物理增強智能設(shè)計概述

　　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)性能進行相應(yīng)設(shè)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(xué)知識。在此，為大家推薦疊加了物理機制Buff的剪力墻結(jié)構(gòu)智能化設(shè)計方法，StructGAN-PHY。

　　在StructGAN（詳見：揭秘人工智能設(shè)計剪力墻結(jié)構(gòu)的科學(xué)原理 | 新論文：基于生成對抗網(wǎng)絡(luò)的剪力墻結(jié)構(gòu)設(shè)計方法）和StructGAN-TXT（詳見：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)計方法）發(fā)布后，相關(guān)工作收到了很多改進建議，其中大家最關(guān)心的主要是結(jié)構(gòu)力學(xué)性能計算問題。之前發(fā)布的方法為典型的數(shù)據(jù)驅(qū)動方法，其設(shè)計效果較多依賴于數(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，數(shù)據(jù)驅(qū)動方法就顯得力不從心了。因此，團隊提出在基于數(shù)據(jù)的訓(xùn)練基礎(chǔ)上，引入力學(xué)性能的計算，讓生成算法同時學(xué)習(xí)數(shù)據(jù)規(guī)律和力學(xué)機制。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)計的物理增強生成對抗網(wǎng)絡(luò)

　　與數(shù)據(jù)驅(qū)動算法的典型設(shè)計效果對比如圖2所示?？梢钥吹?，新算法的設(shè)計性能更穩(wěn)定，與工程師設(shè)計較為接近，并且也是1 分鐘之內(nèi)完成設(shè)計。力學(xué)機制可以幫助StructGAN-PHY給出更好的設(shè)計結(jié)果。

　　圖2 物理增強智能化結(jié)構(gòu)設(shè)計的效果

　　物理增強生成對抗網(wǎng)絡(luò)

　　其實，在引入物理機制到神經(jīng)網(wǎng)絡(luò)中時，我們遇到了一個很關(guān)鍵的難題，那就是神經(jīng)網(wǎng)絡(luò)的計算機制與力學(xué)性能的計算機制不匹配。這將導(dǎo)致：結(jié)構(gòu)力學(xué)性能的計算結(jié)果，無法通過損失函數(shù)的梯度計算與反向傳播，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(guān)鍵的技術(shù)。

　　圖3 引入物理機制的關(guān)鍵難題

　　2.1 關(guān)鍵方法1：力學(xué)計算增強的生成對抗網(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)性能評估器則是一個基于深度神經(jīng)網(wǎng)絡(luò)的代理模型，可根據(jù)結(jié)構(gòu)平面設(shè)計布置，估算其力學(xué)性能。這樣，將力學(xué)性能評估神經(jīng)網(wǎng)絡(luò)嵌入原本的生成對抗網(wǎng)絡(luò)，由于其計算機制一致，便可以有效的指導(dǎo)生成網(wǎng)絡(luò)的訓(xùn)練了。當(dāng)然，為了更好的實現(xiàn)數(shù)據(jù)-物理耦合驅(qū)動，我們還提出了圖4所示的分階段訓(xùn)練機制。

　　圖4 數(shù)據(jù)-物理耦合的分階段訓(xùn)練機制

　　2.2 關(guān)鍵方法2：力學(xué)性能計算器

　　那么有個小問題，力學(xué)性能評估器怎么擁有力學(xué)性能評估的能力呢？當(dāng)然首先要進行結(jié)構(gòu)的力學(xué)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(jù)結(jié)構(gòu)平面布置快速計算結(jié)構(gòu)力學(xué)響應(yīng)，這個模塊就叫力學(xué)性能計算器（圖5）。這樣就可以根據(jù)AI設(shè)計的結(jié)構(gòu)方案，用力學(xué)性能計算器計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舉例說明，其他結(jié)構(gòu)力學(xué)控制指標(biāo)也可以用類似方法來分析）。

　　圖5 力學(xué)性能計算器工作機制

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

　　在物理增強生成對抗網(wǎng)絡(luò)工作時，生成網(wǎng)絡(luò)不斷的設(shè)計大量結(jié)構(gòu)模型，一共設(shè)計了約4.4萬個結(jié)構(gòu)模型。然后力學(xué)性能計算器算出這4.4萬個模型的層間位移角，用于力學(xué)性能評估器進行訓(xùn)練。為了讓力學(xué)性能評估器和神經(jīng)網(wǎng)絡(luò)優(yōu)化機制無縫銜接，我們用深度神經(jīng)網(wǎng)絡(luò)來構(gòu)造代理模型預(yù)測層間位移角。我們對比了不同神經(jīng)網(wǎng)絡(luò)性能，找到了一個最合適的神經(jīng)網(wǎng)絡(luò)ResNet18。這個神經(jīng)網(wǎng)絡(luò)預(yù)測的層間位移角，和力學(xué)分析模型預(yù)測結(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)性能評估器。

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

　　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，我們對多個建筑設(shè)計進行了案例的應(yīng)用驗證，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轉(zhuǎn)化方法，以及對應(yīng)的基于ETABS API的二次開發(fā)，完成結(jié)構(gòu)計算模型構(gòu)建，并開展了相應(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，物理增強的設(shè)計與工程師設(shè)計更接近，且相對更合理，力學(xué)分析也表明物理增強設(shè)計可以滿足規(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)時的結(jié)構(gòu)設(shè)計大量基于工程經(jīng)驗，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)計就走上了一條飛速發(fā)展的道路。AI結(jié)構(gòu)設(shè)計也正在經(jīng)歷人類學(xué)習(xí)結(jié)構(gòu)設(shè)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(xué)計算的加持，設(shè)計效果依賴已有的訓(xùn)練數(shù)據(jù)，可能會因為數(shù)據(jù)質(zhì)量而導(dǎo)致設(shè)計效果不夠好。而當(dāng)AI有了力學(xué)計算的支撐后，就可以降低數(shù)據(jù)的需求量并提升設(shè)計效果。

　　總結(jié)

　　本次工作提出了一種物理增強的剪力墻結(jié)構(gòu)智能化生成式設(shè)計方法。在常規(guī)生成對抗網(wǎng)絡(luò)模型架構(gòu)中，引入物理性能評估網(wǎng)絡(luò)，通過對結(jié)構(gòu)設(shè)計的力學(xué)性能評估，有效的引導(dǎo)生成網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)設(shè)計中隱式力學(xué)機理?；谠摲椒?，在缺乏相應(yīng)結(jié)構(gòu)設(shè)計數(shù)據(jù)時，物理增強方法仍舊可以有效完成訓(xùn)練；對于數(shù)據(jù)量較少的情況時，物理增強方法可以有效提升設(shè)計結(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)對相關(guān)工作的指導(dǎo)。

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