建筑结构设计优化有哪几种，一般收费和效果怎样？

文章作者：佚名人气：发表时间：2024-03-04 13:12:25

最近有间公司上门跟我们聊这个建筑的结构优化设计，说了可以节约房产开发成本，想了解一下这行的优化类型，和大概的收费和效果是怎样的，好作个对比，有这个经验的朋友来分享一下。

有家公司？该不会是众图互联吧?他们的老总也有跟我们老总谈过这个结构优化产品，现在的咨询公司一般是做过程优化和结果优化，收费在节省造价的10%~20%，众图互联的产品收费是节省造价的10%~15%，我个人认为他们优势主要在于优化时间短，因为是AI优化，又可以过PKPM

不太懂==

我们公司就是建筑工程咨询公司，专业优化施工图纸，收费按项目建筑面积计算，具体可以与我司联系，效果的话，大概能节省建安成本的5-10%不等。时间上的话看项目大小而定。楼上说的众图互联用AI人工智能优化，业内没有听过，如果这个都能人工智能化，那岂不是我们公司的结构工程师都会失业？不，系整个行业的结构工程师都会失业。看来要关注一下才行。

版权说明：转载、技术及结构优化业务咨询请搜索：泰大建筑官网

现代建筑的发展趋势，高层建筑占据越来越大的比例。由于人口的急剧增多，土地面积没有增多，这就促使人类居住条件纵向发展。以目前的建筑水平，高层、超高层住宅建筑成为了未来建筑行业的发展方向。进入二十一世纪以来，我国经济得到快速发展，高层住宅建筑在全国各地纷纷兴起。因此，优化高层住宅的建筑结构设计，提高建筑安全，显得特别重要。

1高层住宅建筑结构设计优化的原则

结构设计的优化，是工程结构能够满足约束的条件时按照预定的目标找到最优的设计方案。高层住宅建筑结构设计在满足我国政策标准的前提下，再经过精确的计算以及分析后进行优化，必须遵循三个原则；①建筑结构必须能够正常的使用以及具有安全性。②建筑结构刚度要合理，特殊的位置要进行局部加强。③结构构件若是能够减小，应该合理的进行核减。

2高层住宅建筑的结构设计要求

2.1经济性的要求

高层住宅建筑结构在设计时要了解并掌握建造的地点、层数、立体形状，在保证建筑具有安全、耐久、舒适的性能后，应该采取最为经济的结构体系，在结构构件的设计过程要精打细算，严格按照规范的构造标准，不能造成不必要的浪费。由于地基基础合理的设计方案直接影响房屋的造价，所以在设计地基基础的时候更加应该要尽量采用最经济的方案，在保证质量的同时尽量节约成本。

2.2舒适性的要求

高层住宅建筑的结构设计，在设计时要尽最大努力提供给住户舒适性的要求，比如，户型多样化，室内空间灵活化分隔，光线、温度、声音等环境的要求。所以在结构设计的时候要多融入建筑及机电方面的专业知识，尽量把居住空间露出的柱、梁产生的压抑感消除，使用分隔墙的材料保持室内明净整洁，具有良好的隔音效果，能够给居住者营造舒适幽雅的住宅环境。结构设计里还要考虑居住者存在把分隔空间进行改变的可能性，所以，在剪力墙的结构设计时，应该采取大开间的布置。

2.3安全性以及耐久性的要求

我国实现住宅商品化以后，已经成为特殊的大型的消费商品。与其他的消费商品的最大不同是具有很强的耐用性且有很长的使用寿命期限的特点。所以，高层住宅建筑结构最基本的设计要求是具有很高的安全性以及耐久性。在选择结构体系和建筑材料时，要考虑是否能够起到抗风抗震的作用，保证在使用期限里能够进行维修改造。

3高层住宅建筑结构设计的优化措施

3.1折减高层住宅建筑结构的周期性

高层住宅建筑在设计框架、顶盖等结构时，由于填充墙体的具体存在，导致实际中的结构表现出来的刚度比设计时候计算得到的刚度相差比较大，计算的周期同时也比实际的周期相差比较大。因此，结构剪力算出来偏小的时候，会造成房屋的一些结构产生不安全因素，所以应该适当把房屋结构设计时计算得到的进行折减，能够取得到显著的效果，但是高层住宅建筑的框架结构，不能折剪计算得到的周期。

