CN116186825A - 基于图节点分类图神经网络的剪力墙设计方法和装置 - Google Patents
基于图节点分类图神经网络的剪力墙设计方法和装置 Download PDFInfo
- Publication number
- CN116186825A CN116186825A CN202211516253.5A CN202211516253A CN116186825A CN 116186825 A CN116186825 A CN 116186825A CN 202211516253 A CN202211516253 A CN 202211516253A CN 116186825 A CN116186825 A CN 116186825A
- Authority
- CN
- China
- Prior art keywords
- graph
- shear wall
- map
- design
- nodes
- 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
- 238000013461 design Methods 0.000 title claims abstract description 461
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 86
- 238000012360 testing method Methods 0.000 claims description 125
- 238000011156 evaluation Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 44
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000001228 spectrum Methods 0.000 claims description 26
- 239000000945 filler Substances 0.000 claims description 23
- 238000011548 physical evaluation Methods 0.000 claims description 23
- 238000006073 displacement reaction Methods 0.000 claims description 22
- 239000011229 interlayer Substances 0.000 claims description 20
- 238000011157 data evaluation Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 208000024891 symptom Diseases 0.000 claims 1
- 239000010410 layer Substances 0.000 description 15
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012916 structural analysis Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
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)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (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)
Abstract
本发明提供一种基于图节点分类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;将待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;提取图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;将待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;基于剪力墙设计图谱得到剪力墙设计结果。本发明可以快速进行剪力墙设计,极大提高了结构初步设计阶段剪力墙的设计效率和设计质量。
Description
技术领域
本发明涉及建筑结构设计领域,尤其涉及一种基于图节点分类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,高质量的初步设计方案,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。同时,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,难以考虑结构中剪力墙布置的空间位置以及空间拓扑特征。
发明内容
本发明提供一种基于图节点分类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图节点分类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;
将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;
提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;
将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;
其中,所述剪力墙设计的图节点分类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图节点分类图神经网络的剪力墙设计方法,将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式,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;其中,所述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、窗户洞口中的至少一者以及墙体;
所述关键元素的骨架线为所述关键元素的中心线,以线段表示,包括墙体骨架线或墙体骨架线和门窗洞口骨架线;其中,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;
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图节点,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图边;
将所述图谱的图边按照预先确定的长度尺寸进行细分,采用节点间隔,所述节点也作为图谱的图节点。
根据本发明提供的一种基于图节点分类图神经网络的剪力墙设计方法,提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征,包括:
所述待输入建筑平面图谱特征包括图节点特征以及图边特征;
所述图节点特征包括:图节点的类别,图节点的位置;
所述图边特征包括:图边的类别;
所述图节点的类别包括墙体节点、室内门洞口节点、室外门洞口节点、窗户洞口节点四类;
所述图边的类别包括墙体边、室内门洞口边、室外门洞口边、窗户洞口边四类。
根据本发明提供的一种基于图节点分类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图节点特征以及图边特征;
