黎康, 翟新銘, 晉強*, 朱琳, 胡荻

(1.新疆農(nóng)業(yè)大學水利與土木工程學院, 烏魯木齊 830052; 2.新疆BIM及裝配式工程技術研究中心, 烏魯木齊 830000;3.新疆新冶建筑集成科技有限公司, 烏魯木齊 830000)

疊合板拆分是裝配式建筑建造過程中的關鍵設計步驟,對工業(yè)化生產(chǎn)、施工的經(jīng)濟效益具有重要的意義[1]。近年來,隨著裝配式建筑的快速發(fā)展,設計師在裝配式設計尋優(yōu)過程中往往會消耗大量資源[2]。為此,部分研究人員提出了拆分設計的優(yōu)化方案。馬立等[3]通過在遞歸算法中加入?yún)?shù)因子以修正拆分,為常規(guī)裝配式設計提供更具有經(jīng)濟效益的拆分限制條件。張學忠等[4]將BIM(building information modeling)技術運用于裝配式深化設計,并分析了BIM技術的優(yōu)勢,但這些都無法規(guī)避設計人員對預制構件拆分的影響。

生成式對抗網(wǎng)絡(generative adversarial networks, GAN)用于圖像生成可以得到較為真實的圖像,林志鵬等[5]將GAN用于宮頸細胞圖像生成,生成的圖像雖然較為真實,但無法達到圖紙一一對應的映射要求。布局設計一直是人工智能領域的研究熱點[6],多項研究表明,在建筑布局圖紙預測時采用生成式對抗網(wǎng)絡進行機器學習可以取得較為準確的預測結果[7-8]:Liu等[9]基于風格篩選構建了兩個校園布局小數(shù)據(jù)集進行pix2pix模型訓練,篩選后的數(shù)據(jù)集進行訓練可以得到更好的生成效果。孫澄等[10]基于pix2pix算法,將居住區(qū)輪廓作為輸入,訓練模型輸出強排設計平面圖,模型可在3 s內生成設計方案。Huang等[11]將pix2pixHD模型應用于建筑戶型圖紙的識別和生成,結果表明條件生成式對抗網(wǎng)絡(conditionally generative adversarial networks, CGAN)對于建筑圖紙預測具有較高的適用性。但近年來,結合設計邏輯思維過程探討基于疊合板拆分生成設計的相關研究仍較少。

以裝配式疊合板拆分為切入點,討論了基于圖集規(guī)則和人工選擇的數(shù)據(jù)集,通過進行數(shù)據(jù)集預處理,在給定樓板支座圖的情況下,模型自動生成疊合板拆分圖的能力。以期減少逐一枚舉的拆分用時消耗,為設計師提供了一種方便快捷的疊合板拆分設計方法。

1 研究方法和數(shù)據(jù)處理

本研究使用住宅樓疊合板拆分圖替代了傳統(tǒng)預測模型中的數(shù)據(jù)特征變量,利用pix2pix算法將樓板支座圖以及對應的疊合板拆分圖作為訓練樣本,使神經(jīng)網(wǎng)絡學習從疊合板支座圖到拆分圖之間的映射,從而對指定建筑樓板支座圖進行快速拆分生成。該機器學習拆分圖生成方法主要包括訓練數(shù)據(jù)集制作、模型機器學習以及預測模型評估等步驟,適用于各預制廠以及特殊限制中疊合板拆分的預測生成,其具體工作流程見圖1。訓練后的CGAN模型可以實現(xiàn)輸入樓板支座圖,快速輸出對應的疊合板拆分圖。

圖1 基于條件生成式對抗網(wǎng)絡(CGAN)的疊合板拆分機器學習流程Fig.1 Machine learning process of laminated plate splitting based on CGAN

1.1 CGAN模型構建

疊合板拆分CGAN模型根據(jù)pix2pix算法原理,采用全監(jiān)督方法的生成式對抗網(wǎng)絡,由G網(wǎng)絡(生成器)和D網(wǎng)絡(判別器)兩個核心網(wǎng)絡組成,由圖2所示兩個網(wǎng)絡通過交替迭代的方式優(yōu)化模型,使模型能實現(xiàn)將圖像到圖像的風格轉換[12]。根據(jù)pix2pix模型的核心思想,在輸入數(shù)據(jù)進行機器學習的階段不僅會加入噪聲(Z),同時為保證輸出的圖像可以與輸入的圖像形成對應,避免模型生成出真實卻非指定性的圖像,在輸入G網(wǎng)絡過程中加入具有影響輸出結果的條件,其算法工作原理見圖3。

