(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210444464.6 (22)申请日 2022.04.25 (71)申请人 清华大学 地址 100084 北京市海淀区双清路3 0号清 华大学清华园北京 100084-82信箱 (72)发明人 陆新征　费一凡　廖文杰　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 周淑娟 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01) G06F 119/14(2020.01) (54)发明名称 基于联合结构优化神经网络的建筑结构设 计方法和装置 (57)摘要 本发明涉及一种基于联合结构优化神经网 络的建筑结构设计方法和装置， 包括： 获取目标 建筑结构的设计条件； 将所述设计条件代入预先 构建的建筑结构设计方案生 成模型中， 得到目标 建筑结构 的设计方案； 其中， 建筑结构设计方案 生成模型， 是在建筑结构优化器的协助下构建 的。 建筑结构优化器， 是可用于对建筑结构 的设 计方案进行优化， 输出建筑结构的优化设计方案 及其对应的指定目标性能的优化模 型。 本发明一 方面利用建筑结构优化器， 提高建筑结构设计方 案生成神经网络训练集的规模和质量， 另一方面 利用指定目标性能评估神经网络对设计方案特 征张量的指定目标性能评估能力， 优化建筑结构 设计方案生成神经网络； 从而实现快速、 可靠地 建筑结构智能化设计 。 权利要求书3页 说明书15页 附图3页 CN 114741766 A 2022.07.12 CN 114741766 A 1.一种基于联合结构优化神经网络的建筑结构设计方法， 其特 征在于， 所述方法包括： 获取目标建筑结构的设计条件； 将所述设计条件代入预先构建的建筑结构设计方案生成模型中， 得到目标建筑结构的 设计方案； 其中， 所述建筑结构设计方案生成模型， 是在建筑结构优化器的协助下构建的； 所述建筑结构优化器， 是基于指定目标、 建筑设计经验规则和优化算法生成的， 可用于 对建筑结构的设计方案进 行优化， 输出建筑结构的优化设计方案及其对应的指 定目标性能 的优化模型。 2.根据权利要求1所述的基于联合结构优化神经网络的建筑结构设计方法， 其特征在 于， 当所述设计条件由结构布置图和自然环境因素构成时， 所述设计方案为构件截面尺寸 设计方案； 当所述设计条件由建筑设计图和自然环境因素构 成时， 所述设计方案为构件布置设计 方案； 其中， 所述自然环境因素， 包括： 地震影响系数、 风力影响系数、 结构总高度和标准层特 征高度。 3.根据权利要求1或2所述的基于联合结构优化神经网络的建筑结构设计方法， 其特征 在于， 所述建筑结构设计方案生成模型， 包括： 前处理器、 后处理器和建筑结构设计方案生 成神经网络； 所述将所述设计条件代入预先构建的建筑结构设计方案生成模型中， 得到目 标建筑结构的设计方案， 包括： 基于前处 理器， 将所述设计条件处 理为设计条件特 征张量； 将所述设计条件特征张量输入至所述建筑结构设计方案生成神经网络， 得到所述建筑 结构设计方案生成神经网络 输出的设计方案特 征张量； 基于后处理器， 将所述设计方案特征张量转换为设计方案， 并将转换后的设计方案作 为目标建筑结构的设计方案 。 4.