CN114417464A - 多模态数据驱动的建筑结构构件的生成方法及装置 - Google Patents
多模态数据驱动的建筑结构构件的生成方法及装置 Download PDFInfo
- Publication number
- CN114417464A CN114417464A CN202111673650.9A CN202111673650A CN114417464A CN 114417464 A CN114417464 A CN 114417464A CN 202111673650 A CN202111673650 A CN 202111673650A CN 114417464 A CN114417464 A CN 114417464A
- Authority
- CN
- China
- Prior art keywords
- data
- building
- characteristic
- design
- characteristic data
- 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
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]
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Buildings Adapted To Withstand Abnormal External Influences (AREA)
Abstract
本发明提供一种多模态数据驱动的建筑结构构件的生成方法及装置,本发明提供的多模态数据驱动的建筑结构构件的生成方法及装置,通过构件布置生成模型与构件截面生成模型,可以根据输入的包含多种特征数据的多模态数据得到相应的构件布置特征和构件截面特征,进而能够快速、可靠的完成建筑结构构件的智能化设计,由于不依赖人工经验,设计结果稳定性更高。
Description
技术领域
本发明涉及建筑结构设计与人工智能交叉技术领域,尤其涉及一种多模态数据驱动的建筑结构构件的生成方法及装置。
背景技术
在建筑结构的初步结构设计阶段,为保证最终结构设计方案的安全性,需在建筑设计方案的基础上以及结构设计条件的约束下,进行快速合理的结构构件平面布置和截面尺寸的初步方案设计。
但目前的结构构件平面布置和截面尺寸的初步设计方法,主要依赖建筑师和结构工程师的个人经验协同完成,人工设计方式不仅耗时耗力,且设计过程存在很多的主观性判断,导致结构构件设计过程效率低、设计结果不够稳定,且既有设计经验难以传承。
因此,现在亟需一种高效、准确的多模态数据驱动的建筑结构构件的生成方法以解决上述问题。
发明内容
本发明提供一种多模态数据驱动的建筑结构构件的生成方法及装置,用以解决现有技术中建筑结构构件平面布置和截面尺寸设计方法耗时耗力、效率低且设计结果不够稳定的缺陷。
第一方面,本发明提供一种多模态数据驱动的建筑结构构件的生成方法,该方法包括:
获取建筑结构的建筑设计图纸和设计条件文本,从所述建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,从所述设计条件文本中提取设计条件特征数据;
将所述建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,将所述第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从所述构件布置特征数据中提取建筑结构构件的平面布置设计数据;
将所述构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,将所述第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从所述构件截面特征数据中提取建筑结构构件的截面尺寸设计数据;
将所述平面布置设计数据与截面尺寸设计数据进行匹配和整合,得到建筑结构构件的结构设计结果。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,将所述建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,包括:
分别将所述建筑分隔特征数据和所述建筑空间特征数据表征为二阶矩阵,得到建筑分隔特征矩阵和建筑空间特征矩阵;
将所述设计条件特征数据表征为零阶标量,并将所述零阶标量复制为二阶矩阵,得到设计条件特征矩阵;
将所述建筑分隔特征矩阵、建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处理,并将所述建筑分隔特征矩阵、建筑空间特征矩阵和设计条件特征矩阵的归一化处理结果进行堆叠,得到第一特征张量。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,将所述构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,包括:
分别将所述构件布置特征数据和所述建筑空间特征数据表征为二阶矩阵,得到构件布置特征矩阵和建筑空间特征矩阵;
将所述设计条件特征数据表征为零阶标量,并将所述零阶标量复制为二阶矩阵,得到设计条件特征矩阵;
将所述构件布置特征矩阵、建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处理,并将所述构件布置特征矩阵、建筑空间特征矩阵和设计条件特征矩阵的归一化处理结果进行堆叠,得到第二特征张量。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,所述构件布置生成模型包括:
第一深度特征提取层,用于对所述第一特征张量进行深度特征提取与学习,得到第一深度数据特征;
第一映射输出层,用于将所述第一深度数据特征进行映射输出,得到构件布置特征数据。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,所述构件截面生成模型包括:
第二深度特征提取层,用于对所述第二特征张量进行深度特征提取与学习,得到第二深度数据特征;
第二映射输出层,用于将所述第二深度数据特征进行映射输出,得到构件截面特征数据。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,所述构件布置生成模型的训练过程包括:
获取建筑设计图纸样本、设计条件文本样本以及相应的结构设计图纸样本;
从所述建筑设计图纸样本中提取建筑分隔特征数据样本、建筑空间特征数据样本,从所述设计条件文本样本中提取设计条件特征数据样本,并从所述结构设计图纸样本中提取构件布置特征数据样本;
将所述建筑分隔特征数据样本、建筑空间特征数据样本和设计条件特征数据样本融合为第一特征张量样本;
