CN116861540A - 一种构建剪力墙布局设计的个性化人工智能助手的方法 - Google Patents
一种构建剪力墙布局设计的个性化人工智能助手的方法 Download PDFInfo
- Publication number
- CN116861540A CN116861540A CN202310959659.9A CN202310959659A CN116861540A CN 116861540 A CN116861540 A CN 116861540A CN 202310959659 A CN202310959659 A CN 202310959659A CN 116861540 A CN116861540 A CN 116861540A
- Authority
- CN
- China
- Prior art keywords
- shear wall
- building
- wall layout
- pixel
- image
- 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.)
- Pending
Links
- 238000013461 design Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 45
- 238000009792 diffusion process Methods 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 11
- 238000012946 outsourcing Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000009966 trimming Methods 0.000 claims description 4
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 230000002452 interceptive effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
发明提供一种应用个性化人工智能助手构建剪力墙布局设计的方法。该方法包括获取待处理建筑CAD图纸的建筑像素图像、设置设计参数、Stable Diffusion模型基于建筑像素图像生成剪力墙布局像素图像和将剪力墙布局像素图像转换为结构计算模型等步骤。该方法首次将Stable Diffusion网络与剪力墙布局问题结合起来，将建筑像素图作为初始噪声，并以设计约束作为生成结构像素图的条件。采用小样本训练集，并可以产生多样的剪力墙布局设计。同时，对用户的神经网络训练技能要求较低，普通用户也可以很好地训练和应用。能够基本满足设计需求，并与其他生成式研究具有相当的设计效果。经过微调后，将会获得更好的效果，达到辅助设计的目的。
Description
技术领域
本发明涉及土木工程技术领域，特别涉及一种应用个性化人工智能助手构建剪力墙布局设计的方法。
背景技术
钢筋混凝土剪力墙结构因其具有良好的抗震性能等优点在高层建筑中广泛应用,其中剪力墙的布局对建筑物的抗震性能至关重要。然而，剪力墙的布局设计通常需要结构工程师拥有多年的设计经验，并且需要反复的试错和调整，从而保证其安全性和经济性。这一过程重复性劳动多，效率低，人工成本高。
针对这一挑战，国内外的专家学者致力于研究自动化设计剪力墙布局的方法。一些解决方案采用启发式算法，但需要大量的时间进行迭代求解。近年来，随着人工智能的发展，一些基于深度学习的方法也被探索用于剪力墙的布局设计。这些方法利用设计师的经验，能够快速生成设计结果。然而，为了获得令人满意的生成结果，需要大量的配对数据用于神经网络的训练。在训练过程中，需要有经验丰富的机器学习专家处理可能出现的问题，例如模式崩溃。同时，目前的研究成果通常只能生成单一的设计选项，并且生成结果受限于所使用数据集的设计风格，无法满足不同的设计公司甚至个人的独特设计风格和偏好。
发明内容
本发明的目的是提供一种应用个性化人工智能助手构建剪力墙布局设计的方法，以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的，一种应用个性化人工智能助手构建剪力墙布局设计的方法，包括以下步骤：
1)响应于构建剪力墙布局设计生成请求，获取待处理建筑CAD图纸的建筑像素图像。
2)设置设计参数。