LCGAN為CGAN損失圖2 條件生成式對抗網(wǎng)絡的優(yōu)化過程Fig.2 Optimization process of CGAN

圖3 算法工作原理流程圖Fig.3 Algorithm flow chart

本文中生成器采用U-Net_256架構[13],八個卷積層和八個反卷積層用于生成圖像,其網(wǎng)絡結構見圖4。該架構由編碼器(下采樣)、解碼器(上采樣)和跳躍連接組成,解碼器通過編碼數(shù)據(jù)提取特征,解碼器對編碼特征進行解碼,帶跳躍連接(skip-connections)的上采樣過程可以將上采樣結果與編碼器中具有相同分辨率的子模塊的輸出進行連接,進而實現(xiàn)在不損失大量輸入數(shù)據(jù)的情況下生成輸出數(shù)據(jù)。

圖4 生成器網(wǎng)絡架構示意圖Fig.4 Generator network architecture diagram

本文中判別器采用PatchGAN架構[14],由五個卷積層組成,可以將生成器生成的圖像映射到輸入圖像中。網(wǎng)絡將圖像的每個區(qū)域都輸出為單通道32×32的取值為0～1的預測概率圖,預測圖上的數(shù)值對應每個patch的真?zhèn)纬潭?取值接近0表示判別器認為該patch生成的圖像效果越不真實,取值接近1則表示判別器認為該patch生成效果越接近真實,最后網(wǎng)絡將平均值作為最終的輸出。損失配方包括L1、CGAN損失函數(shù)兩部分,L1損失函數(shù)會引導模型生成較為符合條件的圖像,CGAN損失函數(shù)可以使模型生成的圖像更加清晰。L1損失為真假圖像逐像素求差的絕對值求平均[式(1)],CGAN損失為普通條件生成對抗網(wǎng)絡模型的損失函數(shù)[式(2)],最終拆分圖生成模型的損失目標函數(shù)[式(1)]。即

LL1(G)=Ex,y[‖y-G(x)‖1](G)

(1)

LCGAN(G,D)=Ex,y(lg{1-D[x,G(x)]})+

Ex,y[lgD(x,y)]

(2)

G*=argminGmaxDLCGAN(G,D)+λLL1

(3)

式中:G為生成器;D為判別器;x為輸入圖;y為真實拆分圖;G(x)為生成器生成的拆分圖;λ為超參數(shù)。

1.2 圖紙數(shù)據(jù)采集

考慮到樣本質量對機器學習的影響,故在合理范圍對數(shù)據(jù)進行篩選。圖紙類型限制為采用桁架鋼筋混凝土疊合板的裝配式住宅樓建筑,圖紙相關信息要求完善,保證圖紙數(shù)據(jù)的可靠性。由于機器學習對圖像有像素限制,單個戶型長寬最大不得超過140 00 mm。通過對新疆新冶建筑集成科技有限公司提供的平面圖紙進行篩選,收集了總共53個建筑平面疊合板拆分圖,將平面圖拆分為符合要求的65個戶型圖,其中用于測試模型的樣本數(shù)量為5個。

1.3 數(shù)據(jù)標簽制作

本研究僅以單個戶型作為樣本單位,基于15G366-1《桁架鋼筋混凝土疊合板》圖集的標準作為拆分選擇[15],通過Revit三維建模平臺進行疊合板的模型拆分,利用Revit的圖像渲染功能生成符合pix2pix算法輸入的256×256像素大小PNG格式圖像?？紤]疊合板構件的標準化,由于本文研究重點在于驗證基于標準尺寸的疊合板拆分的可行性,根據(jù)15G366-1《桁架鋼筋混凝土疊合板》圖集制定拆分原則。拆分方向優(yōu)先選擇板面較長邊,若是長邊尺寸不符合則考慮短邊;若拆分時不能均分式拆分,則遵守左小右大、上小下大的放置順序;對長寬比不大于3的疊合板按雙向板拆分,雙向板之間采用整體式接縫或無接縫,雙向疊合板接縫寬度設置為300 mm,若長寬比大于3則拆分為單向板;疊合板拆分寬度可從圖集表示的五種標準尺寸中進行選擇,如表1所示。

表1 疊合板拆分標準尺寸Table 1 Standard size of laminated plate splitting

為了使機器學習能夠直接學習拆分關系,以及學習后反饋信息的可讀性,本文以疊合板寬度及類型為標簽的界定對象,為疊合板三維模型進行材質標簽處理。首先,創(chuàng)建一個標簽規(guī)則,該規(guī)則使用不同的顏色來表示不同寬度與類型的疊合板。然后,在Revit中利用三維可視化功能,通過三維模型族類型設置、視圖樣板設置以及三維樣式嵌套等步驟,制作三維標簽樣本。最后,利用Revit圖像渲染功能,通過視圖剪裁,指定渲染像素為256×256,確保樣本之間尺寸比例一致,導出標簽樣本數(shù)據(jù)以及只有支座和現(xiàn)澆板的輸入圖像。如圖5所示,為了使機器學習更好地區(qū)分顏色,共挑選出9種大跨度RGB組合用于標記。

