CN116150837B - 基于边特征预测图神经网络的剪力墙设计方法和装置 - Google Patents

基于边特征预测图神经网络的剪力墙设计方法和装置 Download PDF

Info

Publication number
CN116150837B
CN116150837B CN202211516316.7A CN202211516316A CN116150837B CN 116150837 B CN116150837 B CN 116150837B CN 202211516316 A CN202211516316 A CN 202211516316A CN 116150837 B CN116150837 B CN 116150837B
Authority
CN
China
Prior art keywords
shear wall
design
map
structural
building plane
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
Application number
CN202211516316.7A
Other languages
English (en)
Other versions
CN116150837A (zh
Inventor
陆新征
赵鹏举
廖文杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202211516316.7A priority Critical patent/CN116150837B/zh
Publication of CN116150837A publication Critical patent/CN116150837A/zh
Application granted granted Critical
Publication of CN116150837B publication Critical patent/CN116150837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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

  • 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)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于边特征预测图神经网络的剪力墙设计方法和装置，包括：获取待处理的目标建筑平面设计图纸；提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；基于所述剪力墙设计图谱得到剪力墙设计结果。本发明可以快速生成剪力墙设计的矢量化图谱数据，极大提高了建筑结构初步设计阶段剪力墙的设计效率和质量。