3)Stable Diffusion模型基于建筑像素图像生成剪力墙布局像素图像。其中，所述Stable Diffusion模型的输入是经过处理的建筑像素图，并以文本描述“高层剪力墙布局设计”作为提示。所述Stable Diffusion模型将建筑像素图作为初始噪声，并以设计约束作为生成结构像素图的条件。所述Stable Diffusion模型的输出为剪力墙布局像素图像。训练Stable Diffusion模型时，在编码器和解码器之间增加交叉注意力层，并使用LoRA作为注意力机制。
4)将剪力墙布局像素图像转换为结构计算模型。
进一步，所述Stable Diffusion模型包括VAE(变分自编码器)、文本编码器、图像解码器和图像信息生成器。VAE(变分自编码器)将建筑像素图映射到隐空间得到一个纯噪声向量。文本编码器将文本描述“高层剪力墙布局设计”转换为语义向量。将纯噪声向量与语义向量拼接起来作为条件向量。图像信息生成器使用降噪U-Net网络和采样器算法在隐空间中进行扩散过程，通过扩散过程逐步从隐空间向原始空间扩散，从纯噪声向量逐步生成包含语义信息的潜在向量。在每一步扩散中，使用图像解码器根据条件向量和当前的图像状态生成一个去噪函数用于修复图像中的噪声，并使图像更接近目标图像。经过多步扩散后，VAE将潜在向量解码为最终的剪力墙布局像素图像。
进一步，训练Stable Diffusion模型时，利用Open CV对分别由建筑平面图和剪力墙平面图提取的几何线段进行像素化。将建筑像素图像和结构像素图像作为训练数据集。其中，XML文件用于获取建筑基线的位置和门窗开洞的尺寸。DXF文件用于获取剪力墙的位置。
进一步，步骤3)中，通过多次生成并设置随机数种子，可得到多样化的设计结果。
进一步，步骤3)之后，还具有使用PPT对剪力墙布局结果进行微调的步骤。
进一步，步骤4)中，在结构计算软件中对剪力墙布局结果进行微调。
进一步，步骤5)具体包括以下子步骤：
5.1)将剪力墙布局像素图像中的像素分为建筑基线和剪力墙线两类。
5.2)对像素矩阵进行行遍历与列遍历，提取水平和垂直方向的连续像素点。
5.3)对每组连续的像素点进行连通域分析，得到最小外包矩形。
5.4)计算外包矩形沿长度方向的中心轴。
5.5)修剪中心轴。
5.6)根据其相对位置关系，将剪力墙线与建筑基线对齐。
5.7)根据像素与实际尺寸之间的比例尺输出几何线段的坐标，并在结构计算软件中构建模型。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令。所述计算机可执行指令被处理器执行时实现上述任意一项所述方法的步骤。所述计算机可执行指令包括前处理程序、Stable Diffusion模型和后处理程序。所述前处理程序用于将建筑CAD图纸转换为生成剪力墙布局设计所需的像素图像。所述后处理程序用于将像素图像转换为结构计算模型。
本发明还公开个性化人工智能助手，包括通信连接的客户端和服务端。所述服务端部署有上述的计算机可读存储介质。所述客户端用于显示前端界面，通过前端界面接收需求信息，并将需求信息发送至服务端，以及接收服务端发送的结构计算模型。
进一步，还包括工作目录。在整个操作过程中工作目录存储所有的文档和操作日志。
本发明的技术效果是毋庸置疑的：
A.首次将Stable Diffusion网络与剪力墙布局问题结合起来，将建筑像素图作为初始噪声，并以设计约束作为生成结构像素图的条件；
B.提供了一套完整的基于Stable Diffusion的自动化设计过程。实现了自动化处理训练图纸、自动化完成模型训练，以及在应用阶段从建筑图纸到结构模型的自动化；
C.采用小样本训练集，并可以产生多样的剪力墙布局设计。同时，对用户的神经网络训练技能要求较低，普通用户也可以很好地训练和应用；
D.能够基本满足设计需求，并与其他生成式研究具有相当的设计效果。经过微调后，将会获得更好的效果，达到辅助设计的目的；
E.交互式图形用户界面(GUI)可以使普通用户能够轻松地训练自己的人工智能助手并应用。本发明提供的一系列设计参数可以简化整个培训和应用过程，并已经嵌入到GUI中。
附图说明
图1为方法流程图；
图2为基于Stable Diffusion模型的网络架构示意图；
图3为交互式图形用户页面(开始页)；
图4为工作目录的文档体系示意图；
图5为由几何线段到像素图的转换流程示意图；
图6为交互式图形用户页面(训练页)；
图7为前处理流程示意图；
图8为Control Net作用方式示意图；
图9为交互式图形用户页面(应用页)
图10为实施例10中结果微调流程图；
图11为实施例11中结果微调流程图；
图12为由像素图到几何线段的转换流程示意图；
图13为修剪矩形中心轴的示意图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
本实施例提供一种应用个性化人工智能助手构建剪力墙布局设计的方法，包括以下步骤：
