CN108984932A - 建筑结构特性快速提取方法及相应损失评估计算方法 - Google Patents
建筑结构特性快速提取方法及相应损失评估计算方法 Download PDFInfo
- Publication number
- CN108984932A CN108984932A CN201810829058.5A CN201810829058A CN108984932A CN 108984932 A CN108984932 A CN 108984932A CN 201810829058 A CN201810829058 A CN 201810829058A CN 108984932 A CN108984932 A CN 108984932A
- Authority
- CN
- China
- Prior art keywords
- building
- building structure
- structure characteristic
- characteristic
- indicates
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Architecture (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种建筑结构特性快速提取方法及相应损失评估计算方法,该快速提取方法包括获取街景图像及街景图像对应的房屋结构特性,作为训练集;利用训练集中的街景图像进行基于深度学习的房屋结构特性快速提取训练,生成房屋结构特性快速提取模型;利用房屋结构特性快速提取模型对待测数据进行房屋结构特性快速提取,获取房屋结构特性;该方法可以快速准确地提取房屋结构特性,节省人力物力和财力,避免了传统图像处理方法存在的“语义鸿沟”;建筑结构损失评估计算方法根据提取得到的房屋结构特性可以获得总损失,进而为灾害保险费率拟定和如何确定保单服务提供依据。
Description
技术领域
本发明属于损失评估技术领域,特别涉及一种建筑结构特性快速提取方法及相应损失评估计算方法。
背景技术
我国每年平均发生5级以上地震20余次,给国家和民众带来十分严重的经济负担。地震发生后,主要采用的救灾方式为政府扶持和群众捐助,这样的经济救援方式,不能及时地在第一时间为灾民提供经济援助,影响对灾后重建效率。
在国际上,巨灾保险赔款一般占到灾害损失的30%-40%,但我们国家的灾害损失赔偿比例低。如果我们建立了巨灾保险制度,按照国际上的水平,这样就可以大大减轻政府和财政的负担。
由于重大灾害,例如地震等,造成损失的巨大性及保险经营“大数法则”的难以运用,商业保险公司多将地震损失等列为除外责任。缺乏政府的推动和支持,地震保险难以建立。为解决地震所带来的问题,一些发达市场经济国家和地区建立了地震保险制度,目的是积累地震赔偿基金,为灾后复建提供资金,保障国民在遭遇巨大灾害后能迅速重建家园恢复正常生活,增强防灾意识、防预能力和安全保障水平,提高社会文明程度。地震保险作为一种有效的风险转移手段,对地震灾后重建提供巨大帮助。全球已有多个国家发展了相对完善成熟的地震保险体系。目前我国地震保险处于起步阶段,加上由于我国地震损失评估发展较晚,地震灾害发生,灾情由各省市地震局专家进行评估,由于各地区经济发展房屋建筑和地质环境的差异,相对缺乏对灾害数据采集的统一标准。地震保险对地震损失数据的精确度有着较高的要求。
房屋结构特性是地震保险快速评估及损失计算的重要基础。这方面数据的快速及准确获取对其保险相关参数的设定非常关键。传统人力调查方式需要耗费大量的人力财力物力,且数据更新存在很大的难度。利用传统图像处理方法提取的图像底层特征所建模的类别语义与用户高层语义之间的“语义鸿沟”又使得计算机图像的自动解译变得异常困难。如何跨越语义鸿沟,使计算机不仅能够独立完成像素(区域)级的分类,而且能够学习图像的高层语义,自动完成图像级的分类和识别,成为该学科领域的一个热点和难点问题。因此如何利用计算机实现对房屋建筑结构进行科学分类,获取房屋结构特性,基于此快速计算地震灾害带来的经济损失是目前拟定保险费率和如何确定保单服务的瓶颈。
发明内容
为了解决现有技术中存在的问题,本发明提供一种建筑结构特性快速提取方法及相应损失评估计算方法,该方法能够准确且精确地获取评估区内建筑的房屋结构特性,进而获得总损失,为地震保险费率和如何确定保单服务提供依据。
本发明具体技术方案如下:
本发明提供一种建筑结构特性快速提取方法,该方法包括如下步骤:
S1:获取街景图像及街景图像对应的房屋结构特性,作为训练集,所述房屋结构特性包括结构类型、房屋层数、建筑年代、房屋楼高和建筑面积;