Description

基于边特征预测图神经网络的剪力墙设计方法和装置
技术领域
本发明涉及建筑结构设计领域，尤其涉及一种基于边特征预测图神经网络的剪力墙设计方法和装置。
背景技术
对于含剪力墙的建筑结构而言，良好的初步设计方案，对于后期的深化设计以及施工图设计具有重要意义。但目前传统设计方法严重依赖结构工程师的设计经验，设计效率低，耗时长，建筑工程师和结构工程师之间的交互设计效率低下，且由于设计师经验水平差异，导致设计质量参差不齐。
现有基于计算机辅助的结构设计优化方法存在有限元计算耗时长、资源消耗大，难以形成普适的设计流程，对工程师不友好等问题。且现有基于人工智能辅助的剪力墙设计方法依赖像素图像进行，难以将结构中剪力墙布置的空间位置以及空间拓扑特征考虑在内。
发明内容
本发明提供一种基于边特征预测图神经网络的剪力墙设计方法和装置，用以解决现有技术中存在的设计效率低、耗时长、质量参差不齐的缺陷，实现快速生成剪力墙的矢量化图谱数据，提高建筑结构初步设计阶段剪力墙的设计效率和质量的效果。
本发明提供一种基于边特征预测图神经网络的剪力墙设计方法，包括：
获取待处理的目标建筑平面设计图纸；
提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；
基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；
基于所述剪力墙设计图谱得到剪力墙设计结果。
根据本发明提供的一种基于边特征预测图神经网络的剪力墙设计方法，提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征，具体包括：
提取所述目标建筑平面设计图纸中的关键元素的骨架线；
基于所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，边表示关键元素种类，节点表示连接关系，形成所述建筑平面图谱特征；
其中，所述目标建筑平面设计图纸中的关键元素包括所述目标建筑平面设计图纸中的墙体或室内门洞口、室外门洞口和窗户洞口中的至少一者以及墙体；
所述目标建筑平面设计图纸中的关键元素的骨架线包括墙体骨架线或墙体骨架线和门窗洞口骨架线；所述门窗洞口骨架线包括室内门洞口骨架线、室外门洞口骨架线和窗户洞口骨架线中的至少一者，所述关键元素的骨架线为所述关键元素的中心线。
根据本发明提供的一种基于边特征预测图神经网络的剪力墙设计方法，根据所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，形成所述建筑平面图谱特征，具体包括：
将各所述墙体骨架线的交点或所述墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，将所述墙体骨架线或所述墙体骨架线和门窗洞口骨架线作为图谱的边；
所述建筑平面图谱的节点特征包括：节点的位置；
所述建筑平面图谱的边特征包括：边的类别以及边的长度；
其中，所述边的类别包括墙体边、室内门洞口边、室外门洞口边和窗户洞口边四类。
根据本发明提供的一种基于边特征预测图神经网络的剪力墙设计方法，基于所述剪力墙设计图谱得到剪力墙设计结果，具体包括：
提取所述剪力墙设计图谱中的表示结构剪力墙的特征，其中，所述表示结构剪力墙的特征包括节点特征以及边特征；
根据所述剪力墙设计图谱中的表示结构剪力墙的节点特征中的节点位置和边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比确定目标剪力墙的位置；
确定所述目标剪力墙在建筑结构中的布置，以得到所述剪力墙设计结果。
根据本发明提供的一种基于边特征预测图神经网络的剪力墙设计方法，基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据创建所述剪力墙设计的边特征预测图神经网络模型，具体包括：
将所述建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据进行数据集的划分；一定比例的数据为训练集，其余部分的数据为测试集；
基于所述训练集，训练得到所述剪力墙设计的边特征预测图神经网络模型；
利用测试集测试所述剪力墙设计的边特征预测图神经网络模型的设计效果，得到测试结果；其中，所述测试结果包括建筑平面图谱测试数据对应的生成的剪力墙设计图谱测试结果，所述测试集包括建筑平面图谱测试数据以及预先标定的剪力墙设计图谱测试数据；
对所述测试结果进行评估，得到剪力墙设计的综合评价指标；
将剪力墙设计的综合评价指标大于预设综合评价指标阈值的剪力墙设计的边特征预测图神经网络模型用于生成所述剪力墙设计图谱。
根据本发明提供的一种基于边特征预测图神经网络的剪力墙设计方法，对所述测试结果进行评估，得到剪力墙设计的综合评价指标，具体包括：
由结构力学分析的物理评价指标ScorePhysics和剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph加权组成剪力墙设计的结构综合评价指标ScoreShearWall；所述剪力墙设计的结构综合评价指标ScoreShearWall的计算公式为：
ScoreShearWall＝(ηGraph×ScoreGraph+ηPhysics×ScorePhysics)
其中，ηGraph为ScoreGraph值的权重系数，ηPhysics为ScorePhysics值的权重系数，ScorePhysics为结构力学分析的物理评价指标，ScoreGraph为剪力墙设计图谱特征相似度的图谱数据评价指标；
所述结构力学分析的物理评价指标ScorePhysics是基于结构力学计算模型开展的结构动力分析和重力荷载分析得到，计算所述剪力墙设计结果在结构动力分析下的最大层间位移角以及所述剪力墙设计结果在重力荷载分析下的楼板结构的最大竖向变形，分别得到层间位移角指标ScoreDrift和楼板结构指标Scoreslab，进而加权组合得到结构力学分析的物理评价指标ScorePhysics；所述结构力学分析的物理评价指标ScorePhysics的计算公式为：
ScorePhysics＝(ηDrift×ScoreDrift+ηslab×Scoreslab)
其中，ηDrift为ScoreDrift值的权重系数，ηslab为Scoreslab值的权重系数，ScoreDrift为层间位移角指标，Scoreslab为楼板结构指标；
所述剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph的获得基于所述建筑平面图谱测试数据对应的生成的剪力墙设计图谱测试结果和预先标定的剪力墙设计图谱测试数据之间的特征相似度；逐条边计算所述生成的剪力墙设计图谱测试结果和所述预先标定的剪力墙设计图谱测试数据在墙体这一类边中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比这三个指标中的差异的数学平均值，分别得到结构剪力墙位置差异指标Diffposition、结构剪力墙长度差异指标Difflength和结构剪力墙长度占比差异指标DifflengthRatio；所述剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph的计算公式为：
ScoreGraph＝ηposition×Diffposition+ηlength×Difflength+ηlengthRatio×DifflengthRatio
其中，ηposition为Diffpositionh值的权重系数，ηlength为Difflength值的权重系数，ηlengthRatio为、DifflengthRatio值的权重系数，Diffposition为结构剪力墙位置差异指标，Difflength为结构剪力墙长度差异指标，DifflengthRatio为结构剪力墙长度占比差异指标。
根据本发明提供的一种基于边特征预测图神经网络的剪力墙设计方法，所述剪力墙设计的边特征预测图神经网络模型训练的损失函数为：
其中，n为需计算的图谱的边的数量，为第i条边的特征真值，/>为第i条边的特征预测值，Distance()为计算/>和/>差异的函数。
本发明还提供一种基于边特征预测图神经网络的剪力墙设计装置，包括：
获取单元，用于获取待处理的目标建筑平面设计图纸；
图谱特征提取单元，用于提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；
生成单元，用于基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；
结果单元，用于基于所述剪力墙设计图谱得到剪力墙设计结果。
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边特征预测图神经网络的剪力墙设计方法。
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边特征预测图神经网络的剪力墙设计方法。
本发明提供的基于边特征预测图神经网络的剪力墙设计方法和装置，通过获取待处理的目标建筑平面设计图纸；提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；基于所述剪力墙设计图谱得到剪力墙设计结果；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的。本发明基于预先构建的剪力墙设计的边特征预测图神经网络模型，将提取到的目标建筑平面设计图纸中的关键元素的建筑平面图谱特征转化成剪力墙设计图谱，进而得到剪力墙设计结果；由此可以快速生成剪力墙设计的矢量化图谱数据，极大提高了建筑结构初步设计阶段剪力墙的设计效率和质量，填补了现有人工智能辅助的剪力墙设计方法中对剪力墙的空间位置和拓扑特征考虑不足的缺陷，提高了剪力墙设计模型的可靠性。