1)响应于构建剪力墙布局设计生成请求，获取待处理建筑CAD图纸的建筑像素图像。
2)设置设计参数。
3)Stable Diffusion模型基于建筑像素图像生成剪力墙布局像素图像。其中，所述Stable Diffusion模型的输入是经过处理的建筑像素图，并以文本描述“高层剪力墙布局设计”作为提示。所述Stable Diffusion模型将建筑像素图作为初始噪声，并以设计约束作为生成结构像素图的条件。所述Stable Diffusion模型的输出为剪力墙布局像素图像。训练Stable Diffusion模型时，在编码器和解码器之间增加交叉注意力层，并使用LoRA作为注意力机制。
4)将剪力墙布局像素图像转换为结构计算模型。
实施例2：
本实施例主要内容同实施例1，其中，所述Stable Diffusion模型包括VAE(变分自编码器)、文本编码器、图像解码器和图像信息生成器。VAE(变分自编码器)将建筑像素图映射到隐空间得到一个纯噪声向量。文本编码器将文本描述“高层剪力墙布局设计”转换为语义向量。将纯噪声向量与语义向量拼接起来作为条件向量。图像信息生成器使用降噪U-Net网络和采样器算法在隐空间中进行扩散过程，通过扩散过程逐步从隐空间向原始空间扩散，从纯噪声向量逐步生成包含语义信息的潜在向量。在每一步扩散中，使用图像解码器根据条件向量和当前的图像状态生成一个去噪函数用于修复图像中的噪声，并使图像更接近目标图像。经过多步扩散后，VAE将潜在向量解码为最终的剪力墙布局像素图像。
实施例3：
本实施例主要内容同实施例1或2，其中，训练Stable Diffusion模型时，利用OpenCV对分别由建筑平面图和剪力墙平面图提取的几何线段进行像素化。将建筑像素图像和结构像素图像作为训练数据集。其中，XML文件用于获取建筑基线的位置和门窗开洞的尺寸。DXF文件用于获取剪力墙的位置。
实施例4：
本实施例主要内容同实施例1～3中任意一项，其中，步骤3)中，通过多次生成并设置随机数种子，可得到多样化的设计结果。
实施例5：
本实施例主要内容同实施例1～4中任意一项，其中，步骤3)之后，还具有使用PPT对剪力墙布局结果进行微调的步骤。
实施例6：
本实施例主要内容同实施例1～4中任意一项，其中，步骤4)中，在结构计算软件中对剪力墙布局结果进行微调。
实施例7：
本实施例主要内容同实施例1～6中任意一项，其中，步骤5)具体包括以下子步骤：
5.1)将剪力墙布局像素图像中的像素分为建筑基线和剪力墙线两类。
5.2)对像素矩阵进行行遍历与列遍历，提取水平和垂直方向的连续像素点。
5.3)对每组连续的像素点进行连通域分析，得到最小外包矩形。
5.4)计算外包矩形沿长度方向的中心轴。
5.5)修剪中心轴。
5.6)根据其相对位置关系，将剪力墙线与建筑基线对齐。
5.7)根据像素与实际尺寸之间的比例尺输出几何线段的坐标，并在结构计算软件中构建模型。
实施例8：
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令。所述计算机可执行指令被处理器执行时实现实施例1～7中任意一项所述方法的步骤。所述计算机可执行指令包括前处理程序、Stable Diffusion模型和后处理程序。所述前处理程序用于将建筑CAD图纸转换为生成剪力墙布局设计所需的像素图像。所述后处理程序用于将像素图像转换为结构计算模型。
实施例9：
本实施例提供个性化人工智能助手，包括通信连接的客户端和服务端。所述服务端部署有实施例8所述的计算机可读存储介质。所述客户端用于显示前端界面，通过前端界面接收需求信息，并将需求信息发送至服务端，以及接收服务端发送的结构计算模型。
实施例10：
剪力墙的布局在抗震性能中起着至关重要的作用。然而，现有的剪力墙布局设计的生成方法存在一些局限性，如速度慢、结果多样性低和数据依赖性高。
本实施例提供可以获得剪力墙布局设计的个性化人工智能助手。所述个性化人工智能助手包括通信连接的客户端和服务端。所述服务端部署有计算机可读存储介质。所述客户端用于显示前端界面，通过前端界面接收需求信息，并将需求信息发送至服务端，以及接收服务端发送的结构计算模型。所述前端界面为交互式图形用户页面(GUI)，以便于用户使用自己的数据训练和应用个性化人工智能设计助理。GUI可以很容易地部署在本地，或云平台上。界面共包含三个子页面：开始、训练和应用页面。开始页面要求用户设置一个工作目录，该目录将在整个操作过程中存储所有的文档和操作日志，如图3所示。图4为工作目录的文档体系。计算机可读存储介质中存储有前处理程序、Stable Diffusion模型和后处理程序。所述前处理程序用于将建筑CAD图纸转换为生成剪力墙布局设计所需的像素图像。所述后处理程序用于将像素图像转换为结构计算模型。
