基于BIM技術與模擬退火算法的村鎮輕鋼框架結構智能設計方法

周婷　孫克肇　陳志華　劉紅波

摘要：傳統村鎮住宅結構設計需要進行大量的人工試算與重復建模，而受制于建設成本，村鎮住宅無法像城鎮住宅一樣通過設計師進行專業的結構設計與驗算，其安全性與經濟性均難以滿足要求。為此，提出一種村鎮輕鋼框架結構智能設計方法，包括智能建模與智能優化兩個環節?；趫D層自動識別算法、光學字符識別技術、自適應分塊算法提出村鎮輕鋼框架結構BIM智能建模方法，包括圖層識別、軸文本數據提取、墻體輪廓提取等，智能建模結果基本滿足實際工程要求?；谔岢龅膬呻A段模擬退火算法給出村鎮輕鋼框架結構的智能優化方法，優化速度較快，優化效果良好。通過實際工程案例對提出的智能設計方法進行驗證，結果表明，提出的村鎮輕鋼框架結構智能設計方法具有可行性，與傳統的人工設計方法相比，設計周期可縮短70%以上，材料用量、結構設計指標接近人工設計結果。

關鍵詞：村鎮住宅；輕鋼框架結構；智能設計；BIM技術；模擬退火算法

中圖分類號：TU241.4；TU318? ? ?文獻標志碼：A? ? ?文章編號：2096-6717（2024）01-0139-13

Intelligent design of rural light steel frame structure based on BIM and simulated annealing algorithm

ZHOU Tinga， SUN Kezhaob， CHEN Zhihuac， LIU Hongboc

（a. School of Architecture； b. School of Future Technical； c. School of Civil Engineering， Tianjin University，

Tianjin 300072， P. R. China）

Abstract： In the traditional structural design process， rural buildings require a lot of manual calculations and repeated modeling. However， due to the constraint of construction cost， they cannot be designed and checked professionally as urban types， and the safety and economy are difficult to meet the requirements. In this study， an intelligent design approach for structural design of rural light steel frame structure was proposed， including the intelligent modeling and optimization. Based on the automatic layer classification method （ALCM）， optical character recognition technology （OCR） and adaptive block algorithm， BIM intelligent modeling method was proposed where layer recognition， the extraction of axis text data and wall contour were included， and generated structural models satisfied the requirements of engineering practice. Based on the proposed two-stage simulated annealing algorithm， the intelligent optimization method was proposed and verified by case histories. Results showed that the proposed intelligent design method was feasible. Compared with the traditional method， its time use could be shortened by more than 70%， and the material consumption and structural design parameters were similar.

Keywords： rural buildings； light steel frame structure； intelligent design； BIM technology； simulated annealing algorithm

近年來，中國村鎮經濟的發展突飛猛進[1]，在住宅建設熱潮的推動下，中國村鎮住宅的發展從量的增加轉變為質的提高，建設質量和居住條件的改善成為下一階段村鎮住宅發展的必然要求[2]。中國傳統的建筑結構設計多依賴于YJK、PKPM等結構設計軟件的力學分析結果，憑借工程師的經驗對建筑結構設計進行人為調整，包括較為合理的構件截面取值和布置，使其滿足相關國家規范要求，在保證結構可靠性、安全性的同時降低建筑材料成本[3]。然而，這種方法受工程師人為主觀因素的影響較大，耗力耗時，無法滿足中國建筑行業快速發展的需求。且在中國村鎮住宅的結構設計中，受經濟條件的制約，很難做到每一個村鎮住宅都由工程師進行精確縝密的結構設計。村鎮住宅的設計與施工普遍是直接采用網上的標準住宅圖集，存在抗災能力不足、資源浪費嚴重等共性問題，安全性與經濟性不能得到充分驗證[4-5]。針對上述問題，探索一套符合中國國情、適用于村鎮住宅的低成本結構設計流程就十分必要。

與中國村鎮住宅應用較多混凝土結構、砌體結構相比，輕鋼框架結構具有結構形式簡單、輕質高強、延性好、施工方便等優點，應在村鎮地區推廣應用[6]。以建筑結構智能設計技術實現結構模型的智能建模和結構方案的智能優化，能有效改善傳統結構設計效率低下的問題，并保證優化后結構的安全性和經濟性[7-8]。因此，研究輕鋼框架結構的智能設計方法對保證村鎮建筑行業的快速發展具有重要意義。

