景觀橋梁除具備交通功能外，兼具文化、審美、體驗價值等多元特征，涉及多學科領域。隨著中國社會經濟的發展，‘以人為核心、以提高質量為導向’的新型城鎮化戰略內涵已逐漸深入人心。然而目前，景觀橋梁設計的難點及瓶頸亟待突破——

（1）美學設計的發散性與橋梁結構設計規范性要求難以融合

美學設計的發散性可以理解為感性思考，而橋梁結構設計規范性則屬于理性思考的范疇，因此如何恰當合理地將感性與理性進行融合，是瓶頸之一；

（2）造型復雜、空間異形的景觀橋梁結構賦形難以實現

將具有美學意義的造型，通過實際的結構形式加以展現，從美學到結構的實現也是難點之一；

（3）景觀橋梁的非規則結構與標準化建造矛盾難以調和

設計出來的結構與標準化的建造理念融合，實現從涉及建造的過程也是亟待解決的問題。

那么，如何將美學的發散性、結構的多樣性、實施的復雜性，轉換為信息的多樣、信息的關聯、信息的準確，可以通過數字化和智能化的設計應用，實現信息數據的產生和應用。而信息和數據又是如何產生的？通過人腦輸入以及機器生成，形成數字化和智能化，具體表現為：信息化BIM、BIM參數化、BIM智能化、AI創作，解決復雜造型結構的設計，以及快速設計修改，甚至是自動設計和方案創作。

一、數字化設計的深度應用

1、第一個階段——三維設計

景觀橋梁造型復雜，傳統二維設計無法滿足需求，需要三維輔助。應用數字化、參數化等設計手段來完成景觀橋的設計，例如2012年設計的南京市青奧公園跨河橋。橋梁位于江北新區青奧體育公園內，跨越城南河聯系東西兩岸場館與建筑，是青奧公園和城南河風光帶上的一座重要的景觀橋。橋梁方案需與兩岸場館及周邊環境相協調，對橋梁造型提出極高的要求。

主要設計特點是創新性采用空間扭轉鋼桁架結構橋梁設計，橋梁造型和布置形式為原創，世界唯一。橋梁采用扭轉鋼桁架結構，每個桿件都具有其必要的力學作用，并沒有多余的裝飾構件，達到造型形式和結構功能的內外統一。模型方案優化，通過對空間鋼桁架造型、桿件布置及軸線線形等進行了對比優化，對橋面以下支撐桿件設計進行了方案比較，最終確定了整體性強、曲線起伏、更好地體現波浪意境的橋梁方案。本橋100多個構件、節點均不相同。針對復雜的空間桿件及節點，提出了整體組合式全焊節點。首先對每個節點進行三維設計，平斜腹桿桿件與節點連接，結構可靠，也便于鋼結構加工安裝。

2、第二個階段——參數設計

參數化使信息和數據之間產生關聯，從而簡化了數據修改的過程，提高了效率。例如北京冬奧會張家口冬奧村“冰雪五環橋”。延崇高速是北京—張家口聯合舉辦冬奧會中連接延慶賽區和張家口賽區的主要公路通道，是北京—張家口冬奧會期間北京市進入崇禮賽區的公路主通道。太子城互通連接延崇高速和太子城奧運村，是奧運賽場通往外界最便捷的出入口，是本項目的門戶所在。主要服務于冬奧會期間以及賽后北京—張家口的旅游觀光交通。

根據左右兩幅斜跨道路的特殊情況和橋梁到隧道口的不同距離，左右兩幅主橋分別設置為三塔雙索面鋼結構斜拉橋與雙塔雙索面鋼結構斜拉橋。左幅橋主跨2×100m，右幅橋主跨120m。橋塔錯開布置剛好形成五環交錯的形式。本橋結構特點：主梁處于圓弧段且左幅變寬；拉索錨固空間較小，錨固形式多樣；橋梁構件繁多，各部分間邏輯關系相對復雜；風嘴復雜曲面設計。

