基于AI的物理增强智能设计方案

　　物理增强智能设计概述

　　保证结构的力学性能是智能化建筑结构设计的关键内容。但是，人工智能现在真的可以根据结构力学性能进行相应设计吗？目前来看，还是有些难度的。

 

 

　　所以，我们想要给人工智能灌输一些力学知识。在此，为大家推荐叠加了物理机制Buff的剪力墙结构智能化设计方法，StructGAN-PHY。

　　在StructGAN（详见：揭秘人工智能设计剪力墙结构的科学原理 | 新论文：基于生成对抗网络的剪力墙结构设计方法）和StructGAN-TXT（详见：糟糕！结构高度从50m改为100m了。AI：5秒完成新结构方案 | 发明专利：融合文本和图像数据的建筑结构AI设计方法）发布后，相关工作收到了很多改进建议，其中大家最关心的主要是结构力学性能计算问题。之前发布的方法为典型的数据驱动方法，其设计效果较多依赖于数据质量，当数据量不足或数据质量不高时，数据驱动方法就显得力不从心了。因此，团队提出在基于数据的训练基础上，引入力学性能的计算，让生成算法同时学习数据规律和力学机制。新算法的神经网络架构如图1所示。

 

 

　　　　图1 面向智能设计的物理增强生成对抗网络

　　与数据驱动算法的典型设计效果对比如图2所示。可以看到，新算法的设计性能更稳定，与工程师设计较为接近，并且也是1 分钟之内完成设计。力学机制可以帮助StructGAN-PHY给出更好的设计结果。

 

   

 

　　图2 物理增强智能化结构设计的效果

　　物理增强生成对抗网络

　　其实，在引入物理机制到神经网络中时，我们遇到了一个很关键的难题，那就是神经网络的计算机制与力学性能的计算机制不匹配。这将导致：结构力学性能的计算结果，无法通过损失函数的梯度计算与反向传播，指导生成神经网络模型的更新与学习（图3）。总结下来就是：直接引入物理机制失败。因此，针对该难题，我们提出了3个较为关键的技术。

 

 

　　图3 引入物理机制的关键难题

　　2.1 关键方法1：力学计算增强的生成对抗网络模型

　　新网络架构如图1所示。其中生成网络与判别网络和以前一样，而引入的力学性能评估器则是一个基于深度神经网络的代理模型，可根据结构平面设计布置，估算其力学性能。这样，将力学性能评估神经网络嵌入原本的生成对抗网络，由于其计算机制一致，便可以有效的指导生成网络的训练了。当然，为了更好的实现数据-物理耦合驱动，我们还提出了图4所示的分阶段训练机制。

 

 

　　图4 数据-物理耦合的分阶段训练机制

　　2.2 关键方法2：力学性能计算器

　　那么有个小问题，力学性能评估器怎么拥有力学性能评估的能力呢？当然首先要进行结构的力学性能计算啊。我们课题组此前在高层建筑的多自由度弯剪耦合模型方面有过较好的积累。利用多自由度弯剪耦合模型，可以根据结构平面布置快速计算结构力学响应，这个模块就叫力学性能计算器（图5）。这样就可以根据AI设计的结构方案，用力学性能计算器计算出它的层间位移角是多少。（当然，本文是用层间位移角来举例说明，其他结构力学控制指标也可以用类似方法来分析）。

 

 

　　图5 力学性能计算器工作机制

　　2.3 关键方法3：基于深度神经网络的力学性能评估器

　　在物理增强生成对抗网络工作时，生成网络不断的设计大量结构模型，一共设计了约4.4万个结构模型。然后力学性能计算器算出这4.4万个模型的层间位移角，用于力学性能评估器进行训练。为了让力学性能评估器和神经网络优化机制无缝衔接，我们用深度神经网络来构造代理模型预测层间位移角。我们对比了不同神经网络性能，找到了一个最合适的神经网络ResNet18。这个神经网络预测的层间位移角，和力学分析模型预测结果相比，误差只有约15%（图6）。于是我们就可以用ResNet18去担任力学性能评估器。

　　

 

 

　　图6 基于深度神经网络的力学性能评估器

　　利用ResNet18网络代替力学模型就可以和GAN神经网络协同工作

　　典型案例

　　采用该方法，我们对多个建筑设计进行了案例的应用验证，部分典型的平面结果如图2所示。随后，采用我们提出的像素图到矢量的自动转化方法，以及对应的基于ETABS API的二次开发，完成结构计算模型构建，并开展了相应分析，结果如图7所示。

　　案例表明，相比于数据驱动，物理增强的设计与工程师设计更接近，且相对更合理，力学分析也表明物理增强设计可以满足规范要求。

　　案例（8度98m）

　　

 

 

　　图7 典型案例力学性能分析结果

　　以上分析也可以看出人工智能设计的有趣之处：结构工程师早年是不懂力学的（比如我们的祖师爷鲁班），当时的结构设计大量基于工程经验，虽然可行，但是效果不够好。而自从伽利略、牛顿等发明力学后，结构设计就走上了一条飞速发展的道路。AI结构设计也正在经历人类学习结构设计的类似过程。无论是此前提出的StructGAN还是StructGAN-TXT，他们都没有力学计算的加持，设计效果依赖已有的训练数据，可能会因为数据质量而导致设计效果不够好。而当AI有了力学计算的支撑后，就可以降低数据的需求量并提升设计效果。

　　总结

　　本次工作提出了一种物理增强的剪力墙结构智能化生成式设计方法。在常规生成对抗网络模型架构中，引入物理性能评估网络，通过对结构设计的力学性能评估，有效的引导生成网络学习结构设计中隐式力学机理。基于该方法，在缺乏相应结构设计数据时，物理增强方法仍旧可以有效完成训练；对于数据量较少的情况时，物理增强方法可以有效提升设计结果的力学性能。

　　致谢

　　感谢苏黎世联邦理工学院（ETH）张娱同学、北京科技大学田源老师、清华大学纪晓东老师、程禹皓等同学对相关工作的指导。

　　像素图到矢量的自动转化方法已开源： https://github.com/wenjie-liao/StructGAN-PHY