《Advances in Wind Engineering》：Multi-Objective Optimization of Tall Buildings Subject to Wind Load via Genetic Algorithm and Image-Based Surrogate Modelling
编辑推荐：
持续的城市化以及多单元住宅建筑占比的上升推动了对更高且结构效率更高的建筑的需求。在设计此类建筑在风荷载作用下的抗侧力体系（Lateral Force Resisting System, LFRS）时——在符合NBCC规范的设计中，风荷载通常是控制高层建筑的荷载
持续的城市化以及多单元住宅建筑占比的上升推动了对更高且结构效率更高的建筑的需求。在设计此类建筑在风荷载作用下的抗侧力体系（Lateral Force Resisting System, LFRS）时——在符合NBCC规范的设计中，风荷载通常是控制高层建筑的荷载类型——需要同时解决结构、建筑和经济约束，使设计过程成为一个计算上棘手的工程问题。本研究提出一个框架，通过多通道图像实现对钢筋混凝土剪力墙系统的拓扑和尺寸这两种对比设计约束的分析。研究人员使用拉丁超立方抽样（Latin Hypercube Sampling, LHS）的有限元分析数据库，结合加拿大国家建筑规范（National Building Code of Canada, NBCC）的动力分析程序，训练了一个卷积神经网络（Convolutional Neural Network, CNN）。该CNN模型作为广义框架中的代理，通过复现代表性图像与工程结果（层间位移、基底弯矩以及基于模态参与因子的扭转敏感性指标）之间的关系。CNN代理被非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm II, NSGA-II）使用，并结合基于图像的建筑域掩模来强制实施跨学科空间约束。为解决单目标和多目标工程问题——即最小化剪力墙体积、墙肢数量和扭转敏感性——以证明该框架的实用性。报告了最优设计和帕累托前沿（Pareto fronts），并通过有限元分析进行了验证。相对于直接基于有限元（Finite Element, FE）的优化，该框架将每次评估的计算成本降低了约三个数量级，支持用户定义的包含/排除区域，并提供了透明的、基于图像的格式，用于量化早期高层建筑设计中跨学科的设计权衡。
论文解读文章：基于图像代理模型与遗传算法的高层建筑风荷载多目标优化
研究背景：随着城市持续扩张和多单元住宅建筑占比上升，对更高且结构效率更优的高层建筑需求日益增长。在风荷载（高层建筑在符合加拿大国家建筑规范（NBCC）设计中的主要控制荷载）作用下，设计抗侧力体系（LFRS）需同时协调结构、建筑和经济等多方面约束，导致设计过程计算复杂且难以直接求解。现有研究虽在剪力墙拓扑优化或尺寸优化方面有所进展，但往往将两者分开考虑，且缺乏有效整合跨学科空间约束（如建筑、机械、电气布局）的方法。此外，直接基于有限元（FE）的优化因单次评估耗时（数秒至数十秒）而难以扩展至大规模设计空间。因此，本研究提出一种基于图像的代理模型框架，实现剪力墙拓扑与尺寸的同时优化，并通过图像域掩模引入跨学科空间约束，以提升设计效率和实用性。
研究内容与结论：研究人员构建了一个包含卷积神经网络（CNN）代理模型和非支配排序遗传算法（NSGA-II）的框架。该框架利用拉丁超立方抽样（LHS）生成1000个样本，结合NBCC动力分析程序进行有限元分析，训练CNN代理以预测层间位移、基底弯矩分布和扭转敏感性指数（RII，基于模态参与因子）。通过单目标和多目标优化问题（最小化剪力墙体积、墙肢数量和RII），框架在几分钟内完成优化，每评估计算成本较直接FE优化降低约三个数量级。最优设计通过FE分析验证，帕累托前沿（Pareto fronts）展示了设计权衡。结果表明，该框架能可靠量化跨学科设计冲突，提供透明、可视化的设计方案。论文发表在《Advances in Wind Engineering》。
主要关键技术方法（不超过250字）：本研究采用的关键技术方法包括：（1）基于拉丁超立方抽样（LHS）的设计空间采样，生成均匀分布的1000个剪力墙布局样本，用于构建有限元（FE）分析数据库；（2）卷积神经网络（CNN）作为代理模型，接收多通道图像（每通道对应一个截面组的剪力墙厚度）输入，输出预测的层间位移、基底弯矩标准差和扭转敏感性指数（RII）；（3）非支配排序遗传算法（NSGA-II），结合图像级建筑域掩模（定义允许放置剪力墙的像素区域）及几何兼容性约束（厚度逐段递减），实现拓扑与尺寸的同时优化。所有样本队列源自一70米高、20层矩形平面建筑模型，采用NBCC动态风荷载程序。优化结果最终通过ETABS FE分析验证。
研究结果：
3.1. 代理模型性能
