浅析结构选型中的设计方法及问题

【摘 要】现阶段，国内对于高层建筑结构选型的研究已经是相对完善了，结构选型在国内早在80年代就有人研究，而且方法众多，就此，本文结合笔者多年结构设计经验，简要阐述下结构选型中的传统设计方法与智能设计方法，并分别叙述各种方法的缺陷。

【关键词】结构选型；传统设计；智能设计

1、传统设计

1.1经验设计法

经验设计法就是主要由设计者凭借他们多年的设计经验在综合各种结构形式的优缺点后得出的比较满意的结构型式。这是一种靠设计人员或决策者“拍脑袋”决定的经验设计方法。这种方法只适应于早期结构型式和建筑材料比较简单的的时期。在这个时期一个设计师几乎一个人就可以负责建筑设计、结构设计、施工图设计。因此结构选型的问题并不是受到重视，但是随着土木工程技术的发展，新材料、新理论、新方法、新技术、新思想的不断发展，结构的形势变得越来越丰富，也越来越复杂，因此结构选型的问题也日益突出。

1.2优化设计法

自古以来，人们在工程实践中已经产生了方案优选的思想，慎重的设计人员总是要研究几种可能的方案，再从其中选择最佳方案。结构形式从梁演变为拱、桁架、穹顶等就是人们在长期的工程实践中搜索与寻求重量轻、材料省、受力性能好的结构形式中的经验总结。但是由于各方面因素的限制，结构的优化设计一直没有实现。随着有限元方法的成熟和数学规划理论的发展以及计算机的应用，结构优化设计理论和方法自20世纪60年代以来取得了突飞猛进的发展。结构优化设计在结构的截面优化和形状优化方面已经趋于成熟，在拓扑优化和布局优化方面也获得了重要的进展，但是结构优化的高层次选型方面优化却遇到了困难和挑战。目前国内外学者主要是通过常规的结构优化方法--最优准则法或数学规划法来解决结构选型问题。但是从总体优化效果来看研究成果的收效都不大，其主要原因是结构选型是一个综合性很强的半结构化优化决策问题，在选型过程中会遇到大量的不确定性信息，所以采用传统的数学规划法或最有准则法对此类问题进行求解自然会遇到很多不可克服的困难。

2、传统设计法的缺陷

2.1设计周期长，设计效率低

要获得最佳的结构型式的理想办法就是针对某一建筑方案，采用多种结构形式方案分别单独进行设计，然后进行各种力学性能能的分析和经济指标的综合比较，确定一个最佳方案，这样虽可以得到一个与建筑规模和环境条件相适应的的较好的结构形式，但是会给设计者带来不可想象的工作量，并造成设计周期的延长和大量的人力、财力、物力的浪费，设计效率低下。

2.2容易造成结构工程师创新性精神的缺乏

对于结构师来说，结构的安全性始终是第一位的。也正因为如此，从事结构工程设计的时间一长，难免会产生思想保守、无事即安的倾向。一事当前，往往消极应付，不思创新。对于一般的工程项目，结构选型与布置在建筑方案中已大致确定，结构计算可套用公式，结构要求可照搬规范，价值有商业化的计算机软件辅助，还有什么会让设计者费尽心思而不得其解的问题呢？一个技术性责任性很强的职业，如果长期从事低级别劳动，那么疏于学习不求上进是难免的。

2.3缺乏计算机的辅助

目前的 CAD 系统主要是面向施工图设计阶段，缺乏对概念设计和初步设计的辅助支持。然而真正具有设计内涵的、最活跃的、也最能体现设计师个性和创新性的设计阶段是概念设计，在这个阶段有分析也有综合，有逻辑思维也有形象思维，有冲突也有妥协；此外这个阶段的不确定和未确知的因素十分活跃。结构选型也正处于这样一个设计阶段，可是目前尚没有任何 CAD 系统可以提供结构选型方面的支持，因为现在的CAD系统缺乏人类设计师所具有的逻辑推理能力、形象思维能力、灵感和创造性，而施工图设计阶段很难或不能纠正概念设计阶段的缺陷，因而这严重的影响了工程设计的效率和进度。

