CN113779675A - 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 - Google Patents
物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 Download PDFInfo
- Publication number
- CN113779675A CN113779675A CN202111028475.8A CN202111028475A CN113779675A CN 113779675 A CN113779675 A CN 113779675A CN 202111028475 A CN202111028475 A CN 202111028475A CN 113779675 A CN113779675 A CN 113779675A
- Authority
- CN
- China
- Prior art keywords
- data
- physical
- structural design
- structural
- shear wall
- 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
- 238000013461 design Methods 0.000 title claims abstract description 280
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 78
- 230000036314 physical performance Effects 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 53
- 230000000704 physical effect Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 17
- 238000005452 bending Methods 0.000 description 14
- 239000010410 layer Substances 0.000 description 14
- 239000011229 interlayer Substances 0.000 description 8
- 238000005293 physical law Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000002910 structure generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Structural Engineering (AREA)
- Mathematical Optimization (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种物理‑数据驱动的智能化剪力墙建筑结构设计方法和装置,方法包括:获取待处理的建筑设计图和基本条件文本;将建筑设计图和基本条件文本输入结构设计模型,得到结构设计图;其中,结构设计模型是对物理‑数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的;将结构设计图和建筑设计图矢量化,得到剪力墙建筑的结构设计结果。本发明提供的物理‑数据驱动的智能化剪力墙建筑结构设计方法和装置,通过对物理‑数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化,得到的结构设计模型可根据建筑设计图和基本条件文本生成更满足实际设计需求的结构设计图,提高了结构设计效率与可靠性。
Description
技术领域
本发明涉及建筑结构设计与机器学习技术领域,尤其涉及一种物理-数据驱动的智能化剪力墙建筑结构设计方法和装置。
背景技术
目前,剪力墙建筑的结构方案设计,一般由有经验的工程师完成,由于人工设计方法过度依赖专业经验,难以有效推广应用,且人工设计过程耗时耗力,智能化程度不足,效率低下。为了满足智能建造快速发展需求,智能化的结构设计方法应运而生。
但是,由于结构设计的物理规律主要通过公式、文本等多种复杂形式表达,与图像数据的表达方式有显著差异,这样,神经网络仅可以有效的学习图像数据特征,无法直接读取并学习物理规律。导致现有的智能化结构设计方法仅由数据驱动,无法通过智能化算法学习到结构设计的物理规律和经验知识,使得最终得到的结构设计结果难以较好的满足结构设计的实际物理约束与需求,可参考性不高。
因此,现在亟需一种能够学习物理规律与数据经验的智能化剪力墙建筑的结构设计方法。
发明内容
本发明提供一种物理-数据驱动的智能化剪力墙建筑结构设计方法和装置,用以解决现有技术中剪力墙建筑结构设计方法无法通过智能化算法同时学习物理规律与数据经验,导致结构设计结果可参考性低的缺陷。
第一方面,本发明提供一种物理-数据驱动的智能化剪力墙建筑结构设计方法,该方法包括:
获取待处理的建筑设计图和基本条件文本;
将所述建筑设计图和所述基本条件文本输入结构设计模型,得到所述结构设计模型输出的结构设计图;其中,所述结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据,对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的;
将所述结构设计图和建筑设计图矢量化,提取所述结构设计图中剪力墙构件矢量数据以及所述建筑设计图中建筑外轮廓矢量数据,根据所述剪力墙构件矢量数据和所述建筑外轮廓矢量数据,得到剪力墙建筑的结构设计结果。
根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,所述结构设计模型的训练过程,包括:
构建物理-数据驱动的生成对抗网络;
