CN116186824A - 基于图像嵌入图神经网络模型的建筑结构布置方法 - Google Patents

基于图像嵌入图神经网络模型的建筑结构布置方法 Download PDF

Info

Publication number
CN116186824A
CN116186824A CN202211516089.8A CN202211516089A CN116186824A CN 116186824 A CN116186824 A CN 116186824A CN 202211516089 A CN202211516089 A CN 202211516089A CN 116186824 A CN116186824 A CN 116186824A
Authority
CN
China
Prior art keywords
image
neural network
building
network model
map
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
Application number
CN202211516089.8A
Other languages
English (en)
Other versions
CN116186824B (zh
Inventor
陆新征
廖文杰
赵鹏举
费一凡
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 CN202211516089.8A priority Critical patent/CN116186824B/zh
Publication of CN116186824A publication Critical patent/CN116186824A/zh
Application granted granted Critical
Publication of CN116186824B publication Critical patent/CN116186824B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

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

Abstract

本发明提供一种基于图像嵌入图神经网络模型的建筑结构布置方法，包括：获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。本发明解决了现有建筑结构设计效率低、经验利用率不高的问题。

Description

基于图像嵌入图神经网络模型的建筑结构布置方法
技术领域
本发明涉及智能建筑设计技术领域，尤其涉及一种基于图像嵌入图神经网络模型的建筑结构布置方法。
背景技术
建筑结构设计过程过于依赖人工经验、效率低、且既有设计数据和经验难以有效重复利用，因此，亟需开发可学习既有设计经验并生成新设计的智能设计方法。
基于深度学习图像合成算法的结构智能设计方法得到有效发展，但是将建筑和结构表达为图像数据，其数据稀疏性较大、学习效果不佳，且仅能有效反映构件的空间布置特性；而图神经网络则是一种有效表达结构拓扑关系的智能算法，通过学习拓扑关系掌握结构的智能设计能力。但无论是基于图像、还是基于图谱，都难以同时掌握建筑结构设计中空间布置特征和构件拓扑关系特征。因此，需要提出一种可同时学习建筑结构空间布置和结构拓扑关系的智能设计算法。
发明内容
本发明提供一种于图像嵌入图神经网络模型的建筑结构布置方法，用以解决现有建筑结构设计效率低、经验利用率不高的问题。
本发明提供一种基于图像嵌入图神经网络模型的建筑结构布置方法，包括：
获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
根据本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法，所述预训练的图像嵌入图神经网络模型构建过程，具体包括：
获取建筑-结构构件的完整设计矢量数据，构建用于训练和测试的建筑-结构构件的图谱表示数据集和图像表示数据集，并划分为训练数据集和测试数据集；
将预设的用于构建节点聚合边特征的图神经网络模型，构建图像高维特征提取的深度卷积神经网络模型，构建节点、边特征输出的多层感知机模型组合生成图像嵌入图神经网络模型；
通过所述建筑-结构构件的图谱表示训练数据集和图像表示训练数据集对所述图像嵌入图神经网络模型进行训练，输出训练后的图像嵌入图神经网络模型；
通过所述建筑-结构构件的图谱表示测试数据集和图像表示测试数据集对训练后的图像嵌入图神经网络模型进行测试评估，满足综合指标要求的作为最终图像嵌入图神经网络模型。
根据本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法，所述获取建筑-结构构件的完整设计矢量数据，构建用于训练和测试的建筑-结构构件的图谱表示数据集和图像表示数据集，具体包括：
所述建筑-结构构件的图谱表示数据集和图像表示数据集包括：建筑构件图谱表示数据集、结构构件图谱表示数据、建筑图像表示数据集和结构图像表示数据集；
所述建筑构件图谱表示数据集中，隔墙采用边表示、门窗采用边表示、构件端点采用节点表示、建筑柱采用节点表示；
所述结构构件图谱表示数据集中，剪力墙构件采用边表示、梁采用边表示、结构柱采用节点表示、支撑采用边表示；
