CN113987637A - 基于生成对抗网络的楼盖结构设计方法和装置 - Google Patents

基于生成对抗网络的楼盖结构设计方法和装置 Download PDF

Info

Publication number
CN113987637A
CN113987637A CN202111241744.9A CN202111241744A CN113987637A CN 113987637 A CN113987637 A CN 113987637A CN 202111241744 A CN202111241744 A CN 202111241744A CN 113987637 A CN113987637 A CN 113987637A
Authority
CN
China
Prior art keywords
image
design
floor
building
floor structure
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
CN202111241744.9A
Other languages
English (en)
Other versions
CN113987637B (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 CN202111241744.9A priority Critical patent/CN113987637B/zh
Publication of CN113987637A publication Critical patent/CN113987637A/zh
Application granted granted Critical
Publication of CN113987637B publication Critical patent/CN113987637B/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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (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

本发明提供一种基于生成对抗网络的楼盖结构设计方法和装置，其中所述方法包括：获取待处理的建筑平面设计图纸；提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。本发明可以快速生成楼盖结构设计图像，极大提高了楼盖结构初步设计阶段的设计效率。

Description

基于生成对抗网络的楼盖结构设计方法和装置
技术领域
本发明涉及建筑结构设计与机器学习技术领域，尤其涉及一种基于生成对抗网络的楼盖结构设计方法和装置。
背景技术
在高层剪力墙住宅建筑方案设计时、以及结构初始设计时，为保证最终设计结果的安全性与合理性，需在建筑平面图纸的基础上进行快速合理的楼盖结构初步设计。
良好的结构初步设计方案，可辅助建筑方案与结构方案的后期深化设计。但目前依赖人工经验的楼盖结构设计方法耗时长、建筑工程师与结构工程师之间的交互设计效率低下，而且人工设计依赖设计师经验，导致不同设计人员的设计结果存在一定差异，难以充分利用既有的设计图纸资源，难以充分吸纳历史设计经验。同时，现有基于计算机辅助的结构设计优化方法计算资源消耗大，耗时长，且难以有效应用既有的成熟设计结果。现有基于人工智能辅助的结构设计方法无法进行楼盖结构设计，且评价方法仅仅基于图像数据，难以考虑结构物理力学特征。同时，楼盖结构设计方案的后续评估和分析应用均需要建立结构分析模型，而人工建立结构分析模型耗时长，效率低，不利于设计方案迭代更改，导致结构初步设计阶段的快速设计需求难以满足。
发明内容
本发明提供一种基于生成对抗网络的楼盖结构设计方法和装置，用以解决现有技术中存在的技术缺陷。
本发明提供一种基于生成对抗网络的楼盖结构设计方法，包括：
获取待处理的建筑平面设计图纸；
提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述关键元素包括建筑关键构件元素和建筑关键空间元素，所述待输入图像特征包括基于建筑关键构件元素生成的待输入建筑构件图像特征以及基于建筑关键空间元素生成的待输入建筑空间图像特征；
所述建筑关键构件元素是从所述建筑平面设计图纸中的结构剪力墙位置、非结构填充墙位置、室内门洞口、室外门洞口、窗户洞口提取得到的；
所述建筑关键空间元素是从所述建筑平面设计图纸中的各类房间功能分区及房间功能属性提取得到的。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像之后，包括：
将所述楼盖结构设计图像进行框架梁结构元素、连梁结构元素、楼板结构元素以及剪力墙结构元素的定位线提取，生成对应的框架梁结构元素、连梁结构元素、楼板结构元素、以及剪力墙结构元素的矢量化位置坐标；
基于框架梁结构元素、连梁结构元素、楼板结构元素、剪力墙结构元素的矢量化位置坐标，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；并根据所述建筑关键空间元素中的各类房间功能分区及房间功能属性，为标准层结构力学计算模型定义各房间楼板边界以及对应楼板荷载；
根据所述标准层结构力学计算模型，构建整个建筑的结构力学计算模型，并进行分析和计算。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述楼盖结构设计生成对抗网络模型包括图像生成子模型与图像判别子模型，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像，包括：
将所述待输入图像特征输入至所述图像生成子模型，生成楼盖结构设计图像；
将所述楼盖结构设计图像输入至所述图像判别子模型，判别所述楼盖结构设计图像的真伪。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像之后，包括：
利用测试集对所述楼盖结构生成对抗网络模型进行设计效果的测试，得到测试结果，所述测试结果包括建筑设计图像测试数据对应的生成楼盖结构设计图像；所述测试集包括建筑设计图像测试数据以及预先标定的目标楼盖结构测试标签图像数据；
对所述测试结果进行评估，得到楼盖结构综合评价指标；
将楼盖结构综合评价指标大于预设综合评价指标阈值的楼盖结构设计生成对抗网络模型用于生成楼盖结构设计图像。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述楼盖结构综合评价指标的获取方式为：
由结构力学分析的物理评价指标ScorePhysics和设计图像相似度的图像数据评价指标ScoreImage加权组成楼盖结构综合评价指标ScoreFloor，ScoreFloor的计算公式为：
ScoreFloor＝(ηImage×Scorelmage+ηPhysics×ScorePhysics)
式中，ηImage为ScoreImage值权重系数，ηPhysics为ScorePhysics值权重系数；
