建筑业是目前各专业中数字化程度与智能化程度较低的领域^[1]。在建筑结构设计，尤其是建筑结构的方案设计方面，目前仍过度依赖工程师经验，导致设计效率和自动化程度低，相关设计数据重复利用率极低，难以有效利用海量数据创造新设计。由于结构方案设计是设计项目投标、建筑方案设计、结构设计等工作中的关键环节，对高效、准确、智能设计的需求更加强烈。因此，建筑结构设计行业亟待向智能化和自动化转型升级，提升设计效率和数据重复利用率。

建筑智能化设计是智能建造的重要内容，包括建筑户型、建筑结构设计等，可快速推动行业智能化转型发展^[2-11]。近年来，深度学习驱动的建筑结构智能化设计方法快速发展^[12-21]，为建筑结构设计智能化转型提供了新的动力。深度学习驱动的建筑结构设计分为学习和推理2个阶段：学习阶段，深度神经网络通过对大量数据进行高维特征提取和学习，进而掌握潜在的设计规律；推理阶段，根据学习结果高效地由建筑设计推理生成对应的结构设计^[12]。生成对抗网络(generative adversarial networks，GAN)则是建筑结构设计智能生成的重要技术。文[12-14]采用GAN先后研发了基于图像合成、文本-图像特征融合以及物理增强的剪力墙结构智能设计方法；文[16]和^[18]则进一步研发了基于GAN的梁布置、框架-核心筒结构构件截面设计的方法；文[20]同样基于GAN学习剪力墙结构构件的参数，生成剪力墙结构布置。前述系列技术虽然存在差异，但均在基于GAN的图像合成技术^[22]上完成了提升。因此，本研究采用的智能设计技术为基于图像合成生成对抗网络的剪力墙结构方案智能设计方法^{[12, 22]}。

目前，智能设计仍以数据驱动的深度学习方法为主，其中学习阶段能否有效掌握数据中的潜在结构设计规律是影响智能设计效果的关键。因此，分析数据特征对于智能设计方法的影响十分必要。部分学者开展了基于建筑-结构设计数据的智能学习与设计生成探索。Pizarro等^[20-21]通过收集的165份建筑-结构设计数据进行数据特征分布的统计分析，并基于卷积神经网络将输入的多维特征生成对应的结构设计特征，但该研究主要针对剪力墙构件的特征进行设计，很少考虑建筑的整体特征。程国忠等^[19]则基于深度强化学习对整体结构设计进行训练，使其掌握整体结构设计的优化能力，但深度强化学习设计结构耗时较长，不利于结构方案设计。Liao^[12]基于前期研究中收集的来自10余家设计院的200余套设计图数据，提出了利用数据驱动和力学增强的GAN实现剪力墙结构的布置设计，但相关研究未针对数据特征进行详细分析，且由于数据来自多个设计院，导致数据反映的设计习惯差异较大，不利于相关研究分析。可见，深度学习方法已逐渐应用于结构设计中，但是数据分布和数量等特征对智能化结构设计效果的影响尚不明确。

因此，本研究针对数据特征研究的需求，首先，从设计团队中收集了约110份剪力墙结构设计图纸，尽可能保证设计数据背后潜在的设计规律具有相似性；其次，开展了数据特征统计分析，并对低维关键特征与设计结果的相关性进行了分析；再次，提出了数据增广和两阶段训练方式，在原始数据基础上有效提升模型训练数据量，并开展了训练方法和数据量大小对智能设计模型性能的影响分析；最后，通过分析典型案例验证了改进模型训练方法和增加训练数据量可提升智能化设计剪力墙结构的性能。本研究有效探索了数据的分布、设计条件和数量特征对基于深度学习的智能设计性能的影响，为下一步智能化结构设计研究提供了数据特征影响方面的参考。

1 智能设计与数据分析方法 1.1 剪力墙结构智能生成式设计方法

剪力墙结构的智能设计方法如图 1所示，首先通过将建筑计算机辅助设计(computer aided design，CAD)图纸转化为建筑像素图；然后基于训练后的智能生成方法进行结构设计，输出结构像素图；最后通过像素图矢量化的后处理技术和自动建模技术完成结构计算模型构建^[15]。

其中，智能设计模块为GAN模型，在应用于智能设计前，需要采用大量设计数据进行设计规律学习。本研究将对收集的数据进行清洗和数据集构造，用于智能设计算法的训练，并开展对应的测试和评估。由于数据质量和数量会显著影响训练后智能设计方法的性能，本研究将在下一步工作中对数据特征的影响进行详细分析。

