物理增強(qiáng)智能設(shè)計(jì)概述

　　保證結(jié)構(gòu)的力學(xué)性能是智能化建筑結(jié)構(gòu)設(shè)計(jì)的關(guān)鍵內(nèi)容。但是，人工智能現(xiàn)在真的可以根據(jù)結(jié)構(gòu)力學(xué)性能進(jìn)行相應(yīng)設(shè)計(jì)嗎？目前來(lái)看，還是有些難度的。

　　所以，我們想要給人工智能灌輸一些力學(xué)知識(shí)。在此，為大家推薦疊加了物理機(jī)制Buff的剪力墻結(jié)構(gòu)智能化設(shè)計(jì)方法，StructGAN-PHY。

　　在StructGAN（詳見(jiàn)：揭秘人工智能設(shè)計(jì)剪力墻結(jié)構(gòu)的科學(xué)原理 | 新論文：基于生成對(duì)抗網(wǎng)絡(luò)的剪力墻結(jié)構(gòu)設(shè)計(jì)方法）和StructGAN-TXT（詳見(jiàn)：糟糕！結(jié)構(gòu)高度從50m改為100m了。AI：5秒完成新結(jié)構(gòu)方案 | 發(fā)明專利：融合文本和圖像數(shù)據(jù)的建筑結(jié)構(gòu)AI設(shè)計(jì)方法）發(fā)布后，相關(guān)工作收到了很多改進(jìn)建議，其中大家最關(guān)心的主要是結(jié)構(gòu)力學(xué)性能計(jì)算問(wèn)題。之前發(fā)布的方法為典型的數(shù)據(jù)驅(qū)動(dòng)方法，其設(shè)計(jì)效果較多依賴于數(shù)據(jù)質(zhì)量，當(dāng)數(shù)據(jù)量不足或數(shù)據(jù)質(zhì)量不高時(shí)，數(shù)據(jù)驅(qū)動(dòng)方法就顯得力不從心了。因此，團(tuán)隊(duì)提出在基于數(shù)據(jù)的訓(xùn)練基礎(chǔ)上，引入力學(xué)性能的計(jì)算，讓生成算法同時(shí)學(xué)習(xí)數(shù)據(jù)規(guī)律和力學(xué)機(jī)制。新算法的神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖1所示。

　　　　圖1 面向智能設(shè)計(jì)的物理增強(qiáng)生成對(duì)抗網(wǎng)絡(luò)

　　與數(shù)據(jù)驅(qū)動(dòng)算法的典型設(shè)計(jì)效果對(duì)比如圖2所示。可以看到，新算法的設(shè)計(jì)性能更穩(wěn)定，與工程師設(shè)計(jì)較為接近，并且也是1 分鐘之內(nèi)完成設(shè)計(jì)。力學(xué)機(jī)制可以幫助StructGAN-PHY給出更好的設(shè)計(jì)結(jié)果。

　　圖2 物理增強(qiáng)智能化結(jié)構(gòu)設(shè)計(jì)的效果

　　物理增強(qiáng)生成對(duì)抗網(wǎng)絡(luò)

　　其實(shí)，在引入物理機(jī)制到神經(jīng)網(wǎng)絡(luò)中時(shí)，我們遇到了一個(gè)很關(guān)鍵的難題，那就是神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)制與力學(xué)性能的計(jì)算機(jī)制不匹配。這將導(dǎo)致：結(jié)構(gòu)力學(xué)性能的計(jì)算結(jié)果，無(wú)法通過(guò)損失函數(shù)的梯度計(jì)算與反向傳播，指導(dǎo)生成神經(jīng)網(wǎng)絡(luò)模型的更新與學(xué)習(xí)（圖3）?？偨Y(jié)下來(lái)就是：直接引入物理機(jī)制失敗。因此，針對(duì)該難題，我們提出了3個(gè)較為關(guān)鍵的技術(shù)。

　　圖3 引入物理機(jī)制的關(guān)鍵難題

　　2.1 關(guān)鍵方法1：力學(xué)計(jì)算增強(qiáng)的生成對(duì)抗網(wǎng)絡(luò)模型

　　新網(wǎng)絡(luò)架構(gòu)如圖1所示。其中生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)和以前一樣，而引入的力學(xué)性能評(píng)估器則是一個(gè)基于深度神經(jīng)網(wǎng)絡(luò)的代理模型，可根據(jù)結(jié)構(gòu)平面設(shè)計(jì)布置，估算其力學(xué)性能。這樣，將力學(xué)性能評(píng)估神經(jīng)網(wǎng)絡(luò)嵌入原本的生成對(duì)抗網(wǎng)絡(luò)，由于其計(jì)算機(jī)制一致，便可以有效的指導(dǎo)生成網(wǎng)絡(luò)的訓(xùn)練了。當(dāng)然，為了更好的實(shí)現(xiàn)數(shù)據(jù)-物理耦合驅(qū)動(dòng)，我們還提出了圖4所示的分階段訓(xùn)練機(jī)制。

　　圖4 數(shù)據(jù)-物理耦合的分階段訓(xùn)練機(jī)制

　　2.2 關(guān)鍵方法2：力學(xué)性能計(jì)算器

　　那么有個(gè)小問(wèn)題，力學(xué)性能評(píng)估器怎么擁有力學(xué)性能評(píng)估的能力呢？當(dāng)然首先要進(jìn)行結(jié)構(gòu)的力學(xué)性能計(jì)算啊。我們課題組此前在高層建筑的多自由度彎剪耦合模型方面有過(guò)較好的積累。利用多自由度彎剪耦合模型，可以根據(jù)結(jié)構(gòu)平面布置快速計(jì)算結(jié)構(gòu)力學(xué)響應(yīng)，這個(gè)模塊就叫力學(xué)性能計(jì)算器（圖5）。這樣就可以根據(jù)AI設(shè)計(jì)的結(jié)構(gòu)方案，用力學(xué)性能計(jì)算器計(jì)算出它的層間位移角是多少。（當(dāng)然，本文是用層間位移角來(lái)舉例說(shuō)明，其他結(jié)構(gòu)力學(xué)控制指標(biāo)也可以用類似方法來(lái)分析）。

