A Generative and Predictive Deep Learning Architecture for Automated Shear Wall Design with LLM-Assisted Parameterization

다국어 초록 (Multilingual Abstract)

The early-stage design of reinforced concrete shear wall buildings entails the evaluation of numerous candidate layouts, a task rendered slow and computationally costly by reliance on conventional finite element analysis. Existing deep-learning methods address this problem only in part: they treat layout generation and structural assessment as disjoint tasks and presuppose architectural drawings that are unavailable at the earliest design stage. This thesis introduces DiffShearwall, an integrated framework that unifies these tasks by coupling discrete-diffusion layout generation with graph-neural-network drift prediction in a single inference-time workflow that requires no finite element analysis.

Given only the plan dimensions, the number of floors, and a target shear wall ratio, and without recourse to architectural drawings, the diffusion model synthesizes candidate layouts, and the graph neural network predicts the wind-induced inter-story drift of each candidate in both principal directions; the candidates are then ranked by predicted drift, and the selected layout is exported as a labeled drawing and an ETABS-importable spreadsheet so that the chosen design can be opened directly in commercial software for detailed verification. The full pipeline is deployed as a Model Context Protocol server, rendering it operable through conversational interaction with any compatible AI assistant.

The framework is developed and validated on a dataset of 1,907 building configurations spanning 17 rectangular plan types under ASCE 7-22 wind loading. The drift prediction surrogate attains a coefficient of determination of R² = 0.997 on the validation set, and the generative component produces layouts that conform to the target shear wall ratio. Taken together, the results establish a viable path from a natural-language design request to an analysis-ready structural model, extending deep-learning-assisted structural design from isolated generation or isolated prediction toward an integrated, drawing-free, and finite-element-free workflow for early-stage shear wall design.

국문 초록 (Abstract)

철근콘크리트 전단벽 건물의 초기 설계 단계에서는 다수의 후보 배치안을 평가해야 하며, 이는 전통적인 유한요소해석에 의존할 경우 많은 시간과 계산 비용이 소요되는 작업입니다. 기존의 딥러닝 기법들은 이 문제를 부분적으로만 해결합니다. 즉, 배치 생성과 구조 평가를 서로 분리된 작업으로 취급하며, 설계 초기 단계에서는 확보할 수 없는 건축 도면을 전제로 합니다. 본 논문은 이러한 작업들을 통합하는 프레임워크인 DiffShearwall을 제안합니다. DiffShearwall은 이산 확산（discrete-diffusion） 기반 배치 생성과 그래프 신경망 기반 층간변위 예측을 결합하여, 유한요소해석을 필요로 하지 않는 단일 추론 단계 워크플로를 구성합니다. 평면 치수, 층수, 목표 전단벽 비율만이 주어지고 건축 도면에 의존하지 않는 상태에서, 확산 모델은 후보 배치안을 생성하고, 그래프 신경망은 각 후보안에 대해 양 주축 방향의 풍하중 유발 층간변위를 예측합니다. 이어서 후보안들은 예측된 층간변위를 기준으로 순위가 매겨지며, 선정된 배치안은 라벨이 표시된 도면과 ETABS로 불러올 수 있는 스프레드시트로 출력되어, 선택된 설계안을 상용 소프트웨어에서 직접 열어 상세 검증을 수행할 수 있습니다. 전체 파이프라인은 Model Context Protocol 서버로 배포되어, 호환되는 임의의 AI 어시스턴트와의 대화형 상호작용을 통해 운용할 수 있습니다. 본 프레임워크는 ASCE 7-22 풍하중 조건 하에서 17가지 직사각형 평면 유형에 걸친 1,907개의 건물 구성으로 이루어진 데이터셋을 사용하여 개발 및 검증되었습니다. 층간변위 예측 대리모델은 검증 세트에서 결정계 R² = 0.997을 달성하였으며, 생성 구성요소는 목표 전단벽 비율에 부합하는 배치안을 산출하였습니다. 종합적으로, 본 연구의 결과는 자연어 설계 요구로부터 해석이 가능한 구조 모델에 이르는 실용적인 경로를 제시하며, 딥러닝 기반 구조설계를 개별적인 생성 또는 개별적인 예측에서 벗어나 초기 전단벽 설계를 위한 통합적이고 도면이 필요 없으며 유한요소해석이 필요 없는 워크플로로 확장합니다.

목차 (Table of Contents)

• 1 Introduction
• 1.1 Overview
• 1.2 Motivation and contribution
• 1.3 Organization
• 1.4 Publications
• 2 Literature Review
• 2.1 Generative methods for shear wall layout
• 2.2 Surrogate models for structural response prediction
• 2.3 AI deployment in engineering practice
• 3 Methodology
• 3.1 Dataset and problem formulation
• 3.1.1 Building configurations and structural parameters
• 3.1.2 Dataset generation by wall-configuration interpolation
• 3.1.3 Drift target normalization
• 3.1.4 Slot-based wall encoding
• 3.2 Drift prediction surrogate
• 3.2.1 Graph representation of shear wall buildings
• 3.2.2 GATv2–GRU–Transformer architecture
• 3.2.3 Training configuration
• 3.3 Discrete diffusion layout generator
• 3.3.1 Forward and reverse diffusion processes
• 3.3.2 Wall-Slot Denoiser architecture
• 3.3.3 Training objectives
• 3.3.4 Loss weight ablation study
• 3.4 Integrated pipeline and MCP deployment
• 3.4.1 Generate–predict–rank–export workflow
• 3.4.2 Model Context Protocol server
• 3.4.3 ETABS model construction
• 4 Experimental Results
• 4.1 Experimental setup
• 4.2 Drift prediction accuracy
• 4.2.1 Architecture comparison
• 4.2.2 Training convergence and overall accuracy
• 4.2.3 Per-plan behaviour and limitations
• 4.3 Layout generation quality
• 4.4 End-to-end validation against ETABS
• 4.5 Deployment case study
• 4.5.1 Natural-language operation
• 4.5.2 Computational efficiency
• 5 Discussion and Conclusions
• 5.1 Why a geometry-only graph representation suffices
• 5.2 Dataset construction and its consequences
• 5.3 Limitations and future work
• REFERENCES