所述表示结构剪力墙的图节点特征中的图节点的类别包括结构剪力墙节点、非结构填充墙节点、室内门洞口节点、室外门洞口节点、窗户洞口节点五类;所述剪力墙设计图谱中的表示结构剪力墙节点和非结构填充墙节点的图节点特征对应的所述待输入的建筑平面图谱特征中的墙体节点,被预先构建的剪力墙设计的图节点分类图神经网络模型分类为结构剪力墙节点、非结构填充墙节点两种类别;
根据所述剪力墙设计图谱中的图节点特征中的结构剪力墙这一类图节点的位置,以及与结构剪力墙这一类图节点相连接的剪力墙设计图谱中的图边特征中墙体边的位置,来确定剪力墙的位置;
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图节点分类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图节点分类图神经网络模型,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图节点分类图神经网络模型;
利用测试集测试所述剪力墙设计的图节点分类图神经网络模型的设计效果,得到测试结果,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图节点分类图神经网络模型用于生成剪力墙设计图谱。
根据本发明提供的一种基于图节点分类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是基于所述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,计算所述的结构力学计算模型在结构动力分析下的最大层间位移角以及所述的结构力学计算模型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图节点类别相似度;计算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中类别被预测为结构剪力墙和非结构填充墙的图节点和预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙和非结构填充墙的图节点的混淆矩阵;
其中,对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的图节点的数量,记为SS;对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为非结构填充墙的图节点的数量,记为SF;对应预先标定的剪力墙设计图谱测试数据中类别为非结构填充墙的节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的节点的数量,记为FS;
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=2×SS/(2×SS+SF+FS)。
根据本发明提供的一种基于图节点分类图神经网络的剪力墙设计方法,所述剪力墙设计的图节点分类图神经网络模型训练的损失函数为:
其中,N为需计算的图谱的墙体边的节点的数量,ti为第i个节点的真实类别值,类别为结构剪力墙取为1,类别为非结构填充墙取为0;pi为第i个节点被预测为结构剪力墙的概率,log()为计算以2为底数的对数的函数。
本发明还提供一种基于图节点分类图神经网络的剪力墙设计装置,包括:
获取模块,用于获取待处理的目标建筑平面设计图纸;
图谱生成模块,用于将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;
图谱特征提取模块,用于提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;
生成模块,用于将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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;
结果模块,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图节点分类图神经网络的剪力墙设计方法的步骤。
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图节点分类图神经网络的剪力墙设计方法的步骤。
本发明提供的基于图节点分类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;将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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。本发明将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式,提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征,基于预先构建的剪力墙设计的图节点分类图神经网络模型,将待输入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,极大提高了结构初步方案设计阶段的效率,填补了现有人工智能辅助的剪力墙设计方法中对剪力墙在结构中的空间位置和拓扑特征考虑不足的缺陷,提高了训练生成的剪力墙设计的图节点分类图神经网络模型的可靠性和适用性。
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图节点分类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图节点分类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图节点分类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图节点分类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:获取模块;420:图谱生成模块;430:图谱特征提取模块;440:生成模块;450:结果模块;
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。
下面结合图1描述本发明的一种基于图节点分类图神经网络的剪力墙设计方法,图1是本发明提供的基于图节点分类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:
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,本发明所述的一种基于图节点分类图神经网络的剪力墙设计方法的目的之一即为基于待处理的建筑平面设计图纸,使用图神经网络方法,进行结构中剪力墙的设计。
步骤120:将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系。
换句话说,在获取待处理的目标建筑平面设计图纸之后,将目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式,其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;
其中,关键元素是指待处理的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。
步骤130:提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征。