所述结构力学分析的物理评价指标ScorePhysics是基于所述结构力学计算模型开展的重力荷载分析得到，计算所述的楼盖结构标准层中连梁结构、框架梁结构、楼板结构的最大竖向变形，根据所述最大竖向变形分别得到连梁结构指标Scorecb、框架梁结构指标Scorefb、楼板结构指标Scoreslab，进而加权组合得到物理评价指标ScorePhysics，ScorePhysics的计算公式为：
ScorePhysics＝(ηcb×Scorecb+ηfb×Scorefb+ηslab×Scoreslab)
式中，ηcb、ηfb、ηslab分别为连梁结构、框架梁结构和楼板结构评价指标的权重系数；
所述设计图像相似度的图像数据评价指标ScoreImage的获得基于所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的相似度；根据像素点颜色范围将所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的各像素点进行分类，基于所述各类别像素点计算梁像素面积占有率系数ηBraio；根据轮廓检测算法提取所述生成楼盖结构设计图像与目标楼盖结构测试标签图像的所有框架梁和连梁轮廓坐标，基于所述轮廓坐标，计算所述生成楼盖结构设计图像与目标楼盖结构测试标签图像中的所有框架梁的交集面积和并集面积以及所有连梁的交集面积和并集面积，根据所述框架梁和连梁的交集面积和并集面积计算框架梁交并比IoUfbeam和连梁交并比IoUcbeam；基于所述梁像素面积占有率系数ηBratio、框架梁交并比IoUfbeam和连梁交并比IoUcbeam指标加权组合得到图像数据评价指标ScoreImage，所述ScoreImage的计算公式为：
ScoreImage＝(ηBratio×(ηIoUcb×IoUcbeam+ηIoUfb×IoUfbeam))
其中，ηIoUcb为IoUcbeam权重系数；ηIoUfb为IoUfbeam权重系数。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述楼盖结构设计生成对抗网络模型训练的目标函数为：
Figure BDA0003319784220000051
其中，λ为权重，用于调节
Figure BDA0003319784220000052
和
Figure BDA0003319784220000059
的重要程度；
Figure BDA0003319784220000053
为条件生成对抗神经网络损失函数，
Figure BDA0003319784220000054
为L1范数损失函数；
Figure BDA0003319784220000055
表示生成子模型试图最小化
Figure BDA0003319784220000056
和
Figure BDA0003319784220000057
图像判别子模型试图最大化
Figure BDA0003319784220000058
G表示图像生成子模型，D表示图像判别子模型。
本发明还提供了一种基于生成对抗网络的楼盖结构设计装置，包括：
获取模块，用于获取待处理的建筑平面设计图纸；
特征提取模块，用于提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
生成模块，用于将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
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生成对抗网络的楼盖结构设计方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于生成对抗网络的楼盖结构设计方法的步骤。
本发明通过获取待处理的建筑设计图纸；提取建筑设计图纸中的关键元素，并对关键元素进行不同颜色填充处理，生成待输入图像特征；将待输入图像特征输入预先训练的楼盖结构生成对抗网络模型进行处理，快速生成楼盖结构设计图像，极大提高了楼盖结构初步设计阶段的设计效率，训练生成的楼盖结构生成对抗网络模型的可靠性。
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生成对抗网络的楼盖结构设计方法的流程示意图；
图2为本申请实施例所提供的基于生成对抗网络的楼盖结构设计方法的详细框架图；
图3为本申请实施例所提供的楼盖结构标准层结构力学计算模型在重力荷载下的竖向位移变形图；
图4为本申请实施例所提供的由全新建筑设计CAD图纸到结构设计分析软件自动建模的详细流程框架图；
图5为本申请实施例所提供的一组典型训练-测试图像集；
图6是本发明提供的基于生成对抗网络的楼盖结构设计装置的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1描述本发明的一种基于生成对抗网络的楼盖结构设计方法，该方法包括：
S1、获取待处理的建筑平面设计图纸；
获取的是待处理的建筑平面设计图纸。
S2、提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
待输入图像特征是指整合了的关键空间元素和关键构件元素两种特征。一方面是因为二者分别表征了墙、门窗洞口等构件类的信息和房间的功能分区信息，另一方面是因为经过验证，两类信息融合的效果比使用单一关键构件元素的效果好。
S3、将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
生成的楼盖结构设计图像包含楼盖结构中的框架梁结构、连梁结构和楼板结构元素，以及剪力墙结构元素、非结构填充墙元素和门窗洞口元素。
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
本发明通过获取待处理的建筑设计图纸；提取建筑设计图纸中的关键元素，并对关键元素进行不同颜色填充处理，生成待输入图像特征；将待输入图像特征输入预先训练的楼盖结构生成对抗网络模型进行处理，快速生成楼盖结构设计图像，极大提高了楼盖结构初步设计阶段的设计效率，训练生成的楼盖结构生成对抗网络模型的可靠性。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述关键元素包括建筑关键构件元素和建筑关键空间元素，所述待输入图像特征包括基于建筑关键构件元素生成的待输入建筑构件图像特征以及基于建筑关键空间元素生成的待输入建筑空间图像特征；
所述建筑关键构件元素是从所述建筑平面设计图纸中的结构剪力墙位置、非结构填充墙位置、室内门洞口、室外门洞口、窗户洞口提取得到的；
所述建筑关键空间元素是从所述建筑平面设计图纸中的各类房间功能分区及房间功能属性提取得到的。
各类房间包括建筑平面设计图纸中的客厅、卧室、卫生间、阳台、厨房、衣帽间、楼梯间、电梯间、其他房间、其他空间。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像之后，包括：
将所述楼盖结构设计图像进行框架梁结构元素、连梁结构元素、楼板结构元素以及剪力墙结构元素的定位线提取，生成对应的框架梁结构元素、连梁结构元素、楼板结构元素、以及剪力墙结构元素的矢量化位置坐标；
基于框架梁结构元素、连梁结构元素、楼板结构元素、剪力墙结构元素的矢量化位置坐标，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；并根据所述建筑关键空间元素中的各类房间功能分区及房间功能属性，为标准层结构力学计算模型定义各房间楼板边界以及对应楼板荷载；