S2:利用训练集中的街景图像进行基于深度学习的房屋结构特性快速提取训练,生成房屋结构特性快速提取模型;
S3:利用房屋结构特性快速提取模型对待测数据进行房屋结构特性快速提取,获取房屋结构特性。
进一步的改进,步骤S2具体方法为:
S21:将训练集中的街景图像输入到深度学习模型中,经过多个深度可分卷积层后,最后一层为输出层,输出特征图标签;
S22:将输出的特征图标签与期望标签进行比较,当特征图标签与期望标签相符时,训练停止,生成房屋结构特性快速提取模型;
S23:当输出的特征图标签与期望标签不符时,计算特征图标签与期望标签的误差,根据反向传播算法,将误差逐层传递到每个节点,并更新每层相应的卷积核权值,直至输出层输出的特征图标签与期望标签相符,训练停止,生成房屋结构特性快速提取模型。
进一步的改进,步骤S1具体方法为:
S11:获取城市建筑的空间信息和属性信息,所述空间信息包括经纬度和房屋对应的WGS84坐标,所述属性信息包括房屋编号、存在状态、房屋层数、房屋楼高、结构类型、建筑年代、建筑面积和周长;
S12:将房屋对应的WGS84坐标转换成百度坐标系下的BD09坐标;
S13:调用百度地图JavaScript API获取BD09坐标对应的视点坐标;
S14:判断是否存在相应的视点坐标,如果不存在,返回步骤S11,如果存在,计算视角θ;
S15:从全景静态图中调取视角θ对应的街景图像;
S16:判断是否为有效街景图像,如果是,输出相应的街景图像并获取对应的房屋结构特性,如果不是,返回步骤S11。
进一步的改进,步骤S11还包括对获取的城市建筑进行筛选清洗,具体方法为:
S111:挑选出存在状态为正常、房屋楼高和结构类型均不为空的建筑;
S112:从上述挑选出的建筑中去掉建筑面积小于5m2,且周长小于8m的建筑;
S113:对挑选出的建筑进行butter分析,将不同等级道路提取出来的建筑进行叠加,去除被遮挡的建筑,得出看得到的建筑。
进一步的改进,所述深度学习模型为Xception模型或VGG模型等深度学习模型。
本发明另一方面提供一种建筑结构损失评估计算方法,该方法包括:
a:根据本发明提供的建筑结构特性快速提取方法获取的房屋结构特性建立建筑结构模型Ψ,Ψ=Φ(T,H,Y,L,ArK),其中,T表示结构类型,H表示房屋楼高,Y表示建筑年代,L表示房屋层数,ArK表示建筑面积;
b:向建筑结构模型中输入地震动参数指标进而获得地震响应指标Ψ1;
c:根据地震响应指标Ψ1计算出指定结构类型建筑在不同破坏程度状态下的概率P,根据概率P获得总损失。
进一步的改进,步骤b中所述的地震动参数指标由如下公式计算得到:
其中,PGA表示地震动的峰值加速度,PGV表示地震动的峰值速度,Sa表示地震动的反应谱值,a1,b1,c1均为常数。
进一步的改进,步骤b中所述的地震响应指标Ψ1由如下公式计算得到:
Ψ1=d1θ+e1y+f1μ+g1τ+h1γ,其中,θ表示最大层间位移角,y表示最大层间位移,μ表示建筑结构延性系数,τ为最大地基剪力,γ为建筑最大层间加速度,d1,e1,f1,g1,h1均为常数。
进一步的改进,步骤c中所述的概率P由如下公式计算得到:
其中α表示给定地震动参数的不确定性,β表示参数拟合的方差,ζ表示结果的误差限,取值为-2.5%至2.5%,a和b根据Ψ1和计算而得,公式为其中,ε表示估计的误差的对数正态随机变量;
优选地,步骤c中总损失E由如下公式计算得到:
其中,site表示建筑物场地类型,κ表示场地调整系数,Bty表示建筑物场地内指定结构类型,I表示建筑物场地内可能遭受的造成损失的地震动参数,指标取值选自V表示建筑物场地内建筑设施的总价值,P(I|Bty)表示指定结构类型的建筑遭受地震动参数为I的危险概率,P(d|I,Bty)表示建筑物场地内指定结构类型的建筑遭受地震动参数为I的地震期望的损失率d发生的概率;损失率是通过如下公式计算得到的:d=毁坏的损失比×毁坏的概率P1+严重破坏的损失比×严重破坏的概率P2+中等破坏的损失比×中等破坏的概率P3+轻微破坏的损失比×轻微破坏的概率P4+基本完好的损失比×基本完好的概率P5。
本发明另一方面提供了一种根据建筑结构损失评估计算方法快速得到的损失在灾害保险费率拟定和如何确定保单服务中的应用。
本发明采用深度学习的方法系统地研究从街景图像中快速提取有用于地震保险相关数据的方法。从深度学习的角度出发统计分析房屋结构特性具有很高的效率和应用价值。进一步深入研究深度学习的模型从而能快速提取适合应用于地震保险的房屋结构特性,重点研究底层特征的表示方法、结构特性的聚类及相关标记方法,使得能自动从街景图像生成房屋结构特性及其相关统计特性。本发明提供的方法可以快速准确地提取房屋结构特性,节省人力物力和财力,避免了传统图像处理方法存在的“语义鸿沟”。
附图说明