所述建筑图像表示数据集中，隔墙、门窗、建筑柱元素均采用设定宽度的不同颜色块表示；
结构图像表示数据集中，剪力墙、梁、结构柱、支撑元素均采用设定宽度的不同颜色块表示，且均与建筑图像中构件颜色不同。
根据本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法，所述将预设的用于构建节点聚合边特征的图神经网络，构建图像高维特征提取的深度卷积神经网络，构建节点、边特征输出的多层感知机组合生成图像嵌入图神经网络模型，具体包括：
所述构建图像高维特征提取的深度卷积神经网络输入为尺寸Himg×Wimg×Cimg的张量，输出为尺寸Ndim的高维特征向量；
所述构建节点聚合边特征的图神经网络输入为Nnode个节点和Nedge个边构成的图谱数据，输出为与输入同结构的Nnode个节点和Nedge个边构成的图谱数据，其中节点和边分别为
Figure BDA0003970532950000031
和/>
Figure BDA0003970532950000032
维度的输出特征向量；
所述构建节点、边特征输出的多层感知机输入分别为图谱中节点输出的
Figure BDA0003970532950000033
维度特征向量、边输出的/>
Figure BDA0003970532950000034
维度特征向量，隐层维度分别为/>
Figure BDA0003970532950000035
和/>
Figure BDA0003970532950000036
输出分别为维度的/>
Figure BDA0003970532950000037
和/>
Figure BDA0003970532950000038
结果向量；
将深度卷积神经网络、图神经网络和多层感知机进行组合，完成图像嵌入的图神经网络模型构建。
根据本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法，所述通过所述建筑-结构构件的图谱表示训练数据集和图像表示训练数据集对所述图像嵌入图神经网络模型进行训练，输出训练后的图像嵌入图神经网络模型，具体包括：
将深度卷积神经网络模型作为图像编码器，搭建与之对应的基于反卷积神经网络的图像解码器，将编码器-解码器结合构建图像生成网络，并基于构建的建筑-结构构件的图谱表示数据集和图像表示数据集进行训练，训练时输入建筑图像、生成结构图像；
将训练后图像生成中的编码器作为图像嵌入图神经网络模型中的深度卷积神经网络，对图神经网络进行模型训练，输入建筑图谱和对应图像，输出结构图谱，完成图像嵌入图神经网络模型的训练。
根据本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法，所述通过所述建筑-结构构件的图谱表示测试数据集和图像表示测试数据集对训练后的图像嵌入图神经网络模型进行测试评估，满足综合指标要求的作为最终图像嵌入图神经网络模型，具体包括：
将图像嵌入图神经网络模型生成的结构设计图谱与目标设计图谱，采用逐节点以及逐边的误差计算计算方法计算一致性，一致性越高则代表性能越好；
基于图像嵌入图神经网络模型生成的结构设计图谱，构建对应的力学计算模型，分析结构在竖向荷载和水平荷载作用下的响应，并判断是否满足对应结构设计规范要求，满足要求则代表力学性能较好；
将一致性与力学性能综合加权，得到综合评分，得分最高的模型作为最终图像嵌入图神经网络模型。
本发明还提供一种基于图像嵌入图神经网络模型的建筑结构布置系统，所述系统包括：
数据获取模块，用于获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
模型构建模块，用于将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
方案设计模块，用于将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
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图像嵌入图神经网络模型的建筑结构布置方法。
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图像嵌入图神经网络模型的建筑结构布置方法。
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图像嵌入图神经网络模型的建筑结构布置方法。
本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法，通过构建可同时学习结构拓扑关系和空间布置的图像嵌入图神经网络模型，经过数据学习，进而有效掌握建筑结构的准确设计方法，提升了建筑结构智能设计的有效性和准确性，提升经验利用率。
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图像嵌入图神经网络模型的建筑结构布置方法的流程示意图之一；
图2是本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法的流程示意图之二；
图3是本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法的流程示意图之三；