圖5 標簽樣本圖像Fig.5 Label sample image

1.4 數(shù)據(jù)集增強

機器學習的效果極其依賴于樣本,數(shù)據(jù)集樣本的數(shù)量決定了網(wǎng)絡模型能夠學習的廣泛程度,而十位數(shù)量級對訓練模型來說過少[16]。因此,需要對數(shù)據(jù)集進行加強,為保證機器學習疊合板拆分盡可能保留拆分順序和拆分方向的學習,數(shù)據(jù)集的加強采用鏡像的方式,通過對60個樣本進行垂直鏡像,得到120個樣本用于訓練,剩下5份樣本不進行處理用于模型測試。

2 模型訓練及分析

首先,用只有支座和現(xiàn)澆板的平面圖作為輸入,用彩色拆分標記的平面圖作為輸出進行訓練模型。模型的兩大架構在博弈的過程中,掌握兩個能力,如何生成可以瞞過判別器的圖像,以及如何更準確地判別生成器生成的圖像是否真實并且是否符合輸入條件,最終模型在迭代過程中學習疊合板拆分的方法。訓練將120張數(shù)據(jù)作為一個epoch(迭代周期),一共訓練200個epoch。

如圖6所示模型在學習過程中不同迭代次數(shù)掌握的情況,在訓練剛開始時,生成的圖像非常模糊。經(jīng)50次迭代的學習,U-Net網(wǎng)絡基本不對支座進行處理。當訓練達到100次迭代時,網(wǎng)絡已經(jīng)具備一定的疊合板拆分能力,并對近一半的疊合板進行了拆分方向標注,對于整塊疊合板標簽生成具有較高的準確率。而達到200次迭代時,模型對于訓練集的學習已經(jīng)達到了飽和,輸出的拆分圖和真實的圖像基本吻合。

圖6 不同迭代次數(shù)的訓練圖像Fig.6 Training images of different epoch

值得注意的是,在迭代150次時輸出的訓練數(shù)據(jù),模型的一個標注錯誤被訓練有素的U-Net網(wǎng)絡發(fā)現(xiàn)了,原本1 800 mm的疊合板在Revit中因為族類型的選擇失誤被標記為拼接縫,但網(wǎng)絡成功地識別了這個區(qū)域。在這方面來看,網(wǎng)絡能發(fā)現(xiàn)并糾正人類的失誤也是它的一部分能力。

在訓練過程中,生成器G和判別器D通過博弈的方式不斷提高性能,生成器的損失值在博弈過程通過機器學習會呈現(xiàn)降低趨勢,而判別器的損失值會在生成器強大到足夠欺騙判別器后呈現(xiàn)增長趨勢。如圖7所示,整體模型的損失值趨勢符合目標函數(shù)的期望,生成器和判別器在150次迭代后進入能力相當?shù)碾A段,150次迭代后判別器和生成器的損失值依舊在訓練過程中往各自的全局最優(yōu)點靠近,呈現(xiàn)收斂趨勢,當訓練達到200次迭代,損失值波動幅度變小,因此訓練成功。

圖7 不同迭代次數(shù)的訓練圖像Fig.7 Training images of different epoch

3 模型預測結果分析

為評價訓練好的模型性能,首先基于計算機輔助設計軟件(autodesk computer aided design,CAD)對5份支座平面樣本進行人工拆分,平均每個樣本拆分時間為20 min。之后以5份原始樣本為測試數(shù)據(jù)集,將未給模型接觸過的這5份測試樣本輸入到訓練好的模型中進行輸出測試。結果顯示CGAN模型平均每個樣本的拆分圖生成時間為2 s,整個計算過程共耗時10 s,即采用CGAN模型節(jié)約了時間成本,大幅提升效率。

如圖8所示模型輸入測試集的生成結果,通過對比分析模型的樣本輸入、模型的輸出以及真實的樣本標簽從而檢驗模型性能。雖然模型生成的結果與真實的樣本標簽并不完全一致,但模型在訓練過程中一定程度上學習了疊合板拆分方法中拆分方向的選擇、拆分順序的選擇與拆分習慣等基本拆分原則。將機器學習與人類教育類比,培養(yǎng)計算機程序學習建筑知識,下面將通過模型學習到的拆分方法進行分析。