根据所述标准层结构力学计算模型，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模型。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则是在评估阶段进行力学计算用的。
将所生成的楼盖结构设计图像进行框架梁结构、连梁结构、楼板结构以及剪力墙结构的矢量化坐标提取；根据建筑关键空间元素的房间功能分区及房间功能属性，确定各房间的楼板边界及对应的楼板荷载；调用结构设计分析软件API，自动构建标准层结构力学计算模型。由此，能够根据建筑设计中的标准层平面图纸，快速输出对应的楼盖结构设计方案，自动建立结构力学计算模型，并进行计算分析，实现建筑设计对应的楼盖结构的全自动的设计-建模-分析。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述楼盖结构设计生成对抗网络模型包括图像生成子模型与图像判别子模型，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像，包括：
将所述待输入图像特征输入至所述图像生成子模型，生成楼盖结构设计图像；
将所述楼盖结构设计图像输入至所述图像判别子模型，判别所述楼盖结构设计图像的真伪。
具体的，所述生成对抗网络模型包括图像生成子模型与图像判别子模型。图像生成子模型通过卷积神经网络对所述建筑构件图像特征和建筑空间图像特征同时进行特征提取，并将所述建筑构件和空间两种图像特征进行融合，将所述融合图像特征，基于反卷积神经网络进行楼盖结构设计图像的映射输出。图像判别子模型通过卷积神经网络对生成器生成的楼盖结构设计图像进行特征提取与真伪判别。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像之后，包括：
利用测试集对所述楼盖结构生成对抗网络模型进行设计效果的测试，得到测试结果，所述测试结果包括建筑设计图像测试数据对应的生成楼盖结构设计图像；所述测试集包括建筑设计图像测试数据以及预先标定的目标楼盖结构测试标签图像数据；
对所述测试结果进行评估，得到楼盖结构综合评价指标；
将楼盖结构综合评价指标大于预设综合评价指标阈值的楼盖结构设计生成对抗网络模型用于生成楼盖结构设计图像。
将训练完成的楼盖结构生成对抗网络模型，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楼盖结构生成对抗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ScoreFloor超过预先定义的阈值时，可认为该生成结果良好。所采纳的楼盖结构生成对抗网络模型采用图像数据与结构物理特征耦合的楼盖结构综合评价指标评估合格，提高了楼盖结构生成对抗网络模型的可靠性；
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述楼盖结构综合评价指标的获取方式为：
由结构力学分析的物理评价指标ScorePhysics和设计图像相似度的图像数据评价指标ScoreImage加权组成楼盖结构综合评价指标ScoreFloor，ScoreFloor的计算公式为：
ScoreFloor＝(ηImage×ScoreImage+ηPhysics×ScorePhysics)
式中，ηImage为ScoreImage值权重系数，ηPhysics为ScorePhysics值权重系数；
所述设计图像相似度的图像数据评价指标ScoreImage的获得基于所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的相似度；根据像素点颜色范围将所述生成楼盖结构设计图像与目标楼盖结构测试标签图像的各像素点进行分类，基于所述各类别像素点计算梁像素面积占有率系数ηBratio；根据轮廓检测算法提取所述生成楼盖结构设计图像与目标楼盖结构测试标签图像的所有框架梁和连梁轮廓坐标，基于所述轮廓坐标，计算所述生成楼盖结构设计图像与目标楼盖结构测试标签图像中的所有框架梁的交集面积和并集面积以及所有连梁的交集面积和并集面积，根据所述框架梁和连梁的交集面积和并集面积计算框架梁交并比IoUfbeam和连梁交并比IoUcbeam；基于所述梁像素面积占有率系数ηBratio、框架梁交并比IoUfbeam和连梁交并比IoUcbeam指标加权组合得到图像数据评价指标ScoreImage，所述ScoreImage的计算公式为：
ScorePhysics＝(ηcb×Scorecb+ηfb×Scorefb+ηslab×Scoreslab)
式中，ηcb、ηfb、ηslab分别为连梁结构、框架梁结构和楼板结构评价指标的权重系数；
所述设计图像相似度的图像数据评价指标ScoreImage的获得基于所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的相似度；根据像素点颜色范围将所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的各像素点进行分类，基于所述各类别像素点计算梁像素面积占有率系数ηBraio；根据轮廓检测算法提取所述生成楼盖结构设计图像与目标楼盖结构测试标签图像的所有框架梁和连梁轮廓坐标，基于所述轮廓坐标，计算所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像中的所有框架梁的交集面积和并集面积以及所有连梁的交集面积和并集面积，根据所述框架梁和连梁的交集面积和并集面积计算框架梁交并比IoUfbeam和连梁交并比IoUcbeam；基于所述梁像素面积占有率系数ηBratio、框架梁交并比IoUfbeam和连梁交并比IoUcbeam指标加权组合得到图像数据评价指标ScoreImage，所述ScoreImage的计算公式为：
ScoreImage＝(ηBratio×(ηIoUcb×IoUcbeam+ηIoUfb×IoUfbeam))
其中，ηIoUcb为IoUcbeam权重系数；ηIoUfb为IoUfbeam权重系数。
根据本发明所述的基于生成对抗网络的楼盖结构设计方法，其中，所述楼盖结构设计生成对抗网络模型训练的目标函数为：
Figure BDA0003319784220000121
其中，λ为权重，用于调节
Figure BDA0003319784220000122
和
Figure BDA0003319784220000123
的重要程度；
Figure BDA0003319784220000124
为条件生成对抗神经网络损失函数，
Figure BDA0003319784220000125
为L1范数损失函数；
Figure BDA0003319784220000126
表示生成子模型试图最小化
Figure BDA0003319784220000127
和
Figure BDA0003319784220000128
图像判别子模型试图最大化
Figure BDA0003319784220000129