将所述第一特征张量样本和所述构件布置特征数据样本随机划分为第一训练集和第一测试集;
采用第一训练集对预先构建的深度神经网络进行训练,采用第一测试集对训练后的深度神经网络进行测试,并将测试合格的深度神经网络作为构件布置生成模型。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,所述构件截面生成模型的训练过程包括:
获取建筑设计图纸样本、设计条件文本样本以及相应的结构设计图纸样本;
从所述建筑设计图纸样本中提取建筑空间特征数据样本,从所述设计条件文本样本中提取设计条件特征数据样本,并从所述结构设计图纸样本中提取构件布置特征数据样本和构建截面特征数据样本;
将所述构件布置特征数据样本、建筑空间特征数据样本和设计条件特征数据样本融合为第二特征张量样本;
将所述第二特征张量样本和所述构件截面特征数据样本随机划分为第二训练集和第二测试集;
采用第二训练集对预先构建的深度神经网络进行训练,采用第二测试集对训练后的深度神经网络进行测试,并将测试合格的深度神经网络作为构件截面生成模型。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,从所述构件布置特征数据中提取建筑结构构件的平面布置设计数据,包括:
根据预设的结构构件类别与特征数据元素值之间的映射关系,从所述构件布置特征数据中提取建筑结构构件的初步平面布置数据;
根据预设的结构构件坐标与特征数据元素下标之间的映射关系,基于所述初步平面布置数据,得到结构构件的最终平面布置数据;
将所述最终平面布置数据作为建筑结构构件的平面布置设计数据。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,从所述构件截面特征数据中提取建筑结构构件的截面尺寸设计数据,包括:
从所述构件截面特征数据中提取结构构件对应的数据元素值;
根据预设的所述数据元素值与结构构件尺寸之间的映射关系,得到建筑结构构件的初步截面尺寸数据;
根据所述初步截面尺寸数据和预设的结构构件模数,得到结构构件的最终截面尺寸数据;
将所述最终截面尺寸数据作为建筑结构构件的截面尺寸设计数据。
根据本发明提供的一种多模态数据驱动的建筑结构构件的生成方法,所述建筑结构,包括框架结构、框架-剪力墙结构和剪力墙结构;
所述建筑分隔特征数据,包括隔墙布置信息、室内门窗布置信息、室外门洞布置信息和柱布置信息;
所述建筑空间特征数据,包括建筑功能分区布置信息和建筑荷载分区布置信息;
所述设计条件特征数据,包括抗震设计信息、抗风设计信息和结构高度信息;
所述构件布置特征数据,包括剪力墙布置信息、框架柱布置信息、连梁布置信息和框架梁布置信息;
所述构件截面特征数据,包括剪力墙尺寸信息、框架柱尺寸信息、连梁尺寸信息和框架梁尺寸信息。
第二方面,本发明还提供一种多模态数据驱动的建筑结构构件的生成装置,该装置包括:
获取与提取模块,用于获取建筑结构的建筑设计图纸和设计条件文本,从所述建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,并从所述设计条件文本中提取设计条件特征数据;
构件布置生成模块,用于将所述建筑分隔特征数据、所述建筑空间特征数据和所述设计条件特征数据融合为第一特征张量,将所述第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从所述构件布置特征数据中提取建筑结构构件的平面布置设计数据;
构件截面生成模块,用于将所述构件布置特征数据、所述建筑空间特征数据和所述设计条件特征数据融合为第二特征张量,将所述第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从所述构件截面特征数据中提取建筑结构构件的截面尺寸设计数据;
整合设计模块,用于将所述平面布置设计数据与截面尺寸设计数据进行匹配和整合,得到建筑结构构件的设计结果。
本发明提供的多模态数据驱动的建筑结构构件的生成方法及装置,通过构件布置生成模型与构件截面生成模型,可以根据输入的包含多种特征数据的多模态数据得到相应的构件布置特征和构件截面特征,进而能够快速、可靠的完成建筑结构构件的智能化设计,由于不依赖人工经验,设计结果稳定性更高。
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是本发明提供的多模态数据驱动的建筑结构构件的生成方法的流程示意图;
图2是构件布置生成模型和构件截面生成模型训练、测试以及应用过程的原理示意图;
图3是模型训练阶段基于建筑设计图纸、设计条件文本、结构设计图纸生成相应的特征数据的原理示意图;
图4是本发明提供的设计方法与工程师的人工设计方法对比案例实现原理示意图;
图5是本发明提供的多模态数据驱动的建筑结构构件的生成装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
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。
下面结合图1-图6描述本发明实施例提供的多模态数据驱动的建筑结构构件的生成方法、装置及电子设备的实现方案。
图1示出了本发明实施例提供的多模态数据驱动的建筑结构构件的生成方法,该方法包括:
步骤110:获取建筑结构的建筑设计图纸和设计条件文本,从建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,并从设计条件文本中提取设计条件特征数据。
本实施例中的建筑结构可以为框架核心筒结构。框架核心筒结构是框架剪力墙结构的一种形式,它是构件类型多样、设计难度较高的一类建筑结构。框架核心筒结构指的是在建筑的中央部分,由电梯井道、楼梯、通风井、电缆井、公共卫生间、部分设备间围护形成中央核心筒,与外围框架形成一个外框内筒结构,以钢筋混凝土浇筑。此种结构十分有利于结构受力,并具有极优的抗震性,是超高层建筑广泛采用的主流结构形式。
可以理解的是,本实施例中的建筑分隔特征数据表征的是隔墙布置信息、室内门窗布置信息、室外门洞布置信息和柱布置信息等信息。
建筑空间特征数据表征的是建筑功能分区布置信息和建筑荷载分区布置信息等信息,建筑功能分区可以包括办公室、会议室、餐厅、卫生间、走廊、电梯、楼梯等,建筑荷载分区可以包括楼面均布活荷载标准值为3.5,3.0,2.5,2.0kN/m2等的区域。
设计条件特征数据表征的是抗震设计信息、抗风设计信息和结构高度信息等信息。抗震设计信息可以包括抗震设防烈度、抗震设防类别、场地类别等,抗风设计信息可以包括基本风压、风荷载体型系数等,结构高度信息可以包括结构总高度、标准平面高度等。
