[发明专利]基于深度学习的隔震结构生成方法及装置

权利要求书

1.一种基于深度学习的隔震结构生成方法，其特征在于，包括：

获取待处理的建筑设计图和隔震结构设计条件；

基于所述建筑设计图和所述隔震结构设计条件，得到上部结构设计图；

将所述上部结构设计图和所述隔震结构设计条件输入隔震层设计模型，得到所述隔震层设计模型输出的隔震层布置参数；其中，所述隔震层设计模型是基于隔震设计样本数据对深度神经网络模型进行训练得到的；

基于所述隔震层布置参数和所述上部结构设计图，生成隔震结构设计结果；

利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练，得到隔震层设计模型，包括：

将所述隔震设计样本数据中上部结构设计图样本和隔震结构设计条件样本输入参数生成器，输出隔震层布置参数样本；

将所述隔震层布置参数样本输入参数评估器，输出参数误差；

将所述隔震层布置参数样本和所述上部结构设计图样本输入性能评估器，输出隔震结构的物理性能评估结果；

将所述隔震层布置参数样本和所述上部结构设计图样本输入性能计算器，输出隔震结构的物理性能计算结果；

根据所述物理性能评估结果和所述物理性能计算结果，得到性能评估损失，并基于所述性能评估损失对所述性能评估器进行优化；

基于优化后所述性能评估器输出的物理性能评估结果以及所述参数误差，得到参数生成损失，并基于所述参数生成损失对所述参数生成器进行优化；

直至所述性能评估器和所述参数生成器性能均达到最优，得到隔震层设计模型。

2.根据权利要求1所述的一种基于深度学习的隔震结构生成方法，其特征在于，所述隔震层设计模型通过如下方式训练得到：

获取隔震设计样本数据；

根据所述隔震设计样本数据的数据量，确定模型训练方式；其中，所述模型训练方式包括监督训练、半监督训练以及无监督训练；

通过确定的所述模型训练方式，利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练，得到隔震层设计模型。

3.根据权利要求2所述的一种基于深度学习的隔震结构生成方法，其特征在于，通过确定的所述模型训练方式，利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练，得到隔震层设计模型之后，还包括：

对隔震层设计模型进行评估，根据评估结果判断所述隔震层设计模型是否具备应用条件。

4.根据权利要求1所述的一种基于深度学习的隔震结构生成方法，其特征在于，将所述隔震层布置参数样本输入参数评估器，输出参数误差，包括：

将所述隔震层布置参数样本与预设的目标隔震参数进行误差计算，并计算隔震层布置参数样本的对称性与均匀性，综合得到参数误差。

5.根据权利要求1所述的一种基于深度学习的隔震结构生成方法，其特征在于，基于优化后所述性能评估器输出的物理性能评估结果以及所述参数误差，得到参数生成损失，包括：

对优化后所述性能评估器输出的物理性能评估结果和所述参数误差进行加权求和，得到参数生成损失；

其中，所述参数误差的加权值和所述物理性能评估结果的加权值均与训练迭代次数相关。

6.根据权利要求1所述的一种基于深度学习的隔震结构生成方法，其特征在于，将所述隔震层布置参数样本和所述上部结构设计图样本输入性能计算器，输出隔震结构的物理性能计算结果，包括：

基于所述上部结构设计图样本，构建多自由度结构分析模型；

基于所述隔震层布置参数样本，构建单自由度隔震分析模型；

将所述多自由度结构分析模型和所述单自由度隔震分析模型进行整合，得到隔震结构分析模型；

基于所述隔震结构分析模型，对隔震结构进行力学性能分析和计算，得到物理性能参数；

将所述物理性能参数进行加权求和，得到物理性能计算结果。