图4是本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法的流程示意图之四；
图5是本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置系统的模块连接示意图；
图6是本发明提供的图像嵌入图神经网络构建方法示意图；
图7是本发明提供的图像嵌入图神经网络两阶段训练方法示意图；
图8是本发明提供的智能设计剪力墙结构性能评价方法示意图；
图9是本发明提供的电子设备的结构示意图。
附图标记：
110：数据获取模块；120：模型构建模块；130：方案设计模块；
910：处理器；920：通信接口；930：存储器；940：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4描述本发明的一种基于图像嵌入图神经网络模型的建筑结构布置方法，包括：
S100、获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
S200、将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
S300、将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
S400、本发明通过构建可同时学习结构拓扑关系和空间布置的图像嵌入图神经网络，经过数据学习，进而有效掌握建筑结构的准确设计方法，提升了建筑结构智能设计的有效性和准确性。
预训练的图像嵌入图神经网络模型构建过程，具体包括：
S201、获取建筑-结构构件的完整设计矢量数据，构建用于训练和测试的建筑-结构构件的图谱表示数据集和图像表示数据集，并划分为训练数据集和测试数据集；
S202、将预设的用于构建节点聚合边特征的图神经网络模型，构建图像高维特征提取的深度卷积神经网络模型，构建节点、边特征输出的多层感知机模型；将深度卷积神经网络提取后的特征嵌入图神经网络的节点和边特征中，将图神经网络输出的节点特征和边特征采用多层感知机输出为结构设计特征，组合生成图像嵌入图神经网络模型；
S203、通过所述建筑-结构构件的图谱表示训练数据集和图像表示训练数据集对所述图像嵌入图神经网络模型进行训练，输出训练后的图像嵌入图神经网络模型；
S204、通过所述建筑-结构构件的图谱表示测试数据集和图像表示测试数据集对训练后的图像嵌入图神经网络模型进行测试评估，满足综合指标要求的作为最终图像嵌入图神经网络模型。
获取建筑-结构构件的完整设计矢量数据，构建用于训练和测试的建筑-结构构件的图谱表示数据集和图像表示数据集，具体包括：
所述建筑-结构构件的图谱表示数据集和图像表示数据集包括：建筑构件图谱表示数据集、结构构件图谱表示数据、建筑图像表示数据集和结构图像表示数据集；
所述建筑构件图谱表示数据集中，隔墙采用边表示、门窗采用边表示、构件端点采用节点表示、建筑柱采用节点表示；
所述结构构件图谱表示数据集中，剪力墙构件采用边表示、梁采用边表示、结构柱采用节点表示、支撑采用边表示；
所述建筑图像表示数据集中，隔墙、门窗、建筑柱元素均采用设定宽度的不同颜色块表示；
结构图像表示数据集中，剪力墙、梁、结构柱、支撑元素均采用设定宽度的不同颜色块表示，且均与建筑图像中构件颜色不同。
在实际应用过程建筑构件和剪力墙结构构件的图像表示：建筑图像表示中，建筑墙可以由灰色的矩形表示、门窗统一采用绿色的矩形表示；结构图像表示中，剪力墙由红色的矩形表示，其余颜色矩形含义与建筑图像一致；
建筑构件和剪力墙结构构件的图谱表示：建筑图谱表示中，建筑墙、门窗构件采用图谱的边表示，边的特征向量包括边类别向量与边的两端节点坐标，构件与构件之间的连接点采用图谱的节点表示，节点的特征向量包括节点的坐标；结构图谱表示中，边构件则至表示该边的两个节点中剪力墙的长度，若长度为0，则代表没有剪力墙，若非0则代表长度为l的剪力墙。
将预设的用于构建节点聚合边特征的图神经网络，构建图像高维特征提取的深度卷积神经网络，构建节点、边特征输出的多层感知机组合生成图像嵌入图神经网络模型，具体包括：
所述构建图像高维特征提取的深度卷积神经网络输入为尺寸Himg×Wimg×Cimg的张量，输出为尺寸Ndim的高维特征向量；
所述构建节点聚合边特征的图神经网络输入为Nnode个节点和Nedge个边构成的图谱数据，输出为与输入同结构的Nnode个节点和Nedge个边构成的图谱数据，其中节点和边分别为
Figure BDA0003970532950000091
和/>
Figure BDA0003970532950000092
维度的输出特征向量；
所述构建节点、边特征输出的多层感知机输入分别为图谱中节点输出的
Figure BDA0003970532950000093
维度特征向量、边输出的/>
Figure BDA0003970532950000094
维度特征向量，隐层维度分别为/>
Figure BDA0003970532950000095
和/>
Figure BDA0003970532950000096
输出分别为维度的/>
Figure BDA0003970532950000097
和/>
Figure BDA0003970532950000098
结果向量；
参考图6，将深度卷积神经网络、图神经网络和多层感知机进行组合，完成图像嵌入的图神经网络模型构建。