将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式之后,由于图谱的图节点和图边均有特征,图节点表示关键元素,图边表示关键元素图节点的连接关系,因此待输入的建筑平面图谱特征包括图节点特征以及图边特征。
步骤140:将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;
其中,所述剪力墙设计的图节点分类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,将待输入的建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型中,生成剪力墙设计图谱。
剪力墙设计的图节点分类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进行训练后得到的。
在生成的剪力墙设计图谱中,图谱的图节点的类别包括结构剪力墙节点、非结构填充墙节点、室内门洞口节点、室外门洞口节点、窗户洞口节点五类;生成的剪力墙设计图谱对应待输入的建筑平面图谱特征中的墙体类别的节点,被剪力墙设计的图节点分类图神经网络模型分类为结构剪力墙节点、非结构填充墙节点两种类别。
步骤150:基于所述剪力墙设计图谱得到剪力墙设计结果。
根据所述剪力墙设计图谱中的图节点特征中的结构剪力墙这一类图节点的位置,以及与结构剪力墙这一类图节点相连接的剪力墙设计图谱中的图边特征中墙体边的位置,即可确定剪力墙的位置,可得结构中剪力墙的方案设计结果。
之后可根据所述结构中剪力墙的方案设计结果,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,将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式,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;其中,所述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、窗户洞口中的至少一者以及墙体;
所述关键元素的骨架线为所述关键元素的中心线,以线段表示,包括墙体骨架线或墙体骨架线和门窗洞口骨架线;其中,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;
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图节点,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图边;
将所述图谱的图边按照预先确定的长度尺寸进行细分,采用节点间隔,所述节点也作为图谱的图节点。
具体地,将待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式之前,需要先提取所述目标建筑平面设计图纸中的关键元素的骨架线,之后根据所述关键元素的骨架线,来将所述建筑平面设计图纸表示为由图节点和图边构成的图谱格式。
关键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、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,包括墙体骨架线或墙体骨架线和门窗洞口骨架线;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。其中,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。
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图节点,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。也就是说,在实际操作中,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图节点,将墙体骨架线作为图谱的图边;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图节点,将墙体骨架线和门窗洞口骨架线作为图谱的图边。
之后将图谱的图边按照预先确定的长度尺寸进行细分,采用节点间隔,所述节点也作为图谱的图节点,将待处理的目标建筑平面设计图纸表示为由节点和边构成的图谱格式。预先确定的长度尺寸可以根据实际情况选定,本实施例中不做限定。
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图节点,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图边;将所述图谱的图边按照预先确定的长度尺寸进行细分,采用节点间隔,所述节点也作为图谱的图节点,进而将待处理的目标建筑平面设计图纸表示为由节点和边构成的图谱格式。
基于上述实施例,该方法中,提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征,包括:
所述待输入建筑平面图谱特征包括图节点特征以及图边特征;
所述图节点特征包括:图节点的类别,图节点的位置;
所述图边特征包括:图边的类别;
所述图节点的类别包括墙体节点、室内门洞口节点、室外门洞口节点、窗户洞口节点四类;
所述图边的类别包括墙体边、室内门洞口边、室外门洞口边、窗户洞口边四类。
具体地,提取图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征,其中,待输入的建筑平面图谱特征是指将建筑平面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。
图节点特征包括:图节点的类别,图节点的位置;
图边特征包括:图边的类别;
图节点的类别包括墙体节点、室内门洞口节点、室外门洞口节点、窗户洞口节点四类;
图边的类别包括墙体边、室内门洞口边、室外门洞口边、窗户洞口边四类。
在图谱的边的类别中,结构剪力墙和非结构填充墙均表示为墙体这一类别。
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图节点特征以及图边特征;
所述表示结构剪力墙的图节点特征中的图节点的类别包括结构剪力墙节点、非结构填充墙节点、室内门洞口节点、室外门洞口节点、窗户洞口节点五类;所述剪力墙设计图谱中的表示结构剪力墙节点和非结构填充墙节点的图节点特征对应的所述待输入的建筑平面图谱特征中的墙体节点,被预先构建的剪力墙设计的图节点分类图神经网络模型分类为结构剪力墙节点、非结构填充墙节点两种类别;
根据所述剪力墙设计图谱中的图节点特征中的结构剪力墙这一类图节点的位置,以及与结构剪力墙这一类图节点相连接的剪力墙设计图谱中的图边特征中墙体边的位置,来确定剪力墙的位置;
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,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,表示结构剪力墙的特征包括图节点特征以及图边特征;在生成的剪力墙设计图谱中,图谱的图节点的类别包括结构剪力墙节点、非结构填充墙节点、室内门洞口节点、室外门洞口节点、窗户洞口节点五类;生成的剪力墙设计图谱对应待输入的建筑平面图谱特征中的墙体类别的图节点,被剪力墙设计的图节点分类图神经网络模型分类为结构剪力墙节点、非结构填充墙节点两种类别。
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图节点特征以及图边特征。
生成的剪力墙设计图谱中的表示结构剪力墙的图节点特征包括:图节点的类别,图节点的位置;生成的剪力墙设计图谱中的表示结构剪力墙的图边特征包括边的类别。