将有完整标签的样本数据输入所述物理-数据驱动的生成对抗网络,对所述物理-数据驱动的生成对抗网络的结构设计图生成能力进行训练;其中,所述有完整标签的样本数据包括建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据;
对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算,得到物理性能计算结果;
构建结构物理性能预测神经网络,将结构设计图生成能力训练过程中生成的结构设计图样本数据与所述物理性能计算结果作为训练数据,对所述结构物理性能预测神经网络进行结构物理性能预测能力训练,得到结构物理性能预测模型;
计算结构设计图生成能力训练过程中的图像数据损失,并采用所述结构物理性能预测模型计算对应的物理损失,将所述图像数据损失和所述物理损失融合,得到所述物理-数据驱动的生成对抗网络的损失函数;
通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练,得到结构设计模型。
根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,所述物理-数据驱动的生成对抗网络包括:
图像生成器,用于分别对建筑设计图样本数据和基本条件文本样本数据进行编码和特征提取并融合,将融合后的特征解码,生成结构设计图样本数据;并且,所述图像生成器的神经网络参数在优化训练中需要同时接收物理性能损失和图像数据损失的指导,从而所述图像生成器掌握结构设计的物理机理,以及满足物理机理的结构设计图生成能力;
图像判别器,用于对所述结构设计图样本数据进行特征提取和真伪判别。
根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算,得到物理性能计算结果,包括:
提取所述结构设计图样本数据中剪力墙的结构构件矢量数据,并提取建筑设计图样本数据中的建筑外轮廓矢量数据;
根据所述结构设计图样本数据中剪力墙的结构构件矢量数据和所述建筑设计图样本数据中的建筑外轮廓矢量数据,计算楼层质量与楼层刚度,进而构建剪力墙建筑的质量矩阵和刚度矩阵,得到剪力墙建筑的多自由度力学计算模型;
根据所述多自由度力学计算模型,对剪力墙建筑进行结构力学响应计算与性能分析,得到物理性能计算结果。
根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,所述结构物理性能预测模型的构建、训练和预测过程,包括:
基于残差网络结构,构建用于图像特征提取与物理性能预测的结构物理性能预测神经网络;
通过结构设计图生成能力训练过程中生成的结构设计图样本数据与对应的物理性能计算结果,对所述结构物理性能预测神经网络的物理性能预测能力进行训练,得到结构物理性能预测模型;
通过所述结构物理性能预测模型对结构设计图生成能力训练过程中得到的结构设计图样本数据进行物理性能预测,得到相应的物理损失,指导物理-数据驱动的生成对抗网络进行物理性能优化训练。
根据本发明提供的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练后,还包括:
通过无完整标签样本数据与有完整标签样本数据,对所述物理-数据驱动的生成对抗网络进行半监督优化训练;其中,所述无完整标签样本数据包括建筑设计图样本数据和基本条件文本样本数据。
第二方面,本发明还提供一种物理-数据驱动的智能化剪力墙建筑结构设计装置,包括:
获取模块,用于获取待处理的建筑设计图和基本条件文本;
结构设计模块,用于将所述建筑设计图和所述基本条件文本输入结构设计模型,得到所述结构设计模型输出的结构设计图;其中,所述结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据,对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的;
矢量化输出模块,用于提取所述结构设计图中剪力墙构件矢量数据以及所述建筑设计图中建筑外轮廓矢量数据,根据所述剪力墙构件矢量数据和所述建筑外轮廓矢量数据,得到剪力墙建筑的结构设计结果。
本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计方法和装置,通过对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练,实现生成对抗网络对图像-文本数据的学习以及物理性能的学习,得到的结构设计模型可以根据建筑设计图和基本条件文本生成更满足实际设计需求的结构设计图,提高了结构设计的效率与最终结构设计结果的可靠性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计方法的流程示意图;
图2是本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计方法的原理示意图;
图3是结构设计模型训练过程的原理示意图;
图4是典型数据集示意图;
图5是像素图矢量化的实现原理示意图;
图6是将结构设计图矢量化获得结构力学模型的实现原理示意图;
图7是本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1和图2示出了本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计方法,该方法包括:
S110:获取待处理的建筑设计图和基本条件文本;
S120:将建筑设计图和基本条件文本输入结构设计模型,得到结构设计模型输出的结构设计图;其中,结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据,对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的;
S130:提取结构设计图中剪力墙构件矢量数据以及建筑设计图中建筑外轮廓矢量数据,根据剪力墙构件矢量数据和建筑外轮廓矢量数据,得到剪力墙建筑的结构设计结果。
