高层框架-核心复合结构的多目标优化与集成设计框架

《Journal of Building Engineering》：Multi-objective optimization and integrated design framework for high-rise frame-core composite structures

　　

• •
  提出了用于高频核心复合结构的一体化智能设计框架。
• •
  MHIGA将有限元分析与深度神经网络相结合，以实现高效的多目标优化。
• •
  基于精英策略的替代模型方法可加速收敛速度。
• •
  多级参数化方法可实现有限元分析与建筑信息模型的同步生成。

引言

由于出色的抗侧力性能，高层框架-核心复合结构在现代高层建筑中得到了广泛应用[1]，这类结构在世界各地的标志性建筑中发挥着重要作用[2]。这类结构的特征在于中央的钢筋混凝土核心与外围的钢框架之间存在着复杂的复合作用，涉及多种材料、众多结构构件以及复杂的力传递机制，这些都给传统的分析方法带来了挑战[3]。传统的手工设计过程高度依赖工程师的经验和反复调整，在面对如此复杂的结构时，效率越来越低且容易出错[4]。为了解决这些问题，需要先进的优化算法来处理高层框架-核心复合结构的多材料、多构件特性，从而实现最佳的结构性能[5]。此外，精确且一体化设计通常需要相应的建筑信息模型来进行详细协调和冲突检测，但在迭代设计过程中高效生成并同步这些模型仍然是一个重大瓶颈[6]。这些需求并非高层框架-核心复合结构所特有，而是现代结构工程中普遍存在的挑战，因此相关的解决方案可广泛应用于各种结构形式中。

为了提高设计效率，尤其是对于复杂结构，研究人员提出了多种基于优化的设计方法。在不同的优化方法中，启发式算法因其出色的搜索能力和稳定性而受到了广泛关注[7]。根据其灵感来源，这些算法可分为不同类别。例如，遗传算法这类进化算法[8]已被用于在地震作用下优化高层结构的构件尺寸和拓扑结构[6]。另一类重要的算法是群体智能算法[9]，其中粒子群优化被用于降低混凝土楼板的材料成本[10]，而蚁群优化则被用于钢筋混凝土桥墩的设计[11]。模拟退火和差分进化等其他方法也被应用于优化各种结构构件，如桁架和框架元素[12]、[13]。虽然这些启发式方法具有强大的全局搜索能力，但由于需要进行大量有限元分析来评估适应度，导致计算成本较高，这限制了它们在复杂高层框架-核心复合结构优化中的应用[14]。

与启发式优化相比，新兴的基于深度学习的方法在两个关键方面提升了设计效率：模型生成和替代模型。生成建模方法利用概率模型来捕捉数据的内在分布并生成新的解决方案。例如，生成对抗网络已被用于设计剪力墙布局[18]、[19]。图神经网络则非常适合处理结构拓扑结构，因此被用于根据建筑平面图生成梁的布局和结构体系[24]、[25]、[26]。在替代模型方法中，模型作为复杂结构分析的高效替代品，利用网络的拟合和预测功能。近期的应用包括将遗传算法与机器学习相结合用于优化钢桁架[14]，利用函数神经网络增强蒙特卡洛树搜索用于平面钢框架设计[27]，以及将元启发式算法与机器学习相结合用于预测钢框架的结构响应[5]，这些方法都显著降低了计算成本[28]。然而，基于学习的方法在应用于高层框架-核心复合结构时也存在一些问题。由于这类结构设计的高度定制化，生成模型可能会失效；而替代模型则受到这类复杂系统所需训练数据稀缺且成本高昂的限制。

除了提升优化效率之外，建立一体化设计框架也是另一个重要的研究方向[29]、[30]。目前的高层框架-核心复合结构设计流程是分阶段进行的：首先进行有限元分析以优化结构，然后再在建筑信息模型中进行手工细化与协调[29]、[30]、[31]、[32]、[33]。这种独立的设计流程可能会导致不一致性和效率低下。例如，优化后的参数无法在模型之间自动传输，这就需要手动重新输入构件参数，而这很容易出错[30]、[31]。此外，在建筑信息模型协调过程中发现的设计修改也无法高效地同步回有限元模型中[34]、[35]。再者，建筑CAD图纸中缺乏语义信息，这就需要手动解读结构布局[36]。尽管已有研究探讨了CAD到建筑信息模型的自动转换技术[37]，以及针对特定系统的优化与建筑信息模型集成技术[38]、[39]，但针对复杂高层框架-核心复合结构而言，能够解决模型转换和设计集成问题的系统性框架仍然较为缺乏[40]。