需要注意的是,在本实施例中,图边的主要作用有两个:一是起到连接节点的作用,表示节点之间是如何连接的(即表示图节点的连接关系)。二是由于节点没有长度,而在实际的结构中,墙体是有长度的。故而基于所述剪力墙设计图谱得到剪力墙设计结果时,在墙体节点被分类为结构剪力墙、非结构填充墙两种类别之后,需要图边特征中墙体这一类的边的位置作为剪力墙设计结果中关于长度的补充。在实际操作中,和分类为结构剪力墙的节点相连的那些墙体边的一半长度,可以认为是结构剪力墙。
根据剪力墙设计图谱中的图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的结构剪力墙和非结构填充墙这两种图节点类别来确定结构剪力墙的位置,结合与结构剪力墙这一类图节点相连接的剪力墙设计图谱中的图边特征中墙体边的位置,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,可将结构剪力墙之间的非结构填充墙所在位置作为结构梁构件,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。
其中,结构梁为墙体中除剪力墙之外的部分;也就是说,结构梁即为非结构填充墙。在结构初步方案设计阶段,可将墙体类别的节点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;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,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。
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;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布置数据,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图节点分类图神经网络模型,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图节点分类图神经网络模型;
利用测试集测试所述剪力墙设计的图节点分类图神经网络模型的设计效果,得到测试结果,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图节点分类图神经网络模型用于生成剪力墙设计图谱。
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图节点分类图神经网络模型。
利用测试集测试剪力墙设计的图节点分类图神经网络模型的设计效果,得到测试结果,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图节点分类图神经网络模型用于生成剪力墙设计图谱。
将训练完成的剪力墙设计的节点分类图神经网络模型,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图节点分类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图节点分类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图节点分类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是基于所述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,计算所述的结构力学计算模型在结构动力分析下的最大层间位移角以及所述的结构力学计算模型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图节点类别相似度;计算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中类别被预测为结构剪力墙和非结构填充墙的图节点和预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙和非结构填充墙的图节点的混淆矩阵;
其中,对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的图节点的数量,记为SS;对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为非结构填充墙的图节点的数量,记为SF;对应预先标定的剪力墙设计图谱测试数据中类别为非结构填充墙的节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的节点的数量,记为FS;
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=2×SS/(2×SS+SF+FS)。
具体地,使用评价指标综合评价剪力墙设计的图节点分类图神经网络模型,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图节点分类图神经网络模型可以投入应用。
基于上述实施例,该方法中,所述剪力墙设计的图节点分类图神经网络模型训练的损失函数为:
其中,N为需计算的图谱的墙体边的节点的数量,ti为第i个节点的真实类别值,类别为结构剪力墙取为1,类别为非结构填充墙取为0;pi为第i个节点被预测为结构剪力墙的概率,log()为计算以2为底数的对数的函数。
具体地,该函数用于评价剪力墙设计的图节点分类图神经网络模型在训练中的损失。
本发明提供的基于图节点分类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;将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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。本发明将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式,提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征,基于预先构建的剪力墙设计的图节点分类图神经网络模型,将待输入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,极大提高了结构初步方案设计阶段的效率,填补了现有人工智能辅助的剪力墙设计方法中对剪力墙在结构中的空间位置和拓扑特征考虑不足的缺陷,提高了训练生成的剪力墙设计的图节点分类图神经网络模型的可靠性和适用性。
为了进一步说明本发明的基于图节点分类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图节点分类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,根据骨架线将建筑平面表示为包括图节点和图边的图谱格式数据,其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;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图节点分类图神经网络模型的训练;对剪力墙设计的图节点分类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训练所得的剪力墙设计的图节点分类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图节点分类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图节点分类图神经网络模型中,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的图节点,将所述墙体骨架线和门窗洞口骨架线作为图谱的图边;将所述图谱的边按照预先确定的长度尺寸进行细分,采用节点间隔,所述节点也作为图谱的图节点;图谱的图节点特征包括:图节点的类别,图节点的位置;图谱的图边特征包括:图边的类别;图谱的图节点的类别在待输入的建筑平面图谱特征中包括墙体节点、室内门洞口节点、室外门洞口节点、窗户洞口节点四类;图谱的边的类别包括墙体边、室内门洞口边、室外门洞口边、窗户洞口边四类;在图谱的边的类别中,结构剪力墙和非结构填充墙均表示为墙体这一类别。
