[论文解读] Generative AIBIM: An automatic and intelligent structural design pipeline integrating BIM and generative AI

Zhili He, Yu-Hsing Wang+1 more|arXiv (Cornell University)|Nov 7, 2023

BIM and Construction Integration被引用 7

一句话总结

Generative AIBIM 引入了一条智能化的、与BIM集成的管线，利用基于物理条件的两阶段生成式AI框架与条件扩散模型（PCDM），实现结构设计的自动化。PCDM模型通过注意力模块融合物理条件、设计图纸和时间步长，实现了在不同建筑高度和地震区域下生成高质量、符合规范的剪力墙布局的最先进性能。

ABSTRACT

AI-based structural design represents a transformative approach that addresses the inefficiencies inherent in traditional structural design practices. This paper innovates the existing AI-based design frameworks from four aspects and proposes Generative AIBIM: an intelligent design pipeline that integrates BIM and generative AI. First, the proposed pipeline not only broadens the application scope of BIM, which aligns with BIM's growing relevance in civil engineering, but also marks a significant supplement to previous methods that relied on CAD drawings. Second, a two-stage generation framework incorporating generative AI (TGAI), inspired by the human drawing process, is designed to simplify the complexity of the design problem. Third, for the AI model in TGAI, this paper pioneers to fuse physical conditions into diffusion models (DMs) to build a novel physics-based conditional diffusion model (PCDM). In contrast to conventional DMs, on the one hand, PCDM directly predicts shear wall drawings to focus on similarity, and on the other hand, PCDM effectively fuses cross-domain information, i.e., design drawings, timesteps, and physical conditions, by integrating well-designed attention modules. Additionally, a new evaluation system including objective and subjective measures is designed to evaluate models' performance, complementing the evaluation system in the traditional methods. The quantitative results demonstrate that PCDM significantly surpasses recent SOTA techniques across both measures. The qualitative results highlight PCDM's superior capabilities in generating high-perceptual-quality drawings adhering to essential design criteria. In addition, benefiting from the fusion of physical conditions, PCDM effectively supports diverse and creative designs tailored to building heights and seismic precautionary intensities, showcasing its unique generation and generalization abilities.

研究动机与目标

• 为解决传统结构设计中的低效问题，通过AI与BIM集成实现设计过程的自动化与智能化。
• 通过嵌入生成式AI，将BIM的角色从文档编制扩展至智能设计综合。
• 开发一种两阶段生成式框架，模拟人类设计的推进过程，提升设计问题的分解能力。
• 开创性地将物理条件（如地震强度、建筑高度）融入扩散模型，实现约束感知的生成。
• 建立一个综合评估体系，结合客观与主观指标，用于评估生成式设计模型。

提出的方法

• 提出一种受人类设计过程启发的两阶段生成框架（TGAI），将复杂设计任务分解为可管理的步骤。
• 引入一种基于物理的条件扩散模型（PCDM），直接利用设计图纸、时间步长和物理条件作为输入，预测剪力墙布局。
• 采用专门设计的注意力模块，有效融合扩散模型中的跨域信息——空间图纸、时间步骤和物理约束。
• 采用条件去噪过程，通过迭代去除潜在表示中的噪声，受物理和几何条件引导。
• 引入双分支注意力机制，在生成过程中保持结构一致性和物理可行性。
• 采用混合评估体系：客观指标（如FID、LPIPS）与主观人工评估相结合，以评估感知质量和设计合规性。

实验结果

研究问题

• RQ1 两阶段生成式AI框架能否有效分解并自动化复杂结构设计任务？
• RQ2 地震强度和建筑高度等物理条件能否被有效编码进扩散模型，以指导设计生成？
• RQ3 通过注意力机制融合设计图纸、时间步长和物理约束，是否能提升生成质量与可行性？
• RQ4 所提出的PCDM模型在定量与定性设计性能方面，与最先进方法相比表现如何？
• RQ5 该模型在多样化建筑配置中具备多大程度的泛化能力，同时保持设计完整性？

主要发现

• PCDM模型在客观指标（FID与LPIPS）上显著优于近期最先进方法，展现出更优的生成质量和保真度。
• 定性结果显示，PCDM生成的剪力墙布局具有高感知质量，且严格符合关键结构设计准则。
• 该模型表现出强大的泛化能力，在不同建筑高度和地震防护强度下，均能生成多样化且上下文恰当的设计。
• 将物理条件整合进扩散模型，实现了约束感知的生成，显著减少了不可行或不合规的输出。
• 主观评估确认，人类评估者认为PCDM生成的设计比基线模型更真实、更符合设计规范。
• 完整管线Generative AIBIM实现了从BIM数据到结构设计的端到端自动化，显著减少人工工作量并加快设计周期。