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边特征预测图神经网络的剪力墙设计方法的流程示意图之一；
图2是本发明提供的基于边特征预测图神经网络的剪力墙设计方法的流程示意图之二；
图3是本发明提供的基于边特征预测图神经网络的剪力墙设计方法的一个实施例的剪力墙设计图谱格式示意图；
图4是本发明提供的基于边特征预测图神经网络的剪力墙设计装置的结构示意图；
图5是本发明提供的电子设备的结构示意图；
附图标记：
410：获取单元；420：图谱特征提取单元；430：生成单元；440：结果单元；
510：处理器；520：通信接口；530：存储器；540：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。
本实施例以剪力墙结构为例，但是本发明不限于剪力墙结构，本发明适用于含剪力墙的所有建筑结构类型。
图1为本发明提供的基于边特征预测图神经网络的剪力墙设计方法的流程示意图之一，如图1所示，该方法包括以下步骤：
步骤110：获取待处理的目标建筑平面设计图纸。
获取的是待处理的建筑平面设计图纸，本发明所述的基于边特征预测图神经网络的剪力墙设计方法的目的之一是基于待处理的建筑平面设计图纸，使用图神经网络方法，进行剪力墙的设计。
步骤120：提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征。
换句话说，在获取待处理的目标建筑平面设计图纸之后，提取目标建筑平面设计图纸中的关键元素的建筑平面图谱特征，提取的目标建筑平面设计图纸中的关键元素的建筑平面图谱特征包括节点特征以及边特征。
其中，关键元素是指目标建筑平面设计图纸中的关键组成元素，包括目标建筑平面设计图纸中的墙体或室内门洞口、室外门洞口和窗户洞口中的至少一者以及墙体。也就是说，关键元素一定包括墙体，而室内门洞口，室外门洞口，窗户洞口这三类元素可以有，也可以没有，也可以是有其中任意几种。
其中，待输入的建筑平面图谱特征是指将关键元素的信息用节点和边来表示为图谱格式的信息，这是图神经网络的数据格式。其中，图谱的节点和边均有特征，边表示关键元素种类，节点表示连接关系，因此所述的建筑平面图谱特征包括节点特征以及边特征。
建筑平面图谱的节点包括交点，在操作过程中，将墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，节点的位置即为图谱的节点特征。
建筑平面图谱的边包括：墙体、室内门洞口、室外门洞口、窗户洞口四类。建筑平面图谱的边特征包括边的类别，也就是说，边的类别，包括墙体边、室内门洞口边、室外门洞口边和窗户洞口边四类。在操作过程中，将墙体骨架线和门窗洞口骨架线作为图谱的边。建筑平面图谱的边特征还可以包括边的长度，根据边的两端的节点的位置坐标即可得到边的长度。
步骤130：基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的。
换句话说，将所述的建筑平面图谱特征输入至预先构建的剪力墙设计的边特征预测图神经网络模型中，生成剪力墙设计图谱。
剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据经过训练后得到的。
生成的剪力墙设计图谱包括节点特征中的节点位置和剪力墙设计的图神经网络所预测生成的结构剪力墙的位置、长度、以及长度在这条墙体边中的占比。也就是说，结构剪力墙的位置、长度、以及长度在这条墙体边中的占比是剪力墙设计的图神经网络预测生成的。
操作过程中，结构剪力墙和非结构填充墙使用墙体这一类边特征来表示，包括：每一条墙体这一类边中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比；每一条墙体中，仅包含结构剪力墙和非结构填充墙，除结构剪力墙之外，其余部分即为非结构填充墙。
步骤140：基于所述剪力墙设计图谱得到剪力墙设计结果。
根据剪力墙设计图谱中的表示结构剪力墙的节点特征中的节点位置和表示结构剪力墙的边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比确定剪力墙的位置，即可确定剪力墙在结构中的布置，可得剪力墙设计结果。之后可根据所述剪力墙设计结果，构建整个结构的力学计算模型，进行分析和计算。
基于上述实施例，该方法中，提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征，具体包括：
提取所述目标建筑平面设计图纸中的关键元素的骨架线；
基于所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，边表示关键元素种类，节点表示连接关系，形成所述建筑平面图谱特征；
其中，所述目标建筑平面设计图纸中的关键元素包括所述目标建筑平面设计图纸中的墙体或室内门洞口、室外门洞口和窗户洞口中的至少一者以及墙体；
所述目标建筑平面设计图纸中的关键元素的骨架线包括墙体骨架线或墙体骨架线和门窗洞口骨架线；所述门窗洞口骨架线包括室内门洞口骨架线、室外门洞口骨架线和窗户洞口骨架线中的至少一者，所述关键元素的骨架线为所述关键元素的中心线。
具体地，关键元素是指目标建筑平面设计图纸中的关键组成元素，包括目标建筑平面设计图纸中的墙体或室内门洞口、室外门洞口和窗户洞口中的至少一者以及墙体。也就是说，关键元素一定包含墙体，而室内门洞口、室外门洞口、窗户洞口可以有，也可以没有，也可以是有其中任意几种。
关键元素的骨架线是指关键元素的中心线，以线段表示，包括墙体骨架线和门窗洞口骨架线两类，在操作过程中，关键元素的骨架线一定包含墙体骨架线，而门窗洞口骨架线可能有，也可能没有。如果目标建筑平面设计图纸中的关键元素不包含门窗洞口，则关键元素的骨架线不包含门窗洞口骨架线。门窗洞口是室内门洞口、室外门洞口、窗户洞口的统称。门窗洞口骨架线包括室内门洞口骨架线、室外门洞口骨架线和窗户洞口骨架线中的至少一者。
中心线是用以标识物体在某一方向上中心的线条，是表示中点的一组线段，在本实施例中，该方向为关键元素的延伸方向。中心线能给物体以准确的定位，在本实施例中，关键元素的中心线的作用是用该中心线的线段来表示关键元素。
在操作过程中，基于获取到的待处理的目标建筑平面设计图纸，提取目标建筑平面设计图纸中的包括墙体、室内门洞口、室外门洞口和窗户洞口四类的关键元素；再根据提取到的关键元素，提取其骨架线，也即，提取其中心线，给各关键元素以准确的定位；之后，基于关键元素的骨架线，将墙体骨架线或墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，将墙体骨架线或墙体骨架线和门窗洞口骨架线作为图谱的边，进而将各关键元素表示为由节点和边构成的图谱格式，同时，形成所述建筑平面图谱特征。
基于上述实施例，该方法中，根据所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，形成所述建筑平面图谱特征，具体包括：
将各所述墙体骨架线的交点或所述墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，将所述墙体骨架线或所述墙体骨架线和门窗洞口骨架线作为图谱的边；
所述建筑平面图谱的节点特征包括：节点的位置；
所述建筑平面图谱的边特征包括：边的类别以及边的长度；
其中，所述边的类别包括墙体边、室内门洞口边、室外门洞口边和窗户洞口边四类。
具体地，基于提取到的关键元素的骨架线，将各墙体骨架线的交点或墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，将墙体骨架线或墙体骨架线和门窗洞口骨架线作为图谱的边，将各关键元素表示为由节点和边构成的图谱格式。也就是说，在操作过程中，如果关键元素不包含门窗洞口，执行：基于提取到的关键元素的骨架线，将各墙体骨架线的交点作为图谱的节点，将墙体骨架线作为图谱的边；如果关键元素包含门窗洞口，则执行：基于提取到的关键元素的骨架线，将墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，将墙体骨架线和门窗洞口骨架线作为图谱的边。
其中，节点的位置即为节点特征；边特征包括边的类别以及边的长度，边的长度可以通过边的两端的节点的位置坐标得到。边特征还可以包括边的两端节点的坐标。尤其需要注意的是，每一条墙体中，仅包含结构剪力墙和非结构填充墙，除结构剪力墙之外，其余部分即为非结构填充墙。而结构剪力墙的具体位置、长度、以及长度在这条墙体边中的占比是预先构建的剪力墙设计的边特征预测图神经网络模型的输出结果。
基于上述实施例，该方法中，基于所述剪力墙设计图谱得到剪力墙设计结果，具体包括：
提取所述剪力墙设计图谱中的表示结构剪力墙的特征，其中，所述表示结构剪力墙的特征包括节点特征以及边特征；
根据所述剪力墙设计图谱中的表示结构剪力墙的节点特征中的节点位置和边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比确定目标剪力墙的位置；
确定所述目标剪力墙在建筑结构中的布置，以得到所述剪力墙设计结果。
具体地，生成的剪力墙设计图谱包括节点特征中的节点位置和剪力墙设计的图神经网络所预测生成的边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比。也就是说，在生成剪力墙设计图谱之后，提取生成的剪力墙设计图谱中的表示结构剪力墙的特征，其中，表示结构剪力墙的特征包括节点特征以及边特征。