图3是本发明实施例所提供的图谱格式示意图,其中,待输入建筑平面图谱特征表示的是用于输入图节点分类图神经网络的图谱特征,剪力墙设计图谱是图节点分类图神经网络的输出的图谱;在本示意图中,采用不同的颜色展示不同的节点类别。
进一步地,对剪力墙设计的图节点分类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训练所得的剪力墙设计的图节点分类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图节点分类图神经网络模型可以投入应用,训练后的剪力墙设计的图节点分类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。
图谱的图节点的类别在生成剪力墙设计图谱中包括结构剪力墙、非结构填充墙、室内门洞口、室外门洞口、窗户洞口五类;生成剪力墙设计图谱对应待输入的建筑平面图谱特征中的墙体类别的图节点,被剪力墙设计的图节点分类图神经网络模型分类为结构剪力墙、非结构填充墙两种类别。因此,可将对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的图节点的数量,记为SS;对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为非结构填充墙的图节点的数量,记为SF;对应预先标定的剪力墙设计图谱测试数据中类别为非结构填充墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的图节点的数量,记为FS;那么,ScoreGraph的计算如以下公式所示:
ScoreGraph=2×SS/(2×SS+SF+FS)
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结构标准层的结构力学计算模型,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,计算所述的整体结构的最大层间位移角;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分别为层间位移角和楼板结构评价指标的权重系数,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图节点分类图神经网络模型,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综合评价合格的剪力墙设计的图节点分类图神经网络模型中,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图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的结构剪力墙和非结构填充墙这两种图节点类别来确定结构剪力墙的位置,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,可将结构剪力墙之间的非结构填充墙所在位置作为结构梁构件,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;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;
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图节点分类图神经网络的剪力墙设计装置进行描述,下文描述的基于图节点分类图神经网络的剪力墙设计装置与上文描述的基于图节点分类图神经网络的剪力墙设计方法可相互对应参照。图4是本发明提供的基于图节点分类图神经网络的剪力墙设计装置的结构示意图,如图4所示,包括获取模块410;图谱生成模块420;图谱特征提取模块430;生成模块440;结果模块450。
其中:
所述模块410,用于获取待处理的目标建筑平面设计图纸;
所述图谱生成模块420,用于将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;
所述图谱特征提取模块430,用于提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;
所述生成模块440,用于将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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;
所述结果模块450,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,将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式,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;其中,所述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、窗户洞口中的至少一者以及墙体;
所述关键元素的骨架线为所述关键元素的中心线,以线段表示,包括墙体骨架线或墙体骨架线和门窗洞口骨架线;其中,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;
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图节点,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图边;
将所述图谱的图边按照预先确定的长度尺寸进行细分,采用节点间隔,所述节点也作为图谱的图节点。
基于上述实施例,该装置中,提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征,包括:
所述待输入建筑平面图谱特征包括图节点特征以及图边特征;
所述图节点特征包括:图节点的类别,图节点的位置;
所述图边特征包括:图边的类别;
所述图节点的类别包括墙体节点、室内门洞口节点、室外门洞口节点、窗户洞口节点四类;
所述图边的类别包括墙体边、室内门洞口边、室外门洞口边、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图节点特征以及图边特征;
所述表示结构剪力墙的图节点特征中的图节点的类别包括结构剪力墙节点、非结构填充墙节点、室内门洞口节点、室外门洞口节点、窗户洞口节点五类;所述剪力墙设计图谱中的表示结构剪力墙节点和非结构填充墙节点的图节点特征对应的所述待输入的建筑平面图谱特征中的墙体节点,被预先构建的剪力墙设计的图节点分类图神经网络模型分类为结构剪力墙节点、非结构填充墙节点两种类别;
根据所述剪力墙设计图谱中的图节点特征中的结构剪力墙这一类图节点的位置,以及与结构剪力墙这一类图节点相连接的剪力墙设计图谱中的图边特征中墙体边的位置,来确定剪力墙的位置;