图1为实施例1一种建筑结构特性快速提取方法的流程图;
图2为实施例2步骤S2的流程图;
图3为实施例3步骤S1的流程图;
图4为实施例4步骤S11的流程图;
图5为实施例5建筑结构损失评估计算方法的流程图。
具体实施方式
实施例1
本发明实施例1提供一种建筑结构特性快速提取方法,如图1所示,该方法包括如下步骤:
SI:获取街景图像及街景图像对应的房屋结构特性,作为训练集,所述房屋结构特性包括结构类型、房屋层数、建筑年代、房屋楼高和建筑面积;
S2:利用训练集中的街景图像进行基于深度学习的房屋结构特性快速提取训练,生成房屋结构特性快速提取模型;
S3:利用房屋结构特性快速提取模型对待测数据进行房屋结构特性快速提取,获取房屋结构特性。
需要指出的是,结构类型分为4类,第1类,混合结构,指承重的主要构件使用钢筋混凝土制成,如一幢房屋梁用钢筋混凝土制成,以砖墙为承重墙;第2类,简易结构;第3类,砼结构,承重的主要构件是用钢筋混凝土建造的,包括薄壳结构、大规模现浇结构及使用滑模、升板等建造的钢筋混凝土结构的建筑物。第4类,砖结构,指承重的主要构件是用砖建造。
房屋层数分为4类,第1类为单层建筑;第2类为2、3层建筑;第3类为4-6层建筑;第4类为7层以上建筑。
建筑年代分为4类,1970年代所建造房屋为第1类;20世纪80年代建造的房屋为第2类;1990年代建造的房屋为第三类;21世纪以来建造完成的房屋为第4类。
街景图像是由城市道路的全景影像拼接而成的地图服务,满足人们对于真实场景的直观感受,而不再局限于二维的矢量化地图服务。城市街景图像将传统二维电子地图所无法表达的立面信息通过高清摄影的方式呈现在用户面前,通过全息纹理、真实场景展现道路两侧的城市细节街景影像中包含了丰富的城市基础设施信息。相对于遥感和激光雷达数据,街景图像更容易获取和更新,从百度,谷歌,腾讯都可以免费获取大量街景数据。
本发明采用深度学习的方法系统地研究从街景图像中快速提取有用于地震保险相关数据的方法。从深度学习的角度出发统计分析房屋结构特性具有很高的效率和应用价值。进一步深入研究深度学习的模型从而能快速提取适合应用于地震保险的房屋结构特性,重点研究底层特征的表示方法、结构特性的聚类及相关标记方法,使得能自动从街景图像生成房屋结构特性及其相关统计特性。本发明提供的方法可以快速准确地提取房屋结构特性,节省人力物力和财力,避免了传统图像处理方法存在的“语义鸿沟”。
实施例2
本发明实施例2提供一种建筑结构特性快速提取方法,该方法与实施例1的基本相同,不同的是,如图2所示,步骤S2具体方法为:
S21:将训练集中的街景图像输入到深度学习模型中,经过多个深度可分卷积层后,最后一层为输出层,输出特征图标签;
S22:将输出的特征图标签与期望标签进行比较,当特征图标签与期望标签相符时,训练停止,生成房屋结构特性快速提取模型;
S23:当输出的特征图标签与期望标签不符时,计算特征图标签与期望标签的误差,根据反向传播算法,将误差逐层传递到每个节点,并更新每层相应的卷积核权值,直至输出层输出的特征图标签与期望标签相符,训练停止,生成房屋结构特性快速提取模型。
本文所使用的深度学习模型可以为Xception模型或VGG模型等深度学习模块,优选为基于Xception结构的深度学习模型。Xception模型中的单层卷积神经网络包括卷积、非线性变换和下采样3个阶段,其中下采样阶段不是每层都必需的。每层的输入和输出为一组向量构成的特征图(feature map)(第一层的原始输入信号可以看作一个具有高稀疏度的高维特征图)。卷积阶段,通过提取信号的不同特征实现输入信号进行特定模式的观测,其观测模式也称为卷积核,每个卷积核检测输入特征图上所有位置上的特定特征,实现同一个输入特征图上的权值共享,为了提取输入特征图上不同的特征,使用不同的卷积核进行卷积操作,非线性阶段将卷积阶段提取的特征作为输入,进行非线性映射,以避免线性模型表达能力不够的问题,下采样阶段,对每个特征图进行独立操作,通常采用平均池化或者最大池化的操作,池化操作后,输出特征图的分辨率降低,但能较好地保持高分辨率特征图描述的特征。采用图像直接作为网络的输入,避免了传统识别算法中复杂的特征提取和图像重建过程;获取的观测特征与平移、缩放和旋转无关。卷积阶段利用权值共享结构减少了权值的数量进而降低了网络模型的复杂度,这一点在输入特征图是高分辨率图像时表现得更为明显。同时,下采样阶段利用图像局部相关性的原理对特征图进行子抽样,在保留有用结构信息的同时有效地减少数据处理量。