参见图1，应用个性化人工智能助手构建剪力墙布局设计的方法包括以下步骤：
1)收集数据并训练Stable Diffusion(稳定扩散模型)。参见图2，利用OpenCV(计算机视觉库)对分别由建筑平面图和剪力墙平面图提取的几何线段进行像素化。其中，XML文件用于获取建筑基线(即建筑墙、门窗的中心线)的位置和门窗开洞的尺寸。DXF文件用于获取剪力墙的位置。使用OpenCV将上述几何信息像素化为建筑和结构图像，得到训练数据集。本实施例的建筑和结构图像均使用以下配色方案：红色像素代表剪力墙，绿色像素代表门窗洞口，灰色像素代表建筑墙体的基线。
本实施例使用LoRA(Low-Rank Adaptation，低秩适应方法)对SD模型进行微调。在SD中训练LoRA并不需要成对的数据集(即相互对应的输入和输出图像)。为了降低训练难度，用户可以对同一子类别的布局进行训练，例如抗震设防烈度为七度的高层剪力墙结构，则所有训练图像的标签可以是相同的。构成训练集大约需要50张图片，足以进行训练。SD模型设置为“Anything-v5.0-PRT-RE”模型，其经过试验后发现适合于剪力墙的布局设计。同样由试验发现，经过20个阶段，每个阶段100步(即一幅图像在一个阶段中被训练100次)的训练，可以获得令人满意的结果。需要注意的是，在训练过程中可能会出现过拟合或欠拟合，因此不同训练阶段的LoRA模型被保存，这便于用户选择最合适的微调模型。用户还需要输入剪力墙所在图层的名称，以用于从DXF文件中提取信息。
2)参见图7，响应于构建剪力墙布局设计生成请求，获取待处理建筑CAD图纸的建筑像素图像。
3)设置设计参数。②使用推荐值设置设计参数。由于SD较为复杂且灵活，有较多参数需要调整。经过反复试验，一些重要的参数如下：提示默认设置为“高层剪力墙布局设计”，这是因为训练过程中图像均带有此标签；“DPM2aKarras”更适合作为采样器，用于生成剪力墙布局，它的收敛速度较慢，但精度较高；为了在生成图像时保留输入图像的特征，通常使用0.75作为去噪强度的默认值；将Control Net设置为Canny+0.5×Pix2pix，可以更好地生成结构梁和墙体的布局。如图8所示，Control Net方法的作用方式与LoRA类似，即在预先训练好的网络附近添加一个额外的分支，以便对原始网络进行微调。需要注意的是，本发明提到的默认参数可以在配置文件中进行修改，为用户提供更大的灵活性。应用界面如图9所示，参数设置完成后，利用SD和个性化的LoRA模型，用户可以快速生成多样的剪力墙布局图像。
4)Stable Diffusion模型基于建筑像素图像生成剪力墙布局像素图像。其中，参见图2，所述Stable Diffusion模型包括VAE(变分自编码器)、文本编码器、图像解码器和图像信息生成器。VAE(变分自编码器)将建筑像素图映射到隐空间得到一个纯噪声向量。文本编码器将文本描述“高层剪力墙布局设计”转换为语义向量。将纯噪声向量与语义向量拼接起来作为条件向量。图像信息生成器使用降噪U-Net网络和采样器算法在隐空间中进行扩散过程，通过扩散过程逐步从隐空间向原始空间扩散，从纯噪声向量逐步生成包含语义信息的潜在向量。在每一步扩散中，使用图像解码器根据条件向量和当前的图像状态生成一个去噪函数用于修复图像中的噪声，并使图像更接近目标图像。经过多步扩散后，VAE将潜在向量解码为最终的剪力墙布局像素图像。所述Stable Diffusion模型的输入是经过处理的建筑像素图，并以文本描述“高层剪力墙布局设计”作为提示。所述Stable Diffusion模型将建筑像素图作为初始噪声，并以设计约束作为生成结构像素图的条件。所述StableDiffusion模型的输出为剪力墙布局像素图像。训练Stable Diffusion模型时，在编码器和解码器之间增加交叉注意力层，并使用LoRA作为注意力机制。
值得说明的是，通过多次生成并设置随机数种子，可得到多样化的设计结果。
5)参见图10，在收到生成的图像后，设计师可以及时做出微调，以实现他们所期望的布局。使用Power Point(PPT)将与墙壁具有相同宽度的红色块放置在所需的位置，然后将它们组合起来并保存为一个图像。
6)将剪力墙布局像素图像转换为结构计算模型。后处理的关键步骤是将像素图像转换为几何线段。如图12所示，步骤6)具体包括以下子步骤：
6.1)将剪力墙布局像素图像中的像素分为建筑基线和剪力墙线两类。如图12所示，程序将根据像素颜色对所生成的图像进行分类。对于剪力墙结构模型，由于剪力墙和结构梁是重要的结构元素，因此像素被分为两类：建筑基线和剪力墙线。
