生成式与概率自编码器及扩散模型在连续梁系统逆向结构设计中的应用研究

本文创新性地提出基于生成式人工智能（CVAE/CAE-MLE/DDMs）的逆向结构设计框架，通过百万级梁截面数据集（CBeamXP）训练，实现连续梁系统截面参数的智能生成。研究表明CAE-MLE精度最优，CVAE潜在空间采样提供多样性，DDMs通过随机参数控制生成变异，为土木工程概念设计提供高效自动化解决方案。

　　

Highlight
研究亮点
CBeamXP数据集（含100万条符合BS EN 10365标准的通用梁截面数据）为训练基础，系统对比三种生成模型在连续梁逆向设计中的性能差异。

Conditional variational autoencoder (CVAE)
条件变分自编码器
如图7(a)所示，CVAE通过编码器-潜在空间-解码器架构实现概率生成。训练时编码器将设计条件（如荷载/跨度）与目标截面映射到潜在分布，解码器通过重参数化技巧采样生成新设计。测试阶段可直接从潜在空间N(0,I)采样，结合设计条件生成多样化解。

CVAE and CAE-MLE
模型调优对比
如表3所示，CVAE最优结构为隐藏层宽度D_h=200、层数L_h=2、潜在空间维度D_z=10；CAE-MLE则采用D_h=400和L_h=3。超参数实验表明更深的网络能提升CAE-MLE的似然估计精度。

Generation performance
生成性能
测试集结果显示：CAE-MLE平均绝对百分比误差（MAPE）最低（3.8%），CVAE次之（5.2%），DDMs为7.1%。图13-14显示CAE-MLE在标准限值外的生成鲁棒性最佳，而DDMs通过调节随机参数β可控制生成变异度。

Conclusions
研究结论

1. 1.三种模型均能有效学习截面参数分布，CAE-MLE精度最高但生成多样性受限；
2. 2.CVAE潜在空间插值可实现设计参数平滑过渡；
3. 3.DDM的随机反向扩散过程为设计探索提供可控变异。