生成的剪力墙设计图谱中的表示结构剪力墙的节点特征包括节点的位置；生成的剪力墙设计图谱中的表示结构剪力墙的边特征包括边的类别以及每一条墙体这一类边中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比。边的类别包括：墙体边、室内门洞口边、室外门洞口边和窗户洞口边四类，墙体边包括结构剪力墙和非结构填充墙。换句话说，生成的剪力墙设计图谱中的表示结构剪力墙的特征包括全部目标建筑平面设计图纸中的关键元素的建筑平面图谱特征，还包括每一条墙体这一类边中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比。
每一条墙体这一类边中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比可进一步定义为墙体边特征。墙体边特征还可以包括墙体的厚度。
其中，由于目标建筑平面设计图纸中的关键元素的建筑平面图谱的边特征包括边的长度，故而墙体边特征中的结构剪力墙长度、结构剪力墙长度在这条墙体边中的占比这两种特征含义相同，可以互相转化，在实际操作中，墙体边特征可以只包含两者其一。
根据剪力墙设计图谱中的表示结构剪力墙的节点特征确定结构的矢量化的位置坐标；
根据剪力墙设计图谱中的表示结构剪力墙的边特征中边的类别区分墙体、室内门洞口、室外门洞口、窗户洞口四类中的墙体边；根据剪力墙设计图谱中的表示结构剪力墙的边特征中的墙体边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比确定剪力墙的位置，即可确定结构剪力墙在结构中的矢量化位置坐标。进而确定结构梁在所述结构中的矢量化位置坐标，得到剪力墙设计结果。
其中，结构梁为墙体边中除剪力墙之外的部分；也就是说，在结构的初步设计和分析中，结构梁的位置即为非结构填充墙的位置。在结构初步方案设计阶段，可将墙体边中除剪力墙之外的部分作为结构梁构件，排除其中的两端端点存在未与结构剪力墙连接的悬臂梁构件，即可初步确定结构梁在结构中的矢量化位置坐标；上述描述只是提供一种确定结构梁布置的方法，而非本发明必须使用的方法。本发明的重点是使用边特征预测的图神经网络来设计剪力墙，确定结构梁布置只是建立结构分析模型的常规步骤。
之后可根据所述剪力墙设计结果，构建整个结构的力学计算模型，进行分析和计算。
具体而言，基于结构剪力墙的矢量化位置坐标和结构梁的矢量化位置坐标，调用结构设计分析软件的应用程序接口，自动构建标准层结构力学计算模型。
也就是说，根据包括墙体、室内门洞口、室外门洞口、窗户洞口四类关键元素在内的整体建筑平面布局来确定平面外轮廓，在结构设计分析软件中，根据此外轮廓，为标准层结构力学计算模型定义楼板位置；并根据设计经验，在结构设计分析软件中，为标准层结构力学计算模型定义楼面荷载，以及初步方案设计阶段的楼板厚度、剪力墙厚度尺寸以及结构梁尺寸；
根据所述标准层结构力学计算模型，在结构设计分析软件中构建整个建筑的结构力学计算模型，并进行分析和计算。
标准层结构力学计算模型是指某种结构分析软件所使用的有限元模型，比如ETABS软件模型、PKPM软件模型，盈建科软件模型，ABAQUS软件模型等。接下来测试过程中的评估过程需要对设计的结构进行力学性能计算，标准层结构分析模型和整个建筑的结构力学计算模型在评估阶段进行力学计算均可用到。
其中，构建标准层结构分析模型和整个建筑的结构力学计算模型除了可采用手动建模的方法之外，还可调用结构设计分析软件API，自动进行构建。由此，能够根据建筑设计中的标准层平面图纸，快速输出对应的剪力墙设计方案，得到矢量化的剪力墙数据，自动建立结构力学计算模型，并进行计算分析，实现建筑设计对应结构的全自动的设计-建模-分析。
基于上述实施例，该方法中，基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据创建所述剪力墙设计的边特征预测图神经网络模型，具体包括：
将所述建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据进行数据集的划分；一定比例的数据为训练集，其余部分的数据为测试集；
基于所述训练集，训练得到所述剪力墙设计的边特征预测图神经网络模型；
利用测试集测试所述剪力墙设计的边特征预测图神经网络模型的设计效果，得到测试结果；其中，所述测试结果包括建筑平面图谱测试数据对应的生成的剪力墙设计图谱测试结果，所述测试集包括建筑平面图谱测试数据以及预先标定的剪力墙设计图谱测试数据；
对所述测试结果进行评估，得到剪力墙设计的综合评价指标；
将剪力墙设计的综合评价指标大于预设综合评价指标阈值的剪力墙设计的边特征预测图神经网络模型用于生成所述剪力墙设计图谱。
具体地，将建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据进行数据集的划分；一定比例的数据为训练集，其余部分的数据为测试集；
基于训练集，利用深度神经网络训练得到剪力墙设计的边特征预测图神经网络模型；将训练完成的剪力墙设计的边特征预测图神经网络模型，采用相应的测试数据集进行测试，并采用本发明提出的综合评价指标开展评价。根据所述测试集对所述剪力墙设计的边特征预测图神经网络模型进行设计效果的测试，基于所述综合评估方法对测试结果进行评估，所述评估合格的模型可投入应用。其中，当综合评价指标ScoreShearWall超过预先定义的阈值时，可认为该生成结果良好。所采纳的剪力墙设计的边特征预测图神经网络模型采用图谱数据与结构物理特征耦合的剪力墙设计综合评价指标评估合格，提高了剪力墙设计的边特征预测图神经网络模型的可靠性。
基于上述实施例，该方法中，对所述测试结果进行评估，得到剪力墙设计的综合评价指标，具体包括：
由结构力学分析的物理评价指标ScorePhysics和剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph加权组成剪力墙设计的结构综合评价指标ScoreShearWall；所述剪力墙设计的结构综合评价指标ScoreShearWall的计算公式为：
ScoreShearWall＝(ηGraph×ScoreGraph+ηPhysics×ScorePhysics)
其中，ηGraph为ScoreGraph值的权重系数，ηPhysics为ScorePhysics值的权重系数，ScorePhysics为结构力学分析的物理评价指标，ScoreGraph为剪力墙设计图谱特征相似度的图谱数据评价指标；
所述结构力学分析的物理评价指标ScorePhysics是基于结构力学计算模型开展的结构动力分析和重力荷载分析得到，计算所述剪力墙设计结果在结构动力分析下的最大层间位移角以及所述剪力墙设计结果在重力荷载分析下的楼板结构的最大竖向变形，分别得到层间位移角指标ScoreDrift和楼板结构指标Scoreslab，进而加权组合得到结构力学分析的物理评价指标ScorePhysics；所述结构力学分析的物理评价指标ScorePhysics的计算公式为：
ScorePhysics＝(ηDrift×ScoreDrift+ηslab×Scoreslab)
其中，ηDrift为ScoreDrift值的权重系数，ηslab为Scoreslab值的权重系数，ScoreDrift为层间位移角指标，Scoreslab为楼板结构指标；
所述剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph的获得基于所述建筑平面图谱测试数据对应的生成的剪力墙设计图谱测试结果和预先标定的剪力墙设计图谱测试数据之间的特征相似度；逐条边计算所述生成的剪力墙设计图谱测试结果和所述预先标定的剪力墙设计图谱测试数据在墙体这一类边中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比这三个指标中的差异的数学平均值，分别得到结构剪力墙位置差异指标Diffposition、结构剪力墙长度差异指标Difflength和结构剪力墙长度占比差异指标DifflengthRatio；所述剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph的计算公式为：
ScoreGraph＝ηposition×Diffposition+ηlength×Difflength+ηlengthRatio×DifflengthRatio
其中，ηposition为Diffpositionh值的权重系数，ηlength为Difflength值的权重系数，ηlengthRatio为、DifflengthRatio值的权重系数，Diffposition为结构剪力墙位置差异指标，Difflength为结构剪力墙长度差异指标，DifflengthRatio为结构剪力墙长度占比差异指标。
具体地，使用评价指标综合评价剪力墙设计的边特征预测图神经网络模型，评价合格的模型可以投入应用。也就是说，将生成的剪力墙设计图谱数据与预先标定的剪力墙设计图谱样本数据进行差异的综合评价，综合评价合格的剪力墙设计的边特征预测图神经网络模型可以投入应用。
基于上述实施例，该方法中，所述剪力墙设计的边特征预测图神经网络模型训练的损失函数为：
其中，n为需计算的图谱的边的数量，为第i条边的特征真值，/>为第i条边的特征预测值，Distance()为计算/>和/>差异的函数。
具体地，该函数用于评价剪力墙设计的边特征预测图神经网络模型在训练中的损失。