　　圖5 力學(xué)性能計(jì)算器工作機(jī)制

　　2.3 關(guān)鍵方法3：基于深度神經(jīng)網(wǎng)絡(luò)的力學(xué)性能評(píng)估器

　　在物理增強(qiáng)生成對(duì)抗網(wǎng)絡(luò)工作時(shí)，生成網(wǎng)絡(luò)不斷的設(shè)計(jì)大量結(jié)構(gòu)模型，一共設(shè)計(jì)了約4.4萬(wàn)個(gè)結(jié)構(gòu)模型。然后力學(xué)性能計(jì)算器算出這4.4萬(wàn)個(gè)模型的層間位移角，用于力學(xué)性能評(píng)估器進(jìn)行訓(xùn)練。為了讓力學(xué)性能評(píng)估器和神經(jīng)網(wǎng)絡(luò)優(yōu)化機(jī)制無(wú)縫銜接，我們用深度神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)造代理模型預(yù)測(cè)層間位移角。我們對(duì)比了不同神經(jīng)網(wǎng)絡(luò)性能，找到了一個(gè)最合適的神經(jīng)網(wǎng)絡(luò)ResNet18。這個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的層間位移角，和力學(xué)分析模型預(yù)測(cè)結(jié)果相比，誤差只有約15%（圖6）。于是我們就可以用ResNet18去擔(dān)任力學(xué)性能評(píng)估器。

　　圖6 基于深度神經(jīng)網(wǎng)絡(luò)的力學(xué)性能評(píng)估器

　　利用ResNet18網(wǎng)絡(luò)代替力學(xué)模型就可以和GAN神經(jīng)網(wǎng)絡(luò)協(xié)同工作

　　典型案例

　　采用該方法，我們對(duì)多個(gè)建筑設(shè)計(jì)進(jìn)行了案例的應(yīng)用驗(yàn)證，部分典型的平面結(jié)果如圖2所示。隨后，采用我們提出的像素圖到矢量的自動(dòng)轉(zhuǎn)化方法，以及對(duì)應(yīng)的基于ETABS API的二次開(kāi)發(fā)，完成結(jié)構(gòu)計(jì)算模型構(gòu)建，并開(kāi)展了相應(yīng)分析，結(jié)果如圖7所示。

　　案例表明，相比于數(shù)據(jù)驅(qū)動(dòng)，物理增強(qiáng)的設(shè)計(jì)與工程師設(shè)計(jì)更接近，且相對(duì)更合理，力學(xué)分析也表明物理增強(qiáng)設(shè)計(jì)可以滿足規(guī)范要求。

　　案例（8度98m）

　　圖7 典型案例力學(xué)性能分析結(jié)果

　　以上分析也可以看出人工智能設(shè)計(jì)的有趣之處：結(jié)構(gòu)工程師早年是不懂力學(xué)的（比如我們的祖師爺魯班），當(dāng)時(shí)的結(jié)構(gòu)設(shè)計(jì)大量基于工程經(jīng)驗(yàn)，雖然可行，但是效果不夠好。而自從伽利略、牛頓等發(fā)明力學(xué)后，結(jié)構(gòu)設(shè)計(jì)就走上了一條飛速發(fā)展的道路。AI結(jié)構(gòu)設(shè)計(jì)也正在經(jīng)歷人類學(xué)習(xí)結(jié)構(gòu)設(shè)計(jì)的類似過(guò)程。無(wú)論是此前提出的StructGAN還是StructGAN-TXT，他們都沒(méi)有力學(xué)計(jì)算的加持，設(shè)計(jì)效果依賴已有的訓(xùn)練數(shù)據(jù)，可能會(huì)因?yàn)閿?shù)據(jù)質(zhì)量而導(dǎo)致設(shè)計(jì)效果不夠好。而當(dāng)AI有了力學(xué)計(jì)算的支撐后，就可以降低數(shù)據(jù)的需求量并提升設(shè)計(jì)效果。

　　總結(jié)

　　本次工作提出了一種物理增強(qiáng)的剪力墻結(jié)構(gòu)智能化生成式設(shè)計(jì)方法。在常規(guī)生成對(duì)抗網(wǎng)絡(luò)模型架構(gòu)中，引入物理性能評(píng)估網(wǎng)絡(luò)，通過(guò)對(duì)結(jié)構(gòu)設(shè)計(jì)的力學(xué)性能評(píng)估，有效的引導(dǎo)生成網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)設(shè)計(jì)中隱式力學(xué)機(jī)理?；谠摲椒ǎ谌狈ο鄳?yīng)結(jié)構(gòu)設(shè)計(jì)數(shù)據(jù)時(shí)，物理增強(qiáng)方法仍舊可以有效完成訓(xùn)練；對(duì)于數(shù)據(jù)量較少的情況時(shí)，物理增強(qiáng)方法可以有效提升設(shè)計(jì)結(jié)果的力學(xué)性能。

　　致謝

　　感謝蘇黎世聯(lián)邦理工學(xué)院（ETH）張娛同學(xué)、北京科技大學(xué)田源老師、清華大學(xué)紀(jì)曉東老師、程禹皓等同學(xué)對(duì)相關(guān)工作的指導(dǎo)。

　　像素圖到矢量的自動(dòng)轉(zhuǎn)化方法已開(kāi)源： https://github.com/wenjie-liao/StructGAN-PHY