A Lightweight Large Language Model-Based Multi-Agent System for 2D Frame Structural Analysis

📄 arXiv: 2510.05414v1 📥 PDF

作者: Ziheng Geng, Jiachen Liu, Ran Cao, Lu Cheng, Haifeng Wang, Minghui Cheng

分类: cs.CL

发布日期: 2025-10-06

💡 一句话要点

提出基于轻量级大语言模型的多Agent系统，用于2D框架结构分析的自动化有限元建模。

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

关键词: 多Agent系统 大语言模型 有限元建模 结构分析 自动化 Llama-3 OpenSeesPy

📋 核心要点

  1. 现有方法在结构工程中，尤其是在需要几何建模、复杂推理和领域知识的有限元建模任务中，对大语言模型的潜力挖掘不足。
  2. 论文提出了一种基于轻量级大语言模型的多Agent系统，将结构分析分解为子任务，由专门Agent处理，实现自动化有限元建模。
  3. 实验结果表明，该系统在20个基准问题上表现出较高的准确率，优于Gemini-2.5 Pro和ChatGPT-4o等模型。

📝 摘要（中文）

本文提出了一种基于大语言模型（LLM）的多Agent系统，旨在自动化二维框架的有限元建模。该系统将结构分析分解为多个子任务，每个子任务由一个专门的Agent管理，这些Agent由轻量级的Llama-3 70B Instruct模型驱动。工作流程从问题分析Agent开始，该Agent从用户输入中提取几何、边界和材料参数。接下来，几何Agent通过应用专家定义的规则逐步推导节点坐标和单元连接。这些结构化输出由翻译Agent转换为可执行的OpenSeesPy代码，并通过模型验证Agent进行一致性检查来完善。然后，载荷Agent将载荷条件应用到组装好的结构模型中。在20个基准问题上的实验评估表明，该系统在10次重复试验中，大多数情况下都能达到80%以上的准确率，优于Gemini-2.5 Pro和ChatGPT-4o模型。

🔬 方法详解

问题定义：论文旨在解决二维框架结构有限元建模的自动化问题。现有方法依赖人工操作，效率低且易出错，尤其是在几何建模、复杂推理和领域知识应用方面存在瓶颈。大语言模型在结构工程领域的应用潜力尚未充分挖掘。

核心思路：论文的核心思路是将复杂的结构分析任务分解为多个子任务，并为每个子任务设计一个专门的Agent。每个Agent由轻量级的大语言模型驱动，通过协作完成整个建模过程。这种模块化的设计降低了单个Agent的复杂性，提高了系统的整体性能和可维护性。

技术框架：该系统采用多Agent架构，包含以下主要模块：1) 问题分析Agent：从用户输入中提取结构几何、边界条件和材料参数。2) 几何Agent：根据专家定义的规则，推导节点坐标和单元连接关系。3) 翻译Agent：将结构化数据转换为可执行的OpenSeesPy代码。4) 模型验证Agent：进行一致性检查，确保模型的正确性。5) 载荷Agent：将载荷条件应用到结构模型中。各个Agent之间通过消息传递进行协作。

关键创新：该论文的关键创新在于将轻量级大语言模型应用于多Agent系统，实现了二维框架结构有限元建模的自动化。与直接使用大型语言模型相比，使用轻量级模型降低了计算成本，提高了效率。此外，多Agent架构的设计使得系统具有更好的模块化和可扩展性。

关键设计：论文采用了Llama-3 70B Instruct作为每个Agent的基础模型。几何Agent中，专家规则的定义是关键，直接影响节点坐标和单元连接的准确性。模型验证Agent通过检查节点坐标是否重复、单元连接是否正确等方式来保证模型的一致性。OpenSeesPy代码的生成需要精确的语法转换，保证代码的可执行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该系统在20个基准问题上，10次重复试验中，大多数情况下准确率超过80%，显著优于Gemini-2.5 Pro和ChatGPT-4o模型。这表明该系统在二维框架结构有限元建模方面具有较高的性能和可靠性。

🎯 应用场景

该研究成果可应用于建筑工程、桥梁工程等领域，实现结构分析的自动化，提高设计效率，降低人工成本。未来可扩展到三维结构、复杂材料和非线性分析，为结构工程领域带来更广泛的应用前景。

📄 摘要（原文）

Large language models (LLMs) have recently been used to empower autonomous agents in engineering, significantly improving automation and efficiency in labor-intensive workflows. However, their potential remains underexplored in structural engineering, particularly for finite element modeling tasks requiring geometric modeling, complex reasoning, and domain knowledge. To bridge this gap, this paper develops a LLM-based multi-agent system to automate finite element modeling of 2D frames. The system decomposes structural analysis into subtasks, each managed by a specialized agent powered by the lightweight Llama-3.3 70B Instruct model. The workflow begins with a Problem Analysis Agent, which extracts geometry, boundary, and material parameters from the user input. Next, a Geometry Agent incrementally derives node coordinates and element connectivity by applying expert-defined rules. These structured outputs are converted into executable OpenSeesPy code by a Translation Agent and refined by a Model Validation Agent through consistency checks. Then, a Load Agent applies load conditions into the assembled structural model. Experimental evaluations on 20 benchmark problems demonstrate that the system achieves accuracy over 80% in most cases across 10 repeated trials, outperforming Gemini-2.5 Pro and ChatGPT-4o models.