本实施中的深度卷积神经网络由多个2D卷积神经网络堆叠而成，输入为尺寸Himg×Wimg×Cimg的张量，输出为尺寸Ndim的高维特征向量，图像的长、宽为Himg＝Wimg＝128pixel，Cimg为图像通道数3，Ndim为维度8的特征向量；
图神经网络采用节点聚合边特征的图神经网络模型，其学习机制为归纳学习，即整个图神经网络的计算为节点和边特征采用聚合计算的方式更新图神经网络特征，特征聚合过程如式(1)～式(4)所示，式(1)表示前一层图神经网络中，所有边采用特征聚合方式将相关节点特征进行聚合，式(2)表示本层图神经网络中，所有边采用特征聚合方式将上一层相关边特征进行聚合，式(3)则表示对本层中的新边特征进行乘以权重的计算并采用非线性激活函数进行激活，式(4)则表示对更新后的本层边特征进行归一化；
Figure BDA0003970532950000099
Figure BDA00039705329500000910
Figure BDA0003970532950000101
Figure BDA0003970532950000102
式中，
Figure BDA0003970532950000103
和/>
Figure BDA0003970532950000104
分别表示前一层和本层图网络的边特征，/>
Figure BDA0003970532950000105
表示前一层图网络的节点特征，Agg()表示聚合函数，σ()表示激活函数，W(k)表示本层节点权重，E(k-1)(v)和N(k-1)(u)分别表示边集合与节点集合。
本实施例中采用固定数量边采样计算方式，每次采样Nedge个边构成的图谱数据，Nedge＝64，再聚合周边相关Nnode个节点特征，Nnode非固定。其中边的特征中嵌入了前述卷积神经网络提取的图像高维特征向量，构造为
Figure BDA0003970532950000106
维度的输入特征向量，输出为与输入同结构的Nnode个节点和Nedge个边构成的图谱数据，其中边分别为/>
Figure BDA0003970532950000107
维度的输出特征向量；
构建多层感知机模型为人工神经网络模型，输入分别为图谱中边输出的
Figure BDA0003970532950000108
维度特征向量，隐层维度为/>
Figure BDA0003970532950000109
输出维度为/>
Figure BDA00039705329500001010
的结果向量；
将深度卷积神经网络、图神经网络、多层感知机模型组合，完成图像嵌入的图神经网络模型构建。
通过所述建筑-结构构件的图谱表示数据集和图像表示数据集对所述图像嵌入图神经网络模型进行训练，输出训练后的图像嵌入图神经网络模型，具体包括：
S2031、将深度卷积神经网络模型作为图像编码器，搭建与之对应的基于反卷积神经网络的图像解码器，将编码器-解码器结合构建图像生成网络，并基于构建的建筑-结构构件的图谱表示数据集和图像表示数据集进行训练，训练时输入建筑图像、生成结构图像；
S2032、将训练后图像生成中的编码器作为图像嵌入图神经网络模型中的深度卷积神经网络，对图神经网络进行模型训练，输入建筑图谱和对应图像，输出结构图谱，完成图像嵌入图神经网络模型的训练。
参考图7，本发明中基于构建的建筑-结构设计图谱和图像训练数据集对网络模型进行训练，将生成设计与目标设计的差异作为损失函数，学习建筑图像-图谱数据到结构设计图谱数据的映射关系；
第一阶段：将深度卷积神经网络作为图像编码器，搭建与之对应的基于反卷积神经网络的图像解码器，编码器-解码器结合构建图像生成网络，并基于构建的建筑-结构构件的图谱表示数据集和图像表示数据集进行训练，训练时输入建筑图像、生成结构图像，损失函数式(5)所示：
Figure BDA0003970532950000111
式中，
Figure BDA0003970532950000112
为图像生成损失，/>
Figure BDA0003970532950000113
为生成图像的特征匹配损失，/>
Figure BDA0003970532950000114
为生成图像经过VGG网络提取特征的匹配损失，ωFM和ωVGG分别为权重；
第二阶段：将训练后图像生成中的编码器作为图像嵌入图神经网络中的深度卷积神经网络模型，随后对该图神经网络模型进行模型训练，输入建筑图谱和对应图像，输出结构图谱，损失函数式(6)所示：
Figure BDA0003970532950000115
式中，
Figure BDA0003970532950000116
为图谱生成损失，/>
Figure BDA0003970532950000117
为生成图谱中节点的特征匹配损失，
Figure BDA0003970532950000118
为生成图像中边的特征匹配损失，ωnode和ωedge分别为权重，本实施例中ωnode＝0，ωedge＝1。
通过所述建筑-结构构件的图谱表示数据集和图像表示数据集对训练后的图像嵌入图神经网络模型进行测试评估，满足综合指标要求的作为最终图像嵌入图神经网络模型，具体包括：
S2041、将图像嵌入图神经网络模型生成的结构设计图谱与目标设计图谱，采用逐节点以及逐边的误差计算计算方法计算一致性，一致性越高则代表性能越好；
S2042、基于图像嵌入图神经网络模型生成的结构设计图谱，构建对应的力学计算模型，分析结构在竖向荷载和水平荷载作用下的响应，并判断是否满足对应结构设计规范要求，满足要求则代表力学性能较好；