結構計算模型的智能建模和結構方案的智能優化是建筑結構智能設計技術中最重要的兩部分，其中智能建模是智能優化的先決條件[9]。智能建模方面，目前研究多集中于多高層建筑圖紙的BIM模型自動生成方法，少有涉及到結構計算模型的智能生成。建筑圖紙包括圖像和矢量文件兩類。針對建筑圖像，Zeng等[10]采用多任務網絡方式，以房間邊界為導向來識別圖形基本原語；Zhao等[11-12]基于深度學習、圖像處理和光學字符識別的混合方法從圖像中提取墻和門洞；Liu等[13]基于卷積神經網絡檢測圖像中的墻連接點，從而完成墻壁的定位。針對建筑矢量文件，Domínguez等[14]引入墻鄰接圖、墻體分塊算法的概念來檢測墻體；Yin等[15-16]基于圖層分類方法來識別文本、窗口、墻體。智能優化方面，許多學者已對鋼筋設計、復雜高層結構設計等進行了大量的研究，Delyová等[17]將改進的遺傳算法應用至鋼桁架的優化設計中，實現了桁架尺寸和布置位置的拓撲優化；Baghdadi等[18]使用粒子群優化算法，結合MATLAB與有限元計算軟件進行建筑平面布局優化，旨在實現不規則的墻壁與樓板布置下梁的最佳布局設計；Gholizadeh等[19-20]采用蝙蝠算法和海豚回聲算法，研究了剪力墻位置的優化，以得到最優布局。對于村鎮住宅的結構設計，相較于其他結構形式，其約束條件不同，體量規模較小，構件的種類和數量也較少；再考慮到村鎮經濟條件的制約，因此要求適用于村鎮住宅的算法更加簡便、通用。綜上可見，目前針對村鎮住宅的結構智能設計仍處于空白狀態，如何實現高效、經濟的村鎮住宅結構設計仍有待研究。

為此，筆者以村鎮住宅為研究對象，開展結構智能設計方法的研究?；诖彐傋≌瑯藴蕡D集，智能生成所對應的輕鋼框架結構模型，并應用智能優化算法自動迭代計算，直至得到滿足安全性與經濟性的結構布置方案。綜合圖層自動識別算法、光學字符識別技術、自適應分塊算法，提出BIM智能建模方法；針對參數化的結構BIM模型，提出基于改正后的兩階段模擬退火算法的智能優化方法；結合實際工程案例，對所提出的智能設計方法進行應用，以驗證方法的可行性與有效性。通過提出的智能建模和智能優化方法，可以為村鎮住宅提供一套簡便、經濟、高效的智能設計方法。

1 BIM結構智能建模

村鎮住宅多為混凝土結構和砌體結構，其設計與施工多直接根據標準住宅圖集進行，在保證整體戶型設計不變的情況下，依照原建筑基本軸線，采用綜合圖層自動識別算法、光學字符識別技術、自適應分塊算法的混合方法，提取圖層關鍵數據，重新進行輕鋼框架結構構件布置，從而實現村鎮住宅BIM結構智能建模。

1.1 圖層識別

標準住宅圖集對應的建筑圖紙通常為矢量圖形文件。因此，可采用圖層自動識別算法（ALCM）[15-16]完成軸文本、墻等關鍵圖層信息的提取。

圖層自動識別算法是由Yin等[15-16]提出的矢量圖形文件圖層提取算法，可快速確定標準圖紙的關鍵圖層名稱，進而有效提取圖層數據。圖層識別從搜索每個圖層的特征元素（FE）開始，特征元素是結構對象或注釋中最具區分性和代表性的元素。軸線的特征元素為線條，軸文本的特征元素為文字或者數字。其次，檢查特征元素的屬性（Attr）是否滿足某些條件，如果特征元素的屬性與目標類型的屬性一致，則特征元素匹配該對象的可能性更大。除了特征元素的自身屬性外，特征元素的鄰近元素是決定其與目標類別匹配程度的另一個重要元素。這種對特征元素具有關系約束的鄰近元素為相關元素（RE），與特征元素一樣，相關元素的屬性也需要檢查。此外，特征元素和相關元素之間應該符合建筑圖紙中要求的拓撲結構關系（Rel）。由于建筑圖紙制圖規定和建筑設計的多樣性，用于判斷特征元素和相關元素屬性和拓撲關系的一些條件是必要的，而其余一些條件是非必要的。根據條件對識別結果的影響程度，將其劃分為必要條件（NC）和充分條件（SC）。圖層FE-RE結構如圖1所示，在判斷某個圖層是否為目標層時，先檢查圖層的FE和RE的NC是否都滿足，再檢查FE和RE的SC，按照式（1）計算單個得分，最后通過式（2）計算總得分，得分最高圖層即為目標層。整個圖層自動識別流程如圖2所示，圖3（a）是建筑矢量圖形源文件，圖3（b）是圖層自動識別的結果。

