Intelligent design of dimensions of reinforced concrete frame structure components using diffusion models

研究简介

钢筋混凝土（RC）框架结构构件尺寸的设计是结构设计中的关键环节。然而，该过程长期依赖人工经验，往往导致设计效率较低且设计质量不稳定。为提升设计质量与效率，研究者尝试引入启发式优化算法以及生成对抗网络（GAN）、图神经网络（GNN）等人工智能方法。然而，启发式优化算法计算速度较慢，而现有 GAN 与 GNN 方法在构件尺寸预测精度方面仍存在不足。

针对上述问题，本文提出了一种基于扩散模型的钢筋混凝土框架结构构件尺寸预测方法，称为 frame-dimension diffusion。该方法通过引入多通道掩码机制与梯度加权修正策略，显著提升了梁、柱及楼板等构件尺寸预测的精度与鲁棒性。此外，本文提出了一种新的数据集构建方法，用于刻画标准层特征与抗震设计条件，从而有效促进扩散模型对结构设计规律的学习。

通过系统的实验评估与工程算例验证，结果表明所提出的方法具有良好的有效性。与异构图神经网络方法相比，构件尺寸预测精度提升约 33%。同时，基于预测结果得到的结构设计在层间位移角等关键性能指标上与工程师设计结果保持一致，材料用量误差控制在 1% 以内。