本发明提供的基于边特征预测图神经网络的剪力墙设计方法，通过获取待处理的目标建筑平面设计图纸；提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；基于所述剪力墙设计图谱得到剪力墙设计结果；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的。本发明基于预先构建的剪力墙设计的边特征预测图神经网络模型，将提取到的目标建筑平面设计图纸中的关键元素的建筑平面图谱特征转化成剪力墙设计图谱，进而得到剪力墙设计结果；由此可以快速生成剪力墙设计的矢量化图谱数据，极大提高了建筑结构初步设计阶段剪力墙的设计效率和质量，填补了现有人工智能辅助的剪力墙设计方法中对剪力墙的空间位置和拓扑特征考虑不足的缺陷，提高了剪力墙设计模型的可靠性。
为了进一步说明本发明的基于边特征预测图神经网络的剪力墙设计方法，本发明提供了一个具体实施例。
图2是本发明提供的基于边特征预测图神经网络的剪力墙设计方法的流程示意图之二。如图2所示，收集剪力墙住宅建筑的建筑-结构配套的CAD图纸数据集，并提取CAD图纸中关键元素的骨架线；进一步地，根据骨架线将关键元素表示为包括节点和边的图谱格式数据；根据所得的图谱格式数据进行数据集的划分以及剪力墙设计的边特征预测图神经网络模型的训练；对剪力墙设计的边特征预测图神经网络模型进行模型的评价，采用测试集的建筑平面图谱样本数据输入至训练所得的剪力墙设计的边特征预测图神经网络模型之中，并生成剪力墙设计图谱数据，将生成的剪力墙设计图谱数据与预先标定的剪力墙设计图谱样本数据进行差异的综合评价，综合评价合格的剪力墙设计的边特征预测图神经网络模型可以投入应用；将全新设计的建筑平面图谱数据输入综合评价合格的剪力墙设计的边特征预测图神经网络模型中，生成对应的剪力墙设计图谱数据；将全新生成的剪力墙设计图谱数据中的表示结构剪力墙的特征进行提取，可得矢量化的剪力墙构件坐标，根据设计经验，可在剪力墙构件的基础上，进一步得到梁、楼板的矢量化布置，调用结构设计分析软件的API(本申请实施例使用ETABS软件的API)，自动进行结构力学计算模型建立，并进行计算和分析。
其中，收集剪力墙住宅建筑的建筑-结构配套CAD图纸数据集，并提取CAD图纸中关键元素的骨架线。本申请实施例中，一共收集了300份建筑-结构配套CAD图纸，从中提取出结构剪力墙，非结构填充墙，室内门洞口，室外门洞口，窗户洞口五类关键元素构件的中心线，以线段表示，作为关键元素的骨架线。
将结构剪力墙和非结构填充墙统称为墙体，将室内门洞口，室外门洞口，窗户洞口统称为门窗洞口，那么墙体骨架线包括结构剪力墙骨架线和非结构填充墙骨架线，门窗洞口骨架线包括室内门洞口骨架线，室外门洞口骨架线和窗户洞口骨架线。
将所述墙体骨架线和门窗洞口骨架线的交点作为图谱格式数据的节点，将所述墙体骨架线和门窗洞口骨架线作为图谱格式数据的边。图谱的节点特征包括：节点的位置。图谱的边包括墙体、室内门洞口、室外门洞口、窗户洞口四类。
图3是本发明提供的基于边特征预测图神经网络的剪力墙设计方法的一个实施例的剪力墙设计图谱格式示意图。
其中，节点采用黑色圆点示意，不同种类的边采用不同颜色示意。
进一步地，对剪力墙设计的边特征预测图神经网络模型进行模型的评价，采用测试集的建筑平面图谱样本数据输入至训练所得的剪力墙设计的边特征预测图神经网络模型之中，并生成剪力墙设计图谱数据，将生成的剪力墙设计图谱数据与预先标定的剪力墙设计图谱样本数据进行差异的综合评价，综合评价合格的剪力墙设计的边特征预测图神经网络模型可以投入应用，训练后的剪力墙设计的边特征预测图神经网络模型的综合评价采用如下评价方法。
第一步，计算图谱数据评价指标ScoreGraph。
生成的剪力墙设计图谱包括节点特征中的节点位置和剪力墙设计的图神经网络所预测生成的边的特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比。其中，边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比是剪力墙设计的图神经网络预测生成的，因此，图谱数据评价指标ScoreGraph所评价的也即是边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比这三个因素，即结构剪力墙位置差异指标Diffposition、结构剪力墙长度差异指标Difflength和结构剪力墙长度占比差异指标DifflengthRatio，如以下三个公式所示。
其中，n为需计算的图谱的边的数量，在本实施例中，指的是生成的剪力墙设计图谱中墙体这一类边的数量，分别为预先标定的第i条边的结构剪力墙的位置、长度、以及长度在这条墙体边中的占比的真值，分别为第i条边的结构剪力墙的位置、长度、以及长度在这条墙体边中的占比的预测值。
进一步地，对结构剪力墙位置差异指标Diffposition、结构剪力墙长度差异指标Difflength和结构剪力墙长度占比差异指标DifflengthRatio进行加权平均，计算图谱数据评价指标ScoreGraph，如以下公式所示。
ScoreGraph＝ηposition×Diffposition+ηlength×Difflength+ηlengthRatio×DifflengthRatio
其中，ηposition、ηlength、ηlengthRatio分别为Diffposition、Difflength、DifflengthRatio的权重系数。在本申请实施例中，边特征中结构剪力墙的位置、长度均可取相对于该边长度而言的相对位置和相对长度，因此，边特征中结构剪力墙的位置、长度和结构剪力墙的长度在这条墙体边中的占比均本身的数值范围即在0～1之间，那么ηposition、ηlength、ηlengthRatio可分别取1/3。边特征中结构剪力墙的位置、长度亦可取真值的位置坐标和长度绝对值，那么ηposition、ηlength、ηlengthRatio应根据数值量级进行适当调整，以使得ηposition×Diffposition，ηlength×Difflength，ηlengthRatio×DifflengthRatio处于接近的数量级。
第二步，计算物理评价指标ScorePhysics。
对生成剪力墙设计方案对应的剪力墙标准层结构力学计算模型，开展重力荷载分析，计算所述的结构标准层中楼板的最大竖向变形；对生成剪力墙设计方案对应的整体结构力学计算模型，采用其对应的抗震设防等级，进行动力分析，计算所述的结构整体的最大层间位移角；通过比较最大竖向变形与对应的最大竖向变形限制，以及比较最大层间位移角与对应的最大层间位移角限制，计算层间位移角指标ScoreDrift和楼板结构指标Scoreslab，如以下两个公式所示。
/>
其中，Drift和Dispslab分别为结构楼板最大层间位移角和最大竖向位移，Driftmax和Dispslabmax分别为结构最大层间位移角限值和最大竖向位移限值。
进一步地，对层间位移角指标ScoreDrift和楼板结构指标Scoreslab进行加权平均，计算物理评价指标，如以下公式所示。
ScorePhysics＝(ηDrift×ScoreDrift+ηslab×Scoreslab)
其中，ηDrift、ηslab分别为层间位移角指标ScoreDrift和楼板结构指标Scoreslab的权重系数，在本申请实施例中，权重系数可均取0.5。
第三步，对图谱数据评价指标ScoreGraph和物理评价指标ScorePhysics进行加权平均，计算剪力墙设计的结构综合评价指标ScoreShearWall，如下式所示。
ScoreShearWall＝(ηGraph×ScoreGraph+ηPhysics×ScorePhysics)
其中，ηGraph为ScoreGraph值的权重系数，ηPhysics为ScorePhysics值的权重系数，在本申请实施例中，权重系数可均取0.5。
将训练完成的剪力墙设计的边特征预测图神经网络模型，采用相应的测试数据集进行测试，并采用本发明提出的综合评价指标开展评价。其中，当综合评价指标ScoreShearWall超过预先定义的阈值时，可认为该生成结果良好。
进一步地，将全新设计的建筑平面图谱数据输入至综合评价合格的剪力墙设计的边特征预测图神经网络模型中，生成对应的剪力墙设计图谱数据。
进一步地，将全新生成的剪力墙设计图谱数据中的表示结构剪力墙的特征进行提取。
根据剪力墙设计图谱中的节点特征中的节点位置来确定矢量化的位置坐标，根据剪力墙设计图谱中边的类别区分墙体、室内门洞口、室外门洞口、窗户洞口四类中的墙体边；根据墙体边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比确定剪力墙的位置，即可确定结构剪力墙在结构中的矢量化位置坐标；在结构初步方案设计阶段，可将墙体边中除剪力墙之外的部分作为结构梁构件，排除其中的两端端点存在未与结构剪力墙连接的悬臂梁构件，即可确定结构梁在结构中的矢量化位置坐标。
基于结构剪力墙的矢量化位置坐标和结构梁的矢量化位置坐标，调用结构设计分析软件的应用程序接口，自动构建标准层结构力学计算模型，本申请实施例调用的是ETABS软件的API；根据包括墙体、室内门洞口、室外门洞口、窗户洞口四类关键元素在内的整体建筑平面布局来确定平面外轮廓，在结构设计分析软件中，根据此外轮廓，为标准层结构力学计算模型定义楼板位置；并根据设计经验，在结构设计分析软件中，为标准层结构力学计算模型定义楼面荷载，以及初步方案设计阶段的楼板厚度、剪力墙厚度尺寸以及结构梁尺寸。
根据所述标准层结构力学计算模型，在ETABS软件中构建整个建筑的结构力学计算模型，并进行分析和计算。
其中，根据所得的图谱格式数据进行数据集的划分。按照80％的数据集为训练集，20％的数据为测试集对数据集划分训练集和测试集，其中，训练集有240个，测试集有60个。