式中：Score為每個圖層的FE與目標圖層的匹配度得分；N（SC==True）為符合匹配條件的SC的數目；N（SC）為識別某圖層FE-RE結構的充分條件個數；Totalscore為總匹配度得分。

1.2 軸文本數據提取

通過圖層自動識別算法可以獲取到建筑圖紙中有用的圖層信息，在識別得到的圖層基礎上對軸文本的數據進行提取。采用光學字符識別（OCR）技術，將軸文本信息從原始建筑圖紙中分離出來，為后續構件定位和構件初選提供數據支撐。為提升魯棒性并保證所識別數據的準確性，將軸文本數據分成水平和垂直文本，依次逐塊識別，如圖4所示，并根據其在建筑圖紙中的位置保存到兩個Excel電子表格中，如圖5所示。

1.3 墻體輪廓提取

對于村鎮輕鋼框架結構，可以采取框架柱布置于軸線交點上、框架梁布置于軸線上的布置方式?？紤]到由于繪圖的不規范性導致的部分建筑圖紙定位軸線殘缺或贅余情況，借助提取的軸文本數據，重新繪制建筑定位線。除此之外，為避免結構構件布置于建筑室內空間和建筑主體之外，需要通過建筑墻體來精確結構構件布置。利用圖層自動識別算法對建筑平面圖中的墻體進行識別，得到如圖6（a）所示的墻體，部分墻體的線段被門窗斷開。為此，采用自適應分塊的墻體輪廓提取算法[21]，對已有墻體數據進行處理，從而提取墻體的完整輪廓。

自適應分塊的墻體輪廓提取算法是李昌華等[21]提出的墻體識別算法，解決了建筑平面圖中坐標點不均勻分布引起的輪廓誤差問題。其基本思想是把離散點數據劃分為大小相同的格網，離散點數據對應著圖6（a）中所有墻壁線段的特征坐標點，如圖6（b）所示，格網的大小為一個動態變化的值，與每個格網中的最佳平均坐標點數量M有關，可通過式（3）～式（6）進行計算。

形的寬和高；ρ為坐標點的密度期望；n為給定點集中所有的坐標點數量；s為搜索圓外接正方形面積；A為給定點集覆蓋的區域面積。

計算所圍矩形中墻體坐標點的各極值點，沿順時針方向連接各極值點成有向線段，并劃分矩形為5個區域Ⅰ～Ⅴ，如圖6（c）所示。采用快速排序算法，按坐標遞增方向進行排序，逐區域提取兩側端點連線，將整個點集劃分為上下區域，依次判斷點集內其余各點與有向線段的位置關系。將上區域中的點按坐標遞增的順序擬合連接，下區域中的點按坐標遞減的順序擬合連接，即可得到墻體完整輪廓，如圖6（d）所示。

1.4 結構構件初選與自動布置

對于村鎮輕鋼框架結構住宅，框架梁多采用高頻焊接H型鋼，框架柱多采用鍍鋅鋼管。結合《鋼結構住宅主要構件尺寸指南》[22]和《低層冷彎薄壁型鋼房屋建筑技術規程》（JGJ 227—2011）[23]確定村鎮住宅常用框架梁、框架柱的截面尺寸，如表1所示。通過在Revit平臺建立與之對應的各類族文件，形成裝配式村鎮住宅輕鋼結構構件庫。如圖7所示，根據光學字符識別技術提取到的軸文本數據所對應的構件跨度，按照梁高跨比為1/12、梁柱線剛度比為4的設計原則，計算框架梁柱的理論截面尺寸，并與裝配式村鎮住宅輕鋼結構構件庫里已有的梁柱截面類型進行匹配，選擇村鎮住宅的初始構件截面。