S2043、将一致性与力学性能综合加权，得到综合评分，得分最高的模型作为最终图像嵌入图神经网络模型。
基于构建的建筑-结构设计图谱和图像测试数据集对网络模型进行测试，采用生成设计与目标设计的一致性、以及生成结构设计的力学性能作为综合评价指标，满足综合指标要求的作为智能设计模型。
基于生成设计与目标设计一致性的计算方法，将工程师设计与智能设计的剪力墙构件轴线，通过交并比计算得到二者一致性得分；生成设计与目标设计的一致性计算为：将生成的结构设计图谱与目标设计图谱，采用逐节点以及逐边的误差计算计算方法计算一致性，一致性越高则代表性能越好。
图8所示为结构设计的力学性能计算为：基于生成的结构设计图谱，构建对应的力学计算模型，分析结构在竖向荷载和水平荷载作用下的响应，并判断是否满足对应结构设计规范要求，满足要求则代表力学性能较好。基于结构力学性能的评价方法，将生成的剪力墙构件坐标提出，并基于建筑构件坐标与剪力墙构件坐标生成梁布置，完成结构标准层建模，进一步基于标准层模型生成整体结构力学分析模型，开展力学分析，得到结构的力学响应，与规范要求进行对比，判断其力学性能得分。
将一致性与力学性能综合加权，得到综合评分，得分最高的图像嵌入图神经网络模型投入智能设计应用。
在图像嵌入图神经网络模型设计完成后，获取待设计的新的建筑构件的矢量数据，并根据建筑矢量数据同时构造为建筑构件图谱表示、图像表示；
将建筑构件图谱和图像输入训练后具备智能设计能力的图像嵌入图神经网络模型中；首先将建筑图像根据建筑构件节点进行划分，划分为以节点为中心的图像，其次智能设计网络模型中的卷积神经网络逐节点将图像转化为高维向量，并将高维向量嵌入图谱节点和边特征向量中，最后根据智能设计网络中的图神经网络将嵌入图像特征的建筑图谱映射生成结构设计图谱；
将生成的结构设计图谱中节点和边特征输出，并进行标准化，完成建筑结构布置设计。
通过本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置方法，通过构建可同时学习结构拓扑关系和空间布置的图像嵌入图神经网络模型，经过数据学习，进而有效掌握建筑结构的准确设计方法，提升了建筑结构智能设计的有效性和准确性，提升经验利用率。
参考图5，本发明还公开了一种基于图像嵌入图神经网络模型的建筑结构布置系统，所述系统包括：
数据获取模块110，用于获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
模型构建模块120，用于将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
方案设计模块130，用于将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
其中，模型构建模块，获取建筑-结构构件的完整设计矢量数据，构建用于训练和测试的建筑-结构构件的图谱表示数据集和图像表示数据集；
将预设的用于构建节点聚合边特征的图神经网络模型，构建图像高维特征提取的深度卷积神经网络模型，构建节点、边特征输出的多层感知机模型组合生成图像嵌入图神经网络模型；
通过所述建筑-结构构件的图谱表示数据集和图像表示数据集对所述图像嵌入图神经网络模型进行训练，输出训练后的图像嵌入图神经网络模型；
通过所述建筑-结构构件的图谱表示数据集和图像表示数据集对训练后的图像嵌入图神经网络模型进行测试评估，满足综合指标要求的作为最终图像嵌入图神经网络模型。
方案设计模块，获取待设计的新的建筑构件的矢量数据，并根据建筑矢量数据同时构造为建筑构件图谱表示、图像表示；
将建筑构件图谱和图像输入训练后具备智能设计能力的图像嵌入图神经网络模型中；首先将建筑图像根据建筑构件节点进行划分，划分为以节点为中心的图像，其次智能设计网络模型中的卷积神经网络逐节点将图像转化为高维向量，并将高维向量嵌入图谱节点和边特征向量中，最后根据智能设计网络中的图神经网络将嵌入图像特征的建筑图谱映射生成结构设计图谱；
将生成的结构设计图谱中节点和边特征输出，并进行标准化，完成建筑结构布置设计。
本发明提供的一种基于图像嵌入图神经网络模型的建筑结构布置系统，通过构建可同时学习结构拓扑关系和空间布置的图像嵌入图神经网络模型，经过数据学习，进而有效掌握建筑结构的准确设计方法，提升了建筑结构智能设计的有效性和准确性，提升经验利用率。
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，以执行一种基于图像嵌入图神经网络模型的建筑结构布置方法，该方法包括：获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
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图像嵌入图神经网络模型的建筑结构布置方法，该方法包括：获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
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图像嵌入图神经网络模型的建筑结构布置方法，该方法包括：获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
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)