通过贝叶斯超参数优化训练三个CNN模型，分别预测层间位移、基底弯矩和RII。在测试集上，位移模型相关系数R=0.929，弯矩模型R=0.825，RII模型R=0.857。误差分析显示，位移模型有57.2%的预测误差在10%以内，弯矩模型有81.6%在25%以内，RII模型有76.4%在25%以内。虽然弯矩和RII模型误差略大，但整体精度可接受，尤其在稀疏采样区域（如低墙肢数）误差较高，但优化后经FE验证仍能提供可靠结果。
3.2. 遗传算法结果
针对四个优化问题，算法在1000代内收敛，共识别42个设计解。
3.2.1. 问题1：体积最小化
单目标优化最小化剪力墙体积，约束层间位移≤0.2%和厚度递减。最佳解体积1022 m3（较均值节约48%），预测位移0.20%，FE验证真实位移为0.22%（x向）和0.19%（y向），误差较小，表明高精度。
3.2.2. 问题2：墙肢数量最小化
单目标优化最小化墙肢数，最佳解16个墙肢。预测位移0.06%（x向）和0.14%（y向），但FE验证真实位移0.13%（x向）和0.31%（y向），误差较大（约51%和53%）。原因在于训练数据中墙肢数多（30-58个），导致低墙肢区域表示不足，但框架仍展示了泛化能力。
3.2.3. 问题3：体积与墙肢多目标优化
同时最小化体积和墙肢数，得到帕累托前沿，包含5个解：体积从1208 m3到1290 m3，墙肢数从13到17。FE验证误差在0.538%至19.33%之间，多数解精度高，且图像可视化直接显示了设计相似性。
3.2.4. 问题4：体积、墙肢与RII三维多目标优化
同时最小化体积、墙肢数和扭转敏感性（RII），算法耗尽1000代，返回35个解。5个突出解：体积从1274 m3到2492 m3，墙肢数15至21，RII从8.9E-5到0.216，表明扭转敏感性极低。FE验证误差在0.675%至47.06%之间，稀疏区域误差较高，但整体设计权衡清晰。
3.2.5. 计算成本
单次FE分析需数十秒，而CNN代理仅需数毫秒，每评估加速约三个数量级。框架先期耗费1000次FE分析和CNN训练，随后优化可在数分钟内完成。
总结讨论部分：研究人员指出，框架在优化后对每个突出解进行了FE验证，最大误差出现在稀疏采样区域。尽管未实施主动学习/重训练循环，但该循环可作为自然改进：将GA生成的最优解加入训练集并重训练CNN，可逐步提升代理在最优解附近的精度。此外，图像域掩模支持强制包含/排除区域（如楼梯间周围墙体），并可通过后处理合并平行墙段。框架在工业应用中潜力巨大，能快速量化早期设计阶段的跨学科权衡。
研究结论部分翻译：提出了一种同时优化钢筋混凝土剪力墙高层建筑结构拓扑和尺寸的新方法。该方法依赖于基于图像的代理模型快速预测建筑性能。代理模型成功训练以预测三类设计指标：层间位移（R=0.929）、弯矩（R=0.825）和基于模态参与因子的RII（R=0.857），并在优化框架中用于减少设计方案中的扭转敏感性。考虑到设计空间的复杂性，在1000个样本的相对有限数据库上取得如此性能，表明将基于图像的代理模型与遗传算法相结合为未来研究提供了有前景的途径。这些代理模型作为遗传算法的计算引擎，解决了四个设计问题（包括单目标和多目标评估）。遗传算法基于域掩模允许剪力墙布置，该掩模是一种基于图像的几何约束，模拟了对多样化跨学科设计约束的遵守。问题1的解满足NBCC层间位移限值0.20%，仅需1022 m3混凝土体积，从经济和碳排放角度提供了显著节约。问题2收敛到最少墙肢数（n=16）的设计解。问题3开发了量化剪力墙体积（1208 m3至1290 m3）和总墙肢数（13至17）竞争设计因素的多目标设计权衡，供设计者考虑这些替代方案的设计空间。问题4识别了一个三维帕累托前沿，代表混凝土体积、墙肢数和扭转敏感性之间的设计权衡，代表了增加对遵守建筑、跨学科或居住舒适度准则重视度的设计场景。共识别35个解，其中5个被突出以描述所识别设计替代方案的范围。这些解包括钢筋混凝土剪力墙体积介于1274 m3和2492 m3之间，墙肢数n=15至21，以及RII值介于8.9E-5至0.216之间，表明扭转敏感性低。所识别的设计解决方案展示了快速量化多个设计解决方案的能力，这些方案包括剪力墙拓扑和尺寸作为关键优化变量。跨所有优化问题，多个设计替代方案被识别，并为满足设计准则、跨学科约束以及项目经济和可持续性目标提供了核心底层设计指标。像这样的综合优化框架展示了有前景的性能，并有潜力被行业采用，用于在早期设计阶段量化和改进项目设计替代方案和权衡的所有方面。三个扩展被确定为框架的未来改进：（1）主动学习/重训练循环，将GA生成的最优解加入训练集并重训练代理，预期将减少在稀疏采样区域看到的代理诱导差异；（2）额外的布局可行性约束——平行墙间最小间距、相邻剪力墙自动合并以及连梁的显式建模——可以作为GA约束或多通道图像的额外输入通道纳入，无需对CNN进行架构更改；（3）基于图像的域掩模支持强制包含建筑所需的墙体（例如楼梯和电梯周围的核芯），优化后的布局可以对照原始建筑平面图进行视觉验证作为最终合规性检查。