3.2对剪力墙的设计要加强

剪力墙的设计关键是连梁设计。联肢墙是连梁把各墙肢进行联结组成，增大了约束墙肢的刚度。连梁刚度被增大导致结构地震作用同时增大，也增大了连梁与墙肢的分配内力，这种情况下只能把构件配筋量增大，这样的设计结果明显在很大程度上浪费了材料。所以，高层住宅建筑结构在设计的时候，不应该把具有大刚度的窗下墙当作连梁，而是要把连梁设计分为截面和小刚度的弱连梁。

当然，满足了结构的刚度和变形的要求后，就要从经济的角度和抗力以及变形方面进行综合的考虑，合理进行抗侧力构件的布置。结构抗侧力的刚度随着剪力墙的数量增多而增大，但是相应的结构位移随之减小，抗侧力刚度变大的同时结构地震力也随之增大，非常不利于结构造价的控制。所以，剪力墙应该遵循周边分散、均匀等原则进行合理的布置，对水平位移的限值进行规范化，尽最大程度的把剪力墙的数量降到最低。

3.3高层住宅建筑结构耐久性设计的优化

高层住宅建筑结构耐久性的设计能够确保在高层使用后，在合理使用的寿命期限里，应该满足居住者的使用要求。但是在设计上很多都没有达到要求，其主要原因是对建筑结构的使用过程缺乏合理的考虑，可能遭受条件以及使用环境的影响最终导致房屋结构的损伤，造成房屋可靠度的指数降低。一般情况下，高层住宅建筑结构的设计，最理想的是能够做到造价低廉和节约材料，然而最近几年来，人们的生活水平得到很大的提高，对生活质量的要求越来越高，加上在实际的工程中，由于一些使用要求、技术指标等成为了设计中的主要矛盾时，设计方案就无法单纯的追求节省经济。因此，在高层住宅建筑结构的设计以优化为目标时，应该要正确了解掌握设计中关键性的问题，主次分明的对目标进行设计的优化，使之能够达到整体满意的效果。

3.4 高层住宅建筑结构抗震性设计的优化

进行图纸的设计时，应该按抗震设防进行分类，抗震等级要依照具体的建筑高度、结构类型以国家颁布的《抗震规范》为标准进行确定。在建筑中可以不考虑地震震力的振型数据耦联扭转的计算；当振型数据>3时，要以3的整数倍进行计算，但是数据必须小于建筑物的层数；当建筑物的层数低于2层时，振型数可以采用建筑物的层数。但是在房屋结构不规则时，就要对扭耦联转进行考虑，高层住宅建筑的振型数不能低于8，建筑结构的层数多、刚度系数大，就应该多要振型数，才能达到更好的抗震效果。

3.5结构设计要注重细节的优化

在设计过程中，不仅要注重整体结构，也要注重局部构件。浇板设计可以把异形板细分成矩形板，能够使受力更加均匀，同时也防止发生拐角裂缝。在建筑底部的梁箍筋使用的配箍量相当较大，因此箍筋采用冷轧带肋的钢筋，不仅可以减少箍筋直径和肢数，还能节约工程造价。当高层住宅建筑的结构不规则纵向时，特别要仔细计算出最薄弱的位置加以优化。

左右互搏大法 | 新论文及发明专利：基于结构优化和半监督学习方法提升AI设计效果

论文：Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets

DOI：10.1016/j.jobe.2023.107873

发明专利：基于联合结构优化神经网络的建筑结构设计方法和装置

专利号：ZL202210444464.6

5分钟视频介绍：

0 太长不看版

结构设计数据存在长尾分布现象，即某些类型的数据非常缺乏，称为尾部数据（比如大家一般不太会遇到9度区的工程）。AI在尾部数据上无法得到充分训练，因此性能较差。

我们提出了一种半监督学习方法，利用生成式AI来增加尾部数据的数量，利用结构优化算法来提升尾部数据的质量，最后再让AI重新学习这些经过优化的尾部数据。经过这套“左右互搏大法”之后，AI在尾部数据上的性能得到了有效提升。

我们团队之所以对结构的智能设计抱有极大的兴趣，是因为我们认为结构智能设计具备很大的发展空间。特别是结构设计相对是一个规则比较明确的任务，即设计结果的安全性可以通过各种规范条文来检验，设计结果的经济性可以通过材料用量来检验，因此AI除了可以被动地去学习人类的已有设计经验，还可以进一步主动去不断生成新的设计结果，并自主检验不同设计结果的合理性和经济性，从而不断提升自己的设计能力。