（1）正向設計

BIM設計過程與結構設計過程同步進行，BIM模型建模均為正向設計思路。其中，在初步設計和施工圖設計階段建立精確的參數化BIM模型，用以解決橋梁構件在形狀描述、空間定位、碰撞等方面遇到的問題，對橋梁構件如耳板及錨箱等提出多種尺寸及布置方案，綜合結構功能要求以及三維空間上的美觀要求，取得最優方案。

（2）拉索凈空核查

由于橋梁處于道路圓曲線上且左幅變寬，凈空范圍受拉索影響比較緊張，拉索對凈空的影響很難直接通過計算得到，需要建立精準的拉索三維模型與橋上行車凈空進行碰撞檢測。通過反復修改拉索錨固點橫橋向位置參數來解決拉索與凈空的沖突問題，錨固點位置參數調整后，錨箱的位置及尺寸均會自動更新。

（3）工程量統計

鋼箱梁的構造在縱橋向與橫橋向規律性較強，板件幾何形狀類型范圍可控。設計圖紙中板件工程量為下料尺寸，一般采用長×寬×板厚的形式。編寫程序首先將曲面板件展開成平面，然后對展開后的板件外輪廓運行計算任意多邊形最小面積外接矩形算法，求得最小面積外接矩形的尺寸，即構件下料尺寸，進行數據排序整理后，即可實現自動輸出鋼箱梁構件工程數量表的功能，實現對BIM模型工程量數據的批量提取，大大提高了統計主梁工程數量的效率及準確性。

（4）錨箱數據提取

由于拉索角度各不相同，所有的耳板加勁肋及錨箱板件尺寸也各不相同。受到彎橋、變寬、縱坡、橫坡等因素的影響，很難找到準確的三角函數公式表示板件尺寸。最終在BIM模型中批量提取板件結構線，并批量導出結構線尺寸參數作為施工圖紙中的參數。涉及錨箱數據輸出時，主橋160根拉索及相應的耳板、錨箱的尺寸及坐標數據，通過編寫算法批量讀取并自動生成到表格中（數據生成過程與工程量統計動畫展示相似），表格可直接插入到施工圖圖紙中。

（5）變更調整

由于本項目為冬奧會重大保障項目，時間緊任務重。拉索梁端錨固點位置及錨固形式產生了多次變更。由于項目初期即采用參數化正向設計，在索塔、拉索、鋼箱梁間建立了嚴謹的邏輯約束關系，以及編寫了批量計算主梁工程量、批量提取耳板、錨箱數據等程序，大大降低了后期變更調整的時間成本。

（6）風嘴數據輸出

由于橋梁處于圓曲線且具有縱坡，使得兩幅橋的十處風嘴尺寸都略有差別各不相同，編寫程序沿縱橋向與豎直方向批量切割風嘴模型截取截面來描述風嘴構造，指導施工。

（7）結構分析

將BIM模型直接導入Abaqus，對局部節點進行分析計算，提高設計品質。

（8）虛擬現實

將BIM模型導入虛擬現實引擎，對真實的項目周邊環境及光影關系進行模擬，以駕駛員視角實時模擬駕駛，可在行車模擬過程中對行車視距、凈空等進行核查，保證較高的行車舒適度。

總而言之，項目的設計難以采用傳統二維設計手段來完成，采用BIM技術已是項目本身所需；BIM應用過程與設計過程同步進行，BIM設計采用正向設計思路完成，模型實現了高度參數化；BIM應用點均以提高設計效率、增強設計品質展開，并不是為了BIM而BIM；BIM參數化正向設計從多個方面為項目降低了時間成本，提高了設計品質，在本項目中發揮了重要作用。

