[论文解读] Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-Model-Based Conceptual Design of Pedestrian Bridges

Vera M. Balmer, S. Kühn+5 more|arXiv (Cornell University)|Nov 29, 2022

Infrastructure Maintenance and Monitoring参考文献 18被引用 5

一句话总结

本文提出了一种基于条件变分自编码器（CVAE）的协同设计框架，用于行人天桥概念设计，可实现快速、可解释的性能驱动探索与逆向设计。该模型在18,000个合成桥梁实例上进行训练，能够从设计特征预测结构性能，并根据性能目标生成设计，同时通过敏感性分析实现实时可解释性与设计指导。

ABSTRACT

For conceptual design, engineers rely on conventional iterative (often manual) techniques. Emerging parametric models facilitate design space exploration based on quantifiable performance metrics, yet remain time-consuming and computationally expensive. Pure optimisation methods, however, ignore qualitative aspects (e.g. aesthetics or construction methods). This paper provides a performance-driven design exploration framework to augment the human designer through a Conditional Variational Autoencoder (CVAE), which serves as forward performance predictor for given design features as well as an inverse design feature predictor conditioned on a set of performance requests. The CVAE is trained on 18'000 synthetically generated instances of a pedestrian bridge in Switzerland. Sensitivity analysis is employed for explainability and informing designers about (i) relations of the model between features and/or performances and (ii) structural improvements under user-defined objectives. A case study proved our framework's potential to serve as a future co-pilot for conceptual design studies of pedestrian bridges and beyond.

研究动机与目标

• 通过在设计过程中早期整合性能指标，弥合概念设计与后续AEC阶段之间的脱节。
• 克服人工迭代设计流程效率低下且缺乏定量性能标准整合的局限性。
• 开发一种数据驱动、可解释的AI框架，支持人类设计师在保留设计直觉的同时探索复杂的设计空间。
• 利用单一元模型同时实现正向预测（设计 → 性能）与逆向设计（性能 → 设计）。
• 将该框架集成至现有BIM工作流（如Autodesk Revit）中，以确保AEC专业人员的实际应用与可用性。

提出的方法

• 使用参数化建模生成18,000个行人天桥配置的合成数据集，包含定义的设计变量与性能指标。
• 训练条件变分自编码器（CVAE），学习从设计特征（输入）到结构性能（输出）的映射关系，支持正向与逆向生成。
• 利用CVAE的潜在空间将高维设计空间压缩为低维、连续的子空间，以实现高效探索。
• 应用敏感性分析（SA），计算性能指标相对于设计变量的解析梯度，实现可解释性与设计指导。
• 基于Revit-Dynamo开发用户界面，配备滑块、复选框与可视化功能（如帕累托前沿图、敏感性图、三维渲染图），实现实时交互。
• 通过集成可解释人工智能（XAI）技术（如SA与可视化反馈），确保模型的可信度与可用性，特别针对非专业AEC从业者进行定制。

实验结果

研究问题

• RQ1 基于CVAE的元模型能否在高维参数化空间中有效支持概念天桥设计的正向与逆向设计？
• RQ2 如何利用敏感性分析解释模型行为，并指导设计师在用户定义目标下实现结构性能改进？
• RQ3 基于CVAE的协同设计工具在保持可解释性与用户友好性的同时，能在多大程度上提升概念设计的效率与决策质量？
• RQ4 该框架在多大程度上能与现有BIM工作流（如Autodesk Revit）集成，并支持实时、交互式的设计探索？
• RQ5 该框架能否通过反馈回路与沉浸式界面扩展，以整合定性设计要素（如美学）？

主要发现

• CVAE模型成功实现了从设计特征到结构性能指标（如成本、服务性、极限状态利用率）的高精度预测，且推理时间极短。
• 敏感性分析揭示了主梁高度/厚度与桥梁成本之间存在明确且正向的关系，验证了模型与实际材料用量的一致性。
• 模型表明，对齐参数（曲率/长度）也会影响成本，尽管影响程度低于截面尺寸。
• 逆向设计界面实现了用户指定性能目标（如成本范围或利用率限制）下的实时桥梁设计生成。
• 15名从业者参与的实操体验反馈确认了该框架的可用性、效率及其在AEC设计工作流中实际应用的潜力。
• 通过敏感性分析实现的XAI集成显著提升了模型的可解释性，增强了非机器学习专家在工程实践中对模型的信任与采纳意愿。