G表示图像生成子模型，D表示图像判别子模型。生成对抗网络模型(GAN)算法的选取与训练中，GAN算法可选择pix2pix、pix2pixHD或其他合适的生成对抗神经网络。选取算法后，将分组的训练集输入生成对抗网络模型中开展训练，直到训练的损失达到稳定即可停止训练，
Figure BDA00033197842200001210
均为现有常用的目标函数。
为了进一步说明本发明的基于生成对抗网络的楼盖结构设计方法，本发明提供了一个具体实施例。
图2本申请实施例所提供的基于生成对抗网络的楼盖结构设计方法的详细框架图。
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，并进行CAD图纸中关键元素的语义化清洗；数据集整理划分与楼盖结构生成对抗网络模型训练；生成对抗网络模型训练后进行模型评估，采用测试集图纸输入生成对抗网络模型中并生成楼盖结构设计图纸，将生成楼盖结构设计图纸与目标楼盖结构设计图纸进行差异评估，评估合格的生成对抗网络模型投入应用；将全新设计的建筑图纸语义化后输入已评估合格的生成对抗网络模型模型中，生成对应楼盖结构设计图像；将全新的楼盖结构设计图像的框架梁结构元素、连梁结构元素、楼板结构元素，以及剪力墙结构元素进行矢量化坐标提取，调用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，以及CAD图纸中关键元素的语义化清洗。一共收集了191份建筑-结构配套CAD图纸，对所有的图纸进行图纸内部元素清洗，仅保留图纸中的墙体、门、窗洞口、建筑空间功能分区相关元素，去除掉常规CAD图纸中存在的不必要信息，包括轴网、标注、家具信息；对所有收集的CAD图纸元素的进行语义化前处理，采用5种颜色在图纸中对墙体、门、窗洞口的建筑关键构件元素进行填充，红色代表剪力墙，灰色代表非结构填充墙，绿色代表室内窗户洞口，蓝色代表室外门洞，洋红色代表室内门洞，黄色代表连梁，青色代表框架梁；采用10种颜色对建筑关键空间元素进行划分和填充，RGB颜色(191，0，255)代表客厅，RGB颜色(255，127，0)代表卧室，RGB颜色(0，63，255)代表卫生间，RGB颜色(0，255，127)代表阳台，RGB颜色(127，0，255)代表厨房，RGB颜色(191，255，0)代表衣帽间，RGB颜色(255，191，0)代表楼梯间，RGB颜色(255，0，255)代表电梯间，RGB颜色(255，0，63)代表其他房间，RGB颜色(0，76，38)代表其他空间，进而生成建筑构件图像特征和建筑空间图像特征。
进一步地，生成对抗网络模型训练后模型评估采用如下评价方法。
第一步，计算图像数据评价指标ScoreImage。
基于图像像素点语义分类的评估方法。对生成楼盖结构设计图像与目标楼盖结构测试标签图像的每个像素点所处的颜色范围进行判断，根据颜色确定其所代表的关键元素，进而开展评估。具体评估流程如下：
1)根据图像中每个像素HSV值，直接判定像素点类别并分离。由于图像的不同颜色RGB值范围离散，不利于应用，因此采用OpenCV进行图像处理将其转化为HSV空间，各颜色范围如表1所示。
表1
Figure BDA0003319784220000141
2)基于提取的像素结果，通过以下公式计算相应的评价指标，梁像素面积占有率(Bratio)。
Figure BDA0003319784220000142
式中，Acbeam为连梁面积，Afbeam为框架梁面积，Adoor为门洞口面积，Awindow为窗洞口面积，Awall为所有墙体面积。
进一步地，基于轮廓检测算法提取所述生成楼盖结构设计图像与目标楼盖结构测试标签图像的所有框架梁和连梁轮廓坐标，基于所述轮廓坐标，计算所述生成楼盖结构设计图像与目标楼盖结构测试标签图像中，所有框架梁的交集面积和并集面积以及所有连梁的交集面积和并集面积，根据所述框架梁和连梁的交集面积和并集面积计算框架梁交并比(IoUfbeam)和连梁交并比(IoUcbeam)。若生成楼盖结构设计图像中的连梁和框架梁与目标楼盖结构设计图像中的连梁和框架梁完全匹配，则结果为1，若完全不匹配，则结果为0。具体步骤如下：
1)基于表1的HSV提取每个子图的框架梁和连梁，随后基于OpenCV.findContours(image)的API获取每个子图中每根框架梁和连梁的轮廓坐标。
2)基于shapely.geometry.Polygon(coordinates)的API，计算合成图像中与目标图像中，每根连梁的交集面积和并集面积，以及框架梁的交集面积和并集面积，采用以下两个公式分别计算连梁和框架梁的交并比(IoUcbeam指标和IoUfbeam指标)。
Figure BDA0003319784220000151
Figure BDA0003319784220000152
式中，Acbeaminter、Afbeaminter分别是生成楼盖结构设计图像与目标楼盖结构测试标签图像的连梁交集面积和框架梁交集面积，Acbeamunion、Afbeamunion分别是生成楼盖结构设计图像与目标楼盖结构测试标签图像的连梁并集面积和框架梁并集面积，Acbeamunion＝Acbeamtar+Acbeamout-Acbeamimer，Acbeamtar为目标图像连梁元素面积，Acbeamout为生成图像连梁元素面积，Afbeamunion＝Afbeamtar+Afbeamout-Afbeaminter，Afbeamtar为目标图像框架梁元素面积，Afbeamout为生成图像框架梁元素面积。
进一步地，基于多指标的加权综合评价，融合Bratio、IoUcbeam、IoUfbeam评价指标，得到图像评价综合指标ScoreImage，由以下公式计算。
ScoreImage＝(ηBratio×(ηIoUcb×IoUcbeam+ηIoUfb×IoUfbeam))
式中，ηBratio＝1-|Bratioout-Bratiotar|/Bratiotar，Bratioout和Bratiotar分别为生成图像和目标图像的Bratio；ηIoUcb为IoUcbeam值系数，可取值0.6；ηIoUfb为IoUfbeam值系数，可取值0.4。
第二步，计算物理评价指标ScorePhysics。
如图3所示，对生成楼盖结构设计方案对应的楼盖结构标准层结构力学计算模型，开展重力荷载分析，计算所述的楼盖结构标准层中连梁结构、框架梁结构、楼板结构的最大竖向变形；通过比较连梁结构、框架梁结构、楼板结构的最大竖向变形与各结构元素对应最大竖向变形限制，计算连梁结构、框架梁结构、楼板结构的评价指标Scorecb、Scorefb和Scoreslab，如以下三个公式所示。
Figure BDA0003319784220000161
Figure BDA0003319784220000162
Figure BDA0003319784220000163
式中，Dispfb、Dispcb和Dispslab分别为框架梁结构最大竖向位移、连梁结构最大竖向位移和楼板结构最大竖向位移，Dispfbmax、Dispcbmax和Dispslabmax分别为框架梁结构最大竖向位移限值、连梁结构最大竖向位移限值和楼板结构最大竖向位移限值。
进一步地，对Scorecb、Scorecb、Scoreslab进行加权平均，计算物理评价指标，如以下公式所示。
ScorePhysics＝(ηcb×Scorecb+ηfb×Scorefb+ηslab×Scoreslab)