下面对本发明提供的基于边特征预测图神经网络的剪力墙设计装置进行描述，下文描述的基于边特征预测图神经网络的剪力墙设计装置与上文描述的基于边特征预测图神经网络的剪力墙设计方法可相互对应参照。图4为本发明提供的基于边特征预测图神经网络的剪力墙设计装置的结构示意图，如图4所示，包括获取单元410；图谱特征提取单元420；生成单元430；结果单元440。
其中：
所述获取单元410，用于获取待处理的目标建筑平面设计图纸；
所述图谱特征提取单元420，用于提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；
所述生成单元430，用于基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；
所述结果单元440，用于基于所述剪力墙设计图谱得到剪力墙设计结果。
基于上述实施例，该装置中，提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征，具体包括：
提取所述目标建筑平面设计图纸中的关键元素的骨架线；
基于所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，边表示关键元素种类，节点表示连接关系，形成所述建筑平面图谱特征；
其中，所述目标建筑平面设计图纸中的关键元素包括所述目标建筑平面设计图纸中的墙体或室内门洞口、室外门洞口和窗户洞口中的至少一者以及墙体；
所述目标建筑平面设计图纸中的关键元素的骨架线包括墙体骨架线或墙体骨架线和门窗洞口骨架线；所述门窗洞口骨架线包括室内门洞口骨架线、室外门洞口骨架线和窗户洞口骨架线中的至少一者，所述关键元素的骨架线为所述关键元素的中心线。
基于上述实施例，该装置中，根据所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，形成所述建筑平面图谱特征，具体包括：
将各所述墙体骨架线的交点或所述墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，将所述墙体骨架线或所述墙体骨架线和门窗洞口骨架线作为图谱的边；
所述建筑平面图谱的节点特征包括：节点的位置；
所述建筑平面图谱的边特征包括：边的类别以及边的长度；
其中，所述边的类别包括墙体边、室内门洞口边、室外门洞口边和窗户洞口边四类。
基于上述实施例，该装置中，基于所述剪力墙设计图谱得到剪力墙设计结果，具体包括：
提取所述剪力墙设计图谱中的表示结构剪力墙的特征，其中，所述表示结构剪力墙的特征包括节点特征以及边特征；
根据所述剪力墙设计图谱中的表示结构剪力墙的节点特征中的节点位置和边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比确定目标剪力墙的位置；
确定所述目标剪力墙在建筑结构中的布置，以得到所述剪力墙设计结果。
基于上述实施例，该装置中，基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据创建所述剪力墙设计的边特征预测图神经网络模型，具体包括：
将所述建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据进行数据集的划分；一定比例的数据为训练集，其余部分的数据为测试集；
基于所述训练集，训练得到所述剪力墙设计的边特征预测图神经网络模型；
利用测试集测试所述剪力墙设计的边特征预测图神经网络模型的设计效果，得到测试结果；其中，所述测试结果包括建筑平面图谱测试数据对应的生成的剪力墙设计图谱测试结果，所述测试集包括建筑平面图谱测试数据以及预先标定的剪力墙设计图谱测试数据；
对所述测试结果进行评估，得到剪力墙设计的综合评价指标；
将剪力墙设计的综合评价指标大于预设综合评价指标阈值的剪力墙设计的边特征预测图神经网络模型用于生成所述剪力墙设计图谱。
基于上述实施例，该装置中，对所述测试结果进行评估，得到剪力墙设计的综合评价指标，具体包括：
由结构力学分析的物理评价指标ScorePhysics和剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph加权组成剪力墙设计的结构综合评价指标ScoreShearWall；所述剪力墙设计的结构综合评价指标ScoreShearWall的计算公式为：
ScoreShearWall＝(ηGraph×ScoreGraph+ηPhysics×ScorePhysics)
其中，ηGraph为ScoreGraph值的权重系数，ηPhysics为ScorePhysics值的权重系数，ScorePhysics为结构力学分析的物理评价指标，ScoreGraph为剪力墙设计图谱特征相似度的图谱数据评价指标；
所述结构力学分析的物理评价指标ScorePhysics是基于结构力学计算模型开展的结构动力分析和重力荷载分析得到，计算所述剪力墙设计结果在结构动力分析下的最大层间位移角以及所述剪力墙设计结果在重力荷载分析下的楼板结构的最大竖向变形，分别得到层间位移角指标ScoreDrift和楼板结构指标Scoreslab，进而加权组合得到结构力学分析的物理评价指标ScorePhysics；所述结构力学分析的物理评价指标ScorePhysics的计算公式为：
ScorePhysics＝(ηDrift×ScoreDrift+ηslab×Scoreslab)
其中，ηDrift为ScoreDrift值的权重系数，ηslab为Scoreslab值的权重系数，ScoreDrift为层间位移角指标，Scoreslab为楼板结构指标；
所述剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph的获得基于所述建筑平面图谱测试数据对应的生成的剪力墙设计图谱测试结果和预先标定的剪力墙设计图谱测试数据之间的特征相似度；逐条边计算所述生成的剪力墙设计图谱测试结果和所述预先标定的剪力墙设计图谱测试数据在墙体这一类边中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比这三个指标中的差异的数学平均值，分别得到结构剪力墙位置差异指标Diffposition、结构剪力墙长度差异指标Difflength和结构剪力墙长度占比差异指标DifflengthRatio；所述剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph的计算公式为：
ScoreGraph＝ηposition×Diffposition+ηlength×Difflength+ηlengthRatio×DifflengthRatio
其中，ηposition为Diffpositionh值的权重系数，ηlength为Difflength值的权重系数，ηlengthRatio为DifflengthRatio值的权重系数，Diffposition为结构剪力墙位置差异指标，Difflength为结构剪力墙长度差异指标，DifflengthRatio为结构剪力墙长度占比差异指标。
基于上述实施例，该装置中，所述剪力墙设计的边特征预测图神经网络模型训练的损失函数为：
其中，n为需计算的图谱的边的数量，为第i条边的特征真值，/>为第i条边的特征预测值，Distance()为计算/>和/>差异的函数。
在上述具体实施方式中，本发明提供的基于边特征预测图神经网络的剪力墙设计装置，通过获取待处理的目标建筑平面设计图纸；提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；基于所述剪力墙设计图谱得到剪力墙设计结果；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的。本发明基于预先构建的剪力墙设计的边特征预测图神经网络模型，将提取到的目标建筑平面设计图纸中的关键元素的建筑平面图谱特征转化成剪力墙设计图谱，进而得到剪力墙设计结果；由此可以快速生成剪力墙设计的矢量化图谱数据，极大提高了建筑结构初步设计阶段剪力墙的设计效率和质量，填补了现有人工智能辅助的剪力墙设计方法中对剪力墙的空间位置和拓扑特征考虑不足的缺陷，提高了剪力墙设计模型的可靠性。
图5示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于边特征预测图神经网络的剪力墙设计方法，该方法包括：获取待处理的目标建筑平面设计图纸；提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；基于所述剪力墙设计图谱得到剪力墙设计结果。
此外，上述的存储器530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存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于边特征预测图神经网络的剪力墙设计方法包括：获取待处理的目标建筑平面设计图纸；提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；基于所述剪力墙设计图谱得到剪力墙设计结果。
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提供的基于边特征预测图神经网络的剪力墙设计方法，该方法包括：获取待处理的目标建筑平面设计图纸；提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；基于所述剪力墙设计图谱得到剪力墙设计结果。
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 (8)