1.2 数据特征分析与语义化数据集构建

1) 数据特征分析。

本研究收集了约110份全新的剪力墙结构设计图纸，工程均来自山东省临沂市及其周边城市，基本由同一建筑结构工程设计团队完成，图纸质量高且均已通过相关设计审查。收集同一地区设计图纸的主要目的在于避免地区差异引起的数据特征改变对后续数据分布、数量特征分析结果的影响。通过对设计条件进行统计分析可获得数据的抗震设防烈度、结构高度和等效墙率(剪力墙总面积与楼面面积比值)等特征的分布，如图 2所示。数据分布较为分散，在不同建筑结构高度和抗震设防烈度中均有相应数据。

图 2a中，部分建筑高度低于20 m，由于其抗震设防烈度均为8度(0.2 g)，因此采用剪力墙结构作为主要受力体系。图 2c所示的等效墙率为标准层剪力墙投影面积之和与本层建筑面积的比值，分布为3.3%~6.9%，根据文[23]对全国各地多个项目剪力墙等效墙率的统计结果(＜7.5%)可知，本文收集的结构设计数据较为合理。

抗震设防烈度、结构高度、结构高宽比(结构高度与平面最小宽度比值)与剪力墙等效墙率的相关性分析结果如图 3所示，图中拟合函数的x和y分别为横、纵坐标值。结果表明：抗震设防烈度、结构高度和结构高宽比均与等效墙率呈正相关关系。因为抗震设防烈度越高，结构高度越高，抵抗地震作用的需求也就越高，所以需要更多的剪力墙构件以抵抗地震作用。但是，上述正相关关系回归结果的离散性较大(相关系数R²分别仅为0.057 7、0.307 7和0.353 5)，这表明常规的基于低维特征统计回归的剪力墙结构设计误差较大，对剪力墙结构设计中剪力墙布置数量的指导能力较差。

2) 语义化数据集构建。

原始CAD图纸数据为结构化的矢量数据，而卷积神经网络使用的数据为非结构化的像素数据，二者存在数据结构上的差异，且原始CAD图像中与剪力墙结构设计不相关的冗余信息较多。因此，本研究在语义化图像数据构造的基础上^[12]，提出自动化的关键构件信息提取与数据集构造方法。

语义化图像数据的构造方法如图 4所示，语义化数据是指对图像中提取的关键构建元素，采用纯色图块表示。图 4a为原始CAD数据；采用开发的GANIO插件自动提取数据中建筑墙、剪力墙和门窗构件信息^[15]，形成图 4b所示的矢量坐标数据并进行存储；随后同样采用基于Python-OpenCV开发的语义化像素图生成插件形成图 4c所示的建筑-结构像素图集，从矢量到像素坐标的缩放比例取值为0.015(单位：pixel/mm)。其中，建筑图为神经网络的输入样本，结构图为对应的标签样本。

基于语义化像素图构建对应数据集，按照6∶4的比例划分训练和测试数据集。分析图 3可知，抗震设防烈度和结构高度对剪力墙的布置设计具有一定影响，前期研究表明按照抗震设防烈度和结构高度划分训练子集有助于提升设计效果^[12]。将数据集按照结构高度和抗震设防条件进一步划分为7d-H1、7d-H2、8d-H1H2组，其中，7d和8d分别指抗震设防烈度为7和8度，H1、H2、H1H2分别指结构高度＜50 m、50~100 m、＜100 m。7d-H1组数据量为训练24、测试16；7d-H2组数据量为训练11、测试7；8d-H1H2组数据量为训练35、测试22；训练集与测试集分别命名为训练集-鲁和测试集-鲁。

由于训练与测试样本同源，难以有效反映该方法在其他地区结构设计中的泛化性。因此，本研究也收集了部分来自北京和河北地区的设计数据，设计对象及其特征与既有数据差异较大，用以进一步验证本研究结果可靠性。其中，测试数据量在7d-H1组为23、7d-H2组为32、8d-H1H2组为58，命名为测试集-京冀。

1.3 神经网络模型与训练方法

本研究采用StructGAN作为主要智能设计方法^[12]，并对其生成对抗网络模型进行训练。训练采用3种方法，如图 5所示。图 5a基于分组后原始数据的模型训练，数据分组为7d-H1、7d-H2、8d-H1H2，命名为Train-Raw；图 5b采用图像旋转和翻转等方法将分组后数据增广4倍，基于增广后数据进行模型训练，命名为Train-Aug；图 5c为两阶段模型训练，第1阶段将所有增广后的训练数据投入训练(不按照抗震设防烈度和结构高度进行区分)，在第1阶段模型训练的基础上，第2阶段采用分组后增广数据进行模型训练，命名为Train-2Stage。其中两阶段训练方法为本研究的重要改进。