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图节点分类图神经网络模型,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图节点分类图神经网络模型;
利用测试集测试所述剪力墙设计的图节点分类图神经网络模型的设计效果,得到测试结果,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图节点分类图神经网络模型用于生成剪力墙设计图谱。
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是基于所述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,计算所述的结构力学计算模型在结构动力分析下的最大层间位移角以及所述的结构力学计算模型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图节点类别相似度;计算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中类别被预测为结构剪力墙和非结构填充墙的图节点和预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙和非结构填充墙的图节点的混淆矩阵;
其中,对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的图节点的数量,记为SS;对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为非结构填充墙的图节点的数量,记为SF;对应预先标定的剪力墙设计图谱测试数据中类别为非结构填充墙的节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的节点的数量,记为FS;
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=2×SS/(2×SS+SF+FS)。
基于上述实施例,该装置中,所述剪力墙设计的图节点分类图神经网络模型训练的损失函数为:
其中,N为需计算的图谱的墙体边的节点的数量,ti为第i个节点的真实类别值,类别为结构剪力墙取为1,类别为非结构填充墙取为0;pi为第i个节点被预测为结构剪力墙的概率,log()为计算以2为底数的对数的函数。
在上述具体实施方式中,本发明提供的基于图节点分类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;将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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。本发明将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式,提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征,基于预先构建的剪力墙设计的图节点分类图神经网络模型,将待输入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,极大提高了结构初步方案设计阶段的效率,填补了现有人工智能辅助的剪力墙设计方法中对剪力墙在结构中的空间位置和拓扑特征考虑不足的缺陷,提高了训练生成的剪力墙设计的图节点分类图神经网络模型的可靠性和适用性。
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,以执行基于图节点分类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;将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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图节点分类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;将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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图节点分类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;将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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 (10)
1.一种基于图节点分类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;
将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;
提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;
将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;
其中,所述剪力墙设计的图节点分类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。
2.根据权利要求1所述的基于图节点分类图神经网络的剪力墙设计方法,其特征在于,将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式,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;其中,所述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、窗户洞口中的至少一者以及墙体;
所述关键元素的骨架线为所述关键元素的中心线,以线段表示,包括墙体骨架线或墙体骨架线和门窗洞口骨架线;其中,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;
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图节点,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图边;
将所述图谱的图边按照预先确定的长度尺寸进行细分,采用节点间隔,所述节点也作为图谱的图节点。
3.根据权利要求2所述的基于图节点分类图神经网络的剪力墙设计方法,其特征在于,提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征,包括:
所述待输入建筑平面图谱特征包括图节点特征以及图边特征;
所述图节点特征包括:图节点的类别,图节点的位置;
所述图边特征包括:图边的类别;
所述图节点的类别包括墙体节点、室内门洞口节点、室外门洞口节点、窗户洞口节点四类;
所述图边的类别包括墙体边、室内门洞口边、室外门洞口边、窗户洞口边四类。
4.根据权利要求1所述的基于图节点分类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图节点特征以及图边特征;