1.一种基于边特征预测图神经网络的剪力墙设计方法，其特征在于，包括：
获取待处理的目标建筑平面设计图纸；
提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；
基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；
基于所述剪力墙设计图谱得到剪力墙设计结果；
提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征，具体包括：
提取所述目标建筑平面设计图纸中的关键元素的骨架线；
基于所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，边表示关键元素种类，节点表示连接关系，形成所述建筑平面图谱特征；
其中，所述目标建筑平面设计图纸中的关键元素包括所述目标建筑平面设计图纸中的墙体或室内门洞口、室外门洞口和窗户洞口中的至少一者以及墙体；
所述目标建筑平面设计图纸中的关键元素的骨架线包括墙体骨架线或墙体骨架线和门窗洞口骨架线；所述门窗洞口骨架线包括室内门洞口骨架线、室外门洞口骨架线和窗户洞口骨架线中的至少一者，所述关键元素的骨架线为所述关键元素的中心线；
根据所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，形成所述建筑平面图谱特征，具体包括：
将各所述墙体骨架线的交点或所述墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，将所述墙体骨架线或所述墙体骨架线和门窗洞口骨架线作为图谱的边；
所述建筑平面图谱的节点特征包括：节点的位置；
所述建筑平面图谱的边特征包括：边的类别以及边的长度；
其中，所述边的类别包括墙体边、室内门洞口边、室外门洞口边和窗户洞口边四类。
2.根据权利要求1所述的基于边特征预测图神经网络的剪力墙设计方法，其特征在于，基于所述剪力墙设计图谱得到剪力墙设计结果，具体包括：
提取所述剪力墙设计图谱中的表示结构剪力墙的特征，其中，所述表示结构剪力墙的特征包括节点特征以及边特征；
根据所述剪力墙设计图谱中的表示结构剪力墙的节点特征中的节点位置和边特征中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比确定目标剪力墙的位置；
确定所述目标剪力墙在建筑结构中的布置，以得到所述剪力墙设计结果。
3.根据权利要求1所述的基于边特征预测图神经网络的剪力墙设计方法，其特征在于，基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据创建所述剪力墙设计的边特征预测图神经网络模型，具体包括：
将所述建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据进行数据集的划分；一定比例的数据为训练集，其余部分的数据为测试集；
基于所述训练集，训练得到所述剪力墙设计的边特征预测图神经网络模型；
利用测试集测试所述剪力墙设计的边特征预测图神经网络模型的设计效果，得到测试结果；其中，所述测试结果包括建筑平面图谱测试数据对应的生成的剪力墙设计图谱测试结果，所述测试集包括建筑平面图谱测试数据以及预先标定的剪力墙设计图谱测试数据；
对所述测试结果进行评估，得到剪力墙设计的综合评价指标；
将剪力墙设计的综合评价指标大于预设综合评价指标阈值的剪力墙设计的边特征预测图神经网络模型用于生成所述剪力墙设计图谱。
4.根据权利要求3所述的基于边特征预测图神经网络的剪力墙设计方法，其特征在于，对所述测试结果进行评估，得到剪力墙设计的综合评价指标，具体包括：
由结构力学分析的物理评价指标ScorePhysics和剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph加权组成剪力墙设计的结构综合评价指标ScoreShearWall；所述剪力墙设计的结构综合评价指标ScoreShearWall的计算公式为：
ScoreShearWall＝(ηGraph×ScoreGraph+ηPhysics×ScorePhysics)
其中，ηGraph为ScoreGraph值的权重系数，ηPhysics为ScorePhysics值的权重系数，ScorePhysics为结构力学分析的物理评价指标，ScoreGraph为剪力墙设计图谱特征相似度的图谱数据评价指标；
所述结构力学分析的物理评价指标ScorePhysics是基于结构力学计算模型开展的结构动力分析和重力荷载分析得到，计算所述剪力墙设计结果在结构动力分析下的最大层间位移角以及所述剪力墙设计结果在重力荷载分析下的楼板结构的最大竖向变形，分别得到层间位移角指标ScoreDrift和楼板结构指标Scoreslab，进而加权组合得到结构力学分析的物理评价指标ScorePhysics；所述结构力学分析的物理评价指标ScorePhysics的计算公式为：
ScorePhysics＝(ηDrift×ScoreDrift+ηslab×Scoreslab)
其中，ηDrift为ScoreDrift值的权重系数，ηslab为Scoreslab值的权重系数，ScoreDrift为层间位移角指标，Scoreslab为楼板结构指标；
所述剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph的获得基于所述建筑平面图谱测试数据对应的生成的剪力墙设计图谱测试结果和预先标定的剪力墙设计图谱测试数据之间的特征相似度；逐条边计算所述生成的剪力墙设计图谱测试结果和所述预先标定的剪力墙设计图谱测试数据在墙体这一类边中结构剪力墙的位置、长度、以及长度在这条墙体边中的占比这三个指标中的差异的数学平均值，分别得到结构剪力墙位置差异指标Diffposition、结构剪力墙长度差异指标Difflength和结构剪力墙长度占比差异指标DifflengthRatio；所述剪力墙设计图谱特征相似度的图谱数据评价指标ScoreGraph的计算公式为：
ScoreGraph＝ηposition×Diffposition+ηlength×Difflength+ηlengthRatio×DifflengthRatio
其中，ηposition为Diffpositionh值的权重系数，ηlength为Difflength值的权重系数，ηlengthRatio为、DifflengthRatio值的权重系数，Diffposition为结构剪力墙位置差异指标，Difflength为结构剪力墙长度差异指标，DifflengthRatio为结构剪力墙长度占比差异指标。
5.根据权利要求3所述的基于边特征预测图神经网络的剪力墙设计方法，其特征在于，所述剪力墙设计的边特征预测图神经网络模型训练的损失函数为：
其中，n为需计算的图谱的边的数量，为第i条边的特征真值，/>为第i条边的特征预测值，Distance()为计算/>和/>差异的函数。
6.一种基于边特征预测图神经网络的剪力墙设计装置，其特征在于，包括：
获取单元，用于获取待处理的目标建筑平面设计图纸；
图谱特征提取单元，用于提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征；其中，所述建筑平面图谱特征包括节点特征以及边特征；
生成单元，用于基于预先构建的剪力墙设计的边特征预测图神经网络模型，将所述建筑平面图谱特征输入，以得到剪力墙设计图谱；其中，所述剪力墙设计的边特征预测图神经网络模型是基于建筑平面图谱样本数据以及预先标定的剪力墙设计图谱样本数据训练得到的；
结果单元，用于基于所述剪力墙设计图谱得到剪力墙设计结果；
提取所述目标建筑平面设计图纸中的关键元素的建筑平面图谱特征，具体包括：
提取所述目标建筑平面设计图纸中的关键元素的骨架线；
基于所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，边表示关键元素种类，节点表示连接关系，形成所述建筑平面图谱特征；
其中，所述目标建筑平面设计图纸中的关键元素包括所述目标建筑平面设计图纸中的墙体或室内门洞口、室外门洞口和窗户洞口中的至少一者以及墙体；
所述目标建筑平面设计图纸中的关键元素的骨架线包括墙体骨架线或墙体骨架线和门窗洞口骨架线；所述门窗洞口骨架线包括室内门洞口骨架线、室外门洞口骨架线和窗户洞口骨架线中的至少一者，所述关键元素的骨架线为所述关键元素的中心线；
根据所述关键元素的骨架线，将所述目标建筑平面设计图纸中的关键元素表示为由节点和边构成的图谱格式，形成所述建筑平面图谱特征，具体包括：
将各所述墙体骨架线的交点或所述墙体骨架线和门窗洞口骨架线的交点作为图谱的节点，将所述墙体骨架线或所述墙体骨架线和门窗洞口骨架线作为图谱的边；
所述建筑平面图谱的节点特征包括：节点的位置；
所述建筑平面图谱的边特征包括：边的类别以及边的长度；
其中，所述边的类别包括墙体边、室内门洞口边、室外门洞口边和窗户洞口边四类。
7.一种电子设备，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5任一项所述的基于边特征预测图神经网络的剪力墙设计方法。
8.一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5任一项所述的基于边特征预测图神经网络的剪力墙设计方法。
CN202211516316.7A 2022-11-29 2022-11-29 基于边特征预测图神经网络的剪力墙设计方法和装置 Active CN116150837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211516316.7A CN116150837B (zh) 2022-11-29 2022-11-29 基于边特征预测图神经网络的剪力墙设计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211516316.7A CN116150837B (zh) 2022-11-29 2022-11-29 基于边特征预测图神经网络的剪力墙设计方法和装置