步骤120:将建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,将第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从构件布置特征数据中提取建筑结构构件的平面布置设计数据。
其中,构件布置生成模型是基于建筑分隔特征数据样本、建筑空间特征数据样本、结构设计条件特征数据样本以及相应的构件布置特征数据样本对深度神经网络进行训练得到的。
本实施例中构件布置特征数据,表征的是剪力墙布置信息、框架柱布置信息、连梁布置信息和框架梁布置信息等信息。
具体地,将建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量的过程,可以包括:
首先,分别将建筑分隔特征数据和建筑空间特征数据表征为二阶矩阵,得到建筑分隔特征矩阵和建筑空间特征矩阵。
本实施例具体将建筑分隔特征数据中的建筑分隔类型和建筑空间特征数据中的建筑空间类型转换为数字编码,从而将建筑分隔特征数据和建筑空间特征数据表征为二阶矩阵。
然后,将设计条件特征数据表征为零阶标量,并将零阶标量复制为二阶矩阵,得到设计条件特征矩阵。
该过程中,具体将设计条件文本中信息字符串转换为数字编码,从而将设计条件特征数据表征为零阶标量。
最后,将建筑分隔特征矩阵、建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处理,并将建筑分隔特征矩阵、建筑空间特征矩阵和设计条件特征矩阵的归一化处理结果在第三个维度进行堆叠,得到第一特征张量。
步骤130:将构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,将第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从构件截面特征数据中提取建筑结构构件的截面尺寸设计数据。
其中,构件截面生成模型是基于构件布置特征数据样本、建筑空间特征数据样本、结构设计条件特征数据样本以及相应的构件截面特征数据样本对深度神经网络进行训练得到的。
本实施例中构件截面特征数据,表征的是剪力墙尺寸信息、框架柱尺寸信息、连梁尺寸信息和框架梁尺寸信息等信息。
具体地,将构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量的过程,具体包括:
首先,分别将构件布置特征数据和建筑空间特征数据表征为二阶矩阵,得到构件布置特征矩阵和建筑空间特征矩阵。
本实施例具体将构件布置特征数据中的构件布置类型和建筑空间特征数据中的建筑空间类型转换为数字编码,从而将构件布置特征数据和建筑空间特征数据表征为二阶矩阵。
然后,将设计条件特征数据表征为零阶标量,并将零阶标量复制为二阶矩阵,得到设计条件特征矩阵。
同样地,具体可以将设计条件文本中信息字符串转换为数字编码,从而将设计条件特征数据表征为零阶标量。
最后,将构件布置特征矩阵、建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处理,并将构件布置特征矩阵、建筑空间特征矩阵和设计条件特征矩阵的归一化处理结果在第三个维度进行堆叠,得到第二特征张量。
步骤140:将平面布置设计数据与构件截面尺寸设计数据进行匹配和整合,得到建筑结构构件的结构设计结果。
参见附图2,本实施例中构件布置生成模型和构件截面生成模型的训练、测试和应用过程,具体可以包括:
步骤210:数据集创建环节,该环节具体包括如下步骤:
第一步:获取建筑设计图纸样本、设计条件文本样本以及相应的结构设计图纸样本。其中,建筑设计图纸样本和结构设计图纸样本可以采用配套的建筑设计图纸和结构设计图纸,具体可以使用CAD图纸。本实施例收集了48套框架核心筒结构的建筑-结构配套CAD图纸和相应的设计条件文本,包含了不同抗震设防烈度、基本风压和结构总高度特征。
本实施例以典型的框架核心筒结构为例,框架核心筒结构的建筑设计图纸、设计条件文本以及结构设计图纸如图3所示。
第二步:从建筑设计图纸样本中提取建筑分隔特征数据样本,这里的建筑分隔特征数据用于表征隔墙、门窗、柱等的平面布置特征。
具体地,从建筑设计图纸样本中提取建筑分隔特征数据样本的过程,包括:
首先,从建筑设计图纸样本中提取隔墙、室内门窗、室外门洞、柱的平面布置特征;
然后,将隔墙、室内门窗、室外门洞、柱的平面布置特征转换为建筑分隔特征数据样本。
在实际操作过程中,使用颜色进行表征。首先提取建筑设计图纸样本中的关键元素,删除无关元素;然后对关键元素进行分类填色,比如隔墙为红色(255,0,0),室内门窗为黄色(255,255,0),室内门洞为绿色(0,255,0),柱为青色(0,255,255)。图3示出了基于建筑设计图纸生成建筑分隔特征数据样本的过程。
第三步:从建筑设计图纸样本中提取建筑空间特征数据样本,这里的建筑空间特征数据样本用于表征使用功能分区的平面布置特征。
具体地,从建筑设计图纸样本中提取建筑空间特征数据样本的过程,可以包括:
首先,从建筑设计图纸样本中提取办公室、会议室、餐厅、卫生间、走廊、电梯、楼梯等结构的平面布置特征;
然后,将办公室、会议室、餐厅、卫生间、走廊、楼电梯等结构的平面布置特征转换为建筑空间特征数据样本。
在实际操作过程中,使用颜色进行表征。首先提取建筑设计图纸样本中的关键元素,删除无关元素;然后对关键元素进行分类填色,比如办公室为红色(255,0,0),会议室为黄色(255,255,0),餐厅为绿色(0,255,0),卫生间为青色(0,255,255),走廊为蓝色(0,0,255),楼电梯为洋红色(255,0,255)。图3示出了基于建筑设计图纸生成建筑空间特征数据样本的过程。
第四步:从设计条件文本样本中提取设计条件特征数据样本,这里的设计条件特征数据用于表征抗震设防烈度、基本风压、结构总高度等信息。
具体地,从设计条件文本样本中提取设计条件特征数据样本的过程,可以包括:
首先,从设计条件文本样本中提取抗震设防烈度、基本风压以及结构总高度;
然后,将抗震设防烈度、基本风压以及结构总高度转换为设计条件特征数据样本。
在实际操作中,首先提取设计条件文本样本中的抗震设防烈度、基本风压、结构总高度等关键特征;然后分别建立抗震设防烈度、基本风压、结构总高度与设计条件特征数据样本的元素值之间的映射关系。
比如,对于抗震设防烈度,可以将六度设防映射为6,将七度设防映射为7,将八度设防映射为8,并填充得到第一个矩阵;对于基本风压,可以将基本风压对应的浮点数填充为第二个矩阵;对于结构总高度,可以将结构总高度对应的浮点数填充为第三个矩阵;分别对上述三个矩阵进行归一化处理,并在第三个维度进行堆叠,得到最终的设计条件特征数据样本。图3示出了基于抗震设防烈度为7度、基本风压为0.5kN/m2、结构总高度为99.6m的设计条件文本生成设计条件特征数据样本的过程。
第五步:从结构设计图纸样本中提取构件布置特征数据样本,这里的构件布置特征数据用于表征剪力墙、框架柱等的平面布置特征等信息。