6.2)对像素矩阵进行行遍历与列遍历，提取水平和垂直方向的连续像素点。
6.3)对每组连续的像素点进行连通域分析，得到最小外包矩形。
6.4)计算外包矩形沿长度方向的中心轴。
6.5)修剪中心轴。由于矩形具有一定的厚度，中心轴存在多余的节段(如图13所示)。
6.6)根据其相对位置关系，将剪力墙线与建筑基线对齐。
6.7)根据像素与实际尺寸之间的比例尺输出几何线段的坐标，并在结构计算软件中构建模型。
值得说明的是，结合本发明提供的前后处理程序，可以实现在应用阶段从建筑图纸到结构模型的自动化。
实施例11：
剪力墙的布局在抗震性能中起着至关重要的作用。然而，现有的剪力墙布局设计的生成方法存在一些局限性，如速度慢、结果多样性低和数据依赖性高。
本实施例提供可以获得剪力墙布局设计的个性化人工智能助手。所述个性化人工智能助手包括通信连接的客户端和服务端。所述服务端部署有计算机可读存储介质。所述客户端用于显示前端界面，通过前端界面接收需求信息，并将需求信息发送至服务端，以及接收服务端发送的结构计算模型。所述前端界面为交互式图形用户页面(GUI)，以便于用户使用自己的数据训练和应用个性化人工智能设计助理。GUI可以很容易地部署在本地，或云平台上。界面共包含三个子页面：开始、训练和应用页面。开始页面要求用户设置一个工作目录，该目录将在整个操作过程中存储所有的文档和操作日志，。计算机可读存储介质中存储有前处理程序、Stable Diffusion模型和后处理程序。所述前处理程序用于将建筑CAD图纸转换为生成剪力墙布局设计所需的像素图像。所述后处理程序用于将像素图像转换为结构计算模型。
应用个性化人工智能助手构建剪力墙布局设计的方法包括以下步骤：
1)收集数据并训练Stable Diffusion(稳定扩散模型)。利用OpenCV(计算机视觉库)对分别由建筑平面图和剪力墙平面图提取的几何线段进行像素化。其中，XML文件用于获取建筑基线(即建筑墙、门窗的中心线)的位置和门窗开洞的尺寸。DXF文件用于获取剪力墙的位置。使用OpenCV将上述几何信息像素化为建筑和结构图像，得到训练数据集。本实施例的建筑和结构图像均使用以下配色方案：红色像素代表剪力墙，绿色像素代表门窗洞口，灰色像素代表建筑墙体的基线。
本实施例使用LoRA(Low-Rank Adaptation，低秩适应方法)对SD模型进行微调。在SD中训练LoRA并不需要成对的数据集(即相互对应的输入和输出图像)。为了降低训练难度，用户可以对同一子类别的布局进行训练，例如抗震设防烈度为七度的高层剪力墙结构，则所有训练图像的标签可以是相同的。构成训练集大约需要50张图片，足以进行训练。SD模型设置为“Anything-v5.0-PRT-RE”模型，其经过试验后发现适合于剪力墙的布局设计。同样由试验发现，经过20个阶段，每个阶段100步(即一幅图像在一个阶段中被训练100次)的训练，可以获得令人满意的结果。需要注意的是，在训练过程中可能会出现过拟合或欠拟合，因此不同训练阶段的LoRA模型被保存，这便于用户选择最合适的微调模型。用户还需要输入剪力墙所在图层的名称，以用于从DXF文件中提取信息。
2)响应于构建剪力墙布局设计生成请求，获取待处理建筑CAD图纸的建筑像素图像。
3)设置设计参数。使用推荐值设置设计参数。由于SD较为复杂且灵活，有较多参数需要调整。经过反复试验，一些重要的参数如下：提示默认设置为“高层剪力墙布局设计”，这是因为训练过程中图像均带有此标签；“DPM2aKarras”更适合作为采样器，用于生成剪力墙布局，它的收敛速度较慢，但精度较高。为了在生成图像时保留输入图像的特征，通常使用0.75作为去噪强度的默认值。参见图8，将Control Net(控制网络)设置为Canny+0.5×Pix2pix，可以更好地生成结构梁和墙体的布局。ControlNet方法的作用方式与LoRA类似，即在预先训练好的网络附近添加一个额外的分支，以便对原始网络进行微调。需要注意的是，本发明提到的默认参数可以在配置文件中进行修改，为用户提供更大的灵活性。参数设置完成后，利用SD和个性化的LoRA模型，用户可以快速生成多样的剪力墙布局图像。