简单讲,Xception结构是带有残差连接的深度可分卷积层的线性堆叠。Xception主要是在Inception v3的基础上引入了深度可分卷积层,在基本不增加网络复杂度的前提下提高了模型的效果。由36个卷积层组成网络的特征提取基础,被分成14个模块,除最后一个外,模块间有线性残差连接。在ImageNet上,Xception的准确率相比Inception V3有一定的提升。同时,和Inception V3相比,Xception的参数量有所下降,而训练时的迭代速度也没有明显变慢,在ImageNet和JFT上的训练过程都显示Xception在最终准确率更高的同时,收敛过程也比Inception V3更快。
本发明通过在Xception模型的采集上,进行前向传播阶段,从训练集取出一个样本输入网络;前向逐层传播,直至输出层。经过多个深度可分卷积层,变成最后一层输出的特征图标签,该特征图标签包括图像的颜色特征、纹理特征、形状特征和空间关系特征等;模型最后输出的是判断图片的所属的类别,然后将输出特征图标签与期望的标签进行比较,如果比较相符,即生成房屋结构特性快速提取模型,如果不相符,生成误差,通过反向传播算法,将误差逐层传递到每个节点,根据权值更新公式,更新相应的卷积核权值,误差随迭代次数的增加而减少,并且这一过程收敛于一个稳定的权值集合,直至输出的特征图标签与期望标签相符,训练停止,生成房屋结构特性快速提取模型。通过该模型对其余训练集和待测数据中的样本进行训练,准确率可达75%以上。
实施例3
本发明实施例3提供一种建筑结构特性快速提取方法,该方法与实施例1的基本相同,不同的是,如图3所示,步骤S1具体方法为:
S11:获取城市建筑的空间信息和属性信息,所述空间信息包括经纬度和房屋对应的WGS84坐标,所述属性信息包括房屋编号、存在状态、房屋层数、房屋楼高、结构类型、建筑年代、建筑面积和周长;
S12:将房屋对应的WGS84坐标转换成百度坐标系下的BD09坐标;
S13:调用百度地图JavaScript API获取BD09坐标对应的视点坐标;
S14:判断是否存在相应的视点坐标,如果不存在,返回步骤S11,如果存在,计算视角θ;
S15:从全景静态图中调取视角θ对应的街景图像;
S16:判断是否为有效街景图像,如果是,输出相应的街景图像并获取对应的房屋结构特性,如果不是,返回步骤S11。
通过以上方法可以快速准确地获取建筑对应的街景图像。
实施例4
本发明实施例4提供一种建筑结构特性快速提取方法,该方法与实施例3的基本相同,不同的是,如图4所示,步骤S11还包括对获取的城市建筑进行筛选清洗,具体方法为:
S111:挑选出存在状态为正常、房屋楼高和结构类型均不为空的建筑;
S112:从上述挑选出的建筑中去掉建筑面积小于5m2,且周长小于8m的建筑;
S113:对挑选出的建筑进行butter分析,将不同等级道路提取出来的建筑进行叠加,去除被遮挡的建筑,得出看得到的建筑。
进一步在选择建筑并获取其街景图像时,还包括对建筑的筛选清洗,进而获取筛选出的建筑对应的街景图像,利用筛选出的街景图像经训练后得到的房屋结构特性快速提取模型可以提高其对待测数据提取的准确率,准确率可以提高4.6%。
实施例5
本发明实施例5提供一种建筑结构损失评估计算方法,如图5所示,该方法具体为:
a:根据实施例1-4任一方案所述的方法获取的房屋结构特性建立建筑结构模型Ψ,Ψ=Φ(T,H,Y,L,ArK),其中,T表示结构类型,H表示房屋楼高,Y表示建筑年代,L表示房屋层数,ArK表示建筑面积,建筑结构模型具体形式Φ由各房屋结构特性耦合影响;
b:向建筑结构模型中输入地震动参数指标 其中,PGA表示地震动的峰值加速度,PGV表示地震动的峰值速度,Sa表示地震动的反应谱值,a1,b1,c1均为常数,其取值随地震动以及房屋结构特性而定,根据输入的地震动参数指标进而获得地震响应指标Ψ1,Ψ1=d1θ+e1y+f1μ+g1τ+h1γ,其中,θ表示最大层间位移角,y表示最大层间位移,μ表示建筑结构延性系数,τ为最大地基剪力,γ为建筑最大层间加速度,d1,e1,f1,g1,h1均为常数,其取值视建筑的建筑类型进行调整;
c:根据地震响应指标Ψ1计算出指定结构类型建筑在不同破坏程度状态下的概率P,根据概率P获得总损失。
其中不同破坏程度状态下包括毁坏、严重破坏、中等破坏、轻微破坏和基本完好5种状态,5种状态下地震动参数指标的值是不同的。
概率P总的计算公式为其中表示累计概率分布,α表示给定地震动参数的不确定性,β表示参数拟合的方差,ζ表示结果的误差限,取值为-2.5%至2.5%,a和b根据Ψ1和计算而得,公式为其中,ε表示估计的误差的对数正态随机变量;
根据概率P计算总损失E。
