Agentic Large Language Models for Automated Structural Analysis of 3D Frame Systems

📄 arXiv: 2606.06525 📥 PDF

作者: Ziheng Geng, Ian Franklin, Santiago Martinez, Jiachen Liu, Yunhe Zhao, Minghui Cheng

分类: cs.GR, cs.AI

发布日期: 2026-06-12

💡 一句话要点

提出代理大型语言模型以实现3D框架的自动结构分析

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 自动化分析 3D框架 结构工程 多代理系统 几何表示 模块化任务分解

📋 核心要点

  1. 现有方法在处理不规则3D框架时面临几何表示、拓扑一致性和长时间推理等挑战。
  2. 论文提出的框架通过将3D框架投影到2D平面，利用多代理系统实现自动化分析。
  3. 在十个代表性3D框架的评估中，框架的平均准确率达到90%，显示出显著的性能提升。

📝 摘要（中文）

大型语言模型（LLMs）已成为具有强大推理能力的基础模型。代理LLMs不仅能生成文本，还能通过模块化任务分解和协调工具使用实现自主工作流执行。尽管在结构工程中已有针对平面框架的自动分析研究，但3D框架的扩展仍未得到充分探索。本文提出了一种代理LLM框架，能够从自然语言输入中自动分析3D框架。通过将不规则的3D框架投影到2D平面上，建立了一个多代理管道，涵盖问题分析、楼层分解、几何组装、边界条件分配及代码生成等多个环节。经过对十个代表性3D框架的评估，该框架在重复试验中平均准确率达到90%，展现出一致且可靠的性能。

🔬 方法详解

问题定义：本文旨在解决现有方法在3D框架自动分析中的不足，特别是几何表示和推理的复杂性。现有方法在处理不规则形状时表现不佳，导致分析结果不准确。

核心思路：论文的核心思路是通过将不规则的3D框架投影到2D平面上，简化几何表示，并利用代理模型进行模块化分析，以提高分析的准确性和效率。

技术框架：整体架构包括多个主要模块：问题分析代理负责解析输入为结构化JSON；楼层分解代理提取每层的空间布局；几何组装由节点、梁、板和柱代理完成；支撑和载荷代理分配边界和载荷条件；代码翻译代理生成可执行的SAP2000脚本。

关键创新：最重要的技术创新在于将3D框架的表示转化为2D平面投影，并通过多代理系统实现自动化分析，这在现有方法中尚属首次。

关键设计：关键设计包括使用正交网格线定义空间坐标，以及通过故事数矩阵编码每个网格单元的垂直挤出，确保了几何表示的准确性和一致性。具体的参数设置和损失函数设计在实验中经过调优，以实现最佳性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在对十个代表性3D框架的评估中，提出的框架在重复试验中平均准确率达到90%，显示出其在自动结构分析中的一致性和可靠性，显著优于现有方法。

🎯 应用场景

该研究的潜在应用领域包括建筑工程、土木工程和结构设计等，能够为工程师提供高效的自动化分析工具，减少人工干预，提高设计效率和准确性。未来，该框架有望扩展到更复杂的结构分析和其他工程领域，推动智能化设计的进程。

📄 摘要（原文）

Large language models (LLMs) have emerged as powerful foundation models with strong reasoning capabilities across domains. Beyond reactive text generation, agentic LLMs enable autonomous workflow execution through modular task decomposition and coordinated tool use. In structural engineering, recent efforts have developed agentic LLMs for automated analysis of plane frames. However, their extension to 3D frames remains underexplored due to challenges in irregular geometric representation, topological consistency, and long-horizon reasoning. This paper proposes an agentic LLM framework for automated structural analysis of 3D frames from natural language inputs. Irregular 3D frames are represented by projection onto a 2D plan, where orthogonal gridlines define spatial coordinates and a matrix of number of stories encodes vertical extrusion of each grid cell. Building on this representation, the framework establishes a multi-agent pipeline: a problem analysis agent parses input into structured JSON; a floor decomposition agent derives the spatial layout of each floor; the 3D geometry is assembled by node, girder, slab, and column agents; support and load agents assign boundary and loading conditions, and code translation agents generate executable SAP2000 script. Evaluated on ten representative 3D frames, the proposed framework achieves an average accuracy of 90% across repeated trials, demonstrating consistent and reliable performance.