《射雕英雄传》里面有一个很独特的武功，老顽童周伯通在桃花岛上孤独一人，穷极无聊，于是想出了“左右互搏”大法，左右手互相过招不断提升武功。

于是我们在结构AI设计里面可以参考这个思想。左手就是智能生成式AI，它不断学习并设计出新的结构方案。右手就是结构优化算法，它不断优化AI的设计结果。AI再去学习优化后的结果，迭代循环从而提升AI生成的新的结构方案的性能。如果这条路走通了，那AI就可以通过双手互搏实现提升设计功力的目标。由于AI生成式设计可以分秒完成方案设计，解决了传统优化算法计算量大难以满足工程进度的问题；又可以保证AI学习的始终是充分优化后的数据，从而不断提升AI的设计质量。

按照这个思想，我们提出了基于结构优化的半监督学习方法，并将其用于剪力墙结构长尾数据的AI设计中，取得了较好的设计效果。

AI学习的好坏往往和学习的数据量密切相关。如果把收集到的众多数据进行分组，就会发现大部分数据集中在常见参数范围内，而对于一些不常见的参数范围，则可以收集到的数据会非常有限。比如我们要收集同学们的身高数据并按照10 cm一组进行分组，我们就会发现，无论我们收集了全清华的学生数据，还是收集了全北京的学生数据，或者全国的学生数据，150~160cm、160~170cm、170~180cm这几组永远是最多的。而200~210cm、210~220cm这些分组的数据总是很稀少的，这就是长尾数据。

我们收集到的建筑设计数据也有类似的特点，这样一来，如果我们要设计的目标建筑正好落在长尾数据区，就可能因为数据量的不足导致AI学习的设计效果不够好。

从研究的角度，为了把问题说清楚，我们选择了一个比较简单的数据集，构建了下图所示的长尾数据集。将地震影响系数α划分为4个类别：S1(0≤α<0.15), S2(0.15≤α<0.30), S3(0.30≤α<0.45), S4(0.45≤α<0.90)。将建筑高度H也划分为4个类别：H1(0≤H<40 m), H2(40≤H<60 m), H3(60≤H<80 m), H4(80≤H<100 m)。

显然，中等烈度区（S2、S3）中等高度（H2、H3）的建筑数据是比较丰富的，是所谓的“头部数据”。而低烈度或者高烈度区和高度低于40m或超过80m的数据都是比较少的，形成了“尾部数据”。

我们选择了在小样本上表现较好的StructGAN-TXT算法来学习图3中的数据（StructGAN-TXT算法详见：融合文本和图像数据的建筑结构AI设计方法）。用设计结果和工程师之间的差别作为设计效果好坏的评判依据，评测结果参见表1。

显然，头部情况由于训练数据比较充足，所以设计得分较高；而尾部情况因为训练数据比较少，所以设计得分较低。训练数据充足与否对设计质量有明显影响。

本研究提出了一种基于两阶段评估策略和经验规则的优化算法。

对AI设计的结果，首先开展基于经验规则的第一阶段评估，分析AI设计的剪力墙的墙率、扭转半径和楼板支撑面积等宏观指标是否合格。宏观指标合格的AI设计结果，进入第二阶段基于有限元分析的评估，计算结构的层间位移角以及材料用量。然后，用层间位移角作为约束函数，用材料用量作为目标函数，用遗传算法进行结构优化。这里感谢YJK-GAMA提供的参数化建模和优化算法支持。

于是我们建议了图5所示的左右互搏和半监督学习流程。

模块1：左手起势，StructGAN-TXT在长尾数据集上完成训练，形成AI设计模型SL（Small and Long-tailed）。

模块2：左手出招，用训练好的模型SL进行长尾条件下的结构设计，当然这时模型SL由于训练数据过少，设计结果比较差。

模块3：右手应招，优化算法对模型SL设计的糟糕结果进行优化，形成满足设计要求的新结果。

模块4：左手接招，将训练好的数据集和此前的长尾数据集进行混合，形成均衡的数据集，继续训练得到新的AI设计模型SB（Small and Balanced）。

模块5&6：左手再出招，用模型SB完成更大规模设计案例，然后将所有设计案例汇集起来，训练得到终极AI设计模型LB（Large and Balanced）。

说了半天，到底效果怎么样呢？我们可以看看表2。

表2显示，最初的AI设计模型（模型SL）由于存在长尾部分训练数据不足的问题，头部设计条件和尾部设计条件得分差异显著。而经过优化算法改进后，头部和尾部设计条件下得分都有提升，且尾部设计条件下提升尤为明显（从0.385提升到了0.420）。再经过一次半监督学习后，尾部设计条件得分进一步提升，且所有条件下的总分也得到了提高（从0.446提高到了0.452）。可见，利用优化算法改善AI设计结果的收效是明显的。