其中,site表示建筑物场地类型,κ表示场地调整系数,Bty表示建筑物场地内指定结构类型,I表示建筑物场地内可能遭受的造成损失的地震动参数,指标取值选自V表示建筑物场地内建筑设施的总价值,P(I|Bty)表示指定结构类型的建筑遭受地震动参数为I的危险概率,P(d|I,Bty)表示建筑物场地内指定结构类型的建筑遭受地震动参数为I的地震期望的损失率d发生的概率;损失率是通过如下公式计算得到的:d=毁坏的损失比×毁坏的概率P1+严重破坏的损失比×严重破坏的概率P2+中等破坏的损失比×中等破坏的概率P3+轻微破坏的损失比×轻微破坏的概率P4+基本完好的损失比×基本完好的概率P5。
需要说明的是,P1至P5是通过概率P计算得到的,当处于不同的破坏程度状态下时,取不同的值,带到概率P的公式中,即得相应的P1至P5。
P(I|Bty)和P(d|I,Bty)也是根据概率P计算得到的,基于对值进行调整,可以得到对应的P(I|Bty)和P(d|I,Bty)。
其中建筑物场地类型分为4大类,包括I类(分为I0和I1)、II类、III类和IV类,可以根据以下表格所示,进行分类。
根据该方法可以准确地计算出损失,为灾害保险费率拟定和如何确定保单服务提供依据。
本发明不局限于上述最佳实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (10)
1.一种建筑结构特性快速提取方法,其特征在于,所述方法包括如下步骤:
S1:获取街景图像及街景图像对应的房屋结构特性,作为训练集,所述房屋结构特性包括结构类型、房屋层数、建筑年代、房屋楼高和建筑面积;
S2:利用训练集中的街景图像进行基于深度学习的房屋结构特性快速提取训练,生成房屋结构特性快速提取模型;
S3:利用房屋结构特性快速提取模型对待测数据进行房屋结构特性快速提取,获取房屋结构特性。
2.如权利要求1所述的建筑结构特性快速提取方法,其特征在于,步骤S2具体方法为:
S21:将训练集中的街景图像输入到深度学习模型中,经过多个深度可分卷积层后,最后一层为输出层,输出特征图标签;
S22:将输出的特征图标签与期望标签进行比较,当特征图标签与期望标签相符时,训练停止,生成房屋结构特性快速提取模型;
S23:当输出的特征图标签与期望标签不符时,计算特征图标签与期望标签的误差,根据反向传播算法,将误差逐层传递到每个节点,并更新每层相应的卷积核权值,直至输出层输出的特征图标签与期望标签相符,训练停止,生成房屋结构特性快速提取模型。
3.如权利要求1所述的建筑结构特性快速提取方法,其特征在于,步骤S1具体方法为:
S11:获取城市建筑的空间信息和属性信息,所述空间信息包括经纬度和房屋对应的WGS84坐标,所述属性信息包括房屋编号、存在状态、房屋层数、房屋楼高、结构类型、建筑年代、建筑面积和周长;
S12:将房屋对应的WGS84坐标转换成百度坐标系下的BD09坐标;
S13:调用百度地图JavaScript API获取BD09坐标对应的视点坐标;
S14:判断是否存在相应的视点坐标,如果不存在,返回步骤S11,如果存在,计算视角θ;
S15:从全景静态图中调取视角θ对应的街景图像;
S16:判断是否为有效街景图像,如果是,输出相应的街景图像并获取对应的房屋结构特性,如果不是,返回步骤S11。
4.如权利要求3所述的建筑结构特性快速提取方法,其特征在于,步骤S11还包括对获取的城市建筑进行筛选清洗,具体方法为:
S111:挑选出存在状态为正常、房屋楼高和结构类型均不为空的建筑;
S112:从上述挑选出的建筑中去掉建筑面积小于5m2,且周长小于8m的建筑;
S113:对挑选出的建筑进行butter分析,将不同等级道路提取出来的建筑进行叠加,去除被遮挡的建筑,得出看得到的建筑。
5.如权利要求2所述的建筑结构特性快速提取方法,其特征在于,所述深度学习模型为Xception模型或VGG模型等深度学习模型。
6.一种建筑结构损失评估计算方法,其特征在于,所述方法包括:
a:根据权利要求1-5任一项所述的方法获取的房屋结构特性建立建筑结构模型Ψ,Ψ=Ф(T,H,Y,L,ArK),其中,T表示结构类型,H表示房屋楼高,Y表示建筑年代,L表示房屋层数,ArK表示建筑面积;
b:向建筑结构模型中输入地震动参数指标进而获得地震响应指标Ψ1;
c:根据地震响应指标Ψ1计算出指定结构类型建筑在不同破坏程度状态下的概率P,根据概率P获得总损失。
7.如权利要求6所述的建筑结构损失评估计算方法,其特征在于,步骤b中所述的地震动参数指标由如下公式计算得到:
其中,PGA表示地震动的峰值加速度,PGV表示地震动的峰值速度,Sa表示地震动的反应谱值,a1,b1,c1均为常数。
8.如权利要求7所述的建筑结构损失评估计算方法,其特征在于,步骤b中所述的地震响应指标Ψ1由如下公式计算得到:
Ψ1=d1θ+e1у+f1μ+g1τ+h1γ,其中,θ表示最大层间位移角,у表示最大层间位移,μ表示建筑结构延性系数,τ为最大地基剪力,γ为建筑最大层间加速度,d1,e1,f1,g1,h1均为常数。