1.一种基于图像嵌入图神经网络模型的建筑结构布置方法，其特征在于，包括：
获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
2.根据权利要求1所述的基于图像嵌入图神经网络模型的建筑结构布置方法，其特征在于，所述预训练的图像嵌入图神经网络模型构建过程，具体包括：
获取建筑-结构构件的完整设计矢量数据，构建用于训练和测试的建筑-结构构件的图谱表示数据集和图像表示数据集，并划分为训练数据集和测试数据集；
将预设的用于构建节点聚合边特征的图神经网络模型，构建图像高维特征提取的深度卷积神经网络模型，构建节点、边特征输出的多层感知机模型组合生成图像嵌入图神经网络模型；
通过所述建筑-结构构件的图谱表示训练数据集和图像表示训练数据集对所述图像嵌入图神经网络模型进行训练，输出训练后的图像嵌入图神经网络模型；
通过所述建筑-结构构件的图谱表示测试数据集和图像表示测试数据集对训练后的图像嵌入图神经网络模型进行测试评估，满足综合指标要求的作为最终图像嵌入图神经网络模型。
3.根据权利要求2所述的基于图像嵌入图神经网络模型的建筑结构布置方法，其特征在于，所述获取建筑-结构构件的完整设计矢量数据，构建用于训练和测试的建筑-结构构件的图谱表示数据集和图像表示数据集，具体包括：
所述建筑-结构构件的图谱表示数据集和图像表示数据集包括：建筑构件图谱表示数据集、结构构件图谱表示数据、建筑图像表示数据集和结构图像表示数据集；
所述建筑构件图谱表示数据集中，隔墙采用边表示、门窗采用边表示、构件端点采用节点表示、建筑柱采用节点表示；
所述结构构件图谱表示数据集中，剪力墙构件采用边表示、梁采用边表示、结构柱采用节点表示、支撑采用边表示；
所述建筑图像表示数据集中，隔墙、门窗、建筑柱元素均采用设定宽度的不同颜色块表示；
结构图像表示数据集中，剪力墙、梁、结构柱、支撑元素均采用设定宽度的不同颜色块表示，且均与建筑图像中构件颜色不同。
4.根据权利要求2所述的基于图像嵌入图神经网络模型的建筑结构布置方法，其特征在于，所述将预设的用于构建节点聚合边特征的图神经网络，构建图像高维特征提取的深度卷积神经网络，构建节点、边特征输出的多层感知机组合生成图像嵌入图神经网络模型，具体包括：
所述构建图像高维特征提取的深度卷积神经网络输入为尺寸Himg×Wimg×Cimg的张量，输出为尺寸Ndim的高维特征向量；
所述构建节点聚合边特征的图神经网络输入为Nnode个节点和Nedge个边构成的图谱数据，输出为与输入同结构的Nnode个节点和Nedge个边构成的图谱数据，其中节点和边分别为
Figure FDA0003970532940000021
和/>
Figure FDA0003970532940000022
维度的输出特征向量；
所述构建节点、边特征输出的多层感知机输入分别为图谱中节点输出的
Figure FDA0003970532940000023
维度特征向量、边输出的/>
Figure FDA0003970532940000024
维度特征向量，隐层维度分别为/>
Figure FDA0003970532940000031
和/>
Figure FDA0003970532940000032
输出分别为维度的/>
Figure FDA0003970532940000033
和/>
Figure FDA0003970532940000034
结果向量；
将深度卷积神经网络、图神经网络和多层感知机进行组合，完成图像嵌入的图神经网络模型构建。
