(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111673685.2 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114417465 A (43)申请公布日 2022.04.29 (73)专利权人 清华大学 地址 100084 北京市海淀区双清路3 0号清 华大学 (72)发明人 陆新征　廖文杰　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 毛宏宝 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 李冰.基于隔震结构Benc hmark模型的隔震 层刚度分布分析研究. 《地震工程与工程振动》 .2012,第32卷(第5期),第127-13 5页. 审查员 伍小晴 (54)发明名称 基于深度学习的隔震结构生成方法及装置 (57)摘要 本发明提供一种基于深度学习的隔震结构 生成方法及装置， 方法包括： 获取待处理的建筑 设计图和隔震结构设计条件； 基于建筑设计图和 隔震结构设计条件， 得到上部结构设计图； 将上 部结构设计图和隔震结构设计条件输入隔震层 设计模型， 得到隔震层设计模型输出的隔震层布 置参数； 隔震层设计模型是基于隔震设计样本数 据对深度神经网络模型进行训练得到的； 基于隔 震层布置参数和上部结构设计图， 生成隔震结构 设计结果。 通过隔震层设计模型能够基于上部结 构设计图和隔震结构设计条件获得隔震层布置 参数， 进而得到合理的隔震结构设计结果， 可 以 有效提高隔震结构设计效率， 降低隔震结构设计 过程中对专业经验的依赖性。 权利要求书3页 说明书12页 附图7页 CN 114417465 B 2022.10.11 CN 114417465 B 1.一种基于深度学习的隔震结构生成方法， 其特 征在于， 包括： 获取待处 理的建筑设计图和隔震结构设计条件； 基于所述建筑设计图和所述隔震结构设计条件， 得到上部结构设计图； 将所述上部结构设计图和所述隔震结构设计条件输入隔震层 设计模型， 得到所述隔震 层设计模型输出 的隔震层布置参数； 其中， 所述隔震层设计模型是基于隔震设计样本数据 对深度神经网络模型进行训练得到的； 基于所述隔震层布置参数和所述上部结构设计图， 生成隔震结构设计结果； 利用所述隔震设计样本数据对预先构建的深度神经网络模型进行训练， 得到隔震层设 计模型， 包括： 将所述隔震设计样本数据中上部结构设计图样本和隔震结构设计条件样本输入参数 生成器， 输出隔震层布置参数样本； 将所述隔震层布置参数样本 输入参数评估器， 输出参数误差； 将所述隔震层布置参数样本和所述上部结构设计图样本输入性 能评估器， 输出隔震结 构的物理性能评估结果； 将所述隔震层布置参数样本和所述上部结构设计图样本输入性 能计算器， 输出隔震结 构的物理性能计算结果； 根据所述物理性能评估结果和所述物理性能计算结果， 得到性能评估损 失， 并基于所 述性能评估损失对所述 性能评估器进行优化； 基于优化后所述性能评估器输出的物理性 能评估结果以及所述参数误差， 得到参数生 成损失， 并基于所述 参数生成损失对所述 参数生成器进行优化； 直至所述 性能评估器和所述 参数生成器性能均达 到最优， 得到隔震层设计模型。 2.根据权利要求1所述的一种基于深度 学习的隔震结构生成方法， 其特征在于， 所述隔 震层设计模型通过如下 方式训练得到： 获取隔震设计样本数据； 根据所述隔震设计样本数据的数据量， 确定模型训练方式； 其中， 所述模型训练方式包 括监督训练、 半监 督训练以及无监 督训练； 通过确定的所述模型训练方式， 利用所述隔震设计样本数据对预先构建的深度神经网 络模型进行训练， 得到隔震层设计模型。 