9.如权利要求6所述的建筑结构损失评估计算方法,其特征在于,步骤c中所述的概率P由如下公式计算得到:
其中α表示给定地震动参数的不确定性,β表示参数拟合的方差,ζ表示结果的误差限,取值为-2.5%至2.5%,a和b根据Ψ1和计算而得,公式为其中,ε表示估计的误差的对数正态随机变量;
优选地,步骤c中总损失E由如下公式计算得到:
其中,site表示建筑物场地类型,κ表示场地调整系数,Bty表示建筑物场地内指定结构类型,I表示建筑物场地内可能遭受的造成损失的地震动参数,指标取值选自V表示建筑物场地内建筑设施的总价值,P(I∣Bty)表示指定结构类型的建筑遭受地震动参数为I的危险概率,P(d∣I,Bty)表示建筑物场地内指定结构类型的建筑遭受地震动参数为I的地震期望的损失率d发生的概率;损失率是通过如下公式计算得到的:d=毁坏的损失比×毁坏的概率P1+严重破坏的损失比×严重破坏的概率P2+中等破坏的损失比×中等破坏的概率P3+轻微破坏的损失比×轻微破坏的概率P4+基本完好的损失比×基本完好的概率P5。
10.一种权利要求6-9任一项所述的建筑结构损失评估计算方法得到的损失在灾害保险费率拟定和如何确定保单服务中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810829058.5A CN108984932B (zh) | 2018-07-25 | 2018-07-25 | 建筑结构特性快速提取方法及相应损失评估计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810829058.5A CN108984932B (zh) | 2018-07-25 | 2018-07-25 | 建筑结构特性快速提取方法及相应损失评估计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108984932A true CN108984932A (zh) | 2018-12-11 |
CN108984932B CN108984932B (zh) | 2022-11-08 |
Family
ID=64550726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810829058.5A Active CN108984932B (zh) | 2018-07-25 | 2018-07-25 | 建筑结构特性快速提取方法及相应损失评估计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108984932B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796152A (zh) * | 2020-01-06 | 2020-02-14 | 杭州鲁尔物联科技有限公司 | 一种基于倾斜摄影的群体建筑物震害提取方法及系统 |
CN111339336A (zh) * | 2020-03-11 | 2020-06-26 | 贝壳技术有限公司 | 用于房屋户型数据的解析方法及系统 |
CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN112613096A (zh) * | 2020-12-15 | 2021-04-06 | 应急管理部国家自然灾害防治研究院 | 一种面向强震前后不同阶段的地质灾害评价方法 |
CN114677522A (zh) * | 2022-03-17 | 2022-06-28 | 北京科技大学 | 基于建筑图斑和深度学习的建筑结构类型预测方法及系统 |
US20220351008A1 (en) * | 2020-08-17 | 2022-11-03 | At&T Intellectual Property I, L.P. | Ai-based, semi-supervised interactive map enrichment for radio access network planning |
CN116362624A (zh) * | 2023-05-22 | 2023-06-30 | 石家庄铁道大学 | 建筑抗震性能的评估方法、装置、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050234688A1 (en) * | 2004-04-16 | 2005-10-20 | Pinto Stephen K | Predictive model generation |