1.4 模型测试与评估方法

模型测试不仅需要采用测试集数据对训练完成后的模型进行设计推理生成，还需进一步采用基于剪力墙布置一致性、墙率差异以及悬臂楼板面积占比差异的评价方法进行评估。其中最关键的指标为剪力墙布置一致性，墙率差异和悬臂楼板占比差异则作为进一步参考的指标。

1) 基于剪力墙布置一致性评价方法。

本研究采用广泛应用的交并比(intersection over union，IoU)计算方法^[12-16]进行剪力墙布置一致性评价。剪力墙设计一致性S_IoU可表示为

$S_{\mathrm{IoU}}=\frac{A_{\text {inter }}}{A_{\text {union }}}.$

(1)

其中：A_inter为将StructGAN生成剪力墙与工程师设计剪力墙逐一计算交集并求和得到的交集面积，A_union为对StructGAN与工程师设计的所有剪力墙求并集得到的并集面积。S_IoU得分越高，StructGAN与工程师设计越接近。IoU计算采用Python-Shapely库执行计算，如图 6所示。

需要指出的是，S_IoU与Liao等^[12]提出的Score_IoU计算方法不同，S_IoU直接衡量的是剪力墙构件轴线布置一致性，更直接、准确，而Score_IoU衡量的是剪力墙构件像素布置和像素轮廓的一致性，与剪力墙真实布置存在偏差，该偏差由表示构件的像素不完整性差异导致。

2) 基于墙率差异评价方法。

墙率为剪力墙结构设计中衡量其设计合理性的重要指标，合适的墙率意味着在满足安全性要求的前提下材料用量也较少。采用式(2)所示的StructGAN设计与工程师设计墙率差异绝对值S_SWR衡量设计合理性，S_SWR得分越低，StructGAN与工程师设计越接近。其中，剪力墙与楼板面积计算采用Python-OpenCV库执行计算，如图 6所示。

$S_{\mathrm{SWR}}=\left|\rho_{\mathrm{SWR}}^{\mathrm{GAN}}-\rho_{\mathrm{SWR}}^{\mathrm{Eng}}\right|, \quad \rho_{\mathrm{SWR}}=\frac{A_{\mathrm{SW}}}{A_{\mathrm{F}}} .$

(2)

其中：ρ_SWR^GAN和ρ_SWR^Eng分别为StructGAN与工程师设计的墙率，A_SW为剪力墙面积总和，A_F为楼面面积。

3) 基于悬臂楼板占比差异评价方法。

剪力墙的合理布置能有效传递楼板的重力荷载，但剪力墙可提供的支撑范围有限，因此需要保证剪力墙的布置设计尽可能有效传递所有楼板的荷载，使无支撑的楼板面积尽可能小^{[15, 24]}。采用式(3)所示的无支撑楼板占比差异S_CF以衡量该性能，计算采用Python-Shapely和OpenCV库，如图 6所示。

$S_{\mathrm{CF}}=\left|\eta_{\mathrm{CF}}^{\mathrm{GAN}}-\eta_{\mathrm{CF}}^{\mathrm{Eng}}\right|, \quad \eta_{\mathrm{CF}}=\frac{A_{\mathrm{CF}}}{A_{\mathrm{F}}}$.

(3)

其中：η_CF^GAN和η_CF^Eng分别为StructGAN与工程师设计的墙率，A_CF为悬臂楼板的面积总和。

2 数据影响的分析讨论 2.1 训练方法影响分析

首先采用1.3节提出的方法对StructGAN模型进行训练，然后采用1.4节方法进行测试和评估，结果如图 7所示。由图 7可知，对于不同的训练方法和数据组，评价结果的规律基本一致。图 7a为剪力墙设计一致性评价结果，随着训练方法改进，从原始数据训练到数据增广后训练，再到两阶段训练，S_IoU得分显著提升，这意味着更好的训练方法可使StructGAN生成与工程师设计非常接近的设计。从原始数据训练到两阶段训练，剪力墙布置一致性平均得分提升22.17%。由图 7b和7c可知，对于剪力墙墙率差异和悬臂楼板占比差异，训练方法完善后，StructGAN与工程师设计的差异显著降低。