式中，Scorecb、Scorecb、Scoreslab分别为连梁结构、框架梁结构、楼板结构的评价指标，ηcb、ηfb、ηslab分别为连梁结构、框架梁结构和楼板结构评价指标的权重系数。
第三步，对图像数据评价指标和物理评价指标进行加权平均，计算楼盖结构综合评价指标ScoreFloor，如下式所示。
ScoreFloor＝(ηImage×ScoreImage+ηPhysics×ScorePhysics)
式中，ηImage为ScoreImage值权重系数，ηPhysics为ScorePhysics值权重系数。
将训练完成的楼盖结构生成对抗网络模型，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ScoreFloor超过预先定义的阈值时，可认为该生成结果良好。
进一步地，如图4所示，将全新设计的建筑图纸语义化后输入评估合格的楼盖结构生成对抗网络模型中，生成对应楼盖结构设计方案。
进一步地，从生成的全新设计的楼盖结构设计图纸中提取矢量化的框架梁结构、连梁结构、楼板结构以及剪力墙结构元素的坐标，从建筑图纸中语义化的建筑关键空间元素中提取各个房间楼板边界及对应的楼板荷载，调用ETABS软件API，自动建立结构力学计算模型，并进行计算和分析。
其中，数据集的划分与整理，如图5所示，为收集并语义化后的典型训练-测试图像集。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153张，测试集有38张。
收集剪力墙住宅建筑的建筑-结构配套的CAD图纸数据集，并进行CAD图纸中关键元素的语义化清洗；数据集整理划分与楼盖结构生成对抗网络模型训练；生成对抗网络模型训练后进行模型评估，采用测试集图纸输入生成对抗网络模型中并生成楼盖结构设计图纸，将生成楼盖结构设计图纸与目标楼盖结构设计图纸进行差异评估，评估合格的生成对抗网络模型投入应用；将全新设计的建筑图纸语义化后输入已评估合格的生成对抗网络模型模型中，生成对应楼盖结构设计图像；将全新的楼盖结构设计图像的框架梁结构元素、连梁结构元素、楼板结构元素，以及剪力墙结构元素进行矢量化坐标提取，调用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，以及CAD图纸中关键元素的语义化清洗。一共收集了191份建筑-结构配套CAD图纸，对所有的图纸进行图纸内部元素清洗，仅保留图纸中的墙体、门、窗洞口、建筑空间功能分区相关元素，去除掉常规CAD图纸中存在的不必要信息，包括轴网、标注、家具信息；对所有收集的CAD图纸元素的进行语义化前处理，采用5种颜色在图纸中对墙体、门、窗洞口的建筑关键构件元素进行填充，红色代表剪力墙，灰色代表非结构填充墙，绿色代表室内窗户洞口，蓝色代表室外门洞，洋红色代表室内门洞，黄色代表连梁，青色代表框架梁；采用10种颜色对建筑关键空间元素进行划分和填充，RGB颜色(191，0，255)代表客厅，RGB颜色(255，127，0)代表卧室，RGB颜色(0，63，255)代表卫生间，RGB颜色(0,255,127)代表阳台，RGB颜色(127,0,255)代表厨房，RGB颜色(191,255,0)代表衣帽间，RGB颜色(255,191,0)代表楼梯间，RGB颜色(255,0,255)代表电梯间，RGB颜色(255,0,63)代表其他房间，RGB颜色(0,76,38)代表其他空间，进而生成建筑构件图像特征和建筑空间图像特征。
其中，数据集的划分与整理，为收集并语义化后的典型训练-测试图像集。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153张，测试集有38张。
参见图6，下面对本发明提供的基于生成对抗网络的楼盖结构设计装置进行描述，下文描述的基于生成对抗网络的楼盖结构设计装置与上文描述的基于生成对抗网络的楼盖结构设计方法可相互对应参照，所述基于生成对抗网络的楼盖结构设计装置包括：
获取模块，用于获取待处理的建筑平面设计图纸；
获取的是待处理的建筑平面设计图纸。
特征提取模块，用于提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
待输入图像特征是指整合了的关键空间元素和关键构件元素两种特征。一方面是因为二者分别表征了墙、门窗洞口等构件类的信息和房间的功能分区信息，另一方面是因为经过验证，两类信息融合的效果比使用单一关键构件元素的效果好。
生成模块，用于将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
生成的楼盖结构设计图像包含楼盖结构中的框架梁结构、连梁结构和楼板结构元素，以及剪力墙结构元素、非结构填充墙元素和门窗洞口元素。
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
根据本发明所述的基于生成对抗网络的楼盖结构设计装置，其中，所述关键元素包括建筑关键构件元素和建筑关键空间元素，所述待输入图像特征包括基于建筑关键构件元素生成的待输入建筑构件图像特征以及基于建筑关键空间元素生成的待输入建筑空间图像特征；
所述建筑关键构件元素是从所述建筑平面设计图纸中的结构剪力墙位置、非结构填充墙位置、室内门洞口、室外门洞口、窗户洞口提取得到的；
所述建筑关键空间元素是从所述建筑平面设计图纸中的各类房间功能分区及房间功能属性提取得到的。
各类房间包括建筑平面设计图纸中的客厅、卧室、卫生间、阳台、厨房、衣帽间、楼梯间、电梯间、其他房间、其他空间。
根据本发明所述的基于生成对抗网络的楼盖结构设计装置，其中，所述装置还包括分析模块，所述分析模块用于：
将所述楼盖结构设计图像进行框架梁结构元素、连梁结构元素、楼板结构元素以及剪力墙结构元素的定位线提取，生成对应的框架梁结构元素、连梁结构元素、楼板结构元素、以及剪力墙结构元素的矢量化位置坐标；
基于框架梁结构元素、连梁结构元素、楼板结构元素、剪力墙结构元素的矢量化位置坐标，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；并根据所述建筑关键空间元素中的各类房间功能分区及房间功能属性，为标准层结构力学计算模型定义各房间楼板边界以及对应楼板荷载；
根据所述标准层结构力学计算模型，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模型。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则是在评估阶段进行力学计算用的。
将所生成的楼盖结构设计图像进行框架梁结构、连梁结构、楼板结构以及剪力墙结构的矢量化坐标提取；根据建筑关键空间元素的房间功能分区及房间功能属性，确定各房间的楼板边界及对应的楼板荷载；调用结构设计分析软件API，自动构建标准层结构力学计算模型。由此，能够根据建筑设计中的标准层平面图纸，快速输出对应的楼盖结构设计方案，自动建立结构力学计算模型，并进行计算分析，实现建筑设计对应的楼盖结构的全自动的设计-建模-分析。
根据本发明所述的基于生成对抗网络的楼盖结构设计装置，其中，所述生成模块用于：
将所述待输入图像特征输入至所述图像生成子模型，生成楼盖结构设计图像；
将所述楼盖结构设计图像输入至所述图像判别子模型，判别所述楼盖结构设计图像的真伪。