3、第三個階段——智能化

高度關聯的參數化數據，通過制定規則算法，自主選擇參數產生數據。例如多跨拱組合自動生成的隨機參數約束、梁墩斷面自動生成的隨機參數約束等。

二、AI輔助方案設計

利用StableDiffusion研究景觀橋梁方案及前期意向圖的AI生成。

1、潛在擴散模型原理

潛在擴散模型（Latent Diffusion Models，LDMs），由Compvis 和 Runway 團隊2022年在論文 《High-Resolution mage Synthesis with Latent Diffusion Models》 中提出，其本質是利用擴散原理來生成圖像。它通過在輸入圖像上應用隨機噪聲，然后逐漸減退噪聲的強度，使圖像逐漸恢復到原始狀態。這個過程類似于熱力學中的熱擴散，其中噪聲代表熱量，而圖像代表物質。通過不斷選代這個過程，模型可以生成不同程度的擴散效果，從而創建出多個變化的圖像。

基于潛在擴散模型的原理，現行的擴散生成算法還結合穩定性原理來生成合理的圖像。在生成圖像的過程中，模型會引入一個或幾個提示詞，這些提示詞描述了需要在圖像中出現或省略的元素。模型通過優化損失函數來確保生成的圖像，在保留原始圖像基本結構的同時，盡量滿足這些提示詞的要求。通過控制穩定性參數，可以調整生成圖像和提示詞之間的平衡，以獲得滿足設計需求的最終結果。

2、大模型微調方法

一般來說，現階段深度學習的大模型參數都是十億甚至百億級別起步的，訓練成本高昂，對于垂類應用領域不友好。微調(fine-tuning)技術能低成本地針對已有訓練好的大模型，進一步在指定任務上進行訓練，從而使得推理過程能夠適應該任務的數據和要求。對于主流的擴散算法來說，現階段主要有Dreambooth、LoRA、Textual Inversion、Hypernetworks這4種微調方式。綜合各方面因素考慮，現階段LoRA的微調方式對大模型在垂類行業的應用進行微調，是較為經濟且高效的方式。

3、LoRA模型

利用訓練的LoRA模型進行推理，輔助方案找形。不同種類的景觀橋梁LoRA模型訓練時要注意的細節都各有偏重，這里以中式廊橋為例。首先整理關于中式廊橋的圖片，根據橋梁景觀設計要求篩選合適的圖片，并按照BLIP或者deepbooru格式設置標簽(tag)，然后設置合適的訓練參數進行訓練，最后對訓練得到的模型進行對比。通過對目標橋型進行景觀橋梁LoRA模型的針對性訓練，并結合一些約束條件進行推理，可以在較短時間內得到大量有參考價值的方案，在項目前期可以快速送代出具有一定質量的創作方案。

推理效果有一定的參考價值和使用價值，對于方案創作有一定啟發意義。中式廊橋屬于景觀橋梁中較容易訓練的橋型，推理效果也較為穩定、理想。其他橋型的模型訓練原則一致，但都需要根據各自的特點進行一定程度的調整。但也不得不說，AI輔助方案設計仍然存在諸多難點——

（1）景觀橋梁與建筑的形態差異較大

相較于建筑，橋梁展現出來的結構構件更多，不同結構類型的橋梁的外在表現也大不相同；不少構件之間還有一定的拓撲關系，這也增加了推理得到合理方案的難度。

（2）基礎大模型中橋梁樣本較為稀缺

在基礎大模型中，訓練集中橋梁相關的樣本較少，種類也較為單一，而景觀橋梁的訓練樣本更為缺乏，缺少造型獨特的景觀橋梁樣本，因此針對景觀橋梁的推理過程并不理想。

（3）景觀橋梁領域微調模型較為缺乏

在Stability AI公司將其開發的擴散算法開源之后，國內外相當數量的AI圖像生成愛好者，在互聯網相關社區分享了訓練或微調好的模型。但具體到更為細分的景觀橋梁領域，目前沒有相關調好的模型，這也使得整體的推理效果不佳。

對于AI輔助方案設計的未來，采用潛在擴散模型輔助景觀橋梁方案，設計人員后可以極大地提高創作效率，自然地突破創作瓶頸，靈活地選擇方案后續優化的方式，對景觀橋梁的方案創作流程及方案成果的輸出有著顛復性的改變。盡管仍然存在一些問題，但不可否認結合人工智能進行橋梁方案選型，為景觀橋梁創作方法的革新推開了一扇大門，是一種面向未來的、有無限前景的設計技術。