具体地,参见附图2和图3,本实施例对结构设计模型进行训练的过程,包括以下步骤:
第一步:构建物理-数据驱动的生成对抗网络,该网络主要由生成器和判别器组成,生成器和判别器为常规深度神经网络,生成器由卷积神经网络进行图像和文本编码与特征提取,采用哈达玛积进行特征融合,并采用反卷积神经网络进行特征解码,生成结构设计图;判别器则由卷积神经网络对生成器生成的结构设计图进行特征提取与真伪判别。
第二步:创建用于网络训练的数据集,具体包含有完整标签的结构设计数据集与无完整标签的结构设计数据集。收集配套建筑设计图、属性文本(即基本条件文本)以及结构设计图的数据,创建有完整标签的结构设计数据集,即有完整标签的样本数据;针对仅有建筑设计图和基本条件文本的数据,则创建无完整标签的结构设计数据集,即无完整标签的样本数据。
本实施例采用的典型数据集如图4所示,通过获取建筑设计图纸、配套的结构设计图纸与基本设计条件文本,采用结构设计的先验知识对图纸关键元素和文本关键属性进行预提取,完成数据集创建。采用随机划分得到训练集与测试集。该数据集包括输入标签数据和输出目标数据。
输入标签数据包括建筑设计图以及基本条件文本,这些标签均是通过结构设计的先验知识进行特征预筛选和提取得到的。如图4所示,建筑设计图中关键特征包括可布置墙体部位、门窗和室内门洞、室外门洞,为了区分各个关键特征,可以通过不同的颜色的图元表示不同的结构特征,本实施例中用灰色图元代表可布置墙体部位,绿色图元代表门窗和室内门洞,蓝色图元代表室外门洞;基本条件文本分别为抗震设防烈度和建筑高度,6度设防代表该结构抗震烈度为6度,90m代表结构高度接近90m。其余的设计条件可以进行类推。
本实施例中目标数据为结构设计图,参见附图4,结构设计图中关键特征包括结构剪力墙、结构柱、非结构填充墙、门窗和室内门洞以及室外门洞。结构设计图中各个关键特征同样可以通过不同颜色的图元进行区分,本实施例中用红色图元代表结构剪力墙或者结构柱的布置部位,灰色代表非结构填充墙的布置位置,绿色图元代表门窗和室内门洞,蓝色代表室外门洞。
第三步:将有完整标签的样本数据输入物理-数据驱动的生成对抗网络,对物理-数据驱动的生成对抗网络的结构设计图生成能力进行训练,使得该网络掌握基本的剪力墙建筑的结构设计图生成能力,能够输出相应的结构设计图像。
第四步:进行物理性能计算,对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算,得到物理性能计算结果。本实施例中物理性能计算结果是结构质心与刚心距离计算结果、最大结构变形计算结果以及结构构件的强度计算结果的加权求和值。
具体地,物理性能计算的实现过程,包括:
首先,提取结构设计图样本数据中剪力墙的结构构件矢量数据,并提取建筑设计图样本数据中的建筑外轮廓矢量数据。
由于结构设计图以及建筑设计图均属于像素图,在物理性能计算环节需要将上述像素图矢量化,像素图矢量化的过程如图5所示,本实施例中图像处理与矢量提取均采用Open CV-Python。针对建筑设计图,首先采用图像二值化将所有元素转化,并采用膨胀操作扩展元素,以保证外轮廓闭合,随后采用轮廓检测对建筑外轮廓进行提取,进而得到外轮廓的坐标信息,即建筑外轮廓矢量数据。
针对结构设计图,同样采用二值化操作,仅将剪力墙元素转化,并采用腐蚀与膨胀操作去除图像噪音,随后采用网格直线与剪力墙元素相交的方法进行剪力墙构件的提取,进而得到所有剪力墙构件的坐标信息,即剪力墙的结构构件矢量数据。
然后,根据结构设计图样本数据中剪力墙的结构构件矢量数据和建筑设计图样本数据中的建筑外轮廓矢量数据,计算楼层质量与楼层刚度,进而构建剪力墙建筑的质量矩阵和刚度矩阵,得到剪力墙建筑的多自由度力学计算模型。
本实施例以典型剪力墙住宅结构为设计对象,因此可以采用弯剪耦合的多自由度模型。该模型结构可以参见图3中的结构力学计算模型,该模型第i层对应的层质量矩阵与层刚度矩阵如式(1)和式(2)所示。
模型中的层质量的计算方法为:
Mi=unit_mass×Ai (3)
unit_mass为单位面积质量,根据中国建筑工程建设经验可知,unit_mass=14kN/m2,Ai则根据建筑轮廓直接求解面积。
上式中,Mi、Mi-1分别为第i和i-1层的层质量,GAi为第i层剪切刚度,EIi为第i层弯曲刚度,hi为第i层高度。
基于刚性楼板假定,可以近似认为所有剪力墙构件在水平面内的变形协调,同时还应考虑楼面系中梁构件对结构整体刚度的放大效应。因此,第i层弯曲刚度EIi的计算公式为:
由公式(4)可以看出,层弯曲刚度等于所有剪力墙的弯曲刚度叠加,并乘以楼面系对弯曲刚度的放大系数λEI。由于结构剪切变形机理更加复杂,结构整体剪切刚度无法由所有剪力墙剪切刚度叠加。因此,本实施例采用弯剪耦合系数αeq,由层弯曲刚度推定层剪切刚度GAi,计算公式如下:
αeq为结构弯曲刚度与剪切刚度的耦合比系数,与剪力墙的密度有关;H为结构高度。
最后,根据多自由度力学计算模型,对剪力墙建筑进行结构力学响应计算与性能分析,得到物理性能计算结果。
本实施例基于构建的多自由度弯剪耦合计算模型,并基于物理规律开展结构计算与性能分析。首先根据式(6),采用特征值法求解结构的自振周期与阵型,计算公式如下:
([K]-ω2[M]){φ}={0} (6)
式中,[K]为刚度矩阵,[M]为质量矩阵,ω为自振频率,{φ}为阵型向量。
基于结构动力特性、结构设计信息、以及建筑结构抗震设计规范(GB 50011-2010),便可以计算得到相应的地震作用强度。随后基于阵型分解反应谱法,计算结构不同方向的地震作用力以及结构整体变形响应。其中,对于结构设计最重要的性能便是结构整体层间位移角。具体地,地震作用力以及结构整体变形响应的计算公式如下:
Fji=αjγjXjiGi (7)
式中,Fji为j阵型i质点的水平地震作用标准值,αj为j阵型自振周期对应的地震影响系数,Xji为j阵型i质点的水平相对位移,γj为j阵型的阵型质量参与系数,Gi为i质点的等效重力荷载。