結構構件自動布置的操作借助可視化編程平臺Dynamo實現。設計師無須花費大量時間學習程序語言，只需調用內置節點，按照一定編程邏輯，用連接線將各節點的輸入端與輸出端相連，便可在Revit中實現結構構件自動布置，規避常規“積木式”建模方法，如圖8所示。結構構件布置原則可歸納為：1）框架柱布置于軸線交點；2）框架梁布置于軸線上；3）框架梁柱避免出現在建筑室內空間和建筑主體之外；4）框架梁兩端均搭接在框架柱之上，避免出現懸臂梁。1）和2）的實現路徑是借助于光學字符識別技術提取到的完整軸文本數據。3）和4）的實現路徑是對已生成的結構構件，包括框架梁和框架柱，與自適應分塊算法提取到的墻體輪廓模型進行碰撞檢測。

1.5 智能建模流程及適用范圍

村鎮輕鋼框架結構智能建模包括圖層識別、軸文本數據提取、墻體輪廓提取、結構構件初選與自動布置、數據文件生成5個模塊，如圖9所示。對于圖層識別模塊，模塊輸入是標準住宅圖集對應的建筑矢量圖形文件，模塊輸出是目標圖層集合；軸文本提取模塊輸出的是建筑圖形文件里的全部軸文本信息；墻體輪廓提取模塊輸出的是建筑圖形文件里的建筑墻體完整輪廓；結構構件初選與自動布置模塊輸出的是結構構件初選參數與村鎮住宅BIM結構模型。數據文件生成模塊的功能是將BIM平臺與YJK等結構計算軟件進行聯動，通過對YJK API接口的二次開發，設置內置程序自動進行荷載布置和樓層組裝，生成村鎮住宅BIM結構模型對應的YDB計算文件，從而完成村鎮輕鋼框架結構的智能建模。荷載布置包括結構構件自重、梁線荷載和樓板面荷載。結構構件自重和梁線荷載根據工程師輸入的材料密度、墻芯容重、梁上墻的高度和寬度自動計算得到。樓板面荷載初始設置為恒1.5、活2的固定值，后期由工程師進行適當調整。

目前，文中所提出的智能建模方法只適合低層輕鋼框架結構的抗震設計。在未來的研究中，可進一步考慮村鎮輕鋼框架結構的節點設計、施工深化設計等，真正意義上實現全流程的村鎮住宅智能設計。

2 結構智能優化

依照建筑矢量圖形文件智能生成的村鎮輕鋼框架結構模型設計往往較為保守。受制于村鎮地區的經濟條件，需要對初選的村鎮輕鋼框架結構模型進行優化。模擬退火算法，作為一種元啟發式優化技術，憑借實現方式簡單、收斂速度較快的特點，在土木工程領域得到了廣泛應用。相較于在結構優化領域應用較多的粒子群和遺傳算法，模擬退火算法不需要進行大量并行計算，每一迭代步的計算速度較快，更加適用于村鎮住宅這種變量和維度較少的優化設計之中?；贖asan?ebi等[24]對模擬退火算法的改進，提出一種兩階段模擬退火算法，解決了由此產生的設計優化問題。

2.1 設計變量

村鎮輕鋼框架結構的結構行為受框架梁柱的布局方式和截面尺寸控制。因此，所采用的設計變量集由表示為S（式7）和A（式8）的兩個設計變量組成。布局設計變量S包括用于更改村鎮輕鋼框架結構布局方式的所有拓撲變量，即定義初選的村鎮輕鋼框架結構模型各框架梁、框架柱的布爾值（存在和不存在）。尺寸設計變量A包括村鎮輕鋼框架結構模型所有結構構件的截面尺寸。由于結構構件是從裝配式村鎮住宅輕鋼結構構件庫中選擇的，在該構件庫中，以橫截面面積增加的順序對離散鋼構件截面進行分類和索引。因此，各構件截面尺寸可以用對應于構件庫中所選鋼構件截面的索引號整數值代替。

式中：i為第i個梁構件；li為第i個梁構件的長度；j為第j個柱構件；lj為第j個柱構件的長度；A_b^i為第i個框架梁的截面尺寸對應于構件庫中所選截面的索引號；A_c^j為第j個框架柱的截面尺寸對應于構件庫中所選截面的索引號；S_（A_b^i ）表示索引號為A_b^i的框架梁構件截面面積;S_（A_c^j ）表示索引號為A_c^j的框架柱構件截面面積。

2.3 約束條件

根據《建筑抗震設計規范》（GB 50011—2010）[25]和《鋼結構設計標準》（GB 50017—2017）[26]規定，在村鎮輕鋼框架結構的優化設計中考慮以下結構約束條件：