所述表示结构剪力墙的图节点特征中的图节点的类别包括结构剪力墙节点、非结构填充墙节点、室内门洞口节点、室外门洞口节点、窗户洞口节点五类;所述剪力墙设计图谱中的表示结构剪力墙节点和非结构填充墙节点的图节点特征对应的所述待输入的建筑平面图谱特征中的墙体节点,被预先构建的剪力墙设计的图节点分类图神经网络模型分类为结构剪力墙节点、非结构填充墙节点两种类别;
根据所述剪力墙设计图谱中的图节点特征中的结构剪力墙这一类图节点的位置,以及与结构剪力墙这一类图节点相连接的剪力墙设计图谱中的图边特征中墙体边的位置,来确定剪力墙的位置;
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。
5.根据权利要求1所述的基于图节点分类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图节点分类图神经网络模型,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图节点分类图神经网络模型;
利用测试集测试所述剪力墙设计的图节点分类图神经网络模型的设计效果,得到测试结果,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图节点分类图神经网络模型用于生成剪力墙设计图谱。
6.根据权利要求5所述的基于图节点分类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是基于所述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,计算所述的结构力学计算模型在结构动力分析下的最大层间位移角以及所述的结构力学计算模型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图节点类别相似度;计算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中类别被预测为结构剪力墙和非结构填充墙的图节点和预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙和非结构填充墙的图节点的混淆矩阵;
其中,对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的图节点的数量,记为SS;对应预先标定的剪力墙设计图谱测试数据中类别为结构剪力墙的图节点,在生成的剪力墙设计图谱测试结果中被预测类别为非结构填充墙的图节点的数量,记为SF;对应预先标定的剪力墙设计图谱测试数据中类别为非结构填充墙的节点,在生成的剪力墙设计图谱测试结果中被预测类别为结构剪力墙的节点的数量,记为FS;
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=2×SS/(2×SS+SF+FS)。
8.一种基于图节点分类图神经网络的剪力墙设计装置,其特征在于,包括:
获取模块,用于获取待处理的目标建筑平面设计图纸;
图谱生成模块,用于将所述待处理的目标建筑平面设计图纸表示为由图节点和图边构成的图谱格式;其中,图节点表示关键元素,图边表示关键元素图节点的连接关系;
图谱特征提取模块,用于提取所述图谱中图节点以及图边的特征,形成待输入的建筑平面图谱特征;
生成模块,用于将所述待输入建筑平面图谱特征输入至预先构建的剪力墙设计的图节点分类图神经网络模型,以得到剪力墙设计图谱;其中,所述剪力墙设计的图节点分类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;
结果模块,用于基于所述剪力墙设计图谱得到剪力墙设计结果。
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任一项所述的基于图节点分类图神经网络的剪力墙设计方法的步骤。
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任一项所述的基于图节点分类图神经网络的剪力墙设计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516253.5A CN116186825B (zh) | 2022-11-29 | 2022-11-29 | 基于图节点分类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 |
---|---|---|---|
CN202211516253.5A CN116186825B (zh) | 2022-11-29 | 2022-11-29 | 基于图节点分类图神经网络的剪力墙设计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116186825A true CN116186825A (zh) | 2023-05-30 |
CN116186825B CN116186825B (zh) | 2023-10-31 |
Family
ID=86444943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211516253.5A Active CN116186825B (zh) | 2022-11-29 | 2022-11-29 | 基于图节点分类图神经网络的剪力墙设计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116186825B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763877A (zh) * | 2024-02-21 | 2024-03-26 | 中南建筑设计院股份有限公司 | 基于plm平台的钢节点通用参数化建模方法和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060029119A (ko) * | 2004-09-30 | 2006-04-04 | 주식회사 마이다스아이티 | 고층 건물의 풍응답 조절방법 |
CN110258848A (zh) * | 2019-06-24 | 2019-09-20 | 南通大学 | 一种建筑节能cl复合剪力墙的施工方法 |
RU2728739C1 (ru) * | 2020-02-11 | 2020-07-30 | федеральное государственное бюджетное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" | Способ построения кривой деформирования грунта |
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 |
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 |
CN113779675A (zh) * | 2021-09-02 | 2021-12-10 | 清华大学 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
CN113868750A (zh) * | 2021-10-20 | 2021-12-31 | 清华大学 | 基于深度机器学习的建筑地震损伤和剩余能力评价方法 |
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 |
US20220121785A1 (en) * | 2019-02-07 | 2022-04-21 | Matrak Shield Pty. Ltd. | System and Method for Automated Material Take-Off |