图 8为测试集-京冀对不同训练方法的测试结果。由图可知，在7d-H1和7d-H2这2种设计条件下，两阶段训练方法的效果显著优于原始数据训练和数据增广的方法；但是8d-H1H2的结果则不同，主要原因在于测试集-京冀与测试集-鲁在该设计条件下的结构设计特征差异过于显著，在宏观反映设计结果的剪力墙墙率指标方面，二者差异达50%。综上所述，两阶段训练方法的效果提升显著，但当测试数据特征与训练数据特征差异显著时，需要调整训练集数据特征。

此外，对不同训练方法完成的典型设计(结构高度25 m，抗震设防烈度7度(0.10 g))进行对比，如图 9所示。图 9a和9b为采用原始数据训练后的模型进行测试设计的典型结果，对于翻转后的建筑平面设计，结构设计结果与翻转前差异显著，意味着无数据增广的训练，StructGAN模型无法有效获得结构设计空间翻转不变的特性；而图 9c和9d则为两阶段训练的结果，经过增广数据的训练，两阶段训练模型有效捕获了结构设计空间翻转不变的特性。

综上可知，增广数据集和改进训练方法可有效提升StructGAN对结构设计规律的学习。

2.2 数据数量影响分析

保证测试数据量不变，通过调整训练数据量，分析训练数据量对模型设计能力的影响。本研究中原始训练数据约为70份图纸，随机缩减后采用的数据总量为20份，对应数据训练得到的模型分别命名为StructGAN-D70和StructGAN-D20。以相同的超参数对模型进行训练，并保证生成器和判别器的训练质量。生成器和判别器训练结束阶段损失对比如表 1所示，不同数据量训练下的损失基本一致，即后续模型的性能具备对比的基本条件。

采用测试集-鲁的测试结果如图 10所示，可随着数据量增加，不同设计条件的模型设计效果均显著提升。图 10a为剪力墙交并比评价结果，意味着StructGAN设计与工程师设计的剪力墙布置位置和长度非常一致，且S_IoU的值非常接近1，意味着智能设计与工程师设计几乎完全一样。StructGAN-D70相比于StructGAN-D20，剪力墙布置一致性平均得分提升20%。图 10b和10c为剪力墙墙率的差异和悬臂楼板占比的差异，随着训练数据量增加，智能设计与工程师设计的差异也逐渐减小。

同样，采用与训练数据设计差异较大的测试集-京冀进行测试，结果如图 11所示。图 11所展现的规律与图 10接近，随着训练数据量增加，智能设计方法设计结果与工程师设计更加接近。

3 案例研究

将训练完成的StructGAN模型应用于典型的整体结构设计。首先由StructGAN完成结构标准层的平面设计；然后基于标准层的平面设计结果，结合ETABS-Python的应用程序接口(application program interface，API)实现结构分析模型的自动构建；最后开展结构分析，对比结构的动力特性、水平层间位移角和竖向楼板最大变形的差异。

需要指出的是，由于方案设计阶段通常只需要确定标准层的结构设计，因此本研究构建的力学分析模型中所有楼层均为标准层。StructGAN生成的结构设计为像素图，首先，通过Fei等^[15]提出的像素-矢量异构数据转化方法，提取得到剪力墙结构的几何坐标；其次，采用Lu等^[13]提出的墙厚回归公式得到剪力墙墙厚；然后，梁-板布置采用Zhao等^[16]提出的智能设计方法；最后，基于ETABS-Python的API将剪力墙、梁、板的几何坐标、截面尺寸和材料信息等输入ETABS软件中，完成模型的自动构建，也可以基于建立的计算模型进行调整和修改。

3.1 案例基本信息

本研究一共针对3种不同的设计条件，开展了对应的典型案例，由于3个案例规律基本一致，本研究将重点介绍案例7d27m。

案例7d27m：建筑平面尺寸50 m×13 m，结构高度27 m，地下1层、地上9层，抗震设防烈度7度(0.10 g)，设计地震分组为第二组，场地类别Ⅱ类，特征周期0.40 s。

