清华大学学报(自然科学版)

作者：刘元鑫, 廖文杰, 林元庆, 解琳琳, 陆新征

单位：1. 清华大学 土木工程系, 北京 100084;<br>2. 山东建业工程科技有限公司, 临沂 276000;<br>3. 北京建筑大学 大型多功能振动台阵实验室, 北京 100044;<br>4. 中国核电工程有限公司 郑州分公司, 郑州 450052

关键词：结构设计,智能设计,数据特征,生成对抗网络,剪力墙结构

基金：北京建筑大学大型多功能振动台阵实验室开放研究专项基金资助项目(2022MFSTL08);中国博士后科学基金资助项目(2022M721879);腾讯基金会(科学探索奖),清华大学“水木学者”计划项目(2022SM005)

深度学习通过提取和学习剪力墙结构数据高维特征掌握智能设计技术,有效推动了建筑结构智能化设计的发展。数据驱动的结构智能设计通常受训练数据的数量和分布特征影响,但鲜有研究开展数据特征相关分析。该文通过收集设计习惯相似且地域相近的剪力墙建筑-结构设计图纸数据,开展了数据分布和数量特征与设计结果的相关性分析;提出混合数据训练联合特征分组训练的两阶段改进训练方法,有效提升了智能设计质量;采用与训练数据高度非同源的其他地区数据对研究结果进行了测试与检验。分析表明：数据低维特征的回归分析难以有效指导设计生成,而基于深度学习的高维特征学习则能有效掌握结构设计的潜在规律;随着训练数据量增加,智能设计效果也将得到平均20%以上的提升。通过典型案例研究证明：智能设计与工程师设计的平面设计相似性及整体结构力学性能相似性均较高,最大层间位移角的平均差异仅约8%。但是,当测试数据与训练数据特征差异过于显著时,智能设计质量将会受限。该研究通过对数据分布和数量特征与智能设计结果的相关性分析,为下一步开展基于深度学习的智能化结构设计研究提供了数据特征影响方面的参考。

来源：2023年第12期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2023年第12期