物理增強智能設計概述

　　保證結構的力學性能是智能化建筑結構設計的關鍵內容。但是，人工智能現在真的可以根據結構力學性能進行相應設計嗎？目前來看，還是有些難度的。

　　所以，我們想要給人工智能灌輸一些力學知識。在此，為大家推薦疊加了物理機制Buff的剪力墻結構智能化設計方法，StructGAN-PHY。

　　在StructGAN（詳見：揭秘人工智能設計剪力墻結構的科學原理 | 新論文：基于生成對抗網絡的剪力墻結構設計方法）和StructGAN-TXT（詳見：糟糕！結構高度從50m改為100m了。AI：5秒完成新結構方案 | 發明專利：融合文本和圖像數據的建筑結構AI設計方法）發布后，相關工作收到了很多改進建議，其中大家最關心的主要是結構力學性能計算問題。之前發布的方法為典型的數據驅動方法，其設計效果較多依賴于數據質量，當數據量不足或數據質量不高時，數據驅動方法就顯得力不從心了。因此，團隊提出在基于數據的訓練基礎上，引入力學性能的計算，讓生成算法同時學習數據規律和力學機制。新算法的神經網絡架構如圖1所示。

　　　　圖1 面向智能設計的物理增強生成對抗網絡

　　與數據驅動算法的典型設計效果對比如圖2所示。可以看到，新算法的設計性能更穩定，與工程師設計較為接近，并且也是1 分鐘之內完成設計。力學機制可以幫助StructGAN-PHY給出更好的設計結果。

　　圖2 物理增強智能化結構設計的效果

　　物理增強生成對抗網絡

　　其實，在引入物理機制到神經網絡中時，我們遇到了一個很關鍵的難題，那就是神經網絡的計算機制與力學性能的計算機制不匹配。這將導致：結構力學性能的計算結果，無法通過損失函數的梯度計算與反向傳播，指導生成神經網絡模型的更新與學習（圖3）。總結下來就是：直接引入物理機制失敗。因此，針對該難題，我們提出了3個較為關鍵的技術。

　　圖3 引入物理機制的關鍵難題

　　2.1 關鍵方法1：力學計算增強的生成對抗網絡模型

　　新網絡架構如圖1所示。其中生成網絡與判別網絡和以前一樣，而引入的力學性能評估器則是一個基于深度神經網絡的代理模型，可根據結構平面設計布置，估算其力學性能。這樣，將力學性能評估神經網絡嵌入原本的生成對抗網絡，由于其計算機制一致，便可以有效的指導生成網絡的訓練了。當然，為了更好的實現數據-物理耦合驅動，我們還提出了圖4所示的分階段訓練機制。

　　圖4 數據-物理耦合的分階段訓練機制

　　2.2 關鍵方法2：力學性能計算器

　　那么有個小問題，力學性能評估器怎么擁有力學性能評估的能力呢？當然首先要進行結構的力學性能計算啊。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較好的積累。利用多自由度彎剪耦合模型，可以根據結構平面布置快速計算結構力學響應，這個模塊就叫力學性能計算器（圖5）。這樣就可以根據AI設計的結構方案，用力學性能計算器計算出它的層間位移角是多少。（當然，本文是用層間位移角來舉例說明，其他結構力學控制指標也可以用類似方法來分析）。

　　圖5 力學性能計算器工作機制

　　2.3 關鍵方法3：基于深度神經網絡的力學性能評估器

　　在物理增強生成對抗網絡工作時，生成網絡不斷的設計大量結構模型，一共設計了約4.4萬個結構模型。然后力學性能計算器算出這4.4萬個模型的層間位移角，用于力學性能評估器進行訓練。為了讓力學性能評估器和神經網絡優化機制無縫銜接，我們用深度神經網絡來構造代理模型預測層間位移角。我們對比了不同神經網絡性能，找到了一個最合適的神經網絡ResNet18。這個神經網絡預測的層間位移角，和力學分析模型預測結果相比，誤差只有約15%（圖6）。于是我們就可以用ResNet18去擔任力學性能評估器。

　　圖6 基于深度神經網絡的力學性能評估器

　　利用ResNet18網絡代替力學模型就可以和GAN神經網絡協同工作

　　典型案例

　　采用該方法，我們對多個建筑設計進行了案例的應用驗證，部分典型的平面結果如圖2所示。隨后，采用我們提出的像素圖到矢量的自動轉化方法，以及對應的基于ETABS API的二次開發，完成結構計算模型構建，并開展了相應分析，結果如圖7所示。

　　案例表明，相比于數據驅動，物理增強的設計與工程師設計更接近，且相對更合理，力學分析也表明物理增強設計可以滿足規范要求。

　　案例（8度98m）

　　圖7 典型案例力學性能分析結果

　　以上分析也可以看出人工智能設計的有趣之處：結構工程師早年是不懂力學的（比如我們的祖師爺魯班），當時的結構設計大量基于工程經驗，雖然可行，但是效果不夠好。而自從伽利略、牛頓等發明力學后，結構設計就走上了一條飛速發展的道路。AI結構設計也正在經歷人類學習結構設計的類似過程。無論是此前提出的StructGAN還是StructGAN-TXT，他們都沒有力學計算的加持，設計效果依賴已有的訓練數據，可能會因為數據質量而導致設計效果不夠好。而當AI有了力學計算的支撐后，就可以降低數據的需求量并提升設計效果。

　　總結

　　本次工作提出了一種物理增強的剪力墻結構智能化生成式設計方法。在常規生成對抗網絡模型架構中，引入物理性能評估網絡，通過對結構設計的力學性能評估，有效的引導生成網絡學習結構設計中隱式力學機理。基于該方法，在缺乏相應結構設計數據時，物理增強方法仍舊可以有效完成訓練；對于數據量較少的情況時，物理增強方法可以有效提升設計結果的力學性能。

　　致謝

　　感謝蘇黎世聯邦理工學院（ETH）張娛同學、北京科技大學田源老師、清華大學紀曉東老師、程禹皓等同學對相關工作的指導。

　　像素圖到矢量的自動轉化方法已開源： https://github.com/wenjie-liao/StructGAN-PHY