根据权利要求3所述的基于联合结构优化神经网络的建筑结构设计方法， 其特征在 于， 所述建筑结构设计方案生成模型， 还包括： 指定目标性能评估神经网络； 所述建筑结构 设计方案生成神经网络的构建过程， 包括： 步骤1： 从工程案例中收集建筑结构的设计条件和设计方案， 将建筑结构的设计条件和 设计方案分别转换为建筑结构的设计条件特征张量和设计方案特征张量， 并构建以建筑结 构的设计条件特 征张量‑设计方案特 征张量为样本的基础数据集； 步骤2： 以建筑结构的设计条件特征张量为初始神经网络的输入， 以建筑结构的设计方 案特征张量为初始神经网络的输出， 利用基础数据集训练所述初始神经网络直至其损失函 数稳定； 步骤3： 采集所述初始神经网络损失函数稳定前最后k轮迭代输入的建筑结构的设计条 件特征张量及其对应的所述初始神经网络输出的建筑结构设计方案特征张量， 并以其组成 的建筑结构的设计条件特征张量 ‑设计方案特征张量为样本扩充基础数据集， 得到增广数 据集； 步骤4： 基于增广 数据集和所述建筑结构优化器， 构建结构优化数据集和结构评估数据 集； 其中， 所述结构优化数据集是以建筑结构的设计条件特征张量 ‑优化设计方案特征张量权　利　要　求　书 1/3 页 2 CN 114741766 A 2为样本的， 所述结构评估数据集是以建筑结构的设计方案特征张量 ‑优化设计方案特征张 量对应的指定目标性能特征张量为样本的； 所述优化设计方案特征张量， 是设计方案特征 张量经所述建筑结构优化器优化后的结果； 步骤5： 利用结构评估数据集训练所述指定目标性能评估神经网络， 利用所述结构优化 数据集对所述初始神经网络进 行再训练， 并将再训练阶段所述初始神经网络输出的建筑结 构的设计方案特征张量输入到所述指 定目标性能评估神经网络， 得到相应的指 定目标性能 特征张量； 步骤6： 若基于所述指定目标性能特征张量判定所述初始神经网络相较于之前一轮迭 代的优化效果小于预期， 则结束训练并将得到的所述初始神经网络作为所述建筑结构设计 方案生成神经网络； 否则， 利用所述初始神经网络 自身的损失与所述指定目标性能特征张 量的加权和优化所述初始神经网络的参数， 直至所述初始神经网络的损失函数稳定， 并返 回步骤3。 5.根据权利要求4所述的基于联合结构优化神经网络的建筑结构设计方法， 其特征在 于， 所述建筑结构优化器的构建过程， 包括： 设定所述建筑结构优化器的优化对象、 优化输出、 优化目标和优化 算法； 根据建筑设计经验规则对所述优化对象中的构件进行分组， 并设定各组构件需要满足 的约束； 基于设定的所述优化对象、 所述优化输出、 所述优化目标、 所述优化算法和所述约束， 构建所述建筑结构优化器； 其中， 所述优化对象， 为建筑结构的设计方案特 征张量对应的结构分析模型； 所述优化目标， 为所述指定目标； 所述优化输出， 为建筑结构的优化设计方案及其对应的指定目标性能。 6.根据权利要求5所述的基于联合结构优化神经网络的建筑结构设计方法， 其特征在 于， 所述指定目标， 包括： 材 料成本最小化目标和碳 排放量最小化目标； 所述优化 算法， 包括： 遗传算法、 禁忌搜索算法、 模拟退火算法和粒子群算法； 所述建筑设计经验规则， 包括： 对称性 规则和可施工性 规则； 所述约束， 包括： 平面布置规则性约束、 竖向布置规则性约束、 承载力约束、 刚度约束和 稳定性约束； 其中， 所述平面布置规则性约束， 包括： 扭转周期比约束、 偶然偏心地震作用下的位移 比约束和偶然偏心地震作用下的层间位移比约束； 所述竖向布置规则性约束， 包括： 楼层质量比约束、 楼层侧向刚度比约束和楼层抗剪承 载力比约束； 所述承载力约束， 包括： 剪 重比约束； 所述刚度约束， 包括： 水平力作用下的层间位移角约束； 所述稳定性约束， 包括： 刚重比约束。 7.根据权利要求4所述的基于联合结构优化神经网络的建筑结构设计方法， 其特征在 于， 所述步骤4， 包括： 对于增广 数据集的每一个样本， 确定样本中建筑结构的设计方案特征张量对应的结构 分析模型；权　利　要　求　书 2/3 页 3 CN 114741766 A 3