式中：λ_1為懲罰系數；n為約束條件總數。

偽目標函數作為一種考慮結構總用鋼量和所有約束條件的綜合指標，可以將強約束結構優化設計問題簡化為無約束問題。當結構不滿足約束條件時，式（16）后一項將遠大于0，偽目標函數大于結構總用鋼量；當結構滿足所有的約束條件時，式（16）后一項為0，偽目標函數等于結構總用鋼量。因此，偽目標函數值越小，其對應的結構設計越好，既能實現經濟性，又能滿足所有的約束條件。

2.4 兩階段模擬退火算法

模擬退火算法與其他多數元啟發式方法一樣，只針對設計空間的部分隨機搜索而工作，需要使用較長的計算時間來定位最優，是一種不確定的搜索技術。通過Hasan?ebi等[24]改進的模擬退火算法對村鎮輕鋼框架結構進行布局和尺寸優化設計往往需要較長的計算時間和大量的精力，增加了結構設計成本。為此，提出一種兩階段模擬退火優化方法，從而在更短的時間內找到村鎮輕鋼框架結構的最佳設計方案。在該方法的第1階段，僅通過模擬退火算法優化結構布局參數，基于完全應力設計的啟發式方法對構件尺寸設計進行調整，在相對較少的迭代次數（冷卻周期）中快速改進初始設計。在第2階段，將先前獲得的最佳設計用作初始解決方案，并在一組新的退火參數下，針對結構布局設計變量和構件尺寸設計變量進行迭代優化，直至得到安全性和經濟性都滿足的結構設計方案，從而實現智能優化目標。該算法的主要流程見圖10。

Step2：初始設計生成。設定BIM結構智能建模得到的村鎮輕鋼框架結構設計方案為初始設計，通過YJK結構計算軟件完成對初始設計的結構力學分析，基于Python二次開發技術對結構的計算結果進行提取和整理，使用式（16）計算初始設計的偽目標函數。

Step3：候選設計的創建與調整。每組結構拓撲由村鎮輕鋼框架結構中的框架梁、框架柱對應的布局設計變量布爾值（即存在和不存在）組成，通過隨機擾動初始設計的一個或者多個布局設計變量布爾值來獲得新的結構布局，并基于完全應力設計的啟發式方法在新的村鎮輕鋼框架結構設計方案下使用以下迭代算法調整所有構件的截面尺寸，從而生成候選設計。

1）設置所有構件的尺寸設計變量為1。需要注意的是，各構件的尺寸變量用對應于構件庫中所選截面的索引號來表示。也就是說，將所有框架梁、框架柱的截面設置為構件庫中最小的截面型號。

2）對每個候選設計進行結構分析。

3）僅檢查各構件的應力約束，包括正應力約束和穩定應力約束。對于應力超限的構件，通過增加該構件的尺寸設計變量，從構件庫列表中選用更大的截面，并使用等式保持其他變量不變。

4）重復2）和3），直到所有構件均滿足應力約束或所有構件的截面尺寸都設置為構件庫中的最大截面。

Step4：候選設計評估與Metropolis測試。每次生成候選設計時，都會與當前設計的偽目標函數競爭。如果候選設計提供了更好的設計方案，則自動接受并替換當前設計；否則，使用式（20）～式（22）確定的不良候選設計接受概率P進行Metropolis測試。Metropolis是通過生成一個介于0和1之間的隨機數r

Step7：終止標準。重復Step3～Step6，直到執行完整個冷卻循環過程。

階段2：在所提出方法的第2階段，模擬退火算法針對結構布局和構件尺寸設計變量一起進行迭代優化，不再從BIM結構智能建模得到的村鎮輕鋼框架結構設計方案隨機生成的設計開始，而是將階段1獲得的最佳設計用作階段2的初始設計。因此，與階段1不同的是，階段2的搜索是從一個較為合理的設計方案開始的，不再需要一個非常詳細的冷卻進度表。階段2選用較為溫和的冷卻進度表，也就是較少的迭代次數和較快的冷卻速率，并應用一組新的退火參數。案例結果表明，階段2產生了與模擬退火算法相當的解決方案，但前者采用了較為溫和的冷卻進度表，因此，只需要更少的計算時間，從而降低設計成本。

