一种基于生成对抗网络的加劲钢板剪力墙拓扑优化的设计方法

本发明属于土木工程与计算机深度学习应用，特别是一种基于生成对抗网络的加劲钢板剪力墙拓扑优化的设计方法。

背景技术：

1、钢板剪力墙是具有良好的延性和耗能能力的抗侧力构件，但非加劲钢板剪力墙存在诸多不足，比如滞回曲线存在明显的捏缩现象、受力过程容易发生面外屈曲而产生噪音。而加劲钢板剪力墙通过布置一定的加劲肋来改善其性能，常见加劲形式有水平加劲肋、竖向加劲肋等，但是以上加劲肋布置形式是否是最优或者是较优的布置形式并没有经过优化验证，仍然依靠工程师的经验去设计验算。在建筑土木智能化不断深入的当下，提出一种高效、通用的加劲钢板剪力墙拓扑优化设计方法，推进建筑结构设计智能化，具有必要性和急切性。随着计算机视觉的发展，人工智能等方式为解决土木工程领域的各种技术问题提供了新的手段和思路。但是当前人工智能驱动和辅助仅在工程建造、运维领域得到了广泛的应用，而与结构设计的结合则相对较少。

技术实现思路

1、发明目的，本发明所要解决的技术问题是克服当前依靠工程师经验布置加劲肋的方式而提出的一种基于生成对抗网络的加劲钢板剪力墙拓扑优化设计方法，该方法可对给定的钢板剪力墙进行加劲肋的最优布置，相比于依靠工程师经验和普通的拓扑优化设计方法，本方法效率更高、适用范围更广，可实现加劲钢板剪力墙结构的快速、智能设计。

2、技术方案，本发明为解决前述技术问题，本发明提出一种基于生成对抗网络的加劲钢板剪力墙拓扑优化的设计方法，该方法包括以下步骤：

3、步骤s1、获需要进行加劲肋布置的钢板剪力墙结构图，构建其对应的钢板剪力墙“三明治”结构，运用双向渐进结构优化法对结构进行优化，获得优化后的加劲钢板剪力墙结构图；

4、步骤s2、利用该钢板剪力墙结构图生成对应的钢板剪力墙s.mises图和eseden图，利用该加劲钢板剪力墙结构图生成对应的加劲钢板剪力墙加劲肋布置图，并构建训练数据集和测试数据集；

5、步骤s3、将步骤s2中的所获的钢板剪力墙s.mises图和eseden图作为traina输入生成对抗网络模型中进行训练，该生成对抗网络模型的输出即为加劲钢板剪力墙加劲肋布置图，训练获得根据钢板剪力墙s.mises图和eseden图作为输入，输出对应的加劲钢板剪力墙加劲肋布置图的生成对抗网络模型；

6、步骤s4、使用测试集测试步骤s3的生成对抗网络模型，计算生成对抗网络模型输出的加劲钢板剪力墙加劲肋布置图的综合评价指标scoreiou，判断综合评价指标值是否大于预设阈值，如果大于，则生成对抗神经网络模型符合要求，如果不大于，则生成对抗神经网络模型不符合要求，重新经过步骤s1-s3重新进行训练；

7、步骤s5、将预设的钢板剪力墙s.mises图和eseden图融合后输入步骤s3训练获得的生成对抗网络模型中得到对应的加劲钢板剪力墙加劲肋布置图。

8、进一步的，步骤s2中，钢板剪力墙s.mises图和eseden图以及加劲钢板剪力墙加劲肋布置图的获取步骤分别为：

9、(2.1)s.mises图和eseden图的获取步骤如下：

10、(2.1.1)根据钢板剪力墙结构图，在有限元分析软件abaqus中建立对应的钢板剪力墙模型，有限元建模不考虑连接板，所有连接均采用tie连接模拟，柱和柱加劲肋通过merge方式合并为同一部件，钢板剪力墙边柱底部与地面固接，施加完全固定约束限制所有自由度均为零，对顶部梁设置uz＝0模拟侧向支撑，加载方面，在模型右柱选取参考点并通过耦合方式向ux正向施加水平位移，弹性分析过程施加层间位移角为1/500，模型所有部件选择s4r单元，网格大小设置为40；

