的判别器网络,完成楼盖物理分析模型嵌入图像生成对抗网络。
通过本发明提供的一种基于楼盖物理分析模型嵌入的智能结构设计系统,建立可用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;将楼盖物理分析模型嵌入智能结构设计模型,用以评估结构方案设计结果的楼面竖向位移,并将其反馈给智能化结构方案设计方法,以控制结构方案设计结果的生成,形成楼盖物理分析模型嵌入的智能化结构方案设计方法。将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。可以弥补现有基于神经网络方法的结构方案设计方法中对楼盖结构竖向位移考虑不足的缺陷,可有效提高基于神经网络方法智能化结构方案设计的设计效果,实现建筑方案的智能设计。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行一种基于楼盖物理分析模型嵌入的智能结构设计方法,该方法包括:获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
将待设计的建筑平面数据输入楼盖物理模型嵌入的智能结构设计模型,生成结构方案设计结果。
此外,上述的存储器830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一种基于楼盖物理分析模型嵌入的智能结构设计方法,该方法包括:获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
将待设计的建筑平面数据输入楼盖物理模型嵌入的智能结构设计模型,生成结构方案设计结果。
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一种基于楼盖物理分析模型嵌入的智能结构设计方法,该方法包括:获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
将待设计的建筑平面数据输入楼盖物理模型嵌入的智能结构设计模型,生成结构方案设计结果。
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 (10)
1.一种基于楼盖物理分析模型嵌入的智能结构设计方法,其特征在于,包括:
获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。
2.根据权利要求1所述的基于楼盖物理分析模型嵌入的智能结构设计方法,其特征在于,所述获取楼盖结构标准层中的结构元素数据,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型,具体包括:
将楼盖结构标准层中的结构元素用矢量化方法表示;
基于有限元方法,建立重力荷载作用下的矢量化表示的楼盖结构标准层的有限元模型;
对所述楼盖结构标准层的有限元模型进行物理分析,获取楼盖结构在重力荷载作用下的竖向位移,建立楼盖物理分析模型。
3.根据权利要求2所述的基于楼盖物理分析模型嵌入的智能结构设计方法,其特征在于,将楼盖结构标准层中的结构元素用矢量化方法表示,具体包括:
所述楼盖结构标准层中的结构元素包括:抗侧力结构元素和水平传力结构元素,抗侧力结构元素包括剪力墙、支撑、柱子的至少一种,水平传力结构元素包括结构梁、楼板中的至少一种;
在楼盖结构的平面布置中,抗侧力结构元素和水平传力结构元素中的剪力墙的墙段的两端点位置、支撑的两端点位置、柱子位置、结构梁两端点位置、楼板轮廓,所述抗侧力结构元素和水平传力结构元素中的剪力墙的墙段的墙厚和所用材料、支撑界面尺寸和所用材料、柱子截面尺寸和所用材料、结构梁截面尺寸和所用材料、楼板厚度和所用材料。
4.根据权利要求1所述的基于楼盖物理分析模型嵌入的智能结构设计方法,其特征在于,将所述楼盖物理分析模型嵌入预设的智能结构设计模型,具体包括:
所述智能结构设计模型中包括预设的图像卷积神经网络和图像生成对抗网络;
将所述楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络;
将所述楼盖物理分析模型以楼盖物理特征损失函数和楼盖物理特征判别器神经网络的形式嵌入用于结构方案设计的图像生成对抗网络。
5.根据权利要求4所述的基于楼盖物理分析模型嵌入的智能结构设计方法,其特征在于,将所述楼盖物理分析模型以楼盖物理特征损失函数的形式嵌入用于结构方案设计的图像卷积神经网络,具体包括:
将待设计的建筑平面数据对应的智能结构设计模型所生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;
将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
将所述生成结果楼面竖向位移与所述目标结果楼面竖向位移进行比对生成第一差异值,将所述生成结果楼面竖向位移与预设的楼面竖向位移的设计经验限值进行比对生成第二差异值,将所述第一差异值和第二差异值组合设定为适用于图像卷积神经网络方法的第一楼盖物理特征损失函数;
将所述第一楼盖物理特征损失函数与图像卷积神经网络自带的损失函数结合,生成新的损失函数,完成楼盖物理分析模型嵌入图像卷积神经网络。
6.根据权利要求4所述的基于楼盖物理分析模型嵌入的智能结构设计方法,其特征在于,将所述楼盖物理分析模型以楼盖物理特征损失函数和楼盖物理特征判别器神经网络的形式嵌入用于结构方案设计的图像生成对抗网络,具体包括:
将待设计的建筑平面数据对应的智能结构设计模型生成的结构方案设计结果建立物理分析模型,得到生成结果楼面竖向位移;
将待设计的建筑平面数据对应的目标设计结果建立物理分析模型,得到目标结果楼面竖向位移;
将所述生成结果楼面竖向位移与所述目标结果楼面竖向位移进行比对生成第三差异值,将所述生成结果楼面竖向位移与预设的楼面竖向位移的设计经验限值进行比对生成第四差异值,将所述第三差异值和第四差异值组合设定为适用于图像卷积神经网络方法的第二楼盖物理特征损失函数;
构建可分析生成结果楼面竖向位移和目标结果楼面竖向位移的高维特征差异的楼盖物理特征判别器神经网络;
将所述第二楼盖物理特征损失函数与图像卷积神经网络方法原本的损失函数结合,作为新的损失函数;在图像生成对抗网络中添加一个楼盖物理特征判别器神经网络作为图像生成对抗网络的一个新的判别器网络,完成楼盖物理分析模型嵌入图像生成对抗网络。
7.一种基于楼盖物理分析模型嵌入的智能结构设计系统,其特征在于,所述系统包括:
物理分析模块,用于获取楼盖结构标准层中的结构元素,构建用于计算楼盖结构竖向变形的参数化的楼盖物理分析模型;
物理嵌入模块,用于将所述楼盖物理分析模型嵌入预设的智能结构设计模型,通过所述智能结构设计模型评估楼面竖向位移,并将评估结果反馈至智能结构设计模型,不断迭代调整生成最优智能结构设计模型;
嵌入设计模块,用于将待设计的建筑平面数据输入楼盖物理分析模型嵌入的智能结构设计模型,生成结构方案设计结果。
8.一种电子设备,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6任一项所述基于楼盖物理分析模型嵌入的智能结构设计方法。
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,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于楼盖物理分析模型嵌入的智能结构设计方法。
10.一种计算机程序产品,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6任一项所述基于楼盖物理分析模型嵌入的智能结构设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211486483.1A CN115795608B (zh) | 2022-11-24 | 2022-11-24 | 基于楼盖物理分析模型嵌入的智能结构设计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211486483.1A CN115795608B (zh) | 2022-11-24 | 2022-11-24 | 基于楼盖物理分析模型嵌入的智能结构设计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115795608A true CN115795608A (zh) | 2023-03-14 |
CN115795608B CN115795608B (zh) | 2023-09-26 |
Family