之后根据剪力墙构件的刚度比例,对结构地震作用力进行分配,进而根据每个剪力墙构件的作用力验算其强度性能。剪力墙的构件强度验算包括轴压、抗剪和压弯承载力验算。
基于图5得到的结构平面设计矢量数据,进而得到结构设计的质心与刚心分布及距离Dcs_cm,基于多自由度弯剪耦合模型计算结构力学响应计算与性能分析,便可以得到结构的最大层间变形driftmax,以及剪力墙结构构件的强度验算结果。
根据获得的上述数据,计算结构设计图生成能力训练过程中的综合物理性能,将结构的质心-刚心距离、结构最大层间变形、结构构件强度验算结果进行加权求和,得到综合物理性能,即物理性能计算结果。综合物理性能PerformPHY计算公式如下:
PerformPHY=ωtperformtorsion+ωdperformdrift+ωsperformstrength (9)
式中,ωt、ωd、ωs分别为扭转性能、层间变形性能、和构件强度性能的权重系数。
本实施例中综合物理性能由扭转性能performtorsion、层间变形性能performdrift、构件强度性能performstrength三项主要指标组成。
其中,结构质心与刚心距离的计算公式如下:
上式中:
扭转性能性能performtorsion的表达式如下:
performtorsion=Dcs_cm/Dlimit (12)
由此可见,距离越大则表明结构越容易发生扭转变形,Dlimit主要用于对Dcs_cm进行归一化,保证performtorsion值位于[0,1]。
结构层间变形性能performdrift的计算公式如下:
当结构的最大层间变形driftmax小于规范规定的变形值driftlimit时,performdrift为线性变化,当结构的最大层间变形driftmax大于规范规定值driftlimit时,performdrift为0.5次方变化,也就意味着当performdrift大于规范限值driftlimit时,其损失增加更快,performdrift值位于[0,1]。
剪力墙构件强度性能performstrength的计算公式为:
第五步:计算物理损失,首先,基于生成器对结构设计图的生成,以及物理计算对物理性能的获取,可以创建大量结构设计图-物理性能计算结果的数据集。然后,基于残差网络创建一个用于结构力学性能预测的神经网络,即结构物理性能预测神经网络。接着,利用该数据集对构建的结构物理性能预测神经网络进行训练,经过了大量数据训练后,结构物理性能预测神经网络能较为准确的预测结构设计图纸对应的综合物理性能,即物理性能预测结果,这样就得到了训练好的结构物理性能预测模型。最后,将结构设计图样本数据输入结构物理性能预测模型,即可预测得到相应的综合物理性能,将该预测得到的综合物理性能,作为生成对抗网络后续训练中的物理损失LossG-PHY。
本实施例中生成器的损失包括图像数据损失与物理性能损失,图像数据损失通过对生成器与判别器的图像分析结果进行损失计算获得,生成器的物理损失则由前述的结构物理性能预测模型计算得到。
最终,融合了图像数据损失与物理性能损失之后,生成器的损失表达如下:
LossG=ωimgLossG-img+ωPHYLossG-PHY (15)
式中,ωimg为图像数据损失的权重,LossG-img为图像数据损失,ωPHY为物理性能损失的权重,LossG-PHY为物理性能损失。
输入判别器的损失表达式为:
LossD=LossD-GAN (16)
式中,LossD-GAN为生成对抗网络的判别损失。
第六步:通过损失函数对结构设计图生成能力训练后的物理-数据驱动的生成对抗网络进行优化训练,得到结构设计模型。
本实施例采用物理计算损失来优化神经网络模型对结构设计经验的学习,进而可以摆脱纯数据支持的网络模型训练的约束。基于有标签与无完整标签数据,采用半监督学习算法,可以有效实现物理-数据驱动的网络模型训练,在训练前期,需要依托有标签数据进行网络训练,使得神经网络基本掌握结构设计图的生成能力;随后,采用物理机理对网络模型的训练进行优化,使得神经网络逐渐掌握结构设计能力;同时采用无完整标签数据开展半监督学习,提升网络的结构设计能力。
本实施例通过对物理-数据驱动的生成对抗网络进行半监督训练,得到结构设计模型,通过向结构设计模型中输入建筑设计图与基本条件文本,可以输出对应的结构设计图。参见附图6,由于结构设计图属于像素图,无法直接应用于实际的建筑结构建模设计中,需要对结构设计图进行像素图矢量化处理,利用得到的矢量数据,可以构建得到剪力墙建筑的结构力学模型,实现人机交互的剪力墙整体结构建模与计算,得到结构设计结果。根据中国抗震设计规范要求,最大层间位移角变形应该小于1/1000,从图6中层间位移角的数据图可以看到,本发明得到的结构设计结果对应的力学响应如图6所示,满足规范要求。
需要说明的是,虽然在对结构设计模型进行训练过程中以及实际应用中获得结构设计结果的过程中均涉及到对建筑设计图和结构设计图进行矢量化处理和构建结构计算力学模型的方案,且矢量化处理和构建结构计算力学模型的实现原理基本相同。但是,结构设计模型训练阶段构建多自由度力学计算模型的过程属于快速建模环节,此环节分析计算耗时约5s。而获得结构设计结果的过程中,构建人机交互用的结构力学模型的过程属于详细建模环节,该环节分析计算耗时约30min。
下面对本发明提供的物理-数据驱动的智能化剪力墙建筑结构设计装置进行描述,下文描述的物理-数据驱动的智能化剪力墙建筑结构设计装置与上文描述的物理-数据驱动的智能化剪力墙建筑结构设计方法可相互对应参照。
图7示出了本发明实施例提供的物理-数据驱动的智能化剪力墙建筑结构设计装置,包括:
获取模块710,用于获取待处理的建筑设计图和基本条件文本;
结构设计模块720,用于将建筑设计图和基本条件文本输入结构设计模型,得到结构设计模型输出的结构设计图;其中,结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据,对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的;