3 實際工程案例

3.1 工程概況

以河北張家口某村鎮輕鋼框架結構住宅為例，對智能建模與優化方法進行驗證。圖11是2層村鎮住宅的建筑平面圖，平面尺寸是12.9 m×9.6 m，層高為6 m。該建筑的建筑類別為丙類，設計使用年限為50 a，抗震設防烈度為7度（0.1g），設計地震分組為第二組，場地類別為Ⅲ類，特征周期為0.55 s，場地粗糙度類別為B類，修正后的基本風壓為0.55 m/s。荷載信息為：梁的線荷載取值2.8 kN/m；樓面板的恒載和活載分別取值1.5、2.0 kN/m2。

3.2 智能建模效果評估

圖12為BIM平臺中自動生成的輕鋼框架結構模型。從圖中可以看出，輕鋼框架結構構件的布置符合布置原則。借助于BIM軟件自帶的接口，將自動生成的各層村鎮輕鋼框架結構BIM模型導入至YJK計算軟件，并基于對YJK API接口的二次開發，自動進行荷載布置和樓層組裝。圖13是最終導入至YJK軟件的算例模型，各層分別與圖12中各層的結構BIM模型相對應。結構計算的前處理參數仍需手動設置，輸入完成后即可生成村鎮輕鋼框架結構模型對應的YDB計算文件，后續可基于Python二次開發技術對結構的計算結果進行提取和整理。整個村鎮輕鋼框架結構智能建模耗時約6 min，有效提高了建模與設計效率。

3.3 優化效果評估

采用普通模擬退火算法和兩階段模擬退火算法對案例的YJK模型進行智能優化，每個算法各執行3次獨立運算，表2和表3分別展示了兩種算法每次運算后的結構總用鋼量和計算時間。普通模擬退火算法3次結構優化的平均用鋼量為3 072.58 kg，平均時間為127 min，用鋼量的標準差為136.77 kg；而兩階段模擬退火算法3次結構優化的平均用鋼量為3 054.54 kg，平均時間為95 min，用鋼量的標準差為56.61 kg。由此可見，兩階段模擬退火算法表現出比普通模擬退火算法較優的優化性能，收斂性較好，并且大大減少了迭代優化的時間。

表4為智能建模初始設計方案、結構工程師設計方案、智能優化設計方案的結構設計指標對比結果，圖14為3種設計方案的結構布置圖對比，圖15為3種設計方案的各結構構件的應力比對比圖?？梢钥闯?，與智能建模初始設計方案相比，智能優化設計方案的結構用鋼量降低了13.60%；與結構工程師設計方案相比，結果相差2.67%。智能優化設計方案給出的結構布置與結構工程師設計方案較為類似，且在滿足承載能力極限狀態和正常使用極限狀態的設計要求下，結構設計指標相當。對于一棟2～3層左右的村鎮輕鋼框架結構住宅，結構工程師通常需要花費8～10 h進行模型調整與優化，而智能建模與優化僅僅需要2 h左右，設計周期縮短了77.8%。由此可見，所提出的村鎮輕鋼框架結構智能設計方法具有效率高、周期短、成本低等優點，僅需要工程師進行少量干預，即可完成結構建模、設計、優化工作，具有一定的推廣價值與應用前景。

4 結論

針對傳統村鎮住宅受制于建設成本，多直接應用住宅標準圖集進行設計與施工，缺乏結構設計與驗算的問題，提出一種村鎮輕鋼框架結構的智能設計方法，基本實現了村鎮輕鋼框架結構的模型智能生成與優化，并通過實際工程案例驗證了該方法的可行性與有效性，主要結論如下：

1）提出了基于圖層自動識別算法、光學字符識別技術、自適應分塊算法的村鎮輕鋼框架結構BIM智能建模方法，智能建模結果可以滿足實際工程要求，并可作為結構初始設計方案，以進行后續優化。

2）提出了基于兩階段模擬退火算法的村鎮輕鋼框架結構智能優化方法，減少了普通模擬退火算法尋找最優結果的迭代時間，方法收斂性好，優化性能較優。

3）實際工程案例表明，所提出的村鎮輕鋼框架結構智能設計方法具有可行性，結構設計周期可縮短70%以上，且智能優化設計方案的結構總用鋼量和其他結構設計關鍵指標與結構工程師優化方案相當。

4）提出的智能設計方法仍需工程師對數據輸入和信息傳遞進行少量干預，且局限于輕鋼框架結構，在未來的技術研究中，可進一步考慮其他結構類型在結構表達與生成、智能優化與評估等方面的研究，真正意義上實現村鎮住宅全流程的智能化設計。

參考文獻

[1]? ZHOU J， YU L， CHOGUILL C L. Co-evolution of technology and rural society： The blossoming of Taobao Villages in the information era， China [J]. Journal of Rural Studies， 2021， 83： 81-87.