CN102866631A (zh) * | 2011-12-31 | 2013-01-09 | 上海绿地建设(集团)有限公司 | 基于在线支持向量机的建筑结构地震反应智能控制设计方法 |
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
-
2018
- 2018-07-25 CN CN201810829058.5A patent/CN108984932B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050234688A1 (en) * | 2004-04-16 | 2005-10-20 | Pinto Stephen K | Predictive model generation |
CN102866631A (zh) * | 2011-12-31 | 2013-01-09 | 上海绿地建设(集团)有限公司 | 基于在线支持向量机的建筑结构地震反应智能控制设计方法 |
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796152A (zh) * | 2020-01-06 | 2020-02-14 | 杭州鲁尔物联科技有限公司 | 一种基于倾斜摄影的群体建筑物震害提取方法及系统 |
CN111339336A (zh) * | 2020-03-11 | 2020-06-26 | 贝壳技术有限公司 | 用于房屋户型数据的解析方法及系统 |
CN111985355A (zh) * | 2020-08-01 | 2020-11-24 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
CN111985355B (zh) * | 2020-08-01 | 2022-09-27 | 桂林理工大学 | 基于深度学习和云计算的遥感建筑物震害评估方法和系统 |
US20220351008A1 (en) * | 2020-08-17 | 2022-11-03 | At&T Intellectual Property I, L.P. | Ai-based, semi-supervised interactive map enrichment for radio access network planning |
CN112613096A (zh) * | 2020-12-15 | 2021-04-06 | 应急管理部国家自然灾害防治研究院 | 一种面向强震前后不同阶段的地质灾害评价方法 |
CN112613096B (zh) * | 2020-12-15 | 2024-02-23 | 应急管理部国家自然灾害防治研究院 | 一种面向强震前后不同阶段的地质灾害评价方法 |
CN114677522A (zh) * | 2022-03-17 | 2022-06-28 | 北京科技大学 | 基于建筑图斑和深度学习的建筑结构类型预测方法及系统 |
CN116362624A (zh) * | 2023-05-22 | 2023-06-30 | 石家庄铁道大学 | 建筑抗震性能的评估方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108984932B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108984932A (zh) | 建筑结构特性快速提取方法及相应损失评估计算方法 | |
Corbane et al. | Automated global delineation of human settlements from 40 years of Landsat satellite data archives | |
Alizadeh et al. | Social vulnerability assessment using artificial neural network (ANN) model for earthquake hazard in Tabriz city, Iran | |
Ural et al. | Building extraction and rubble mapping for city port-au-prince post-2010 earthquake with GeoEye-1 imagery and lidar data | |
Kamari et al. | AI-based risk assessment for construction site disaster preparedness through deep learning-based digital twinning | |