3、智能设计

3.1人工神经网络法

人工神经网络方法不仅拥有分布式存储信息与并行处理评价信息的优点，而且还具有较强的自学习与联想记忆功能。将人工神经网络引入结构选型中，分析影响结构选型的重要因素和各种神经网络的特点，选着一种最适合的神经网络结构并且确定其网络结构。利用 MATLAB 人工神经网络工具箱构建结构选型模型，并利用 MATLAB 语言编制可视化界而，从而使结构选型过程更加简单。将工程的基本信息作为神经网络的训练样本，建立的神经网络模型，对其进行训练、优化。经检验训练好的网络模型性能良好达到了智能预测的目的。

3.2基于实例基因库与遗传算法

首先，给出了将工程实例库转化为结构选型规则库与实例基因库的方法，建立实例空间、规则空间、基因空间及三者间的相互转换关系，实现了从实例到选型规则与基因间的转换；其次，给出了从实例基因库与基因空间中发现结构型式判别规则知识库的策略，提出了基因向量与正反实例基因库间的相似性度量法，建立了基于实例基因库与实数码遗传算法的结构选型知识库发现过程与方法；最后，编制了基于实例基因库与遗传算法的知识发现程序，给出了所获取的钢筋混凝土结构型式产生的知识。实践证明，该方法有效地从实例基因库中获取结构型式产生的规则性知识库，为开采工程实例“富矿”、解决知识获取“瓶颈”、提高结构选型质量与效率等提供了新的途径与方法。

3.3基于模糊推理系统（FIS）的智能评价方法

该方法主要是以隶属函数表示和存储领域专家的评价知识和经验，以模糊规则表示评价策略，以关系生成规则表示输入与输出间的模糊蕴涵关系，以推理合成规则确定推理结果，以去模糊化方法对结果进行量化处理。该方法具有能直观地表征与处理领域专家在性能评价时，以语言变量形式表达的评价知识与策略等优点，并能像神经网络一样逼近任意的非线性问题。但当规则较多时，推理时间较长，且其自学习能力较差，推理层次较多时易出现“模糊爆炸”现象。可通过与神经网络结合的方法来提高其自学习能力及解决其“模糊爆炸”现象。

3.4基于模糊推理与神经网络（ANNF）的智能评价方法

将模糊推理与神经网络结合，取长补短，构建新的性能评价方法，是智能评价系统的发展方向。其结合的方式主要有 4 种网：即二者的简单结合（包括松散型、串联型、并联型及混联型）、用模糊推理增强的神经网络、用神经网络增强的模糊推理（包括网络学习型、知识扩展型及以神经网络代替模糊规则实现模糊推理等）、模糊逻辑与神经网络的完全融合等。上述方法兼有模糊推理直观、高效的表征、存储与处理领域专家经验与知识，及神经网络能从训练样本中自动获取知识及并行计算的优点。

4 、智能设计方法存在的问题

4.1专家系统

专家系统主要利用与基于显示表达的领域知识模型进行问题求解，模型知识及其获取是专家系统的核心，专家系统拥有的知识越多、质量越高，解决问题的能力也就越强。但是，结构设计经验是领域专家们在长期设计实践中积累起来的启发性知识，一般说来，这些经验性的知识没有很好的结构、主观性强、不易获取，随着大型专家系统的出现，这种情况越来越严重的影响和制约着专家系统的发展，知识获取已成为开发专家系统的“瓶颈”问题。

4.2推理技术

推力技术不能全面地反映专家在解决建筑结构设计时的思维过程，许多专家的推理活动并未在专家系统的推理网洛中得到恰当的反映，而让专家准确的描述其利用判断、经验、直觉等进行建筑结构设计的过程是一件十分困难的事。面对日益复杂的结构设计问题，基于模型的推理系统在大规模信息处理、维护、运行预研制等方面面临着不可克服的困难，基于规则的推理系统面临着推理链增加所带来的推理有效性降低等问题，而基于人工神经网络的专家系统因不能给出其结果的依据，从而降低了其结果的可信度。

5、结语

综上所述，高层建筑结构选型是一个非常复杂的决策问题，具有强烈的综合性，其影响因素具有随机性、模糊性和未确知性。因此，是否能优选高层建筑结构设计系统的型式，成为结构设计人员工作中的重点考虑对象。