清华团队利用AI技术，提出“智能生成+智能优化”新范式，解决建筑结构设计数据不足难题，实现高效自动化设计。
原文标题：大数据能力提升项目｜学生成果展系列之四
原文作者：数据派THU
冷月清谈：
清华大学大数据能力提升项目的学生团队提出了一种基于“智能生成+智能优化”的建筑结构AI设计方法。该方法旨在解决生成式AI在结构设计领域应用时面临的数据不足问题。传统方法依赖人工设计和标注数据，成本高且效率低。新方法通过将生成式AI与结构优化算法结合，形成正反馈回路。AI生成的初始设计经过优化算法改进，得到高质量的“合成”数据，再用于训练AI模型，从而迭代提升设计质量。
团队开发了一系列核心技术，包括基于GAN的结构生成、基于遗传算法的结构优化、基于GNN的力学性能和材料用量评估。这些技术协同工作，实现了结构设计的自动化和高效化。以高层住宅设计为例，该方法能够有效解决特定抗震设防等级数据不足的问题，并显著提升AI设计的合理性和安全性。
该方法已应用于团队开发的AI结构设计平台(ai-structure.com)，并被多家设计机构用于实际项目。该成果也发表于国际顶尖SCI期刊，并获得多项国际奖项。
团队开发了一系列核心技术，包括基于GAN的结构生成、基于遗传算法的结构优化、基于GNN的力学性能和材料用量评估。这些技术协同工作，实现了结构设计的自动化和高效化。以高层住宅设计为例，该方法能够有效解决特定抗震设防等级数据不足的问题，并显著提升AI设计的合理性和安全性。
该方法已应用于团队开发的AI结构设计平台(ai-structure.com)，并被多家设计机构用于实际项目。该成果也发表于国际顶尖SCI期刊，并获得多项国际奖项。
怜星夜思：
1、这个“智能生成+智能优化”的方案，感觉跟其他领域用GAN生成图片后再人工筛选的思路很像，不知道在实际应用中，这个“智能优化”环节是如何判断设计方案的优劣呢？是根据规范还是其他指标？
2、文章提到了数据不足的问题，感觉在土木工程领域，数据的获取和标注确实比较困难，除了文中提到的方法，还有哪些途径可以解决这个问题呢？
3、这个AI结构设计平台(ai-structure.com)看起来挺有意思的，有人用过吗？实际效果如何？
2、文章提到了数据不足的问题，感觉在土木工程领域，数据的获取和标注确实比较困难，除了文中提到的方法，还有哪些途径可以解决这个问题呢？
3、这个AI结构设计平台(ai-structure.com)看起来挺有意思的，有人用过吗？实际效果如何？
原文内容
导读
为了发挥清华大学多学科优势，搭建跨学科交叉融合平台，创新跨学科交叉培养模式，培养具有大数据思维和应用创新的“π”型人才，由清华大学研究生院、清华大学大数据研究中心及相关院系共同设计组织的“清华大学大数据能力提升项目”开始实施并深受校内师生的认可。项目通过整合建设课程模块，形成了大数据思维与技能、跨界学习、实操应用相结合的大数据课程体系和线上线下混合式教学模式，显著提升了学生大数据分析能力和创新应用能力。
回首2023年，清华大学大数据能力提升项目取得了丰硕的成果，同学们将课程中学到的数据思维和技能成功地应用在本专业的学习和科研中，在看到数据科学魅力的同时，也将自己打造成为了交叉复合型的创新型人才。下面让我们通过来自5个院系的7位同学代表一起领略他们的风采吧！
基于“智能生成+智能
优化”的建筑结构
AI设计方法
土木水利学院 费一凡
1.背景
建筑业是我国重要的国民经济支柱产业，但依然存在发展质量和效益不高的问题，反需转型升级。其中，建筑结构设计行业面临的挑战尤其严峻。首先，结构设计任务是劳动力密集型的、生产效率低，难以满足业主对于出图速度的要求。其次，结构设计的质量在很大程度上依赖于工程师的经验，但由于近年行业下行压力大，设计院的人才流失十分严重。
自 2020 年以来，生成式 AI 的技术发展迅速，其在结构设计领域的应用也不断进步。已有学者（包括我们团队）提出了各种AI算法，例如 StructGAN 和 StructDiffusion 等，有望促进结构设计行业的变革。然而，生成式 AI 的性能在很大程度上依赖于训练数据。与图像和自然语言处理等主流任务相比，结构设计任务的可用数据严重不足，一般只有几百到上千条。基于生成式 AI 进行结构设计的传统工作流如下（图 1）：（1）工程师手动设计结构，也就是打标签；（2）利用人工标注的数据集进行有监督学习，训练 AI；（3）将训练后的 AI 用于智能设计。但是，手动设计非常耗时，导致数据昂贵且稀缺， AI 无法得到充分的训练。
图 1
2.核心技术
对此，我们提出了“智能生成+智能优化”的新范式。新的工作流充分利用了生成式 AI 和结构优化的协同作用，将大数据技术与土木工程技术相结合。在传统工作流的基础上， AI 生成的结构设计（往往存在缺陷）被结构优化算法进一步改进，直到接近工程师手动设计的高质量。这些高质量的“合成”数据被加入数据集中，从而扩充训练数据。随后，使用扩充的数据集选代重复 AI 的训练和设计过程，从而建立正反绩回路（图 2）。
图 2
为了实现这一范式，我们提出了系列核心技术：①基于 GAN 的建筑结构智能生成方法，通过构建一个可微的设计规则评估器并改造 GAN 的损失函数，使模型既能够从数据集中学习到设计经验，又能够较好地满足设计规则；②基于遗传算法的建筑结构智能优化方法，通过新的设计空间表征方式和参数化建模技术，实现了建筑结构的高质量自动优化；③基于 GNN 的建筑结构力学性能评估方法，通过数据驱动的模型和基于物理的模型的合理分工，对力学性能的评估精度优于单一模型；④基于 GNN 的建筑结构材料用量评估方法，通过改造损失函数和输出层，在模型中嵌入规范强条，保证了材料用量评估结果的合理性。其中，技术③和④用于加速技术②的性能评估过程，极大地提升了智能优化的效率。
3.典型案例
以高层住宅（剪力墙结构）的设计为例，说明“智能生成+智能优化”新范式的优势。在已有数据集中， 7 度和 8 度抗震设防的数据较多，缺少与待设计的项目相同的 9 度抗震设防的数据， 导致生成式 AI 的设计偏于不安全。通过“智能生成+智能优化”，可以有针对性地增加 9 度抗震设防的数据，从而改善生成式 AI 的性能。
在新范式下， AI 在与工程师设计的相似度和满足力学要求方面有了显著的改进。根据针对工程师专家的一项调查，新范式下的 AI 在图灵测试中有更好的表现（39%的 AI 设计被判断为工程师设计），其合理性得分（3.15）也接近工程师的设计（3.62）。该技术已成功应用于我们团队开发的 AI 结构设计平台（ai-structure.com），并开放公测。该产品已被 100 多个设计机构的数百名工程师使用，应用于 2000 多个真实的建筑结构项目。
4.小结
提出了一种基于“智能生成+智能优化”的建筑结构 AI 设计方法’通过结合大数据技术和土木工程技术’有望解决生成式 AI 应用于土木工程行业的结构设计任务时最大的阻碍——数据不足。相关技术发表于国际顶尖 SCI 期刊’获发明专利授权；转化的产品已上线公测’并获日内瓦国际发明展览会金奖等国际重要奖项。
编辑：文婧
校对：杨学俊