3.根据权利要求2所述的一种基于深度 学习的隔震结构生成方法， 其特征在于， 通过确 定的所述模型训练方式， 利用所述隔震设计样本数据对预先构建的深度神经网络模型进 行 训练， 得到隔震层设计模型之后， 还 包括： 对隔震层 设计模型进行评估， 根据评估结果判断所述隔震层 设计模型是否具备应用条 件。 4.根据权利要求1所述的一种基于深度 学习的隔震结构生成方法， 其特征在于， 将所述 隔震层布置参数样本 输入参数评估器， 输出参数误差， 包括： 将所述隔震层布置参数样本与预设的目标隔震参数进行误差计算， 并计算隔震层布置 参数样本的对称性与 均匀性， 综合得到参数误差 。 5.根据权利要求1所述的一种基于深度 学习的隔震结构生成方法， 其特征在于， 基于优 化后所述性能评估器输出 的物理性能评估结果以及所述参数误差， 得到参数生成损失， 包权　利　要　求　书 1/3 页 2 CN 114417465 B 2括： 对优化后所述性 能评估器输出的物 理性能评估结果和所述参数误差进行加权求和， 得 到参数生成损失； 其中， 所述参数误差的加权值和所述物理性 能评估结果的加权值均与训练迭代次数相 关。 6.根据权利要求1所述的一种基于深度 学习的隔震结构生成方法， 其特征在于， 将所述 隔震层布置参数样本和所述上部结构设计图样本输入性能计算器， 输出隔震 结构的物理性 能计算结果， 包括： 基于所述上部结构设计图样本， 构建多自由度结构分析模型； 基于所述隔震层布置参数样本， 构建单自由度隔震分析模型； 将所述多自由度 结构分析模型和所述单自由度隔震分析模型进行整合， 得到隔震结构 分析模型； 基于所述隔震结构分析模型， 对隔震结构进行力学性能分析和计算， 得到物理性能参 数； 将所述物理性能参数进行加权求和， 得到物理性能计算结果。 7.根据权利要求1所述的一种基于深度 学习的隔震结构生成方法， 其特征在于， 基于所 述隔震层布置参数和所述上部结构设计图， 生成隔震结构设计结果， 包括： 从所述上部结构设计图中分别提取 各个竖向构件的端点 坐标， 作为隔震构件坐标； 从所述隔震层布置参数中提取与所述隔震构件坐标对应的隔震构件参数； 基于所述隔震构件坐标以及所述隔震构件参数， 生成隔震结构设计结果。 8.根据权利要求1所述的一种基于深度 学习的隔震结构生成方法， 其特征在于， 所述建 筑设计图包括建筑构件设计图以及建筑空间设计图； 所述隔震结构设计条件 包括抗震设防参数、 建筑结构外形参数以及结构类型参数。 9.一种基于深度学习的隔震结构生成装置， 其特 征在于， 包括： 获取模块， 用于获取待处 理的建筑设计图和隔震结构设计条件； 第一处理模块， 用于基于所述建筑设计图和所述隔震结构设计条件， 获取相应的上部 结构设计图； 第二处理模块， 用于将所述上部结构设计图和所述隔震结构设计条件输入隔震层 设计 模型， 得到所述隔震层设计模型输出的隔震层布置参数； 其中， 所述隔震层设计模型是基于 隔震设计样本数据对深度神经网络模型进行训练得到的； 第三处理模块， 用于基于所述隔震层布置参数和所述上部结构设计图， 生成隔震结构 设计结果； 所述第二处理模块具体通过如下过程实现利用所述隔震设计样本数据对预先构建的 深度神经网络模型进行训练， 得到隔震层设计模型： 将所述隔震设计样本数据中上部结构设计图样本和隔震结构设计条件样本输入参数 生成器， 输出隔震层布置参数样本； 将所述隔震层布置参数样本 输入参数评估器， 输出参数误差； 将所述隔震层布置参数样本和所述上部结构设计图样本输入性 能评估器， 输出隔震结 构的物理性能评估结果；权　利　要　求　书 2/3 页 3 CN 114417465 B 3