基于多任务图神经网络代理模型的欧标合规性分类与钢筋配筋回归方法在钢筋混凝土预设计中的应用

《Buildings》：Joint Eurocode-Compliance Classification and Reinforcement Regression with a Multi-Task Graph Neural Network Surrogate for Reinforced Concrete Predimensioning

　　

摘要

在结构设计的早期阶段，需要快速探索庞大的设计空间，此时对钢筋混凝土构件的初步尺寸确定会影响到后续的材料使用、成本以及设计迭代的次数。传统的预设计方法依赖经验与简化公式，而有限元分析则速度过慢，难以用于迭代过程。本研究提出了一种多任务图神经网络替代模型，能够一次性预测钢筋混凝土楼板与柱子的欧规合规性以及所需的加固量。该模型采用基于2562个自动化有限元模拟生成的合成建筑图的共享GraphSAGE编码器，其中一个分支用于计算合规概率，另一个分支用于计算加固量。由于欧规的规则检查属于非连续的“通过”或“失败”判定，且不会随设计参数平滑变化，因此该替代模型学习了连续且可微分的合规概率，通过两种具有代表性的指标进行了验证：分别是楼板的挠度限值，以及柱子的4%加固率限值。在五种不同的随机种子条件下，通过考虑成本因素的聚焦损失训练方法，使得模型对未检测到的违规情况的处理能力优于误报情况，最终实现了90.9%的平衡准确率，其中柱子被误判为合规的比例为6.1%，楼板为1.6%，平均加固误差约为标准化目标范围的2%。该模型的推理速度约为每栋建筑0.5毫秒，比有限元分析快五到六个数量级。因此，这种可微分的多任务图替代模型能够为早期预设计提供快速且注重成本的合规性检测，可作为基于梯度的方法进行设计探索的起点，同时也是有限元分析的初始参考。