具体的，所述生成对抗网络模型包括图像生成子模型与图像判别子模型。图像生成子模型通过卷积神经网络对所述建筑构件图像特征和建筑空间图像特征同时进行特征提取，并将所述建筑构件和空间两种图像特征进行融合，将所述融合图像特征，基于反卷积神经网络进行楼盖结构设计图像的映射输出。图像判别子模型通过卷积神经网络对生成器生成的楼盖结构设计图像进行特征提取与真伪判别。
根据本发明所述的基于生成对抗网络的楼盖结构设计装置，其中，所述装置还包括评价模块，所述评价模块用于：
利用测试集对所述楼盖结构生成对抗网络模型进行设计效果的测试，得到测试结果，所述测试结果包括建筑设计图像测试数据对应的生成楼盖结构设计图像；所述测试集包括建筑设计图像测试数据以及预先标定的目标楼盖结构测试标签图像数据；
对所述测试结果进行评估，得到楼盖结构综合评价指标；
将楼盖结构综合评价指标大于预设综合评价指标阈值的楼盖结构设计生成对抗网络模型用于生成楼盖结构设计图像。
将训练完成的楼盖结构生成对抗网络模型，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楼盖结构生成对抗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ScoreFloor超过预先定义的阈值时，可认为该生成结果良好。所采纳的楼盖结构生成对抗网络模型采用图像数据与结构物理特征耦合的楼盖结构综合评价指标评估合格，提高了楼盖结构生成对抗网络模型的可靠性；
根据本发明所述的基于生成对抗网络的楼盖结构设计装置，其中，所述楼盖结构综合评价指标的获取方式为：
由结构力学分析的物理评价指标ScorePhysics和设计图像相似度的图像数据评价指标ScoreImage加权组成楼盖结构综合评价指标ScoreFloor，ScoreFloor的计算公式为：
ScoreFloor＝(ηImage×ScoreImage+ηPhysics×ScorePhysics)
式中，ηImage为ScoreImage值权重系数，ηPhysics为ScorePhysics值权重系数；
所述结构力学分析的物理评价指标ScorePhysics是基于所述结构力学计算模型开展的重力荷载分析得到，计算所述的楼盖结构标准层中连梁结构、框架梁结构、楼板结构的最大竖向变形，根据所述最大竖向变形分别得到连梁结构指标Scorecb、框架梁结构指标Scorefb、楼板结构指标Scoreslab，进而加权组合得到物理评价指标ScorePhysics，ScorePhysics的计算公式为：
ScorePhysics＝(ηcb×Scorecb+ηfb×Scorefb+ηslab×Scoreslab)
式中，ηcb、ηfb、ηslab分别为连梁结构、框架梁结构和楼板结构评价指标的权重系数；
所述设计图像相似度的图像数据评价指标ScoreImage的获得基于所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的相似度；根据像素点颜色范围将所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的各像素点进行分类，基于所述各类别像素点计算梁像素面积占有率系数ηBratio；根据轮廓检测算法提取所述生成楼盖结构设计图像与目标楼盖结构测试标签图像的所有框架梁和连梁轮廓坐标，基于所述轮廓坐标，计算所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像中的所有框架梁的交集面积和并集面积以及所有连梁的交集面积和并集面积，根据所述框架梁和连梁的交集面积和并集面积计算框架梁交并比IoUfbeam和连梁交并比IoUcbeam；基于所述梁像素面积占有率系数ηBratio、框架梁交并比IoUfbeam和连梁交并比IoUcbeam指标加权组合得到图像数据评价指标ScoreImage，所述ScoreImage的计算公式为：
ScoreImage＝(ηBratio×(ηIoUcb×IoUcbeam+ηIoUfb×IoUfbeam))
其中，ηIoUcb为IoUcbeam权重系数；ηIoUfb为IoUfbeam权重系数。
根据本发明所述的基于生成对抗网络的楼盖结构设计装置，其中，所述楼盖结构设计生成对抗网络模型训练的目标函数为：
Figure BDA0003319784220000221
其中，λ为权重，用于调节
Figure BDA0003319784220000222
和
Figure BDA0003319784220000223
的重要程度；
Figure BDA0003319784220000224
为条件生成对抗神经网络损失函数，
Figure BDA0003319784220000225
为L1范数损失函数；
Figure BDA0003319784220000226
表示生成子模型试图最小化
Figure BDA0003319784220000227
和
Figure BDA0003319784220000228
图像判别子模型试图最大化
Figure BDA0003319784220000229
G表示图像生成子模型，D表示图像判别子模型。生成对抗网络(GAN)算法的选取与训练中，GAN算法可选择pix2pix、pix2pixHD或其他合适的生成对抗神经网络。选取算法后，将分组的训练集输入生成对抗网络模型中开展训练，直到训练的损失达到稳定即可停止训练，图像生成子模型的目标函数为
Figure BDA0003319784220000231
图像判别子模型的目标函数
Figure BDA0003319784220000232
均为现有常用的目标函数。
图7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)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行基于生成对抗网络的楼盖结构设计方法，该方法包括：
S1、获取待处理的建筑平面设计图纸；
S2、提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
S3、将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
此外，上述的存储器330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生成对抗网络的楼盖结构设计方法，该方法包括：
S1、获取待处理的建筑平面设计图纸；
S2、提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
S3、将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
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生成对抗网络的楼盖结构设计方法，该方法包括：
S1、获取待处理的建筑平面设计图纸；
S2、提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
S3、将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
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)

