SHOWCASE / 相关展示
研究展示
FEATURED RESEARCH聚焦强化学习驱动的结构智能设计，通过三维交互演示与研究成果，呈现从整体分析、局部决策到设计校核的过程。
SAC × 3D FRAME
独立窗口演示 ↗
三维框架分解与逐层智能设计
从整体框架提取内力需求，分解 X / Y 两向平面框架，再通过 SAC 决策回路逐层更新截面。
拖动模型旋转，使用下方控件暂停、跳转阶段或切换训练机制 / 设计推理；点击演示内的“全屏演示”可放大查看。小屏幕可左右滑动查看完整场景。
AI × STRUCTURAL DESIGN
Fig. 深度强化学习智能体设计流程：环境交互、规范验证与 XGBoost 代理模型 
Fig. 10 万回合训练奖励收敛（左：规范公式直算；右：XGBoost 代理模型）
强化学习驱动的结构智能设计
Automated design of shear wall structures using reinforcement learning with code compliance — Engineering Structures, 2026, 353: 122272 · SCI 一区 TOP · 第一作者
◊核心方法
以 Soft Actor-Critic（SAC） 深度强化学习智能体为核心，将设计规范约束直接嵌入训练，让机器在"试错—反馈"循环中自动学会合规且经济的剪力墙设计。
- 双通道承载力评估：规范公式直算 + XGBoost 代理模型
- 774 组剪力墙试验数据约束设计参数空间
- 最大熵策略增强探索，避免局部最优
★关键成果
经历 100,000 次训练迭代后，智能体可在 0.1 秒内输出满足规范且成本最优的剪力墙设计方案。
- 案例对比：计算效率显著优于 PSO / 遗传算法等传统优化方法
- 规范公式与机器学习优势互补：覆盖规范未明确工况
- 首个将 DRL 用于剪力墙构件级自动化设计的完整方案
0.1 s单次设计耗时
100k训练迭代次数
774试验样本约束
2 通道规范公式 + 代理模型