矢量化输出模块730,用于提取结构设计图中剪力墙构件矢量数据以及建筑设计图中建筑外轮廓矢量数据,根据剪力墙构件矢量数据和建筑外轮廓矢量数据,得到剪力墙建筑的结构设计结果。
本实施例中结构设计模块720通过预先训练好的结构设计模型生成目标剪力墙建筑的结构设计图,具体地,结构设计模型的训练过程如下:
首先,创建有完整标签与无完整标签的结构设计数据集。针对有完整配套建筑设计图、基本条件文本和结构设计图的数据,创建有完整标签训练数据集;针对仅有建筑设计图和基本设计条件文本的数据,则创建无完整标签的训练数据集;
然后,基于创建好的数据集与预先构建的物理-数据驱动的生成对抗网络,开展神经网络模型训练。首先采用有完整标签的样本数据对神经网络训练,使得神经网络掌握剪力墙结构设计图生成能力;随后采用物理机制计算,并与数据训练结合优化网络训练,并且采用有完整标签与无完整标签的样本数据进行半监督的混合训练,提升生成对抗网络的结构设计能力,得到结构设计模型。
获得训练好的结构设计模型后,输入建筑设计图与对应的基本条件文本,可以直接输出满足设计要求的结构设计图;但由于得到的结构设计图为像素图,无法直接应用于人机交互建模,因此,本实施例还通过矢量化输出模块730对结构设计图和建筑设计图进行像素图矢量化操作,提取建筑外轮廓和剪力墙结构构件的矢量数据,并基于结构设计软件的应用程序接口,进行人机交互结构设计,得到剪力墙建筑的结构力学模型,即三维结构模型,完成智能化的剪力墙建筑结构生成式设计。
为了实现上述实施例,本申请实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如前述终端设备执行方法实施例所述的物理-数据驱动的智能化剪力墙建筑结构设计方法。
为了实现上述实施例,本申请实施例提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现前述方法实施例所述的物理-数据驱动的智能化剪力墙建筑结构设计方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种物理-数据驱动的智能化剪力墙建筑结构设计方法,其特征在于,包括:
获取待处理的建筑设计图和基本条件文本;
将所述建筑设计图和所述基本条件文本输入结构设计模型,得到所述结构设计模型输出的结构设计图;其中,所述结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据,对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的;
提取所述结构设计图中剪力墙构件矢量数据以及所述建筑设计图中建筑外轮廓矢量数据,根据所述剪力墙构件矢量数据和所述建筑外轮廓矢量数据,得到剪力墙建筑的结构设计结果。
2.根据权利要求1所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,其特征在于,所述结构设计模型的训练过程,包括:
构建物理-数据驱动的生成对抗网络;
将有完整标签的样本数据输入所述物理-数据驱动的生成对抗网络,对所述物理-数据驱动的生成对抗网络的结构设计图生成能力进行训练;其中,所述有完整标签的样本数据包括建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据;
对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算,得到物理性能计算结果;
构建结构物理性能预测神经网络,将结构设计图生成能力训练过程中生成的结构设计图样本数据与所述物理性能计算结果作为训练数据,对所述结构物理性能预测神经网络进行结构物理性能预测能力训练,得到结构物理性能预测模型;
计算结构设计图生成能力训练过程中的图像数据损失,并采用所述结构物理性能预测模型计算对应的物理损失,将所述图像数据损失和所述物理损失融合,得到所述物理-数据驱动的生成对抗网络的损失函数;
通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练,得到结构设计模型。
3.根据权利要求2所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,其特征在于,所述物理-数据驱动的生成对抗网络包括:
图像生成器,用于分别对建筑设计图样本数据和基本条件文本样本数据进行编码和特征提取,得到图像特征和文本特征,将所述图像特征和所述文本特征进行融合,并将融合后的特征解码,生成结构设计图样本数据;
图像判别器,用于对所述结构设计图样本数据进行特征提取和真伪判别。
4.根据权利要求2所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,其特征在于,对结构设计图生成能力训练过程中生成的结构设计图样本数据进行物理性能计算,得到物理性能计算结果,包括:
提取所述结构设计图样本数据中剪力墙的结构构件矢量数据,并提取建筑设计图样本数据中的建筑外轮廓矢量数据;
根据所述结构设计图样本数据中剪力墙的结构构件矢量数据和所述建筑设计图样本数据中的建筑外轮廓矢量数据,计算楼层质量与楼层刚度,构建剪力墙建筑的质量矩阵和刚度矩阵,得到剪力墙建筑的多自由度力学计算模型;
根据所述多自由度力学计算模型,对剪力墙建筑进行结构力学响应计算与性能分析,得到物理性能计算结果。
5.根据权利要求2所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,其特征在于,所述结构物理性能预测模型的构建、训练和预测过程,包括:
基于残差网络结构,构建用于图像特征提取与物理性能预测的结构物理性能预测神经网络;
通过结构设计图生成能力训练过程中生成的结构设计图样本数据与对应的物理性能计算结果,对所述结构物理性能预测神经网络的物理性能预测能力进行训练,得到结构物理性能预测模型;