5.根据权利要求2所述的基于图像嵌入图神经网络模型的建筑结构布置方法，其特征在于，所述通过所述建筑-结构构件的图谱表示训练数据集和图像表示训练数据集对所述图像嵌入图神经网络模型进行训练，输出训练后的图像嵌入图神经网络模型，具体包括：
将深度卷积神经网络模型作为图像编码器，搭建与之对应的基于反卷积神经网络的图像解码器，将编码器-解码器结合构建图像生成网络，并基于构建的建筑-结构构件的图谱表示数据集和图像表示数据集进行训练，训练时输入建筑图像、生成结构图像；
将训练后图像生成中的编码器作为图像嵌入图神经网络模型中的深度卷积神经网络，对图神经网络进行模型训练，输入建筑图谱和对应图像，输出结构图谱，完成图像嵌入图神经网络模型的训练。
6.根据权利要求1所述的基于图像嵌入图神经网络模型的建筑结构布置方法，其特征在于，所述通过所述建筑-结构构件的图谱表示测试数据集和图像表示测试数据集对训练后的图像嵌入图神经网络模型进行测试评估，满足综合指标要求的作为最终图像嵌入图神经网络模型，具体包括：
将图像嵌入图神经网络模型生成的结构设计图谱与目标设计图谱，采用逐节点以及逐边的误差计算计算方法计算一致性，一致性越高则代表性能越好；
基于图像嵌入图神经网络模型生成的结构设计图谱，构建对应的力学计算模型，分析结构在竖向荷载和水平荷载作用下的响应，并判断是否满足对应结构设计规范要求，满足要求则代表力学性能较好；
将一致性与力学性能综合加权，得到综合评分，得分最高的模型作为最终图像嵌入图神经网络模型。
7.一种基于图像嵌入图神经网络模型的建筑结构布置系统，其特征在于，所述系统包括：
数据获取模块，用于获取建筑构件的矢量数据，并根据所述建筑矢量数据构造建筑构件图谱表示和图像表示；
模型构建模块，用于将所述建筑构件图谱表示和图像表示输入至预训练的图像嵌入图神经网络模型，通过所述图像嵌入图神经网络模型生成结构设计图谱；
方案设计模块，用于将所述结构设计图谱中节点和边特征向量输出，通过标准化处理，完成建筑结构布置方案的设计。
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任一项所述基于图像嵌入图神经网络模型的建筑结构布置方法。
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，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于图像嵌入图神经网络模型的建筑结构布置方法。
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任一项所述基于图像嵌入图神经网络模型的建筑结构布置方法。
CN202211516089.8A 2022-11-29 2022-11-29 基于图像嵌入图神经网络模型的建筑结构布置方法 Active CN116186824B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211516089.8A CN116186824B (zh) 2022-11-29 2022-11-29 基于图像嵌入图神经网络模型的建筑结构布置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211516089.8A CN116186824B (zh) 2022-11-29 2022-11-29 基于图像嵌入图神经网络模型的建筑结构布置方法