11、(2.1.2)在分析步模块中创建场输出，作用域为钢板剪力墙中间钢板部分，输出变量设置为mises，mises等效应力和eleden，所有能量密度分量；

12、(2.1.3)创建并提交job文件，运行完成并打开job.odb文件，在可视化模块中在未变形图上绘制云图，得到中间钢板的s.mises图和eseden图；

13、(2.2)加劲钢板剪力墙加劲肋布置图的获取步骤如下：

14、(2.2.1)数学优化模型的建立，选择线性结构刚度优化的数学模型，以刚度最大为优化目标；

15、

16、式中，c为钢板剪力墙结构的最小应变能，f和u对应为钢板剪力墙的荷载向量和位移向量，v*表示预设的钢板剪力墙加劲肋保留的体积比例，m是优化区域的单元数量，ve表示第e个单元的体积分数，xe表示第e个单元的相对密度值取1或xmin，1代表真实单元，xmin取0.001，代表虚拟单元；

17、(2.2.2)双向渐进结构优化法的改进，改进1、将实体单元改为壳单元；改进2、将实体单元材料属性改为弹性模量2.06*105n/mm2和泊松比0.3，将虚拟单元材料属性改为弹性模量2.06*10-4n/mm2和泊松比0.3；改进3、将一个优化部件改成两个优化部件，与此对应的相关变量也要相应增加，包括部件part，单元elmts,单元节点nds，设计变量xe,灵敏度ae,上代灵敏度oae和保存权重因子的字典fm。

18、(2.2.3)有限元优化模型的建立，加劲肋和中间钢板通过tie约束建立钢板墙，材料选择s4r壳结构，加劲肋分布在钢板的两侧形成“三明治”结构，优化区域不与周边框架相连，仅与钢板连接，优化模型不赋予优化区域材料属性，其余建模方式均同2.1.1；

19、(2.4)加劲钢板剪力墙结构优化设计的步骤如下：

20、(2.4.1)在abaqus中建立钢板剪力墙模型，将加劲肋优化区域分别设置为part-1和part-2，不赋予part-1和part-2材料属性，并使用网格划分技术离散优化区域；

21、(2.4.2)设置优化所需的各项参数，包括体积保留比例，过滤半径和进化率；

22、(2.4.3)赋予部件part-1和part-2初始的单元材料属性；

23、(2.4.4)计算每个单元灵敏度的权重因子；

24、(2.4.5)对钢板剪力墙模型进行有限元分析；

25、(2.4.6)提取part-1和part-2的单元灵敏度，输出目标函数并保存；

26、(2.4.7)将单元灵敏度和上一代的单元灵敏度相加取平均，提高灵敏度平稳性，并保存以供后续迭代使用；

27、(2.4.8)计算加劲肋下一次迭代的体积保留比例；

28、(2.4.9)对part-1和part-2中对应单元灵敏度取平均得到全局灵敏度，使用二分法确定加劲肋单元灵敏度的阈值，对每个单元灵敏度进行判断，根据阈值对加劲肋单元进行增删；

29、(2.4.10)重复步骤(2.4.5)至(2.4.9)，直到体积达到预设的体积保留比例和满足收敛准则的要求；

30、(2.5)加劲钢板剪力墙加劲肋布置图的获取，在有限元优化模型的基础上运行双向渐进结构优化法的脚本，获得final_design.cae文件，在该文件中，打开结构的网格，在装配界面下将结构以前视图的状态显示，接着将其他部分隐藏只显示part-1-1部分，在颜色编码任务栏中选择集标签，将实体单元部分用红色显示，将虚拟单元部分用绿色显示，得到最终的加劲肋布置图。

31、进一步的，步骤s2中，钢板剪力墙s.mises图和eseden图以及加劲钢板剪力墙加劲肋布置图视角选择为前视图，三图中中间钢板的缩放比例及在图中的位置保持一致，通过abaqus中的打印功能将图以“png”格式保存，关闭视口装饰并且将视口背景设置成白色并打印视口背景，不勾选减至256色，保存图片尺寸设置为4096*1706p。