通过所述结构物理性能预测模型对结构设计图生成能力训练过程中得到的结构设计图样本数据进行物理性能预测,得到相应的物理损失。
6.根据权利要求2所述的一种物理-数据驱动的智能化剪力墙建筑结构设计方法,其特征在于,通过所述损失函数对结构设计图生成能力训练后的所述物理-数据驱动的生成对抗网络进行优化训练后,还包括:
通过无完整标签样本数据与有完整标签样本数据,对所述物理-数据驱动的生成对抗网络进行半监督优化训练;其中,所述无完整标签样本数据包括建筑设计图样本数据和基本条件文本样本数据。
7.一种物理-数据驱动的智能化剪力墙建筑结构设计装置,其特征在于,包括:
获取模块,用于获取待处理的建筑设计图和基本条件文本;
结构设计模块,用于将所述建筑设计图和所述基本条件文本输入结构设计模型,得到所述结构设计模型输出的结构设计图;其中,所述结构设计模型是基于建筑设计图样本数据、基本条件文本样本数据以及结构设计图样本数据,对物理-数据驱动的生成对抗网络进行结构设计图生成能力训练和物理性能优化训练得到的;
矢量化输出模块,用于提取所述结构设计图中剪力墙构件矢量数据以及所述建筑设计图中建筑外轮廓矢量数据,根据所述剪力墙构件矢量数据和所述建筑外轮廓矢量数据,得到剪力墙建筑的结构设计结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028475.8A CN113779675B (zh) | 2021-09-02 | 2021-09-02 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
PCT/CN2022/080626 WO2023029432A1 (zh) | 2021-09-02 | 2022-03-14 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
US17/920,263 US20240211645A1 (en) | 2021-09-02 | 2022-03-14 | Physics-enhanced data-driven method and device for intelligent structural design of shear wall building |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111028475.8A CN113779675B (zh) | 2021-09-02 | 2021-09-02 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779675A true CN113779675A (zh) | 2021-12-10 |
CN113779675B CN113779675B (zh) | 2022-04-19 |
Family
ID=78840761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111028475.8A Active CN113779675B (zh) | 2021-09-02 | 2021-09-02 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240211645A1 (zh) |
CN (1) | CN113779675B (zh) |
WO (1) | WO2023029432A1 (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114417465A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 基于深度学习的隔震结构生成方法及装置 |
CN114491740A (zh) * | 2021-12-31 | 2022-05-13 | 清华大学 | 物理与多模态数据驱动的建筑结构生成方法及设备 |
CN114741766A (zh) * | 2022-04-25 | 2022-07-12 | 清华大学 | 基于联合结构优化神经网络的建筑结构设计方法和装置 |
CN114880740A (zh) * | 2022-04-25 | 2022-08-09 | 清华大学 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
CN114880739A (zh) * | 2022-04-25 | 2022-08-09 | 清华大学 | 生成式建筑结构设计方案的再优化设计方法和装置 |
CN115438411A (zh) * | 2022-09-06 | 2022-12-06 | 华南理工大学 | 可模拟构件压弯剪耦合的分析方法、系统、设备及介质 |
CN115470562A (zh) * | 2022-09-27 | 2022-12-13 | 清华大学 | 基于参数化模型和经验规则的剪力墙优化设计方法及装置 |
WO2023029432A1 (zh) * | 2021-09-02 | 2023-03-09 | 清华大学 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
CN116186825A (zh) * | 2022-11-29 | 2023-05-30 | 清华大学 | 基于图节点分类图神经网络的剪力墙设计方法和装置 |
CN116680778A (zh) * | 2023-04-27 | 2023-09-01 | 清华大学 | 建筑结构布置生成方法、系统及生成模型的构建方法 |
CN118094736A (zh) * | 2024-04-26 | 2024-05-28 | 中国建筑西南设计研究院有限公司 | 一种模块化冷弯薄壁型钢结构自动设计方法及装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993050B (zh) * | 2023-12-27 | 2024-09-17 | 清华大学 | 一种基于知识增强扩散模型的建筑设计方法及系统 |