4)Stable Diffusion模型基于建筑像素图像生成剪力墙布局像素图像。其中，所述Stable Diffusion模型包括VAE(Variational Autoencoder，变分自编码器)、文本编码器、图像解码器和图像信息生成器。VAE(变分自编码器)将建筑像素图映射到隐空间得到一个纯噪声向量。文本编码器将文本描述“高层剪力墙布局设计”转换为语义向量。将纯噪声向量与语义向量拼接起来作为条件向量。图像信息生成器使用降噪U-Net网络和采样器算法在隐空间中进行扩散过程，通过扩散过程逐步从隐空间向原始空间扩散，从纯噪声向量逐步生成包含语义信息的潜在向量。在每一步扩散中，使用图像解码器根据条件向量和当前的图像状态生成一个去噪函数用于修复图像中的噪声，并使图像更接近目标图像。经过多步扩散后，VAE将潜在向量解码为最终的剪力墙布局像素图像。所述Stable Diffusion模型的输入是经过处理的建筑像素图，并以文本描述“高层剪力墙布局设计”作为提示。所述Stable Diffusion模型将建筑像素图作为初始噪声，并以设计约束作为生成结构像素图的条件。所述Stable Diffusion模型的输出为剪力墙布局像素图像。训练Stable Diffusion模型时，在编码器和解码器之间增加交叉注意力层，并使用LoRA作为注意力机制。
值得说明的是，通过多次生成并设置随机数种子，可得到多样化的设计结果。
5)将剪力墙布局像素图像转换为结构计算模型。后处理的关键步骤是将像素图像转换为几何线段。如图12所示，步骤6)具体包括以下子步骤：
5.1)将剪力墙布局像素图像中的像素分为建筑基线和剪力墙线两类。如图12所示，程序将根据像素颜色对所生成的图像进行分类。对于剪力墙结构模型，由于剪力墙和结构梁是重要的结构元素，因此像素被分为两类：建筑基线和剪力墙线。
5.2)对像素矩阵进行行遍历与列遍历，提取水平和垂直方向的连续像素点。
5.3)对每组连续的像素点进行连通域分析，得到最小外包矩形。
5.4)计算外包矩形沿长度方向的中心轴。
5.5)修剪中心轴。由于矩形具有一定的厚度，中心轴存在多余的节段(如图13所示)。
5.6)根据其相对位置关系，将剪力墙线与建筑基线对齐。
5.7)根据像素与实际尺寸之间的比例尺输出几何线段的坐标，并在结构计算软件中构建模型。
在步骤5)中，通过软件提供的操作进行布局设计的调整。
值得说明的是，结合本发明提供的前后处理程序，可以实现在应用阶段从建筑图纸到结构模型的自动化。
实施例12：
本实施例主要内容同实施例9～11中任意一项，其中，所述客户端和服务端经由一个或多个网络通信。网络的示例包括公用交换电话网(PSTN，Public Switched TelephoneNetwork)、局域网(LAN，Local Area Network)、广域网(WAN，Wide Area Network)、个域网(PAN，Personal Area Network)或诸如因特网的通信网络的组合。
实施例13：
本实施例主要内容同实施例9～12中任意一项，其中，CAD图形与像素图像的比例尺为1：50，这意味着图像中的每个像素在CAD图形中代表50mm的长度。像素图像的大小为1024×512。
实施例14：
本实施例主要内容同实施例9～13中任意一项，其中，后处理程序，通过SAP2000API或PKPM的数据文档SQL自动地在结构计算软件中完成建模。
Claims (10)
1.一种应用个性化人工智能助手构建剪力墙布局设计的方法，其特征在于，包括以下步骤：
1)响应于构建剪力墙布局设计生成请求，获取待处理建筑CAD图纸的建筑像素图像；
2)设置设计参数；
3)Stable Diffusion模型基于建筑像素图像生成剪力墙布局像素图像；其中，所述Stable Diffusion模型的输入是经过处理的建筑像素图，并以文本描述“高层剪力墙布局设计”作为提示；所述Stable Diffusion模型将建筑像素图作为初始噪声，并以设计约束作为生成结构像素图的条件；所述Stable Diffusion模型的输出为剪力墙布局像素图像；训练Stable Diffusion模型时，在编码器和解码器之间增加交叉注意力层，并使用LoRA作为注意力机制；
4)将剪力墙布局像素图像转换为结构计算模型。
2.根据权利要求1所述的一种应用个性化人工智能助手构建剪力墙布局设计的方法，其特征在于：所述Stable Diffusion模型包括VAE、文本编码器、图像解码器和图像信息生成器；VAE将建筑像素图映射到隐空间得到一个纯噪声向量；文本编码器将文本描述“高层剪力墙布局设计”转换为语义向量；将纯噪声向量与语义向量拼接起来作为条件向量；图像信息生成器使用降噪U-Net网络和采样器算法在隐空间中进行扩散过程，通过扩散过程逐步从隐空间向原始空间扩散，从纯噪声向量逐步生成包含语义信息的潜在向量；在每一步扩散中，使用图像解码器根据条件向量和当前的图像状态生成一个去噪函数用于修复图像中的噪声，并使图像更接近目标图像；经过多步扩散后，VAE将潜在向量解码为最终的剪力墙布局像素图像。
3.根据权利要求1所述的一种应用个性化人工智能助手构建剪力墙布局设计的方法，其特征在于：训练Stable Diffusion模型时，利用OpenCV对分别由建筑平面图和剪力墙平面图提取的几何线段进行像素化；将建筑像素图像和结构像素图像作为训练数据集；其中，XML文件用于获取建筑基线的位置和门窗开洞的尺寸；DXF文件用于获取剪力墙的位置。