案例7d54m：建筑平面尺寸42 m×16 m，结构高度54 m，地上18层，剪力墙结构体系，抗震设防烈度7度(0.10 g)，特征周期0.40 s。

案例8d39m：建筑平面尺寸40 m×14 m，结构高度39 m，地上13层，剪力墙结构体系，抗震设防烈度8度(0.20 g)，特征周期0.40 s。

3.2 案例7d27m平面设计结果对比

图 12所示为工程师及StructGAN完成的剪力墙结构平面设计。图 12b为StructGAN-D20设计结果，与图 12a所示的工程师设计差异显著，对应的评价指标中，剪力墙布置一致性较低。图 12c为StructGAN-D70设计结果，相比于工程师设计差异较小，各项评价指标也较为出色，剪力墙布置一致性得分提升130%；但对于部分剪力墙构件，工程师设计的剪力墙构件长度较长。图 12d则为根据平面设计建立的ETABS计算模型。

3.3 案例7d27m整体结构分析结果对比

整体结构分析结果如表 2、图 13和表 3所示，分别对应结构的基本动力特性、抵抗水平地震作用、抵抗竖向重力荷载作用的对比。

表 2表明StructGAN-D70设计的结构动力特性与工程师设计的动力特性差异较小，一阶模态均为X方向，且周期差异8.32%，二阶模态则均为Y方向，周期差异1.70%；图 13中X和Y方向的最大层间位移角差异分别约为16%和0，平均差异8%。表 2表明StructGAN-D20设计结果与工程师设计结果差异显著，其前三阶周期与工程师设计的周期差异均超过13%，且对应图 13中X和Y方向的层间位移角差异分别为37%和15%，平均差异达26%。

此外，可以发现剪力墙布置一致性、结构动力特性以及结构最大层间变形响应的差异呈正相关性，即剪力墙布置差异和动力特性差异越大，结构变形响应的差异也就越大。但三者没有较为明确的数学回归关系，因为三者存在较强耦合关系，剪力墙布置影响结构刚度，结构周期反映了结构刚度和质量特性，动力响应则与水平地震作用强度和结构刚度有关。因此，开展智能化结构设计评价时，不仅需要从计算机视觉角度进行结构布置一致性评价，更需要从结构力学性能角度按照规范开展分析评价。

表 3所示则为结构在竖向重力荷载作用下的楼板竖向变形对比。同样，StructGAN-D70设计与工程师设计差异较小，而StructGAN-D20设计与工程师设计相比楼板竖向变形则更小。StructGAN-D20设计中，剪力墙构件布置更多，但是其布置均匀性相比于工程师设计和StructGAN-D70设计较差，StructGAN-D20在外墙边缘的墙体设置不足，而在内部的墙体设置过多。

3.4 案例7d54m与案例8d39m分析

案例7d54m设计的平面相似评价结果如图 14所示，对应的力学性能分析结果如表 4所示。结果均表明，StructGAN-D70设计结果优于StructGAN-D20，且与工程师设计接近。

案例8d39m设计的平面相似评价结果如图 15所示，对应的力学性能分析结果如表 5所示。结果均表明，StructGAN-D70设计结果优于StructGAN-D20，且与工程师设计接近。

4 结论

基于深度学习的剪力墙结构智能设计方法对训练数据质量和数量的需求较高，本研究通过对数据分布、设计条件特征、模型训练方法和数据量的分析，有效证明了改进训练方法和增加数据量有利于智能设计的提升。

1) 对建筑高宽比、抗震设防烈度和剪力墙墙率的相关性进行了分析。结果表明：低维特征统计回归的剪力墙结构设计误差较大，剪力墙设计难以通过常规数据回归方式进行预测和生成。

2) 在总数据量有限的条件下，通过翻转进行数据增广，并通过混合数据与分组数据的两阶段训练可保证在设计特征未发生改变情况下的训练效果显著提升。不同设计条件分组训练下，相比于仅用原始数据训练，智能设计效果平均提升22%。但是，当测试数据与训练数据不同源且设计特征差异较大时，应对模型进行数据补充训练。

3) 通过不同数据量对训练影响进行了分析，结果表明，当模型训练数据量从20份提升至70份时，设计效果可提升20%，提升数据量可较为有效地提升智能设计算法能力。

4) 典型案例研究表明，训练数据数量提升后，智能设计与工程师设计结果的平面设计相似性提升130%，整体力学性能差异控制在8%左右。

本研究仍有需要进一步研究的内容，包括但不限于：低维特征拟合回归的可解释方法与高维特征智能学习与生成的智能方法相结合，以拟合回归结果约束智能设计的生成结果，保证智能设计结果在合理的范围内；智能设计结果与设计规则的结合，虽然目前智能设计方法有效学习了潜在的设计规律，但是其最终的设计结果，仍旧需要设计规则的约束，保证智能设计可靠性。