CN118133403B (zh) * | 2024-04-30 | 2024-08-20 | 广州市城市规划勘测设计研究院有限公司 | 城市规划设计图的生成方法、装置、设备、介质及产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11117383A (ja) * | 1997-10-16 | 1999-04-27 | Kajima Corp | 構造計画支援システムおよび記録媒体 |
CN109635511A (zh) * | 2019-01-16 | 2019-04-16 | 哈尔滨工业大学 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
CN111666617A (zh) * | 2020-05-25 | 2020-09-15 | 清华大学 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
US20210165929A1 (en) * | 2019-04-09 | 2021-06-03 | Ark Automatic Architecture Design Ltd. | Systems and methods of automated design and spatial allocation of buildings |
CN112966760A (zh) * | 2021-03-15 | 2021-06-15 | 清华大学 | 融合文本和图像数据的神经网络及其建筑结构的设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102325616B1 (ko) * | 2019-09-04 | 2021-11-11 | 경희대학교 산학협력단 | 뉴럴 네트워크를 이용한 건축 구조 설계 방법 및 이를 실행하는 장치 |
CN113779675B (zh) * | 2021-09-02 | 2022-04-19 | 清华大学 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
-
2021
- 2021-09-02 CN CN202111028475.8A patent/CN113779675B/zh active Active
-
2022
- 2022-03-14 US US17/920,263 patent/US20240211645A1/en active Pending
- 2022-03-14 WO PCT/CN2022/080626 patent/WO2023029432A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11117383A (ja) * | 1997-10-16 | 1999-04-27 | Kajima Corp | 構造計画支援システムおよび記録媒体 |
CN109635511A (zh) * | 2019-01-16 | 2019-04-16 | 哈尔滨工业大学 | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 |
US20210165929A1 (en) * | 2019-04-09 | 2021-06-03 | Ark Automatic Architecture Design Ltd. | Systems and methods of automated design and spatial allocation of buildings |
CN111666617A (zh) * | 2020-05-25 | 2020-09-15 | 清华大学 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
CN112966760A (zh) * | 2021-03-15 | 2021-06-15 | 清华大学 | 融合文本和图像数据的神经网络及其建筑结构的设计方法 |
Non-Patent Citations (1)
Title |
---|
张骥 等: "部分框支剪力墙高层建筑结构设计", 《华中科技大学学报(城市科学版)》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023029432A1 (zh) * | 2021-09-02 | 2023-03-09 | 清华大学 | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 |
CN114417465A (zh) * | 2021-12-31 | 2022-04-29 | 清华大学 | 基于深度学习的隔震结构生成方法及装置 |
CN114491740A (zh) * | 2021-12-31 | 2022-05-13 | 清华大学 | 物理与多模态数据驱动的建筑结构生成方法及设备 |
CN114880739A (zh) * | 2022-04-25 | 2022-08-09 | 清华大学 | 生成式建筑结构设计方案的再优化设计方法和装置 |
CN114880740A (zh) * | 2022-04-25 | 2022-08-09 | 清华大学 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
CN114880740B (zh) * | 2022-04-25 | 2023-03-03 | 清华大学 | 数据-力学-规则驱动的结构支撑智能化布置方法和装置 |
CN114741766A (zh) * | 2022-04-25 | 2022-07-12 | 清华大学 | 基于联合结构优化神经网络的建筑结构设计方法和装置 |