圖8 模型預測結果Fig.8 Model prediction results

3.1 模型拆分尺寸結果分析

首先統(tǒng)計模型輸出結果與真實樣本中疊合板各尺寸的數(shù)量,再從準確性分析生成結果。如圖9結果表明,模型拆分的疊合板尺寸與真實樣本疊合板尺寸吻合度為80%。在某些不明確色彩生成的區(qū)域,雖然模型沒有明確給出方案,但從區(qū)域中的RGB觀察,模型通常在模糊區(qū)域輸出一至三套方案,而方案相對于生成結果非常相近。因此,模型具有一定的尺寸選擇能力,在模糊的拆分輸出區(qū)域仍然具有一定的合理性。

圖9 疊合板尺寸統(tǒng)計Fig.9 Laminated plate size statistics

值得注意的是,如圖8中63號輸出樣本所示,模型在一個小區(qū)域嘗試了不同的幾個方案,而其中拆分方式中包含了平均拆分,這一現(xiàn)象在訓練還未成熟的時候也有體現(xiàn)。這與人類的拆分思維相似,在面對需要拆分的區(qū)域,模型會優(yōu)先采用均分方式。

3.2 模型拆分順序結果分析

在真實樣本制作過程中,疊合板拆分順序遵守左小右大、上小下大的規(guī)則。如圖8所示,在模型明確生成方案的區(qū)域,拆分順序的選擇均符合拆分規(guī)則,總共有25塊區(qū)域需要拆分2塊疊合板,合理選擇拆分順序的區(qū)域為20塊,即模型拆分順序選擇準確的占80%。因此,訓練好地模型在拆分順序選擇方面很好地掌握了基本規(guī)則。

3.3 模型拆分方向結果分析

模型對于疊合板拆分會優(yōu)先考慮垂直邊的拆分,模型生成的拆分圖與真實樣本圖在訓練中期大部分不一致都是因為拆分方向的選擇。由于數(shù)據(jù)的差異性及風格化,需要進行疊合板拆分的樓板長短邊方向有數(shù)量差,長邊在橫向的工作面出現(xiàn)頻率比短邊的頻率高,如圖8中65號所示,模型對于橫向邊拆分的樓板產(chǎn)生了不同的方案,模型識別區(qū)域長短邊相當?shù)那闆r下,優(yōu)先采用了垂直拆分,但拆分方向標注卻呈現(xiàn)為橫向邊拆分。

如表2所示,模型拆分方向與真實樣本保持一致的占82.76%,模型對于垂直拆分方案的選擇優(yōu)于真實樣本,而橫向邊拆分方案出現(xiàn)個別不合理現(xiàn)象。在訓練集中加入更多具有橫向邊拆分的圖像可能有助于解決這一問題。

表2 拆分方向的選擇統(tǒng)計Table 2 Selection statistics of splitting direction

3.4 CGAN模型拆分設計的優(yōu)勢分析

疊合板的施工及生產(chǎn)重要影響因素之一就是科學的疊合板拆分。當前,裝配式建筑快速發(fā)展,技術人員和崗位所需的專業(yè)能力匹配度不夠,中國不同地區(qū)、不同預制廠使用的模具通用性不高,對設計人員拆分疊合板造成極大的影響,導致預制廠生產(chǎn)難度增加。如圖10所示,利用CGAN模型的機器學習、圖像生成能力,廠家通過輸入具有自家設計風格的疊合板拆分數(shù)據(jù)集訓練生成貼合度更高的模型,模型生成拆分圖可以有效地縮減模數(shù),減少模具費用,改善方案縮減時間成本。

圖10 基于不同條件約束下的CGAN模型適用Fig.10 The CGAN model based on constraints is applicable

4 結論

本文提出了基于生成對抗網(wǎng)絡(CGAN)的疊合板拆分設計生成方法,基于Revit平臺建立了生成式對抗網(wǎng)絡訓練的疊合板拆分數(shù)據(jù)集以及樣本制作方法,研究了通過學習一定約束條件下的拆分規(guī)律,生成不同樓板支座圖下所對應的疊合板拆分設計圖。得到如下主要結論。

(1)本研究基于pix2pix算法構建的疊合板拆分CGAN模型在迭代200次后能夠輸出穩(wěn)定的疊合板拆分圖。評價驗證顯示拆分尺寸準確率達80%,拆分順序準確率達80%,拆分方向準確率達82.76%。因此,驗證結果均證明模型拆分圖像與人工拆分基本吻合,該方法具有一定的可行性。

(2)依據(jù)圖集拆分思維與拆分原則構建小數(shù)據(jù)集模型在數(shù)據(jù)增強后也能夠獲得較好的疊合板拆分布局生成效果。

(3)訓練后的CGAN模型可以在2 s內生成疊合板拆分并生成圖紙,可以滿足設計師對大量設計方案進行篩選和優(yōu)化調整的需求,為設計師提供了一種新的疊合板拆分方法。