集成大语言模型实现自动化结构分析

《AUTOMATION IN CONSTRUCTION》：Integrating large language models for automated structural analysis

　　

本研究提出了一种将大语言模型（Large Language Models, LLMs）与OpenSeesPy框架集成以实现全自动二维结构分析的方法。该方法采用领域特定的提示（prompt）策略，以提升LLMs在结构基准测试中的准确性。研究构建了一个包含20个结构分析文字问题（Structural Analysis Word Problems, SAWPs）的精选数据集，用于系统评估模型性能。结果表明，LLMs能够从自然语言问题描述中高效提取关键信息，并生成可执行的有限元分析（Finite Element Analysis, FEA）Python脚本。其中GPT-5.4模型在单次生成（Pass@1）中实现了100%的准确率，GPT-4o达到了100%的Pass@3准确率。研究进一步设计了分阶段代码生成流程，涵盖参数提取、有限元建模与结果可视化三个连续阶段，有效缓解了长上下文生成中的错误累积问题。此外，研究还验证了融入常识推理与空间推理指令能够显著提升模型在不规则结构布局中的生成稳定性。该框架通过自动化建模与可视化流程，大幅减少了结构工程师的手动操作时间，为LLMs在结构工程中的工作流级集成提供了实证基础。

集成大语言模型实现自动化结构分析：论文解读

一、研究背景与问题

结构工程分析是确保各类荷载条件下结构设计准确性的关键环节。传统的结构分析方法包括手算、有限元建模（Finite Element Modeling, FEM）软件或两者结合。随着计算技术的发展，基于计算的数值模拟方法因其高效性和处理复杂结构系统的能力而日益受到青睐。目前可用的有限元工具涵盖开源平台如OpenSees、Code_Aster和Calculix，以及商业程序如SAP2000、Abaqus/CAE和ANSYS，可支持从二维框架、桁架到高层建筑和桥梁等多种结构类型。然而，传统基于有限元的方法仍需要大量人工操作和专业知识，包括模型定义、参数提取和跨平台验证等环节。这些步骤高度重复且容易引入人为错误，严重制约了分析流程的可复现性和可扩展性。

大语言模型（Large Language Models, LLMs）在自然语言处理（Natural Language Processing, NLP）和计算机视觉（Computer Vision, CV）等领域展现出卓越能力的同时，也开始引起土木工程领域研究者的关注。已有研究探索了LLMs在建筑缺陷检测、施工人员工效学风险评估以及规范条文问答等场景中的应用。然而，在结构工程领域，现有LLM相关研究大多停留在概念验证层面，缺乏系统性地将推理能力、领域知识与自动验证相结合的集成框架。既有的尝试或局限于单步代码生成，或使用小型手工艺品式示例，无法满足实际工程应用所需的完整自动化流程需求。因此，如何在结构分析中系统地利用现代LLMs的能力，以及底层LLM的选择如何影响框架的整体性能、可靠性和稳定性，成为亟待解决的研究问题。

二、研究内容与框架

为弥合上述差距，本研究提出了一种端到端框架，将自然语言描述、多阶段推理与基于OpenSeesPy的自动化有限元分析相结合。该框架通过连接自然语言结构描述与参数提取、有限元模型构建及OpenSeesPy中的执行，实现了从问题描述到数值与可视化输出的全流程自动化。研究采用了GPT-4、GPT-4o、GPT-5.4、Llama 3和Gemini 1.5等多种基础模型，并对其基线性能与通过少样本学习（few-shot learning）和上下文学习（In-Context Learning, ICL）增强后的版本进行了对比评估。核心验证环境为由20个结构分析文字问题（SAWPs）构成的标准基准数据集（SAWP-20），该数据集包含问题描述、标准答案示意图及数值参考结果，每个问题均采用统一的标准化格式，涵盖几何属性、材料属性、荷载条件、边界条件和结果可视化要求五个组成部分。该二维框架验证场景主要作为方法学概念验证，虽然三维和动力分析涉及更多自由度、变量及更高的计算需求，但所提出的多阶段流水线（参数提取→有限元建模→可视化）具有直接适用性，在二维环境中验证正确性和稳定性是推广至更复杂结构系统的必要前提。

三、关键技术方法

本研究采用了几项关键技术方法以构建自动化结构分析框架。第一，研究设计了分阶段代码生成策略，将代码生成过程分解为三个连续的API调用阶段：关键几何和材料参数提取、结构布局与支撑及荷载条件定义、变形形状与内力图可视化。这种设计有效缓解了长上下文错误，提高了执行成功率，并在特定代码段内实现故障隔离。第二，研究构建了ICL提示模板，在问题描述之外提供示例问题、对应代码及特定约束，以辅助LLMs生成可运行且稳定的Python脚本。第三，研究在系统指令中嵌入了常识推理要素，包括方向推理（基于节点坐标判断结构方位以准确定义荷载或支座）、数量推理（确保定义的元素数量与问题描述一致）和空间合理性推理（确保结构元素的空间一致性）。第四，研究构建了基准数据集（SAWP-20），通过三种模式生成各种结构构型：模式1改变层数和跨数创建新结构，模式2引入非对称性，模式3在结构中融入斜向构件和悬臂梁等额外特征。研究采用了Best-of-N采样策略，每个问题运行三次，若至少一次产生正确响应则视为通过。

