[发明专利]一种基于计算机视觉和深度学习的结构智能设计方法

权利要求书

1.一种基于计算机视觉和深度学习的结构智能设计方法，其特征在于：

所述方法具体包括以下步骤：

步骤一：进行基于计算机视觉的结构截面设计，通过收集结构截面轮廓图像作为训练样本，由截面高度和下翼缘板宽度作为控制参数获得结构截面的简化图作为输入，结构截面轮廓完整图像作为输出，建立深度卷积神经网络模型；

步骤二：针对步骤一生成结构截面轮廓图像，采用数据拟合和形态学闭运算的方法对所述结构截面轮廓图像进行后处理，获得更符合工程实际的新结构截面轮廓图像；

在步骤二中，

所述结构截面轮廓图像的后处理过程具体包括以下步骤：

首先对结构截面轮廓图像的高度进行重调整，将所生成结构截面轮廓图像与真实结构轮廓图像的相对误差记为error，相对误差与图像的宽高比和图像高度存在线性关系，公式为：

error＝ah+br+c

式中，error表示生成图像高度与原始图像高度的相对误差，h表示原始图像的轮廓高度，r表示原始图像的宽高比，a,b,c为待定系数；

对于第i个数据样本点数据(h_i,r_i,error_i)和总样本数量n，总误差S记为：

然后根据最小二乘法原理进行平面拟合，总体误差S达到最小时有

得到

式中n为样本总数；

由此计算得到待定系数a,b,c，并获得拟合平面方程：

error＝-0.00307h+0.31144r+0.1775

最后，根据相对误差，对由深度卷积神经网络模型生成的图像高度做如下调整：

式中h'为调整后的结构截面轮廓高度，h为由深度卷积神经网络模型直接生成的图像高度；

在高度重调整后，基于形态学闭运算对结构截面轮廓图像进行外形调整；

对生成的结构截面轮廓图像进行高度重调整和基于形态学闭运算后，生成的结构截面轮廓更符合实际工程；

步骤三：在获得步骤二生成的新结构截面轮廓图像后，进行基于深度学习的钢筋混凝土结构内部受力配筋设计，以结构尺寸、荷载信息、边界条件的基本设计参数作为输入，结构内部受力钢筋的等级、直径和间距作为输出，建立钢筋混凝土结构内部受力钢筋智能设计的深度卷积神经网络模型；

在步骤三中，

步骤三一：获得结构内部配筋样本，提取相应的结构设计参数，得到深度卷积神经网络模型的待学习样本；

步骤三二：建立并训练结构内部受力钢筋智能设计的深度卷积神经网络模型；

步骤四：对步骤三建立的结构内部受力钢筋智能设计的深度卷积神经网络模型进行力学验算，所述力学验算包括弯曲应力和裂缝宽度，通过承载能力极限状态验算和正常使用极限验算，保证智能配筋设计方案的有效性；

所述结构设计参数具体包括以下参数：

结构混凝土强度等级：样本中所有图纸的混凝土强度等级均为C30；

钢筋等级：样本中所有图纸的钢筋强度等级均为I级；

结构的长度和宽度：将结构沿横向和沿纵向的边长分别作为长度和宽度；

结构板厚：混凝土板厚为110毫米或120毫米；

结构恒荷载：结构恒荷载包括结构自重和附着在结构上下表面的装饰构造层重量，由建筑结构的形式确定；由于样本集中混凝土强度等级均为C30，结构尺寸和板厚已经作为了参数，所以恒荷载不再单独作为输入；

结构活荷载：结构活荷载包括人员、设备和附属物重量，由建筑功能确定；上部活荷载在板平法施工图的结构设计总说明中直接给出，分布范围为2KN/m²至6KN/m²；

结构下部通长钢筋：包括钢筋直径、间距和强度等级，全部样本在结构下部都布置了两个方向的通长钢筋，结构下部通长受拉钢筋的主要参数包括钢筋直径、钢筋间距、钢筋强度等级；

结构上部垂直于四周设置的非通长钢筋：由于结构在四周边界的上部处于受拉状态，所以需要在结构四周上部布置垂直于边长方向的钢筋，主要参数包括钢筋直径、钢筋间距、钢筋强度等级、内延和外伸距离；

结构四周约束条件：当结构边界条件限制上部钢筋无法伸出楼板时，将结构四周约束条件作为参数；在实际参数化建模过程中，如果结构某边的上部钢筋可以外伸，就将此边的约束标签设置为0；如果结构某边的上部钢筋因为孔洞和建筑边缘等原因不能外伸，则将此约束标签设置为1；

对于结构的四周边界，每一条边都有以下参数：约束标签，钢筋直径，钢筋间距，钢筋强度，钢筋内侧延伸距离和钢筋外侧延伸距离，即结构四周每一条边的上部钢筋均有6个参数；

则对于每一个结构内部配筋样本，包含以下28个输入参数：

4个结构参数：混凝土板厚，上部活荷载，结构横向边长和纵向边长；

4×5＝20个结构四周边界参数：上下左右四周的约束条件，钢筋直径，钢筋间距，钢筋内侧延伸长度和钢筋外部延伸长度；

4个结构下部配筋参数：下部沿横向钢筋直径，沿横向钢筋间距，沿纵向钢筋直径，沿纵向钢筋间距；

将配筋设计样本全部进行顺时针旋转90度、180度、270度和沿横向轴对称、沿纵向轴对称共五种变换，作为数据增强，和原始样本最终形成了231×6＝1386个待学习的样本；

所述结构内部受力钢筋智能设计的深度卷积神经网络模型由4个卷积层、2个最大池化层、1个全连接层、1个Dropout层和1个激活层组成；Input代表模型的输入层，即8维与结构尺寸、荷载和边界条件有关的输入参数；Conv代表卷积层，卷积核大小为1×1；Max Pooling代表最大池化层；FC代表全连接层；Dropout代表随机丢弃运算用来抑制过拟合；Activation代表激活函数，采用Sigmoid函数，Output代表输出，即20维与钢筋相关的输出参数；网络中所有的卷积核全部设置为1×1；

其中钢筋直径为8毫米、10毫米或12毫米，钢筋间距为100毫米、120毫米、150毫米、180毫米或200毫米，则钢筋直径和钢筋间距采用softmax分类损失函数；

其他参数采用回归损失，使用均方根误差RMSE函数，如下所示：

式中Loss表示损失函数，N表示样本总数，i表示第i个样本，C表示真实类别总数，p_j表示网络对应的输出，y代表真实标签；随机选取总体样本的70％作为训练集，30％作为测试集，采用Adam优化算法进行网络更新；

结构内部受力钢筋智能设计的深度卷积神经网络模型训练完毕后，将混凝土板厚、上部活荷载、结构横向边长、纵向边长、左侧约束、下侧约束、右侧约束、上侧约束这8个参数作为输入，剩余20个参数作为输出；

即给定结构尺寸信息荷载、边界条件，则能够自动输出剩余20个参数，完成智能配筋设计。