4.根据权利要求1所述的一种应用个性化人工智能助手构建剪力墙布局设计的方法，其特征在于：步骤3)中，通过多次生成并设置随机数种子，可得到多样化的设计结果。
5.根据权利要求1或4所述的一种应用个性化人工智能助手构建剪力墙布局设计的方法，其特征在于：步骤3)之后，还具有使用PPT对剪力墙布局结果进行微调的步骤。
6.根据权利要求1所述的一种应用个性化人工智能助手构建剪力墙布局设计的方法，其特征在于：步骤4)中，在结构计算软件中对剪力墙布局结果进行微调。
7.根据权利要求1所述的一种应用个性化人工智能助手构建剪力墙布局设计的方法，其特征在于，步骤5)具体包括以下子步骤：
5.1)将剪力墙布局像素图像中的像素分为建筑基线和剪力墙线两类；
5.2)对像素矩阵进行行遍历与列遍历，提取水平和垂直方向的连续像素点；
5.3)对每组连续的像素点进行连通域分析，得到最小外包矩形；
5.4)计算外包矩形沿长度方向的中心轴；
5.5)修剪中心轴；
5.6)根据其相对位置关系，将剪力墙线与建筑基线对齐；
5.7)根据像素与实际尺寸之间的比例尺输出几何线段的坐标，并在结构计算软件中构建模型。
8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令；所述计算机可执行指令被处理器执行时实现权利要求1～7中任意一项所述方法的步骤；所述计算机可执行指令包括前处理程序、Stable Diffusion模型和后处理程序；所述前处理程序用于将建筑CAD图纸转换为生成剪力墙布局设计所需的像素图像；所述后处理程序用于将像素图像转换为结构计算模型。
9.个性化人工智能助手，其特征在于：包括通信连接的客户端和服务端；所述服务端部署有权利要求8所述的计算机可读存储介质；所述客户端用于显示前端界面，通过前端界面接收需求信息，并将需求信息发送至服务端，以及接收服务端发送的结构计算模型。
10.根据权利要求9所述的个性化人工智能助手，其特征在于：还包括工作目录；在整个操作过程中工作目录存储所有的文档和操作日志。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310959659.9A CN116861540A (zh) | 2023-07-31 | 2023-07-31 | 一种构建剪力墙布局设计的个性化人工智能助手的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310959659.9A CN116861540A (zh) | 2023-07-31 | 2023-07-31 | 一种构建剪力墙布局设计的个性化人工智能助手的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116861540A true CN116861540A (zh) | 2023-10-10 |
Family
ID=88230561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310959659.9A Pending CN116861540A (zh) | 2023-07-31 | 2023-07-31 | 一种构建剪力墙布局设计的个性化人工智能助手的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861540A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117351325A (zh) * | 2023-12-06 | 2024-01-05 | 浙江省建筑设计研究院 | 一种模型训练方法、建筑效果图生成方法、设备及介质 |
| CN117351173A (zh) * | 2023-12-06 | 2024-01-05 | 北京飞渡科技股份有限公司 | 一种基于文本驱动的三维建筑参数化建模方法及装置 |
-
2023
- 2023-07-31 CN CN202310959659.9A patent/CN116861540A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117351325A (zh) * | 2023-12-06 | 2024-01-05 | 浙江省建筑设计研究院 | 一种模型训练方法、建筑效果图生成方法、设备及介质 |