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 |
CN115345227A (zh) * | 2022-08-04 | 2022-11-15 | 同济大学 | 基于pca融合机器学习的剪力墙震损破坏模式预测方法 |
WO2022242435A1 (zh) * | 2021-05-21 | 2022-11-24 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
-
2022
- 2022-11-29 CN CN202211516253.5A patent/CN116186825B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060029119A (ko) * | 2004-09-30 | 2006-04-04 | 주식회사 마이다스아이티 | 고층 건물의 풍응답 조절방법 |
US20220121785A1 (en) * | 2019-02-07 | 2022-04-21 | Matrak Shield Pty. Ltd. | System and Method for Automated Material Take-Off |
CN110258848A (zh) * | 2019-06-24 | 2019-09-20 | 南通大学 | 一种建筑节能cl复合剪力墙的施工方法 |
RU2728739C1 (ru) * | 2020-02-11 | 2020-07-30 | федеральное государственное бюджетное образовательное учреждение высшего образования "Пермский национальный исследовательский политехнический университет" | Способ построения кривой деформирования грунта |
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 |
US20220207205A1 (en) * | 2020-05-25 | 2022-06-30 | Tsinghua University | Method and device for scheme design of shear wall structure based on generative adversarial network |
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 |
WO2022242435A1 (zh) * | 2021-05-21 | 2022-11-24 | 浙江大学 | 一种基于人工智能的场地地震液化灾害快速评估方法 |
CN113779675A (zh) * | 2021-09-02 | 2021-12-10 | 清华大学 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
CN113868750A (zh) * | 2021-10-20 | 2021-12-31 | 清华大学 | 基于深度机器学习的建筑地震损伤和剩余能力评价方法 |
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 |
CN115345227A (zh) * | 2022-08-04 | 2022-11-15 | 同济大学 | 基于pca融合机器学习的剪力墙震损破坏模式预测方法 |
Non-Patent Citations (2)
Title |
---|
PENGJU ZHAO .ETAL: ""Intelligent design of shear wall layout based on attention-enhanced generative adversarial network"", 《ENGINEERING STRUCTURES》 * |
方东平;李全旺;李楠;王飞;刘影;顾栋炼;孙楚津;潘胜杰;侯冠杰;汪飞;陆新征;: "社区地震安全韧性评估***及应用示范", 工程力学, no. 10 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117763877A (zh) * | 2024-02-21 | 2024-03-26 | 中南建筑设计院股份有限公司 | 基于plm平台的钢节点通用参数化建模方法和存储介质 |
CN117763877B (zh) * | 2024-02-21 | 2024-05-07 | 中南建筑设计院股份有限公司 | 基于plm平台的钢节点通用参数化建模方法和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116186825B (zh) | 2023-10-31 |
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 | |
CN114491740B (zh) | 物理与多模态数据驱动的建筑结构生成方法及设备 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN113780436B (zh) | 一种基于综合度的复杂网络关键节点识别方法 | |
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 | |
CN116186824B (zh) | 基于图像嵌入图神经网络模型的建筑结构布置方法 | |
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 | |
CN109272044A (zh) | 一种图像相似度确定方法、装置、设备及存储介质 | |
CN110705045A (zh) | 一种利用网络拓扑特性构建加权网络的链路预测方法 | |
CN116956428A (zh) | 基于物理信息神经网络的移动荷载下桥梁响应计算方法 | |
CN110765788A (zh) | 一种基于隐式翻译模型的知识图谱嵌入方法 | |
CN116612098A (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
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 | |
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 | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及*** | |
CN116630989A (zh) | 智能电表可视故障检测方法、***、电子设备及存储介质 | |
CN114359510A (zh) | 一种基于锚点检测的点云补全方法 | |
CN112508958B (zh) | 一种轻量多尺度的生物医学图像分割方法 | |
CN114970601A (zh) | 一种电力设备局部放电类型识别方法、设备及存储介质 | |
CN113610837A (zh) | 基于深度学习和边缘计算的外绝缘设备放电故障诊断方法 | |
CN117744204A (zh) | 基于图神经网络的梁布置设计方法和装置 | |
CN113780358A (zh) | 一种基于无锚网络的实时金具检测方法 | |
CN116029023B (zh) | 基于计算机辅助决策的建筑结构智能设计方法及*** |
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 |