1.一种基于生成对抗网络的楼盖结构设计方法，其特征在于，包括：
获取待处理的建筑平面设计图纸；
提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
2.根据权利要求1所述的基于生成对抗网络的楼盖结构设计方法，其特征在于，所述关键元素包括建筑关键构件元素和建筑关键空间元素，所述待输入图像特征包括基于建筑关键构件元素生成的待输入建筑构件图像特征以及基于建筑关键空间元素生成的待输入建筑空间图像特征；
所述建筑关键构件元素是从所述建筑平面设计图纸中的结构剪力墙位置、非结构填充墙位置、室内门洞口、室外门洞口、窗户洞口提取得到的；
所述建筑关键空间元素是从所述建筑平面设计图纸中的各类房间功能分区及房间功能属性提取得到的。
3.根据权利要求2所述的基于生成对抗网络的楼盖结构设计方法，其特征在于，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像之后，包括：
将所述楼盖结构设计图像进行框架梁结构元素、连梁结构元素、楼板结构元素以及剪力墙结构元素的定位线提取，生成对应的框架梁结构元素、连梁结构元素、楼板结构元素、以及剪力墙结构元素的矢量化位置坐标；
基于框架梁结构元素、连梁结构元素、楼板结构元素、剪力墙结构元素的矢量化位置坐标，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；并根据所述建筑关键空间元素中的各类房间功能分区及房间功能属性，为标准层结构力学计算模型定义各房间楼板边界以及对应楼板荷载；
根据所述标准层结构力学计算模型，构建整个建筑的结构力学计算模型，并进行分析和计算。
4.根据权利要求1所述的基于生成对抗网络的楼盖结构设计方法，其特征在于，所述楼盖结构设计生成对抗网络模型包括图像生成子模型与图像判别子模型，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像，包括：
将所述待输入图像特征输入至所述图像生成子模型，生成楼盖结构设计图像；
将所述楼盖结构设计图像输入至所述图像判别子模型，判别所述楼盖结构设计图像的真伪。
5.根据权利要求3所述的基于生成对抗网络的楼盖结构设计方法，其特征在于，所述将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像之后，包括：
利用测试集对所述楼盖结构生成对抗网络模型进行设计效果的测试，得到测试结果，所述测试结果包括建筑设计图像测试数据对应的生成楼盖结构设计图像；所述测试集包括建筑设计图像测试数据以及预先标定的目标楼盖结构测试标签图像；
对所述测试结果进行评估，得到楼盖结构综合评价指标；
将楼盖结构综合评价指标大于预设综合评价指标阈值的楼盖结构设计生成对抗网络模型用于生成楼盖结构设计图像。
6.根据权利要求5所述的基于生成对抗网络的楼盖结构设计方法，其特征在于，所述楼盖结构综合评价指标的获取方式为：
由结构力学分析的物理评价指标ScorePhysics和设计图像相似度的图像数据评价指标ScoreImage加权组成楼盖结构综合评价指标ScoreFloor，ScoreFloor的计算公式为：
ScoreFloor＝(ηImage×ScoreImage+ηPhysics×ScorePhysics)
式中，ηImage为ScoreImage值权重系数，ηPhysics为ScorePhysics值权重系数；
所述结构力学分析的物理评价指标ScorePhysics是基于所述结构力学计算模型开展的重力荷载分析得到，计算所述的楼盖结构标准层中连梁结构、框架梁结构、楼板结构的最大竖向变形，根据所述最大竖向变形分别得到连梁结构指标Scorecb、框架梁结构指标Scorefb、楼板结构指标Scoreslab，进而加权组合得到物理评价指标ScorePhysics，ScorePhysics的计算公式为：
ScorePhysics＝(ηcb×Scorecb+ηfb×Scorefb+ηslab×Scoreslab)
式中，ηcb、ηfb、ηslab分别为连梁结构、框架梁结构和楼板结构评价指标的权重系数；
所述设计图像相似度的图像数据评价指标ScoreImage的获得基于所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的相似度；根据像素点颜色范围将所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像的各像素点进行分类，基于所述各类别像素点计算梁像素面积占有率系数ηBraio；根据轮廓检测算法提取所述生成楼盖结构设计图像与目标楼盖结构测试标签图像的所有框架梁和连梁轮廓坐标，基于所述轮廓坐标，计算所述建筑设计图像测试数据对应的生成楼盖结构设计图像与目标楼盖结构测试标签图像中的所有框架梁的交集面积和并集面积以及所有连梁的交集面积和并集面积，根据所述框架梁和连梁的交集面积和并集面积计算框架梁交并比IoUfbeam和连梁交并比IoUcbeam；基于所述梁像素面积占有率系数ηBratio、框架梁交并比IoUfbeam和连梁交并比IoUcbeam指标加权组合得到图像数据评价指标ScoreImage，所述ScoreImage的计算公式为：
ScoreImage＝(ηBratio×(ηIoUcb×IoUcbeam+ηIoUfb×IoUfbeam))
其中，ηIoUcb为IoUcbeam权重系数；ηIoUfb为IoUfbeam权重系数。
7.根据权利要求4所述的基于生成对抗网络的楼盖结构设计方法，其特征在于，所述楼盖结构设计生成对抗网络模型训练的目标函数为：
Figure FDA0003319784210000041
其中，λ为权重，用于调节
Figure FDA0003319784210000042
和
Figure FDA0003319784210000043
的重要程度；
Figure FDA0003319784210000044
为条件生成对抗神经网络损失函数，
Figure FDA0003319784210000045
为L1范数损失函数；
Figure FDA0003319784210000046
表示生成子模型试图最小化
Figure FDA0003319784210000047
和
Figure FDA0003319784210000048
图像判别子模型试图最大化
Figure FDA0003319784210000049
G表示图像生成子模型，D表示图像判别子模型。
8.一种基于生成对抗网络的楼盖结构设计装置，其特征在于，包括：
获取模块，用于获取待处理的建筑平面设计图纸；
特征提取模块，用于提取所述建筑平面设计图纸中的关键元素，并对所述关键元素进行不同颜色填充处理，生成待输入图像特征；所述待输入图像特征包括待输入建筑构件图像特征以及待输入建筑空间图像特征；
生成模块，用于将所述待输入图像特征输入至楼盖结构设计生成对抗网络模型，生成楼盖结构设计图像；
其中，所述楼盖结构设计生成对抗网络模型是基于建筑设计图像样本数据以及预先标定的楼盖结构设计标签图像数据进行训练后得到。
9.一种电子设备，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7任一项所述的基于生成对抗网络的楼盖结构设计方法的步骤。
10.一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7任一项所述的基于生成对抗网络的楼盖结构设计方法的步骤。
CN202111241744.9A 2021-10-25 2021-10-25 基于生成对抗网络的楼盖结构设计方法和装置 Active CN113987637B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111241744.9A CN113987637B (zh) 2021-10-25 2021-10-25 基于生成对抗网络的楼盖结构设计方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111241744.9A CN113987637B (zh) 2021-10-25 2021-10-25 基于生成对抗网络的楼盖结构设计方法和装置