上述问题主要源于两个方面：（1）缺乏能够将CAD解读、有限元分析以及建筑信息模型生成相结合，并采用统一参数表示方式的一体化框架[14]、[41]；（2）优化算法在处理高层框架-核心复合结构这种高维度、多约束的设计空间时效率低下[42]、[43]。表1对比了相关研究在CAD输入、有限元分析、建筑信息模型输出、替代模型以及多目标优化等方面的表现。现有的研究大多只关注某个单一环节，比如CAD到建筑信息模型的转换、有限元分析与建筑信息模型之间的数据交换，或是基于替代模型的优化。然而，由于高层框架-核心复合结构的复杂性，这些环节往往是相互关联的，如果分开处理，就可能导致在迭代设计过程中重复构建模型、信息传递不一致以及产生巨大的计算成本。因此，本文提出的框架将基于CAD的语义提取、有限元分析与建筑信息模型的生成以及基于替代模型的多目标优化整合为一个专为高层框架-核心复合结构设计而设计的统一工作流程。

为了解决这些问题，本文提出了一种用于高层框架-核心复合结构的一体化智能设计框架，该框架能够弥合各种孤立建模方法之间的差距，实现高效的设计优化。该框架包含三个相互关联的组成部分。首先，开发了一种数据提取和语义增强方法，用于自动解读标准的建筑CAD图纸并提取关键的结构信息。这为第二个组成部分奠定了基础：一种用于多模型集成的多级参数化方法，该方法能够建立统一的参数表示方式，同时生成建筑信息模型和有限元模型，从而避免了繁琐的手动转换过程。第三个组成部分则是一种基于多目标混合智能遗传算法的高层框架-核心复合结构智能优化设计方法[14]。这种方法能够高效地探索高维设计空间，从而在保证结构性能的同时兼顾经济性。

本研究的主要贡献包括：首次建立了端到端的自动化框架，将CAD解读、有限元优化以及建筑信息模型生成整合在一起，用于高层框架-核心复合结构的设计；同时还开发了一种混合智能优化算法，该算法在多目标优化过程中不仅能够大幅降低计算成本，还能保持解决方案的质量。本文的结构如下：第2节介绍所提出的自动化框架；第3节通过一个实际工程项目的案例来验证该框架的效能；第4节进行讨论，其中包括对MHIGA算法稳定性的分析；第5节则为结论部分。

章节要点

高层框架-核心复合结构的智能优化与设计框架

为了解决高层框架-核心复合结构在设计流程上效率低下以及计算成本过高的问题，本文提出了一种一体化智能设计框架，如图1所示。该框架能够通过从CAD图纸中提取信息、同步生成有限元模型和建筑信息模型，以及高效优化设计，从而实现既具有结构可靠性又具备经济可行性的设计方案。整个过程始于数据提取和语义解析

高层框架-核心复合结构的集成化自动化优化设计

本文以一栋20层的实际建筑作为案例，来验证所提出的高层框架-核心复合结构智能设计方法的有效性。该建筑的总高度为72.8米，采用混凝土核心-筒体框架结构。它包含四层标准楼层，其典型的楼层平面图如图10所示。各层的层高分别为4000毫米、3800毫米、3500毫米和4000毫米。该项目位于地震设计强度为6级的区域（峰值地面加速度为0.05g）

讨论

为了评估所提出的MHIGA算法的稳定性，本节从两个角度对其性能进行了分析。首先，通过与传统的NSGA-II算法以及采用不同精英样本策略的另一种MHIGA变体进行比较，验证了MHIGA算法的整体有效性（4.1节）。其次，探讨了该框架的灵活性，即能够根据用户的需求进行有针对性的优化（4.2节）。第三，分析了MHIGA算法的适应性

结论

本文提出了一种基于多目标混合智能遗传算法的高层框架-核心复合结构集成多目标设计框架，旨在解决自动设计此类结构时的两个关键问题：（1）如何同步多个模型，从而消除设计阶段之间的语义差异；（2）如何考虑拓扑结构与构件尺寸之间的耦合关系，实现高效的多目标优化。所提出的框架

CRediT作者贡献说明

王立强：验证、方法论、研究。齐洪托：验证、方法论、研究、概念构建。王晓友：验证、监督、资源协调、研究。刘鹏坤：方法论、研究、形式化分析。邱志金：撰写——初稿、软件应用、方法论、研究、概念构建。夏毅：撰写——审阅与编辑、验证、监督、方法论、研究、概念构建。刘杰鹏：验证、监督、资源协调

利益冲突声明

? 作者声明不存在任何可能影响本文研究成果的已知利益冲突或个人关系。

致谢

作者们感谢中国国家重点研发计划（2024YFC3809600）、中国国家自然科学基金（编号为52308141、52378128和52130801）以及重庆市国家重点研发计划（项目编号为CSTB2022TIAD-KPX0136）所提供的资金支持。

Zijin Qiu|Jiepeng Liu|Yi Xia|Hongtuo Qi|Liqiang Wang|Pengkun Liu|Xiaoyou Wang