Publications (2)

Publication Number Publication Date
CN116186824A true CN116186824A (zh) 2023-05-30
CN116186824B CN116186824B (zh) 2023-09-12

Family

ID=86449672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211516089.8A Active CN116186824B (zh) 2022-11-29 2022-11-29 基于图像嵌入图神经网络模型的建筑结构布置方法

Country Status (1)

Country Link
CN (1) CN116186824B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235877A (zh) * 2023-11-15 2023-12-15 北京市建筑设计研究院有限公司 基于对抗神经网络模型的建筑结构布置生成方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210287138A1 (en) * 2020-03-12 2021-09-16 Autodesk, Inc. Learning to simulate and design for structural engineering
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
US20220101103A1 (en) * 2020-09-25 2022-03-31 Royal Bank Of Canada System and method for structure learning for graph neural networks
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
CN114970816A (zh) * 2022-05-20 2022-08-30 蚂蚁区块链科技(上海)有限公司 训练图神经网络的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210287138A1 (en) * 2020-03-12 2021-09-16 Autodesk, Inc. Learning to simulate and design for structural engineering
US20220101103A1 (en) * 2020-09-25 2022-03-31 Royal Bank Of Canada System and method for structure learning for graph neural networks
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
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
CN114970816A (zh) * 2022-05-20 2022-08-30 蚂蚁区块链科技(上海)有限公司 训练图神经网络的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YIFAN FEI ET AL.: "Integrated Schematic Design Method for Shear Wall Structures: A Practical Application of Generative Adversarial Networks", 《BUILDINGS》, pages 1 - 17 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235877A (zh) * 2023-11-15 2023-12-15 北京市建筑设计研究院有限公司 基于对抗神经网络模型的建筑结构布置生成方法及系统
CN117235877B (zh) * 2023-11-15 2024-03-19 北京市建筑设计研究院股份有限公司 基于对抗神经网络模型的建筑结构布置生成方法及系统

Also Published As

Publication number Publication date
CN116186824B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN110880036B (zh) 神经网络压缩方法、装置、计算机设备及存储介质
CN104751842B (zh) 深度神经网络的优化方法及系统
CN110188794B (zh) 一种深度学习模型的训练方法、装置、设备及存储介质
US20210406687A1 (en) Method for predicting attribute of target object based on machine learning and related device
CN116186824B (zh) 基于图像嵌入图神经网络模型的建筑结构布置方法
CN111814804B (zh) 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置
CN113190688A (zh) 基于逻辑推理和图卷积的复杂网络链接预测方法及系统
CN107437111A (zh) 基于神经网络的数据处理方法、介质、装置和计算设备
WO2021238568A1 (zh) 一种更新参数的方法、装置及存储介质
CN112100406A (zh) 数据处理方法、装置、设备以及介质
US20240013035A1 (en) Computing platform, method, and apparatus for spiking neural network learning and simulation
CN112561031A (zh) 基于人工智能的模型搜索方法、装置及电子设备
CN113505924A (zh) 一种基于级联时空特征的信息传播预测方法及系统
CN111058840A (zh) 一种基于高阶神经网络的有机碳含量(toc)评价方法
CN110956261A (zh) 一种评价指标的确定方法及系统
KR102149355B1 (ko) 연산량을 줄이는 학습 시스템
CN114154622A (zh) 交通运行体系流量数据采集缺失补全的算法模型
CN106407932A (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
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
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
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
KR102215824B1 (ko) 시각 및 텍스트 정보를 포함하는 다이어그램의 분석 방법 및 장치
CN111488980A (zh) 优化采样的神经网络的设备上持续学习方法及装置
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
CN116564555A (zh) 基于深度记忆交互的药物相互作用预测模型构建方法

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