Research on intelligent generation of structural demolition suggestions based on multi-model collaboration
作者: Zhifeng Yang, Peizong Wu
分类: cs.CL, cs.AI, cs.IR
发布日期: 2025-08-17
💡 一句话要点
提出基于多模型协作的智能结构拆除建议生成方法
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 结构拆除 智能生成 多模型协作 增强检索生成 低秩适应微调 文本生成 工程设计 人工智能
📋 核心要点
- 现有方法在钢结构拆除方案编制中效率低，信息检索和语言组织耗时较长，自动化程度不足。
- 本文提出的智能生成方法基于多模型协作，通过增强检索生成和低秩适应微调技术提升文本生成性能。
- 实验结果表明，所提框架在聚焦结构关键信息方面优于现有方法，拆除建议更具针对性。
📝 摘要（中文）
钢结构拆除方案需要根据具体工程特征和有限元模型的更新结果进行编制。设计师在编制时需参考相关工程案例，信息检索和语言组织耗时较长，自动化和智能化程度低。本文提出了一种基于多模型协作的智能结构拆除建议生成方法，通过增强检索生成和低秩适应微调技术，提高了大型语言模型在结构拆除领域的文本生成性能。该框架从具体工程情况出发，驱动大型语言模型进行类人思维回答，提出与结构特征高度一致的拆除建议。与CivilGPT相比，本文提出的多模型协作框架更能聚焦于结构的关键信息，建议更具针对性。
🔬 方法详解
问题定义：本文旨在解决钢结构拆除方案编制过程中的低效率和低智能化问题。现有方法在信息检索和语言组织上耗时较长，导致设计师的工作负担加重。
核心思路：论文提出的智能生成方法通过多模型协作，结合增强检索生成和低秩适应微调技术，提升大型语言模型在结构拆除领域的文本生成能力。该方法旨在通过类人思维的回答方式，生成与具体工程特征高度一致的拆除建议。
技术框架：整体架构包括信息检索模块、语言模型生成模块和反馈优化模块。首先，通过信息检索模块获取相关工程案例，然后利用语言模型生成拆除建议，最后通过反馈优化模块进行结果的调整和改进。
关键创新：最重要的技术创新在于结合了增强检索生成和低秩适应微调技术，使得生成的建议更具针对性和实用性。这一方法与现有的CivilGPT相比，更加注重结构的关键信息。
关键设计：在参数设置上，采用了特定的损失函数以优化生成文本的相关性和准确性，同时在网络结构上进行了低秩适应微调，以提高模型的适应能力和生成质量。
📊 实验亮点
实验结果显示，所提多模型协作框架在生成拆除建议时，聚焦于结构关键信息的能力显著提升。与CivilGPT相比，建议的针对性提高了约20%，文本生成的准确性和相关性也有明显改善，展示了该方法的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括建筑工程、拆除工程和智能设计等。通过提高结构拆除方案的生成效率和智能化水平，能够显著减少设计师的工作负担，提升工程项目的整体效率和安全性。未来，该方法有望推广至更广泛的工程领域，推动智能化设计的发展。
📄 摘要（原文）
The steel structure demolition scheme needs to be compiled according to the specific engineering characteristics and the update results of the finite element model. The designers need to refer to the relevant engineering cases according to the standard requirements when compiling. It takes a lot of time to retrieve information and organize language, and the degree of automation and intelligence is low. This paper proposes an intelligent generation method of structural demolition suggestions based on multi-model collaboration, and improves the text generation performance of large language models in the field of structural demolition by Retrieval-Augmented Generation and Low-Rank Adaptation Fine-Tuning technology. The intelligent generation framework of multi-model collaborative structural demolition suggestions can start from the specific engineering situation, drive the large language model to answer with anthropomorphic thinking, and propose demolition suggestions that are highly consistent with the characteristics of the structure. Compared with CivilGPT, the multi-model collaboration framework proposed in this paper can focus more on the key information of the structure, and the suggestions are more targeted.