Publications (2)

Publication Number Publication Date
CN113987637A true CN113987637A (zh) 2022-01-28
CN113987637B CN113987637B (zh) 2022-07-01

Family

ID=79741011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111241744.9A Active CN113987637B (zh) 2021-10-25 2021-10-25 基于生成对抗网络的楼盖结构设计方法和装置

Country Status (1)

Country Link
CN (1) CN113987637B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741766A (zh) * 2022-04-25 2022-07-12 清华大学 基于联合结构优化神经网络的建筑结构设计方法和装置
CN114880739A (zh) * 2022-04-25 2022-08-09 清华大学 生成式建筑结构设计方案的再优化设计方法和装置
CN114925416A (zh) * 2022-04-25 2022-08-19 清华大学 一种基于数据转换的建筑结构生成方法及装置
CN114926705A (zh) * 2022-05-12 2022-08-19 网易（杭州）网络有限公司 封面设计模型训练方法、介质、装置和计算设备
CN115795608A (zh) * 2022-11-24 2023-03-14 清华大学 基于楼盖物理分析模型嵌入的智能结构设计方法及***
CN116011084A (zh) * 2023-02-20 2023-04-25 中国建筑西南设计研究院有限公司 结构平面布置整体生成方法、装置、电子设备及存储介质
CN116029023A (zh) * 2022-12-26 2023-04-28 清华大学 基于计算机辅助决策的建筑结构智能设计方法及***
CN116150837A (zh) * 2022-11-29 2023-05-23 清华大学 基于边特征预测图神经网络的剪力墙设计方法和装置
CN116186824A (zh) * 2022-11-29 2023-05-30 清华大学 基于图像嵌入图神经网络模型的建筑结构布置方法
CN116186825A (zh) * 2022-11-29 2023-05-30 清华大学 基于图节点分类图神经网络的剪力墙设计方法和装置
CN117195626A (zh) * 2023-08-24 2023-12-08 东南大学 一种基于生成对抗网络的建筑自由曲面网格结构划分的设计方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101063319A (zh) * 2007-03-27 2007-10-31 广东省建筑设计研究院 一种用于连接钢管混凝土柱与楼盖梁的节点构件
CN110516539A (zh) * 2019-07-17 2019-11-29 苏州中科天启遥感科技有限公司 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备
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
CN112052503A (zh) * 2020-09-04 2020-12-08 东南大学 一种基于人工智能的商业街区建筑体块生成的方法
WO2021102030A1 (en) * 2019-11-18 2021-05-27 Autodesk, Inc. Synthetic data generation and building information model (bim) element extraction from floor plan drawings using machine learning
CN112966760A (zh) * 2021-03-15 2021-06-15 清华大学 融合文本和图像数据的神经网络及其建筑结构的设计方法
CN113111409A (zh) * 2021-03-17 2021-07-13 长沙理工大学 建筑设计优化方法、优化***、建筑设计优化终端、介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101063319A (zh) * 2007-03-27 2007-10-31 广东省建筑设计研究院 一种用于连接钢管混凝土柱与楼盖梁的节点构件
CN110516539A (zh) * 2019-07-17 2019-11-29 苏州中科天启遥感科技有限公司 基于对抗网络的遥感影像建筑物提取方法、***、存储介质及设备
WO2021102030A1 (en) * 2019-11-18 2021-05-27 Autodesk, Inc. Synthetic data generation and building information model (bim) element extraction from floor plan drawings using machine learning
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
CN112052503A (zh) * 2020-09-04 2020-12-08 东南大学 一种基于人工智能的商业街区建筑体块生成的方法
CN112966760A (zh) * 2021-03-15 2021-06-15 清华大学 融合文本和图像数据的神经网络及其建筑结构的设计方法
CN113111409A (zh) * 2021-03-17 2021-07-13 长沙理工大学 建筑设计优化方法、优化***、建筑设计优化终端、介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DIVYA SHARMA等: "REXplore: A Sketch Based Interactive Explorer for Real Estates Using Building Floor Plan Images", 《IEEE》 *
DIVYA SHARMA等: "REXplore: A Sketch Based Interactive Explorer for Real Estates Using Building Floor Plan Images", 《IEEE》, 7 January 2019 (2019-01-07), pages 61 - 64 *
李畅等: "浅析建筑结构优化设计", 《城市建设理论研究(电子版)》 *
李畅等: "浅析建筑结构优化设计", 《城市建设理论研究(电子版)》, no. 16, 30 June 2020 (2020-06-30), pages 48 *
门进杰等: "某板式住宅高层建筑剪力墙结构优化设计研究", 《结构工程师》 *
门进杰等: "某板式住宅高层建筑剪力墙结构优化设计研究", 《结构工程师》, vol. 29, no. 03, 30 June 2013 (2013-06-30), pages 1 - 10 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114741766A (zh) * 2022-04-25 2022-07-12 清华大学 基于联合结构优化神经网络的建筑结构设计方法和装置
CN114880739A (zh) * 2022-04-25 2022-08-09 清华大学 生成式建筑结构设计方案的再优化设计方法和装置
CN114925416A (zh) * 2022-04-25 2022-08-19 清华大学 一种基于数据转换的建筑结构生成方法及装置
CN114925416B (zh) * 2022-04-25 2022-12-23 清华大学 一种基于数据转换的建筑结构生成方法及装置
CN114741766B (zh) * 2022-04-25 2023-03-21 清华大学 基于联合结构优化神经网络的建筑结构设计方法和装置
CN114926705A (zh) * 2022-05-12 2022-08-19 网易（杭州）网络有限公司 封面设计模型训练方法、介质、装置和计算设备
CN114926705B (zh) * 2022-05-12 2024-05-28 网易（杭州）网络有限公司 封面设计模型训练方法、介质、装置和计算设备
CN115795608A (zh) * 2022-11-24 2023-03-14 清华大学 基于楼盖物理分析模型嵌入的智能结构设计方法及***
CN115795608B (zh) * 2022-11-24 2023-09-26 清华大学 基于楼盖物理分析模型嵌入的智能结构设计方法及***
CN116186824A (zh) * 2022-11-29 2023-05-30 清华大学 基于图像嵌入图神经网络模型的建筑结构布置方法
CN116150837A (zh) * 2022-11-29 2023-05-23 清华大学 基于边特征预测图神经网络的剪力墙设计方法和装置
CN116186825A (zh) * 2022-11-29 2023-05-30 清华大学 基于图节点分类图神经网络的剪力墙设计方法和装置
CN116186824B (zh) * 2022-11-29 2023-09-12 清华大学 基于图像嵌入图神经网络模型的建筑结构布置方法
CN116186825B (zh) * 2022-11-29 2023-10-31 清华大学 基于图节点分类图神经网络的剪力墙设计方法和装置
CN116150837B (zh) * 2022-11-29 2023-12-29 清华大学 基于边特征预测图神经网络的剪力墙设计方法和装置
CN116029023B (zh) * 2022-12-26 2023-08-25 清华大学 基于计算机辅助决策的建筑结构智能设计方法及***
CN116029023A (zh) * 2022-12-26 2023-04-28 清华大学 基于计算机辅助决策的建筑结构智能设计方法及***
CN116011084B (zh) * 2023-02-20 2023-11-28 中国建筑西南设计研究院有限公司 结构平面布置整体生成方法、装置、电子设备及存储介质
CN116011084A (zh) * 2023-02-20 2023-04-25 中国建筑西南设计研究院有限公司 结构平面布置整体生成方法、装置、电子设备及存储介质
CN117195626A (zh) * 2023-08-24 2023-12-08 东南大学 一种基于生成对抗网络的建筑自由曲面网格结构划分的设计方法
CN117195626B (zh) * 2023-08-24 2024-04-19 东南大学 一种基于生成对抗网络的建筑自由曲面网格结构划分的设计方法

Also Published As

Publication number Publication date
CN113987637B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN113987637B (zh) 基于生成对抗网络的楼盖结构设计方法和装置
CN111666617B (zh) 基于对抗生成网络的剪力墙结构布置方法和装置
CN110633553B (zh) 一种住宅户型平面图自动生成方法和***
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
US11544522B2 (en) Methods, systems, and computer readable mediums for determining a system state of a power system using a convolutional neural network
CN114491740B (zh) 物理与多模态数据驱动的建筑结构生成方法及设备
CN110750830B (zh) 一种基于正态云模型的木结构古建筑健康状态评估方法
CN112967243A (zh) 一种基于yolo的深度学习芯片封装裂纹缺陷检测方法
CN114417464B (zh) 多模态数据驱动的建筑结构构件的生成方法及装置
CN114925416B (zh) 一种基于数据转换的建筑结构生成方法及装置
CN112149962A (zh) 一种施工事故致因行为的风险定量评估方法及***
Jin et al. Exploring BIM Data by Graph-based Unsupervised Learning.
CN112733246A (zh) 建筑物的自动设计方法、装置、终端、存储介质及处理器
WO2019176989A1 (ja) 検査システム、識別システム、及び学習データ生成装置
CN110634187A (zh) 基于户型图的房屋点云模型生成方法及装置
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
CN114741766A (zh) 基于联合结构优化神经网络的建筑结构设计方法和装置
CN116011084B (zh) 结构平面布置整体生成方法、装置、电子设备及存储介质
CN115775055B (zh) 多层建筑人员疏散时间的预测方法、装置、设备及介质
CN112116669A (zh) 一种基于颜色和谐和平面构成的图像美学预测方法
CN115510517A (zh) 高层建筑结构智能设计方法
Zhao et al. Automatic room type classification using machine learning for two-dimensional residential building plans
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
CN117744204A (zh) 基于图神经网络的梁布置设计方法和装置
CN115631346B (zh) 一种基于不确定性建模的伪装物体检测方法和***

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