CN114741766B (zh) * | 2022-04-25 | 2023-03-21 | 清华大学 | 基于联合结构优化神经网络的建筑结构设计方法和装置 |
CN115438411A (zh) * | 2022-09-06 | 2022-12-06 | 华南理工大学 | 可模拟构件压弯剪耦合的分析方法、系统、设备及介质 |
CN115438411B (zh) * | 2022-09-06 | 2023-05-02 | 华南理工大学 | 可模拟构件压弯剪耦合的分析方法、系统、设备及介质 |
CN115470562A (zh) * | 2022-09-27 | 2022-12-13 | 清华大学 | 基于参数化模型和经验规则的剪力墙优化设计方法及装置 |
CN116186825A (zh) * | 2022-11-29 | 2023-05-30 | 清华大学 | 基于图节点分类图神经网络的剪力墙设计方法和装置 |
CN116186825B (zh) * | 2022-11-29 | 2023-10-31 | 清华大学 | 基于图节点分类图神经网络的剪力墙设计方法和装置 |
CN116680778A (zh) * | 2023-04-27 | 2023-09-01 | 清华大学 | 建筑结构布置生成方法、系统及生成模型的构建方法 |
CN116680778B (zh) * | 2023-04-27 | 2024-03-12 | 清华大学 | 建筑结构布置生成方法、系统及生成模型的构建方法 |
CN118094736A (zh) * | 2024-04-26 | 2024-05-28 | 中国建筑西南设计研究院有限公司 | 一种模块化冷弯薄壁型钢结构自动设计方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US20240211645A1 (en) | 2024-06-27 |
WO2023029432A1 (zh) | 2023-03-09 |
CN113779675B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779675B (zh) | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 | |
Lu et al. | Intelligent structural design of shear wall residence using physics‐enhanced generative adversarial networks | |
Qu et al. | An improved YOLOv5 method for large objects detection with multi-scale feature cross-layer fusion network | |
CN113486190B (zh) | 一种融合实体图像信息和实体类别信息的多模态知识表示方法 | |
CN110084813B (zh) | 一种基于三维深度学习网络的肺结节良恶性预测方法 | |
CN109992779A (zh) | 一种基于cnn的情感分析方法、装置、设备及存储介质 | |
CN112580782A (zh) | 基于通道增强的双注意力生成对抗网络及图像生成方法 | |
CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
CN113569788B (zh) | 一种建筑物语义分割网络模型训练方法、系统及应用方法 | |
CN115937774A (zh) | 一种基于特征融合和语义交互的安检违禁品检测方法 | |
CN113536925A (zh) | 一种基于引导注意力机制的人群计数方法 | |
CN115131560A (zh) | 基于全局特征学习和局部特征判别聚合的点云分割方法 | |
CN113345106A (zh) | 一种基于多尺度多层级转换器的三维点云分析方法及系统 | |
CN116012722A (zh) | 一种遥感影像场景分类方法 | |
CN113935237A (zh) | 一种基于胶囊网络的输电线路故障类型判别方法及系统 | |
Fan | Research on deep learning energy consumption prediction based on generating confrontation network | |
Zhang et al. | End‐to‐end generation of structural topology for complex architectural layouts with graph neural networks | |
CN114187506A (zh) | 视点意识的动态路由胶囊网络的遥感图像场景分类方法 | |
CN117788737A (zh) | 一种基于无人机高光谱遥感的测绘方法 | |
CN112017159A (zh) | 一种遥感场景下的地面目标真实感仿真方法 | |
CN113705197B (zh) | 一种基于位置增强的细粒度情感分析方法 | |
Wu et al. | A review of surrogate-assisted design optimization for improving urban wind environment | |
CN117975174B (zh) | 一种基于改进vqgan的三维数字岩心重构方法 | |
CN111401141B (zh) | 一种基于骨架的3d手势估计方法 | |
Qi et al. | Design of Cluster Data Association Mining Algorithm Based on Multi-GANs |
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 |