四、研究结果

4.1 不同LLM的结构分析性能比较

研究在20个SAWPs上对五种LLM（Llama-3.3、Gemini 1.5 Pro、GPT-4、GPT-4o和GPT-5.4）进行了系统评估。结果表明，GPT-4、GPT-4o和Gemini 1.5 Pro在生成结构分析Python代码方面表现出较强能力，分别达到85%、100%和80%的Pass@3准确率。GPT-5.4在相同实验设置下实现了完美的单次生成性能（Pass@1=100%），在信息提取、代码生成、系统指令理解和空间推理方面均表现出最强能力，且无需任何微调。值得注意的是，该框架展现出显著的模式泛化能力：在仅提供一个参考示例（单跨单层框架）的情况下，成功地将结构模式推广到更复杂的构型，如单跨双层框架、双跨单层框架和三跨双层框架。此外，参考示例仅展示了柱和梁的建模，模型却自主融入了斜向构件和悬臂梁等额外结构组件。在模型对比方面，Llama 3在所有问题中均未通过；Gemini 1.5 Pro在扩展简单结构模式时存在困难，例如在从单跨单层框架过渡到三跨双层框架时始终无法正确定义结构布局或生成可执行代码。

4.2 框架输出稳定性评估

基于GPT-4o的稳定性实验对全部20个SAWPs进行了测试，每个问题执行五次。结果显示，仅依靠一个参考示例和有限尝试次数，框架即为所有20个SAWPs成功生成了完整且可执行的OpenSeesPy分析代码。然而，在处理非对称框架时性能有所下降（示例11和13）。通过对错误模式的分析，研究识别出两类主要错误类型：错误类型1涉及无法按要求勾勒结构布局（如在三跨双层框架中生成了两跨双层框架）；错误类型2涉及边界条件或荷载的错误定义（如将点荷载分配到所有底层节点而非指定左侧节点）。错误成因可归结为两方面：其一，输入输出均限于文本形式，GPT-4o无法“观察”自身生成的结果以识别错误；其二，LLMs仅接触了正确的结构模式，未接触错误模式。实验统计显示，40%准确率的问题有3个（示例11、13、14），60%-80%准确率的问题有5个，100%准确率的问题有9个。

4.3 指令对LLM输出质量的影响

针对缺乏二维空间推理能力而导致的错误，研究在系统指令中融入了结构化推理规则。在包含完整指令的情况下，以示例12（非对称结构）为测试对象，使用GPT-4o进行十次重复实验，框架准确率从50%提升至80%。然而，持续增加系统指令并非总是有益：指令数量增多会导致token消耗上升和计算成本增加；过多的指令也可能因缺乏优先级区分而混淆LLMs，模糊的指令甚至可能使整体性能低于无系统指令的实验结果。

五、讨论与结论

本研究表明，基于LLMs的结构分析在效率和自动化方面展现出显著潜力。在成本方面，使用GPT-4o在SAWP-20上的平均每任务成本约为0.033美元（输入token占52.5%，输出token占47.5%），具有良好的经济可行性。在实际工程部署中，由于地面真值往往不可获得，人工工程师作为验证者仍然必不可少。LLMs本身缺乏对物理世界的直接理解，因此生成的可视化结果使工程师能够高效可靠地评估生成解的准确性，但人工审查仍是保障安全性和可靠性的关键环节。

该研究的主要结论可归纳为三点：第一，GPT-5.4在基准测试中表现最佳，展示了基于自然语言输入解决结构分析问题的强大能力，并在OpenSeesPy端到端执行中产生可解释输出。第二，推理指令显著提升了模型性能，特别是在结构工程语境下的代码生成和推理任务中，常识推理和空间指令（方向、数量、一致性、荷载方向）带来了可衡量的性能提升，尤其在非对称布局场景中效果明显。第三，LLMs通过提升效率和简化重复性建模任务，展现出融入结构工程工作流的强大潜力，能够从单个示例泛化到更复杂的模式，为未来更大规模的数据集构建和工作流集成奠定了基础。研究同时指出，当前工作主要局限于静态二维框架问题的概念验证，扩展到更大规模多样化数据集（包括动力和三维问题）以及降低API调用成本是后续研究的关键方向。未来研究还将探索监督微调（Supervised Fine-Tuning, SFT）和强化学习微调（Reinforcement Learning Fine-Tuning, RLFT）等技术，以进一步增强LLMs在结构分析中的推理和工具使用能力，并朝着构建面向实际工程应用的智能体化结构工程师方向迈进。