Publications (2)

Publication Number Publication Date
CN116150837A CN116150837A (zh) 2023-05-23
CN116150837B true CN116150837B (zh) 2023-12-29

Family

ID=86355235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211516316.7A Active CN116150837B (zh) 2022-11-29 2022-11-29 基于边特征预测图神经网络的剪力墙设计方法和装置

Country Status (1)

Country Link
CN (1) CN116150837B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666617A (zh) * 2020-05-25 2020-09-15 清华大学 基于对抗生成网络的剪力墙结构布置方法和装置
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
CN114036607A (zh) * 2021-11-03 2022-02-11 清华大学 多模态输入深度神经网络、框架结构梁柱设计方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666617A (zh) * 2020-05-25 2020-09-15 清华大学 基于对抗生成网络的剪力墙结构布置方法和装置
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
CN114036607A (zh) * 2021-11-03 2022-02-11 清华大学 多模态输入深度神经网络、框架结构梁柱设计方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《剪力墙结构智能化生成式设计方法：从数据驱动到物理增强》;廖文杰等;《土木与环境工程学报（中英文）》;1-11 *

Also Published As

Publication number Publication date
CN116150837A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
US11544522B2 (en) Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network
CN113987637B (zh) 基于生成对抗网络的楼盖结构设计方法和装置
WO2021238113A1 (zh) 基于对抗生成网络的剪力墙结构布置方法和装置
CN113779675B (zh) 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置
CN114491740B (zh) 物理与多模态数据驱动的建筑结构生成方法及设备
CN111985499B (zh) 一种基于计算机视觉的高精度桥梁表观病害识别方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN116186825B (zh) 基于图节点分类图神经网络的剪力墙设计方法和装置
CN102354346A (zh) 基于多层次灰色综合模型的太阳翼展开可靠性评估方法
CN112597702B (zh) 基于径向基函数的气动建模生成式对抗网络模型训练方法
CN114925416A (zh) 一种基于数据转换的建筑结构生成方法及装置
CN114898121A (zh) 基于图注意力网络的混凝土坝缺陷图像描述自动生成方法
US10846559B2 (en) Image detection method, system and non-volatile computer readable medium
CN115131560A (zh) 基于全局特征学习和局部特征判别聚合的点云分割方法
CN110765788A (zh) 一种基于隐式翻译模型的知识图谱嵌入方法
CN106934242A (zh) 基于交叉熵法的多模式下设备的健康度评估方法及系统
CN114937184A (zh) 心脏冠脉血管命名模型的训练方法、装置及电子设备
CN116150837B (zh) 基于边特征预测图神经网络的剪力墙设计方法和装置
CN116186824B (zh) 基于图像嵌入图神经网络模型的建筑结构布置方法
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
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
CN114359510A (zh) 一种基于锚点检测的点云补全方法
CN117744204A (zh) 基于图神经网络的梁布置设计方法和装置
CN116029023B (zh) 基于计算机辅助决策的建筑结构智能设计方法及系统

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