[2]? WANG W X， GONG H L， YAO L Y， et al. Preference heterogeneity and payment willingness within rural households’ participation in rural human settlement improvement [J]. Journal of Cleaner Production， 2021， 312： 127529.

[3]? 周俊文， 劉界鵬. 基于多種群遺傳算法的鋼框架結構優化設計[J/OL]. 土木與環境工程學報（中英文）， 2024， 46（1）： 71-81.

ZHOU J W， LIU J P. Optimization design of steel frame structure based on multipopulation genetic algorithm [J]. Journal of Civil and Environmental Engineering， 2024， 46（1）： 71-81.（in Chinese）

[4]? 孫得璋， 黃勇， 楊振宇， 等. 九寨溝7.0級地震中典型非結構構件震害特征[J]. 地震工程與工程振動， 2019， 39（1）： 27-34.

SUN D Z， HUANG Y， YANG Z Y， et al. Seismic damages of typical nonstructural components in the Ms7.0 Jiuzhaigou earthquake [J]. Earthquake Engineering and Engineering Dynamics， 2019， 39（1）： 27-34. （in Chinese）

[5]? 潘毅， 陳建， 包韻雷， 等. 長寧6.0級地震村鎮建筑震害調查與分析[J]. 建筑結構學報， 2020， 41（Sup1）： 297-306.

PAN Y， CHEN J， BAO Y L， et al. Seismic damage investigation and analysis of rural buildings in MS6.0 Changning earthquake [J]. Journal of Building Structures， 2020， 41（Sup1）： 297-306. （in Chinese）

[6]? 李國強， 陳素文. 從汶川地震災害看鋼結構在地震區的應用[J]. 建筑鋼結構進展， 2008， 10（4）： 1-7， 62.

LI G Q， CHEN S W. From the damage by Wenchuan earthquake to the application of steel building in seismic zone [J]. Progress in Steel Building Structures， 2008， 10（4）： 1-7， 62. （in Chinese）

[7]? 劉紅波， 張帆， 陳志華， 等. 人工智能在土木工程領域的應用研究現狀及展望[J]. 土木與環境工程學報（中英文）， 2024， 46（1）： 14-32.

LIU H B， ZHANG F， CHEN Z H， et al. Applied research status and prospects of artificial intelligence in civil engineering field [J]. Journal of Civil and Environmental Engineering， 2024， 46（1）： 71-81.（in Chinese）

[8]? 鮑躍全， 李惠. 人工智能時代的土木工程[J]. 土木工程學報， 2019， 52（5）： 1-11.

BAO Y Q， LI H. Artificial intelligence for civil engineering [J]. China Civil Engineering Journal， 2019， 52（5）： 1-11. （in Chinese）

[9]? 程國忠， 周緒紅， 劉界鵬， 等. 基于深度強化學習的高層剪力墻結構智能設計方法 [J]. 建筑結構學報， 2022， 43（9）： 84-91.

CHENG G Z， ZHOU X H， LIU J P， et al. Intelligent design method of high-rise shear wall structures based on deep reinforcement learning [J]. Journal of Building Structures， 2022， 43（9）： 84-91. （in Chinese）

[10]? ZENG Z L， LI X Z， YU Y K， et al. Deep floor plan recognition using a multi-task network with room-boundary-guided attention [C]//2019 IEEE/CVF International Conference on Computer Vision （ICCV）. October 27 - November 2， 2019， Seoul， Korea （South）. IEEE， 2020： 9095-9103.

[11]? ZHAO Y F， DENG X Y， LAI H H. Reconstructing BIM from 2D structural drawings for existing buildings [J]. Automation in Construction， 2021， 128： 103750.

[12]? ZHAO Y F， DENG X Y， LAI H H. A deep learning-based method to detect components from scanned structural drawings for reconstructing 3D models [J]. Applied Sciences， 2020， 10（6）： 2066.

[13]? LIU C， WU J J， KOHLI P， et al. Raster-to-vector： Revisiting floorplan transformation [C]//2017 IEEE International Conference on Computer Vision （ICCV）. October 22-29， 2017， Venice， Italy. IEEE， 2017： 2214-2222.