ID=85441306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211486483.1A Active CN115795608B (zh) | 2022-11-24 | 2022-11-24 | 基于楼盖物理分析模型嵌入的智能结构设计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795608B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1231534A1 (en) * | 1999-07-09 | 2002-08-14 | Jisedai Gijutsu Kenkyu-Syo Co., Ltd. | Keyboard type input device and portable information processor |
US20090218163A1 (en) * | 2008-02-28 | 2009-09-03 | Seiko Epson Corporation | Pressure detection device and pressure detection method |
CN107122539A (zh) * | 2017-04-24 | 2017-09-01 | 清华大学建筑设计研究院有限公司 | 一种基于连续变向钢筋混凝土柱结构体系的设计方法 |
CN112883478A (zh) * | 2021-03-16 | 2021-06-01 | 哈尔滨工业大学(深圳) | 钢结构位移预测方法、装置、终端设备和系统 |
CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
CN114491740A (zh) * | 2021-12-31 | 2022-05-13 | 清华大学 | 物理与多模态数据驱动的建筑结构生成方法及设备 |
-
2022
- 2022-11-24 CN CN202211486483.1A patent/CN115795608B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1231534A1 (en) * | 1999-07-09 | 2002-08-14 | Jisedai Gijutsu Kenkyu-Syo Co., Ltd. | Keyboard type input device and portable information processor |
US20090218163A1 (en) * | 2008-02-28 | 2009-09-03 | Seiko Epson Corporation | Pressure detection device and pressure detection method |
CN107122539A (zh) * | 2017-04-24 | 2017-09-01 | 清华大学建筑设计研究院有限公司 | 一种基于连续变向钢筋混凝土柱结构体系的设计方法 |
CN112883478A (zh) * | 2021-03-16 | 2021-06-01 | 哈尔滨工业大学(深圳) | 钢结构位移预测方法、装置、终端设备和系统 |
CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
CN114491740A (zh) * | 2021-12-31 | 2022-05-13 | 清华大学 | 物理与多模态数据驱动的建筑结构生成方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115795608B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Papadrakakis et al. | Reliability-based structural optimization using neural networks and Monte Carlo simulation | |
da Silva et al. | Three‐dimensional manufacturing tolerant topology optimization with hundreds of millions of local stress constraints | |
JP7417815B2 (ja) | 製造及び構造的パフォーマンスを促進する全体的な厚さの制御によるコンピュータ支援のジェネレーティブデザイン | |
US20220318591A1 (en) | Inference method and information processing apparatus | |
Pedro et al. | On a cellular division method for topology optimization | |
CN110717213A (zh) | 一种铁路桥梁bim施工模型快速生成方法及装置 | |
Ai et al. | An adaptive cracking particle method for 2D crack propagation | |
Huang et al. | Predictive modeling with learned constitutive laws from indirect observations | |
US20210173979A1 (en) | Geometrical Dimensionality Control in Optimization | |
Pandey et al. | Topology optimization of compliant structures and mechanisms using constructive solid geometry for 2-d and 3-d applications | |
Chatterjee et al. | A global two-layer meta-model for response statistics in robust design optimization | |
Navarrina et al. | A general methodological analysis for optimum design | |
CN115982828B (zh) | 桥梁养护数字孪生体构建方法及装置 | |
van der Blom et al. | Multicriteria building spatial design with mixed integer evolutionary algorithms | |
Balogh et al. | Optimal design accounting for uncertainty in loading amplitudes: A numerical investigation | |
CN115795608A (zh) | 基于楼盖物理分析模型嵌入的智能结构设计方法及系统 | |
Mitropoulou et al. | Evolution strategies-based metaheuristics in structural design optimization | |
Hung et al. | Automatic clustering method for real-time construction simulation | |
Nastorg et al. | Ds-gps: A deep statistical graph poisson solver (for faster cfd simulations) | |
US20220215137A1 (en) | Information processing apparatus, information processing method, and computer-readable recording medium storing information processing program | |
JP2022097395A (ja) | 有限要素モデル化における非拘束運動及び低剛性結合の高速検出のための方法 | |
JP3924701B2 (ja) | 連続的材料分布を用いた位相最適化手法 | |
CN110222424A (zh) | 基于rbf-nn的桥式起重机主梁可靠性优化方法 | |
CN113095535A (zh) | 基于深度时空残差网络的流量预测方法及装置 | |
CN113868747B (zh) | 一种模拟桥墩局部冲刷大变形的动网格修复方法 |
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 |