考虑到得分计算不够直观，我们用一个具体的工程例子来进行对比。某剪力墙建筑分别由工程师和AI来做设计，结果对比如图6和表3所示。可以看出，在长尾设计条件下，因为训练数据不足，模型SL不满足规范。而采用本文方法优化并扩充数据集后，模型LB不仅满足规范，且混凝土用量还略低于工程师设计结果，体现出本方法良好的效果。

本研究是将生成式AI与结构优化相结合的一次初步尝试，尚存在诸多不足，欢迎各位专家批评指正！

费一凡：fyf20@mails.tsinghua.edu.cn

陆新征：luxz@tsinghua.edu.cn

QQ群，AI-structure-交流群：741840451

廖文杰：liaowj17@tsinghua.org.cn

Liao WJ, Lu XZ, Huang YL, Zheng Z, Lin YQ, Automated structural design of shear wall residential buildings using generative adversarial networks, Automation in Construction, 2021, 132, 103931. DOI: 10.1016/j.autcon.2021.103931.
Lu XZ, Liao WJ, Zhang Y, Huang YL, Intelligent structural design of shear wall residence using physics-enhanced generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2022, 51(7): 1657-1676. DOI: 10.1002/eqe.3632.
Zhao PJ, Liao WJ, Xue HJ, Lu XZ, Intelligent design method for beam and slab of shear wall structure based on deep learning, Journal of Building Engineering, 2022, 57: 104838. DOI: 10.1016/j.jobe.2022.104838.
Liao WJ, Huang YL, Zheng Z, Lu XZ, Intelligent generative structural design method for shear-wall building based on “fused-text-image-to-image” generative adversarial networks, Expert Systems with Applications, 2022, 118530, DOI: 10.1016/j.eswa.2022.118530.
Fei YF, Liao WJ, Zhang S, Yin PF, Han B, Zhao PJ, Chen XY, Lu XZ, Integrated schematic design method for shear wall structures: a practical application of generative adversarial networks, Buildings, 2022, 12(9): 1295. DOI: 10.3390/buildings1209129.
Fei YF, Liao WJ, Huang YL, Lu XZ, Knowledge-enhanced generative adversarial networks for schematic design of framed tube structures, Automation in Construction, 2022, 144: 104619. DOI: 10.1016/j.autcon.2022.104619.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on attention-enhanced generative adversarial network, Engineering Structures, 2023, 274, 115170. DOI: 10.1016/j.engstruct.2022.115170.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent beam layout design for frame structure based on graph neural networks, Journal of Building Engineering, 2023, 63, Part A: 105499. DOI: 10.1016/j.jobe.2022.105499.
Zhao PJ, Liao WJ, Huang YL, Lu XZ, Intelligent design of shear wall layout based on graph neural networks, Advanced Engineering Informatics, 2023, 55, 101886, DOI: 10.1016/j.aei.2023.101886
Liao WJ, Wang XY, Fei YF, Huang YL, Xie LL, Lu XZ*, Base-isolation design of shear wall structures using physics-rule-co-guided self-supervised generative adversarial networks, Earthquake Engineering & Structural Dynamics, 2023, DOI:10.1002/eqe.3862.
Feng YT, Fei YF, Lin YQ, Liao WJ, Lu XZ, Intelligent generative design for shear wall cross-sectional size using rule-Embedded generative adversarial network, Journal of Structural Engineering-ASCE, 2023, 149(11). 04023161. DOI:10.1061/JSENDH.STENG-12206.
Fei YF, Liao WJ, Lu XZ*, Guan H*, Knowledge-enhanced graph neural networks for construction material quantity estimation of reinforced concrete buildings, Computer-Aided Civil and Infrastructure Engineering, 2023, DOI: 10.1111/mice.13094.
Zhao PJ, Fei YF, Huang YL, Feng YT, Liao WJ, Lu XZ*, Design-condition-informed shear wall layout design based on graph neural networks, Advanced Engineering Informatics, 2023, 58: 102190. DOI: 10.1016/j.aei.2023.102190.
Fei YF, Liao WJ, Lu XZ*, Taciroglu E, Guan H, Semi-supervised learning method incorporating structural optimization for shear-wall structure design using small and long-tailed datasets, Journal of Building Engineering, 2023, DOI：10.1016/j.jobe.2023.107873

---End--

下一篇：图像优化算法（HE、AHE、CLAHE）简单介绍上一篇：如何在Mac电脑中查看应用程序的安装目录？

11年专注提供磷化工原料批发

400-123-4657

建筑结构设计优化有哪几种，一般收费和效果怎样？

推荐产品

同类文章排行

最新资讯文章