[14]? DOMíNGUEZ B， GARCíA á L， FEITO F R. Semiautomatic detection of floor topology from CAD architectural drawings [J]. Computer-Aided Design， 2012， 44（5）： 367-378.

[15]? YIN M T， YE Z H， TANG L， et al. An automated layer classification method for converting CAD drawings to 3D BIM models [C]//MUTIS I， HARTMANN T. Advances in Informatics and Computing in Civil and Construction Engineering. Cham： Springer， 2019： 67-76.

[16]? YIN M T， TANG L， ZHOU T Y， et al. Automatic layer classification method-based elevation recognition in architectural drawings for reconstruction of 3D BIM models [J]. Automation in Construction， 2020， 113： 103082.

[17]? DELYOVá I， FRANKOVSKY P， BOCKO J， et al. Sizing and topology optimization of trusses using genetic algorithm [J]. Materials， 2021， 14（4）： 715.

[18]? BAGHDADI A， HERISTCHIAN M， KLOFT H. Design of prefabricated wall-floor building systems using meta-heuristic optimization algorithms [J]. Automation in Construction， 2020， 114： 103156.

[19]? GHOLIZADEH S， SHAHREZAEI A M. Optimal placement of steel plate shear walls for steel frames by bat algorithm [J]. The Structural Design of Tall and Special Buildings， 2015， 24（1）： 1-18.

[20]? GHOLIZADEH S， POORHOSEINI H. Seismic layout optimization of steel braced frames by an improved dolphin echolocation algorithm [J]. Structural and Multidisciplinary Optimization， 2016， 54（4）： 1011-1029.

[21]? 李昌華， 田思敏， 周方曉. 自適應分塊的BIM墻體輪廓提取及三維重建研究[J]. 計算機科學與探索， 2018， 12（3）： 452-461.

LI C H， TIAN S M， ZHOU F X. Extracting contour of BIM wall based on adaptive block and 3D reconstruction research [J]. Journal of Frontiers of Computer Science and Technology， 2018， 12（3）： 452-461. （in Chinese）

[22]? 住房和城鄉建設部科技與產業化發展中心. 鋼結構住宅主要構件尺寸指南[M]. 北京： 中國建筑工業出版社， 2021.

Technology and Industrialization Development Center of Ministry of Housing and Urban-Rural Development. Guide for main component size of steel structure residences [M]. Beijing： China Architecture & Building Press， 2021. （in Chinese）

[23]? 低層冷彎薄壁型鋼房屋建筑技術規程： JGJ 227—2011[S]. 北京： 中國建筑工業出版社， 2011.

Technical specification for low-rise cold-formed thin-walled steel buildings： JGJ 227—2011 [S]. Beijing： China Architecture & Building Press，， 2011. （in Chinese）

[24]? HASAN?EBI O， ?ARBA? S， SAKA M P. Improving the performance of simulated annealing in structural optimization [J]. Structural and Multidisci-plinary Optimization， 2010， 41（2）： 189-203.

[25]? 建筑抗震設計規范： GB 50011—2010 [S]. 北京： 中國建筑工業出版社， 2010.

Code for sesmic design of buildings： GB 50011—2010 [S]. Beijing： China Architecture & Building Press， 2010. （in Chinese）

[26]? 鋼結構設計標準： GB 50017—2017 [S].北京： 中國建筑工業出版社， 2017.

Standard for design of steel structures： GB 50017-2017 [S]. Beijing： China Architecture & Building Press， 2017. （in Chinese）

（編輯? 王秀玲）

收稿日期：2022?11?22

基金項目：國家重點研發計劃（2019YFD1101005）；國家建筑工程技術研究中心開放基金（BSBE2022-13）

作者簡介：周婷（1984- ），女，博士，副教授，主要從事鋼結構研究，E-mail： zhouting1126@126.com。

通信作者：陳志華（通信作者），男，教授，博士生導師，E-mail： zhchen@tju.edu.cn。

Received： 2022?11?22

Foundation items： National Key Research and Development Program of China （No. 2019YFD1101005）; National Construction Engineering Technology Research Center Open Fundation Project （No. BSBE2022-13）

Author brief： ZHOU Ting （1984- ）， PhD， associate professor， main research interest： steel structure， E-mail： zhouting1126@126.com.

corresponding author：CHEN Zhihua （corresponding author）， professor， doctorial supervisor， E-mail： zhchen@tju.edu.cn.