32、进一步的，步骤s2中，用于训练生成对抗网络模型的训练集和测试集的创建步骤依次为：

33、(1)对一批结构不同的钢板剪力墙，通过有限元建模分析获得钢板剪力墙s.mises图和eseden图，通过双向渐进结构优化法获得钢板剪力墙对应的加劲肋布置图，而且，钢板剪力墙s.mises图、eseden图和加劲肋布置图视角选择为前视图，并且三图中中间钢板的缩放比例及在图中的位置保持一致，通过abaqus中的打印功能将图以“png”格式保存，保存图片尺寸设置为4096*1706p；

34、(2)对(1)中获得的钢板剪力墙s.mises图、eseden图和加劲肋布置图进行数据增强，以增加样本库的训练样本数据量，增强方法为离线增强，对钢板剪力墙s.mises图、eseden图和加劲肋布置图进行旋转、平移及增加噪点以增加训练库的数据量，增强后的图片以“.png”格式保存，保存图片尺寸设置为2048*1024p；

35、(3)对(2)中所获的增强的钢板剪力墙s.mises图、eseden图和加劲肋布置图按比例划分为训练集和测试集，训练集用于模型训练，测试集用于评价模型效果，训练集和测试集中的每个元素为钢板剪力墙s.mises图、eseden图以及对应的加劲肋布置图。

36、进一步的，步骤s3中，对抗网络模型的在训练学习时初始学习率为1×10-4，模型学习的前50个训练轮数，学习率保持不变；后50个训练轮数学习率线性衰减，直至学习率衰减为0。

37、进一步的，步骤s4中，综合评价指标计算如下：

38、(1)钢板剪力墙加劲肋总量srratio，该指标的计算公式如下：

39、

40、其中，ase表示实体单元的总面积，ave表示虚拟单元的总面积；

41、(2)基于混淆矩阵的评估，权重交并比wiou，该指标的计算公式为：

42、

43、其中，k取值为3(表示类别，0类为背景，1类为实体单元，2类为虚拟单元，3类为黑色网格线)，i表示真实值，j表示预测值；pij表示将i预测为j，为假负fn；pji表示将j预测为i，为假正fp；pii表示将i预测为i，为真正tp，w0＝0，w1＝0.5，w2＝0.4，w3＝0.1；

44、(3)基于iou的结构评估，结构交并比siou，该指标的计算公式为：

45、

46、其中，ainter表示生成布置图和真实布置图中实体单元的交集面积，aunion表示生成布置图和真实布置图中实体单元的并集面积，aunion＝atarget+agan-ainter，atarget表示真实布置图中实体单元的面积，agan表示生成布置图中实体单元的面积；

47、(4)综合评价指标的计算公式如下：

48、scoreiou＝ηsrratio×(ηsiou×siou+ηwiou×wiou)

49、其中，srratio，wiou，siou分别是(1)中钢板剪力墙加劲肋总量，(2)中的权重交并比和(3)中的结构交并比；ηsiou和ηwiou分别表示siou和wiou的权重系数，都取0.5；srratiogan表示生成布置图中钢板剪力墙加劲肋总量，srratiotarget表示真实布置图中钢板剪力墙加劲肋总量；

50、将测试集中所有的综合评价指标scoreiou相加求平均值，如果平均值大于预设阈值，将生成对抗网络模型选择为最终生成对抗网络模型。

51、有益效果，与已有技术相比，本发明采用以上技术方案具有以下有益技术效果：

52、(1)本发明提出的一种基于生成对抗网络的加劲钢板剪力墙拓扑优化的设计方法，该方法将人工智能中的深度学习方法应用于结构设计，解决了加劲钢板剪力墙设计时所存在的依靠工程师经验布置未通过优化证明最优或较优和普通拓扑优化设计时效率低下的问题。

53、(2)本发明利用改进优化的生成对抗网络模型，改变当前加劲钢板剪力墙设计方法的局限性，提出了一个通用性的加劲钢板剪力墙拓扑优化的设计方法。若可提供足够量的训练数据，本发明所提出的方法可适用各种类型的加劲钢板剪力墙拓扑优化设计，具有很强的现实意义。