具体地,从结构设计图纸样本中提取构件布置特征数据样本的过程,可以包括:
首先,从结构设计图纸样本中提取剪力墙、框架柱的平面布置特征;
然后,将剪力墙、框架柱的平面布置特征转换为构件布置特征数据样本。
在实际操作过程中,使用颜色进行表征。首先提取结构设计图纸样本中的关键元素,删除无关元素;然后对关键元素进行分类填色,比如剪力墙为黑色(0,0,0),框架柱为灰色(128,128,128)。图3示出了基于结构设计图纸生成构件布置特征数据样本的过程。
第六步:从结构设计图纸样本中提取构件截面特征数据样本,这里的构件截面特征数据用于表征剪力墙、框架柱等的截面尺寸特征等信息。
具体地,从结构设计图纸样本中提取构件截面特征数据样本的过程,可以包括:
首先,从结构设计图纸样本中提取剪力墙截面尺寸和框架柱截面尺寸;
然后,将剪力墙截面尺寸和框架柱截面尺寸转换为构件截面特征数据样本。
在实际操作中,首先将剪力墙的中心线坐标和框架柱的中心点坐标映射到构件截面特征数据样本的元素下标;然后提取结构设计图纸样本中的剪力墙厚度和框架柱等效边长,映射到构件截面特征数据样本的元素值。
比如,映射关系可以设置为:0对应所在位置不存在剪力墙或框架柱,4对应该位置存在厚度为200mm的剪力墙或等效边长为200mm的框架柱,5对应该位置存在厚度为250mm的剪力墙或等效边长为250mm的框架柱,6对应该位置存在厚度为300mm的剪力墙或等效边长为300mm的框架柱,以此类推,得到最终的构件截面特征数据样本。图3示出了基于结构设计图纸生成构件截面特征数据样本的过程。
可以理解的是,将图纸中的坐标特征映射到数据元素下标的过程,具体通过如下公式实现:
上式中,i和j为矩阵元素aij的下标,m和n分别为矩阵的行数和列数,满足1≤i≤m,1≤j≤n,且i,j,m,n∈N*;c为相邻矩阵元素对应坐标的水平和竖直间距;(xi,yj)为aij对应的图纸坐标;(x0,y0)是对中前的剪力墙中心线和框架柱中心点的坐标;xmax,xmin,ymax,ymin分别为对中前的剪力墙中心线和框架柱中心点的最大横坐标、最小横坐标、最大纵坐标、最小纵坐标;(x,y)为对中后的剪力墙中心线和框架柱中心点的坐标。
需要说明的是,为了保证建筑设计图纸样本和结构设计图纸样本处理效率和处理精度,在根据图纸生成特征数据之前,还可以先对建筑设计图纸样本和结构设计图纸样本进行特征清洗,仅保留图纸中的剪力墙、框架柱以及必要的尺寸标注特征,去除掉其他不必要特征,比如轴网、连梁、洞口等非必要特征。
第七步:利用建筑分隔特征数据样本、建筑空间特征数据样本、设计条件特征数据样本、构件布置特征数据样本、构件截面特征数据样本分别构建构件布置数据集和构件截面数据集。其中,构件布置数据集的输入为建筑分隔特征数据样本、建筑空间特征数据样本、设计条件特征数据样本融合得到的第一特征张量样本,标签为构件布置特征数据样本;构件截面数据集的输入为构件布置特征数据样本、建筑空间特征数据样本、设计条件特征数据样本融合得到的第二特征张量样本,标签为构件截面特征数据样本。将构件布置数据集和构件截面数据集分别划分为训练集和测试集。
步骤220:模型训练环节,该环节的实现过程如下:
基于建筑分隔特征数据样本、建筑空间特征数据样本、设计条件特征数据样本融合得到的第一特征张量样本和构件布置特征数据样本,对预先构建的深度神经网络进行训练,得到构件布置生成模型。
基于构件布置特征数据样本、建筑空间特征数据样本、设计条件特征数据样本融合得到的第二特征张量样本和构件截面特征数据样本,对预先构建的深度神经网络进行训练,得到构件截面生成模型。
具体地,本实施例分别采用构件布置数据集和构件截面数据集的训练集数据对深度神经网络进行训练,得到构件布置生成模型和构件截面生成模型。本实施例中深度神经网络架构采用生成式对抗网络实现。
本实施例采用的深度神经网络模型包括输入数据的深度特征提取层和提取特征的映射输出层;
深度特征提取层为配置直连(shortcut)的深度卷积神经网络模型,主要用于对输入的第一特征张量或第二特征张量进行深度高维数据特征提取与学习;映射输出层为配置直连(shortcut)的深度反卷积神经网络模型,主要用于将提取的高维数据特征进行映射输出,得到构件布置特征数据或构件截面特征数据。
配置直连(shortcut)的深度卷积神经网络模型可以有效避免传统的深度网络模型中的梯度爆炸和梯度消失的问题,模型可靠性更高。
具体地,参见附图2,在模型训练阶段,将特征数据输入生成器,生成设计特征(即构件布置特征数据或构件截面特征数据)。之后将生成器生成的设计特征与真实的设计特征输入判别器,判断两者是真是假,根据判断是否正确分别对生成器和判别器进行优化。
步骤230:模型测试环节,该环节的实现过程如下:
在训练完成后,进入测试阶段,判断训练得到的模型是否达到应用要求,在达到应用要求后将模型投入应用。
本实施例分别采用构件布置数据集和构件截面数据集的测试集数据对构件布置生成模型和构件截面生成模型进行测试,得到达到要求的深度神经网络模型。最终得到的构件布置生成模型和构件截面生成模型具有对多模态数据进行特征融合和特征数据生成的功能。
在实际测试过程中,可以通过对构件布置生成模型和构件截面生成模型进行评估,根据评估结果判断构件布置生成模型和构件截面生成模型是否具备应用条件,下面以框架核心筒的相关测试数据对构件截面生成模型进行评估为例进行详细说明,该过程具体包括:
首先,将构件截面生成模型输出的构件截面特征数据中剪力墙截面数据与框架核心筒的结构设计图纸中剪力墙截面数据之间的误差值,作为第一误差值。这里的剪力墙截面数据指的是剪力墙厚度,第一误差值是构件截面特征数据中剪力墙厚度与框架核心筒的结构设计图纸中剪力墙厚度的均方差。
然后,将构件截面生成模型输出的构件截面特征数据中框架柱截面数据与框架核心筒的结构设计图纸中框架柱截面数据之间的误差值,作为第二误差值。这里的框架柱截面数据指的是框架柱等效边长,第二误差值是构件截面特征数据中框架柱等效边长与框架核心筒的结构设计图纸中框架柱等效边长的均方差。
接着,将第一误差值和第二误差值进行加权运算,得到综合误差值。
在本实施例中,第一误差值、第二误差值以及综合误差值的计算公式如下:
MSEall=ηwallMSEwall+ηcolMSEcol (8)
式中,MSEwall是第一误差值,即构件截面特征数据中剪力墙厚度与框架核心筒的结构设计图纸中剪力墙厚度的均方差;MSEcol是第二误差值,即构件截面特征数据中框架柱等效边长与框架核心筒的结构设计图纸中框架柱等效边长的均方差;MSEall是综合误差值;ηwall和ηcol分别是第一误差值和第二误差值的加权系数;和分别为框架核心筒结构设计图纸和构件截面生成模型生成的第i个剪力墙的厚度,单位为m;和分别为框架核心筒结构设计图纸和构件截面生成模型生成的第i个框架柱的等效边长,单位为m;nwall和ncol分别是剪力墙和框架柱的数量。
最后,将综合误差值与预设的误差阈值进行比对,根据比对结果判断构件截面生成模型是否具备应用条件。
本实施例将得到的综合误差值与可接受误差阈值0.1进行比对,小于该阈值,则构件截面生成模型可以投入应用,最终的评价结果如表1所示:
表1 构件截面生成模型测试评价结果
评价指标 | 分数 |
MSE<sub>wall</sub>(第一误差) | 0.087 |
MSE<sub>col</sub>(第二误差) | 0.075 |
MSE<sub>all</sub>(综合误差) | 0.081 |
从上表1中可以看出,该模型的综合误差为0.081,小于可接受误差阈值0.1,所以该模型可以投入应用。
可以理解的是,构件布置生成模型的具体测试方法与构件截面生成模型相似,在此不做过多赘述。
步骤240:模型应用环节,该环节具体包括如下步骤:
第一步:输入建筑设计图纸和设计条件文本,通过对建筑设计图纸和设计条件文本进行特征提取可以得到相应的建筑分隔特征数据、建筑空间特征数据、设计条件特征数据。
第二步:将建筑分隔特征数据、建筑空间特征数据、设计条件特征数据融合为第一特征张量,将第一特征张量输入构件布置生成模型,得到构件布置特征数据。
第三步:将第二步得到的构件布置特征数据,以及建筑空间特征数据、设计条件特征数据融合为第二特征张量,将第二特征张量输入构件截面生成模型,得到构件截面特征数据。
第四步:从构件布置特征数据中提取建筑结构构件的平面布置设计数据,并从构件截面特征数据中提取建筑结构构件的截面尺寸设计数据。
具体地,以建筑结构为框架核心筒结构为例,从构件截面特征数据中提取建筑结构构件的截面尺寸设计数据的过程,可以包括:
首先,从构件截面特征数据中提取剪力墙对应的构件截面特征数据元素值,根据预设的剪力墙对应的构件截面特征数据元素值与剪力墙厚度之间的映射关系,确定剪力墙的初步设计厚度,并根据初步设计厚度和预设的剪力墙模数,确定剪力墙的最终设计厚度;
然后,从构件截面特征数据中提取框架柱对应的构件截面特征数据,根据预设的框架柱对应的构件截面特征数据元素值与框架柱等效边长的映射关系,确定框架柱的初步设计边长,并根据初步设计边长和预设的框架柱模数,确定框架柱的最终设计边长;
最后,将剪力墙的最终设计厚度和框架柱的最终设计边长,作为截面尺寸设计数据。经工程师检验后即可用于实际结构初步设计中。
可以理解的是,提取剪力墙厚度和框架柱等效边长的过程,具体通过如下公式实现:
l=cl×50 (11)
上式中,t是剪力墙厚度,单位为mm,nele是构件截面特征数据样本中该剪力墙对应的元素个数,是构件截面特征数据样本中该剪力墙对应的第i个元素值,是构件截面特征数据样本中该剪力墙对应的第m个元素值,l是框架柱等效边长,单位为mm,cl是构件截面特征数据中该框架柱对应的元素值。
可以理解的是,提取平面布置设计数据的方法与提取截面尺寸设计数据的过程相似,在此不做过多赘述。
图2中示例性的给出了平面布置设计数据中剪力墙1的布置信息和剪力墙2的布置信息(x1,y1;x2,y2)以及框架柱1的布置信息和框架柱2的布置信息(x,y)。图2中还示例性的给出了截面尺寸设计数据中剪力墙1的尺寸为Amm、剪力墙2的尺寸为Bmm、框架柱1的尺寸为Cmm以及框架柱2的尺寸为Dmm。
第五步:将平面布置设计数据与截面尺寸设计数据进行一一匹配,最终整合得到完整的建筑结构构件的结构设计结果。
可以理解的是,上述步骤240中,在实际应用阶段对建筑设计图纸和设计条件文本进行关键特征提取并生成相应建筑分隔特征数据、建筑空间特征数据、设计条件特征数据的过程,与模型训练阶段对建筑设计图纸样本和设计条件文本样本的处理过程基本相同,在此不做过多赘述。
为了说明本实施例提供的方法获得的结构构件设计方案的安全性和合理性,现将本实施例提供的建筑结构构件的平面布置设计数据和建筑结构构件的截面尺寸设计数据,与工程师给出的设计方案进行比对,验证基于本实施例提供的多模态数据驱动的建筑结构构件的生成方法的可行性。
本实施例以20层酒店为目标建筑,设防烈度6度(0.05g),基本风压为0.6kN/m2,结构主体总高90.95m。根据结构标准层的建筑设计图纸和设计条件文本,分别由工程师和本实施例提供方法给出的结构构件方案设计如图4所示。将本实施例提供方法生成的设计结果(即图4中本方法设计)与工程师的设计结果(即图4中工程师设计)进行对比,对比结果见表2和表3。
表2 构件平面布置设计的对比数据
构件类型 | 平面布置准确度(交并比) |
剪力墙 | 82.1% |
框架柱 | 97.4% |
表3 构件截面尺寸设计的对比数据
通过上表2和表3可以看出,本实施例提供的框架核心筒结构构件方案设计接近工程师的方案设计,结果准确性能够满足实际应用需求。
由此可见,本发明实施例提供的多模态数据驱动的建筑结构构件的生成方法,可以利用预先训练好的构件布置生成模型和构件截面生成模型实现快速、可靠的建筑结构构件方案设计,构件布置生成模型与构件截面生成模型均为多模态数据输入的深度卷积神经网络模型,通过学习多模态数据的特征融合、提取与映射规则,能够掌握快速生成结构构件布置与截面初步方案的能力。该智能化设计方法相较于人工设计方法效率更高、稳定性更强,并对既有设计经验进行了有效的学习和传承。
下面对本发明提供的多模态数据驱动的建筑结构构件的生成装置进行描述,下文描述的多模态数据驱动的建筑结构构件的生成装置与上文描述的多模态数据驱动的建筑结构构件的生成方法可相互对应参照。
图5示出了本发明实施例提供的多模态数据驱动的建筑结构构件的生成装置,该装置包括:
获取与提取模块510,用于获取建筑结构的建筑设计图纸和设计条件文本,从建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,并从设计条件文本中提取设计条件特征数据;
构件布置生成模块520,用于将建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,将第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从构件布置特征数据中提取建筑结构构件的平面布置设计数据;
构件截面生成模块530,用于将构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,将第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从构件截面特征数据中提取建筑结构构件的截面尺寸设计数据;
整合设计模块540,用于将平面布置设计数据与截面尺寸设计数据进行匹配和整合,得到建筑结构构件的设计结果。
本发明实施例提供的多模态数据驱动的建筑结构构件的生成装置,通过将待设计特征输入预先训练的构件布置生成模型和构件截面生成模型,快速生成准确的建筑结构构件平面布置和截面尺寸设计方案,有助于在建筑结构的初步设计阶段,提高结构设计工作效率、减少劳动量。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行上述多模态数据驱动的建筑结构构件的生成方法,包括:获取建筑结构的建筑设计图纸和设计条件文本,从建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,并从设计条件文本中提取设计条件特征数据;将建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,将第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从构件布置特征数据中提取建筑结构构件的平面布置设计数据;将构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,将第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从构件截面特征数据中提取建筑结构构件的截面尺寸设计数据;将平面布置设计数据与截面尺寸设计数据进行匹配和整合,得到建筑结构构件的结构设计结果。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的多模态数据驱动的建筑结构构件的生成方法,包括:获取建筑结构的建筑设计图纸和设计条件文本,从建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,并从设计条件文本中提取设计条件特征数据;将建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,将第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从构件布置特征数据中提取建筑结构构件的平面布置设计数据;将构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,将第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从构件截面特征数据中提取建筑结构构件的截面尺寸设计数据;将平面布置设计数据与截面尺寸设计数据进行匹配和整合,得到建筑结构构件的结构设计结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的多模态数据驱动的建筑结构构件的生成方法,包括:获取建筑结构的建筑设计图纸和设计条件文本,从建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,并从设计条件文本中提取设计条件特征数据;将建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,将第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从构件布置特征数据中提取建筑结构构件的平面布置设计数据;将构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,将第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从构件截面特征数据中提取建筑结构构件的截面尺寸设计数据;将平面布置设计数据与截面尺寸设计数据进行匹配和整合,得到建筑结构构件的结构设计结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (11)
1.一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,包括:
获取建筑结构的建筑设计图纸和设计条件文本,从所述建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,并从所述设计条件文本中提取设计条件特征数据;
将所述建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,将所述第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从所述构件布置特征数据中提取建筑结构构件的平面布置设计数据;
将所述构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,将所述第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从所述构件截面特征数据中提取建筑结构构件的截面尺寸设计数据;
将所述平面布置设计数据与截面尺寸设计数据进行匹配和整合,得到建筑结构构件的结构设计结果。
2.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,将所述建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量,包括:
分别将所述建筑分隔特征数据和所述建筑空间特征数据表征为二阶矩阵,得到建筑分隔特征矩阵和建筑空间特征矩阵;
将所述设计条件特征数据表征为零阶标量,并将所述零阶标量复制为二阶矩阵,得到设计条件特征矩阵;
将所述建筑分隔特征矩阵、建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处理,并将所述建筑分隔特征矩阵、建筑空间特征矩阵和设计条件特征矩阵的归一化处理结果进行堆叠,得到第一特征张量。
3.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,将所述构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量,包括:
分别将所述构件布置特征数据和所述建筑空间特征数据表征为二阶矩阵,得到构件布置特征矩阵和建筑空间特征矩阵;
将所述设计条件特征数据表征为零阶标量,并将所述零阶标量复制为二阶矩阵,得到设计条件特征矩阵;
将所述构件布置特征矩阵、建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处理,并将所述构件布置特征矩阵、建筑空间特征矩阵和设计条件特征矩阵的归一化处理结果进行堆叠,得到第二特征张量。
4.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,所述构件布置生成模型包括:
第一深度特征提取层,用于对所述第一特征张量进行深度特征提取与学习,得到第一深度数据特征;
第一映射输出层,用于将所述第一深度数据特征进行映射输出,得到构件布置特征数据。
5.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,所述构件截面生成模型包括:
第二深度特征提取层,用于对所述第二特征张量进行深度特征提取与学习,得到第二深度数据特征;
第二映射输出层,用于将所述第二深度数据特征进行映射输出,得到构件截面特征数据。
6.根据权利要求1或4所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,所述构件布置生成模型的训练过程包括:
获取建筑设计图纸样本、设计条件文本样本以及相应的结构设计图纸样本;
从所述建筑设计图纸样本中提取建筑分隔特征数据样本、建筑空间特征数据样本,从所述设计条件文本样本中提取设计条件特征数据样本,并从所述结构设计图纸样本中提取构件布置特征数据样本;
将所述建筑分隔特征数据样本、建筑空间特征数据样本和设计条件特征数据样本融合为第一特征张量样本;
将所述第一特征张量样本和所述构件布置特征数据样本随机划分为第一训练集和第一测试集;
采用第一训练集对预先构建的深度神经网络进行训练,采用第一测试集对训练后的深度神经网络进行测试,并将测试合格的深度神经网络作为构件布置生成模型。
7.根据权利要求1或5所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,所述构件截面生成模型的训练过程包括:
获取建筑设计图纸样本、设计条件文本样本以及相应的结构设计图纸样本;
从所述建筑设计图纸样本中提取建筑空间特征数据样本,从所述设计条件文本样本中提取设计条件特征数据样本,并从所述结构设计图纸样本中提取构件布置特征数据样本和构建截面特征数据样本;
将所述构件布置特征数据样本、建筑空间特征数据样本和设计条件特征数据样本融合为第二特征张量样本;
将所述第二特征张量样本和所述构件截面特征数据样本随机划分为第二训练集和第二测试集;
采用第二训练集对预先构建的深度神经网络进行训练,采用第二测试集对训练后的深度神经网络进行测试,并将测试合格的深度神经网络作为构件截面生成模型。
8.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,从所述构件布置特征数据中提取建筑结构构件的平面布置设计数据,包括:
根据预设的结构构件类别与特征数据元素值之间的映射关系,从所述构件布置特征数据中提取建筑结构构件的初步平面布置数据;
根据预设的结构构件坐标与特征数据元素下标之间的映射关系,基于所述初步平面布置数据,得到结构构件的最终平面布置数据;
将所述最终平面布置数据作为建筑结构构件的平面布置设计数据。
9.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,从所述构件截面特征数据中提取建筑结构构件的截面尺寸设计数据,包括:
从所述构件截面特征数据中提取结构构件对应的数据元素值;
根据预设的所述数据元素值与结构构件尺寸之间的映射关系,得到建筑结构构件的初步截面尺寸数据;
根据所述初步截面尺寸数据和预设的结构构件模数,得到结构构件的最终截面尺寸数据;
将所述最终截面尺寸数据作为建筑结构构件的截面尺寸设计数据。
10.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法,其特征在于,所述建筑结构,包括框架结构、框架-剪力墙结构和剪力墙结构;
所述建筑分隔特征数据,包括隔墙布置信息、室内门窗布置信息、室外门洞布置信息和柱布置信息;
所述建筑空间特征数据,包括建筑功能分区布置信息和建筑荷载分区布置信息;
所述设计条件特征数据,包括抗震设计信息、抗风设计信息和结构高度信息;
所述构件布置特征数据,包括剪力墙布置信息、框架柱布置信息、连梁布置信息和框架梁布置信息;
所述构件截面特征数据,包括剪力墙尺寸信息、框架柱尺寸信息、连梁尺寸信息和框架梁尺寸信息。
11.一种多模态数据驱动的建筑结构构件的生成装置,其特征在于,包括:
获取与提取模块,用于获取建筑结构的建筑设计图纸和设计条件文本,从所述建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据,并从所述设计条件文本中提取设计条件特征数据;
构件布置生成模块,用于将所述建筑分隔特征数据、所述建筑空间特征数据和所述设计条件特征数据融合为第一特征张量,将所述第一特征张量输入预先训练完成的构件布置生成模型,得到构件布置特征数据,并从所述构件布置特征数据中提取建筑结构构件的平面布置设计数据;
构件截面生成模块,用于将所述构件布置特征数据、所述建筑空间特征数据和所述设计条件特征数据融合为第二特征张量,将所述第二特征张量输入预先训练完成的构件截面生成模型,得到构件截面特征数据,并从所述构件截面特征数据中提取建筑结构构件的截面尺寸设计数据;
整合设计模块,用于将所述平面布置设计数据与截面尺寸设计数据进行匹配和整合,得到建筑结构构件的设计结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111673650.9A CN114417464B (zh) | 2021-12-31 | 2021-12-31 | 多模态数据驱动的建筑结构构件的生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111673650.9A CN114417464B (zh) | 2021-12-31 | 2021-12-31 | 多模态数据驱动的建筑结构构件的生成方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417464A true CN114417464A (zh) | 2022-04-29 |
CN114417464B CN114417464B (zh) | 2022-09-02 |
Family
ID=81271215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111673650.9A Active CN114417464B (zh) | 2021-12-31 | 2021-12-31 | 多模态数据驱动的建筑结构构件的生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417464B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150839A (zh) * | 2022-12-16 | 2023-05-23 | 清华大学 | 基于领域知识增强的钢结构厂房构件布置设计方法及系统 |
CN116226674A (zh) * | 2023-05-06 | 2023-06-06 | 中国建筑西南设计研究院有限公司 | 一种框架梁的布置模型训练方法、布置方法及装置 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507409A (zh) * | 2021-02-02 | 2021-03-16 | 巧夺天宫(深圳)科技有限公司 | 一种建筑构件生成工程量清单系统及其方法 |
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 |
US20210287138A1 (en) * | 2020-03-12 | 2021-09-16 | Autodesk, Inc. | Learning to simulate and design for structural engineering |
-
2021
- 2021-12-31 CN CN202111673650.9A patent/CN114417464B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210287138A1 (en) * | 2020-03-12 | 2021-09-16 | Autodesk, Inc. | Learning to simulate and design for structural engineering |
CN112507409A (zh) * | 2021-02-02 | 2021-03-16 | 巧夺天宫(深圳)科技有限公司 | 一种建筑构件生成工程量清单系统及其方法 |
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 |
---|
XINZHENG LU等: "CIM-Powered Multi-Hazard Simulation Framework Covering both Individual Buildings and Urban Areas", 《SUSTAINABILITY》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150839A (zh) * | 2022-12-16 | 2023-05-23 | 清华大学 | 基于领域知识增强的钢结构厂房构件布置设计方法及系统 |
CN116150839B (zh) * | 2022-12-16 | 2023-08-29 | 清华大学 | 基于领域知识增强的钢结构厂房构件布置设计方法及系统 |
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 |
CN116226674A (zh) * | 2023-05-06 | 2023-06-06 | 中国建筑西南设计研究院有限公司 | 一种框架梁的布置模型训练方法、布置方法及装置 |
CN116226674B (zh) * | 2023-05-06 | 2023-09-05 | 中国建筑西南设计研究院有限公司 | 一种框架梁的布置模型训练方法、布置方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114417464B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114417464B (zh) | 多模态数据驱动的建筑结构构件的生成方法及装置 | |
CN114491740B (zh) | 物理与多模态数据驱动的建筑结构生成方法及设备 | |
CN113987637A (zh) | 基于生成对抗网络的楼盖结构设计方法和装置 | |
Ronchi et al. | Modelling total evacuation strategies for high-rise buildings | |
CN110633553B (zh) | 一种住宅户型平面图自动生成方法和系统 | |
CN114925416B (zh) | 一种基于数据转换的建筑结构生成方法及装置 | |
CN112883798A (zh) | 基于深度学习建筑专业住宅平面图空间内构件的识别方法 | |
CN114880741B (zh) | 一种嵌入领域知识的建筑结构构件尺寸设计方法和装置 | |
KR20200081340A (ko) | 건축 도면 분석 방법 및 장치 | |
WO2020208638A2 (en) | Systems and methods of automated design and spatial allocation of buildings | |
CN114065534B (zh) | 一种地铁地下车站的震后修复方案确定方法 | |
Boguslawski et al. | BIM-GIS modelling in support of emergency response applications | |
Wang et al. | DEVS-based building information modeling and simulation for emergency evacuation | |
Jin et al. | Exploring BIM Data by Graph-based Unsupervised Learning. | |
CN107436967A (zh) | 基于bim的专业知识库协同介入系统及其协同介入方法 | |
Ronchi et al. | Assessment of total evacuation systems for tall buildings | |
KR101967729B1 (ko) | 건축물의 동 평면 생성 방법 | |
CN116186825B (zh) | 基于图节点分类图神经网络的剪力墙设计方法和装置 | |
WO2023125585A1 (zh) | 疏散模拟方法及装置、电子设备及存储介质 | |
CN114722185B (zh) | 建筑规范条款智能筛选确定方法 | |
CN115775055A (zh) | 多层建筑人员疏散时间的预测方法、装置、设备及介质 | |
Wessel et al. | Efficient retrieval of 3D building models using embeddings of attributed subgraphs | |
CN112115536A (zh) | 一种高校教学建筑平面学习空间连接凝聚性的评估方法及系统 | |
CN116150837B (zh) | 基于边特征预测图神经网络的剪力墙设计方法和装置 | |
CN115393501A (zh) | 信息处理方法及装置 |
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 |