| CN117351173A (zh) * | 2023-12-06 | 2024-01-05 | 北京飞渡科技股份有限公司 | 一种基于文本驱动的三维建筑参数化建模方法及装置 |
| CN117351325B (zh) * | 2023-12-06 | 2024-03-01 | 浙江省建筑设计研究院 | 一种模型训练方法、建筑效果图生成方法、设备及介质 |
| CN117351173B (zh) * | 2023-12-06 | 2024-03-19 | 北京飞渡科技股份有限公司 | 一种基于文本驱动的三维建筑参数化建模方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7017640B2 (ja) | データ拡張方策の学習 | |
| CN116861540A (zh) | 一种构建剪力墙布局设计的个性化人工智能助手的方法 | |
| CN109544662B (zh) | 一种基于SRUnet的动漫风格线稿上色方法及*** | |
| Xu et al. | Collaborative virtual geographic environments: A case study of air pollution simulation | |
| CN110795858B (zh) | 家装设计图纸的生成方法和装置 | |
| CN110930306B (zh) | 一种基于非局部感知的深度图超分辨率重建网络构建方法 | |
| CN113343775B (zh) | 一种用于遥感影像地表覆盖分类的深度学习泛化方法 | |
| Shan et al. | Auxiliary use and detail optimization of computer VR technology in landscape design | |
| CN117454495B (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
| CN110349087A (zh) | 基于适应性卷积的rgb-d图像高质量网格生成方法 | |
| CN114491775B (zh) | 一种元宇宙三维建筑模型风格化迁移方法 | |
| US20230289402A1 (en) | Joint perception model training method, joint perception method, device, and storage medium | |
| CN115311555A (zh) | 一种基于批风格混合的遥感影像建筑物提取模型泛化方法 | |
| CN116561879A (zh) | 基于bim的水利工程信息管理***及其方法 | |
| CN114219701A (zh) | 敦煌壁画艺术风格转换方法、***、计算机设备及存储介质 | |
| CN117079651B (zh) | 一种基于大规模语言模型的语音交叉实时增强现实方法 | |
| CN113051637A (zh) | 一种关于公共医疗建筑的bim建模方法 | |
| CN116541943A (zh) | 智能交互式建筑结构设计方法、装置、平台及电子设备 | |
| Hu et al. | Batch modeling of 3d city based on esri cityengine | |
| CN113658046B (zh) | 基于特征分离的超分辨率图像生成方法、装置、设备和介质 | |
| CN115730363A (zh) | 基于神经网络的套内布局辅助设计方法、装置、设备 | |
| Lee | Automatically generating textured buildings using reconstructive and statistical methods | |
| DE102022119558A1 (de) | Generieren von Schatten für Digitalobjekte innerhalb von Digitalbildern unter Einsatz einer Höhenkarte | |
| Fallacara et al. | AI-driven image generation for enhancing design in digital fabrication: urban furnishings in historic city centres | |
| CN117689833A (zh) | 基于规则建模的城市三维模型构建方法、***及介质 |
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 |