Alizadeh et al. | Multi-criteria decision making (MCDM) model for seismic vulnerability assessment (SVA) of urban residential buildings | |
Dzieszko | Land-cover modelling using corine land cover data and multi-layer perceptron | |
Cao et al. | Facade geometry generation from low-resolution aerial photographs for building energy modeling | |
CN106599805A (zh) | 一种基于有监督数据驱动的单目视频深度估计方法 | |
CN114332385A (zh) | 一种基于三维虚拟地理场景的单目相机目标检测与空间定位方法 | |
Liu et al. | Evaluation of classical operators and fuzzy logic algorithms for edge detection of panels at exterior cladding of buildings | |
CN110956412A (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
Bai et al. | Image-based reinforced concrete component mechanical damage recognition and structural safety rapid assessment using deep learning with frequency information | |
Cherif et al. | Potential seismic damage assessment of residential buildings in Imzouren City (Northern Morocco) | |
Yuan et al. | Encoding time-series ground motions as images for convolutional neural networks-based seismic damage evaluation | |
Zhu et al. | Using the DEMATEL-VIKOR method in dam failure path identification | |
CN111429510B (zh) | 基于自适应特征金字塔的花粉检测方法 | |
Kaur et al. | Large‐scale building damage assessment using a novel hierarchical transformer architecture on satellite images | |
Li et al. | Methods for landslide detection based on lightweight YOLOv4 convolutional neural network | |
CN117115339A (zh) | 一种基于NeRF 5D神经辐射场的建筑三维重建与损伤识别方法 | |
Zhang et al. | Developing GIS-based earthquake loss model: a case study of Baqiao District, China | |
Sui et al. | Study on the risk assessment method of rainfall landslide | |
CN109784602A (zh) | 一种基于ptva模型的多灾种耦合物理脆弱性评估方法 | |
Festa et al. | Calculating Economic Flood Damage through Microscale Risk Maps and Data Generalization: A Pilot Study in Southern Italy | |
Fakhruddin et al. | Integrated Research on Disaster Risk (IRDR) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |