CN114444180A - 装配式建筑结构的全生命周期参数预测与监测方法及系统 - Google Patents

Abstract

本发明提供了一种装配式建筑结构的全生命周期预测与监测方法及系统，属于智慧建筑领域。所述全生命周期预测与监测方法包括数据收集、施工参数预测、监测管理及参数分析，其中，施工参数预测与监测管理根据所收集数据通过机器学习完成，参数分析根据施工参数预测与监测管理的结果进行，分析后的决策数据再对所收集的数据进行补充和更新，在装配式建筑结构的全生命周期参数预测与监测过程中循环进行。本发明构建了用于装配式建筑结构施工过程的节点参数预测模型以及用于装配式建筑结构后期运维的节点参数监测模型，充分发挥了装配式建筑结构生产方式的优势，提高了装配式建筑结构的生产效率，及时预警失效周期进行灾害预防，延长了使用寿命。

Description

装配式建筑结构的全生命周期参数预测与监测方法及系统

技术领域

本发明属于智慧建筑领域，具体涉及一种装配式建筑结构的全生命周期参数预测与监测方法及系统。

背景技术

装配式混凝土结构体系是建筑工业化的生产方式，广泛应用在房屋建筑、桥梁工程和市政工程等领域，发挥着不可替代的作用。装配式建筑结构的施工过程及后期运维与传统的建筑结构都不相同。施工过程通过大量预制备的构件进行现场装配及浇筑，可以节约人工、缩短周期，但如何合理安排施工现场的物、料、人、材，决定了所达到的效果；在装配式建筑结构全生命周期的后期运维过程中，尚不清楚装配节点的失效周期、确切的影响因素等，缺少准确的安全评估。

现有技术中，在装配式建筑结构的施工现场，对人力资源、原料及预制构件、设备与施工机械等，一般根据专家经验进行适当调配，人为因素占据重要因素，存在极大的不稳定性，另外也因人工经验的局限性出现机器闲置、构件储存不当等问题，无法真正提高装配式建筑生产方式的效率；同时，后期运维过程尚无全面的、针对装配式建筑结构的节点预测或监测，无法对装配式建筑结构进行全生命周期的安全评估，导致无法预知建筑的失效点从而带来经济损失，甚至危害生命，无法真正发挥装配式建筑结构的优点。

发明内容

鉴于现有技术中的上述缺陷或不足，本发明旨在提供一种装配式建筑结构的全生命周期参数预测与监测方法及系统，以提高装配式建筑结构的生产效率，及时预警失效周期进行灾害预防，延长使用寿命。

为了实现上述目的，本发明实施例采用如下技术方案：

第一方面，本发明实施例提供了一种装配式建筑结构的全生命周期参数预测与监测方法，分为施工阶段与运维阶段；

其中，施工阶段包括：

步骤S1，根据装配式建筑结构的建筑图纸基于Revit程序构建建筑信息模型BIM模型和有限元模型，并读取结构构件及装配式结构数据，作为收集的初始数据，并存储在数据集Z中；

步骤S2，对数据集Z进行数据处理；

步骤S3，根据处理后的数据集Z及施工管理历史数据库中的数据，进行施工参数混合计算，得到施工布局优化管控参数，并将管控参数反馈给BIM模型，对BIM模型进行实时的动态更新；

步骤S4，在施工过程中，在关键节点处布设监测传感器，传感器实时采集装配式建筑结构已施工部分的结构及力学参数，将动态监测的数据进行数据存储；同时启动三维激光扫描仪，获取建筑数据并构建结构模型；将上述实时监测的结构及力学参数、结构模型同时发送给数据集Z；在建筑结构完工前，再次转入步骤S2；建筑结构全部完工后，则进入运维阶段；

步骤S5，根据历史数据库，构建危险预测模型，再将所收集的数据输入危险预测模型中，对施工过程进行实时监测，并将所监测的结果反馈给BIM模型和有限元模型，对BIM模型和有限元模型进行实时的动态更新；

步骤S6，对所述动态更新后的BIM模型和有限元模型进行可视化分析，得到决策管理数据，并将决策管理数据反馈给数据集Z，转入步骤S2；

运维阶段包括：

步骤S7，启动气象地质类探测仪，实时收集气象地质数据并修复结构，实时记录结构修复数据，同时收集BIM模型和有限元模型参数、装配式结构参数、传感器实时监测参数、三维激光扫描仪扫描数据存储在数据集Z中；调用步骤S2对数据集Z进行数据处理后，再调用步骤S5和步骤S6,对装配式建筑结构进行实时监测；

步骤S8，云端根据气象地质数据，结合现存的历史灾害数据库，进行结构的灾害预测及灾后修复，当临近发生破坏时，云端提前做出预测反馈给运营者，预防灾难发生并进行危机干预；

步骤S9，云端根据所接收的结构数据实时更新BIM模型和有限元模型；在装配式建筑结构全生命周期的后期运维阶段，随着实体建筑结构的变化而带来BIM模型和有限元模型的变化，按预定时间间隔获取BIM和有限元模型生成的结构图片；对所述结构图片进行参数分析，通过分水岭算法找出微小不可视裂缝并确定其深度及位置，检测建筑挠度、裂缝变化，进行实时的安全评估。

上述方案中，所述步骤S3施工布局，包括对人员、机械设备及物资材料的分配及调用；所述混合计算，根据不同的神经网络构建N个装配式建筑施工模型，将所述数据集Z分为训练集、测试集，对所构建的N个装配式建筑施工模型进行训练；通过多种算法对参数进行计算得到多个预测结果，取多个结果的平均值，作为最优结果。

上述方案中，所述步骤S4中监测传感器，包括力传感器和位移传感器。

上述方案中，施工过程中，在预设第一类关键位置处预埋力传感器，在预设第二类关键位置处预埋位移传感器，并根据力传感器和位移传感器的监测数据计算相应位置处的实时力学参数和结构参数；同时，计算有限元模型中相同位置处的孪生力学参数和结构参数，通过实时力学参数和结构参数对所述孪生力学参数和结构参数进行校准，以保证有限元模型的准确性。

第二方面，本发明实施例还提供了一种装配式建筑结构的全生命周期参数预测与监测系统，所述系统包括：BIM模型和有限元模型构建模块、节点传感器、三维激光扫描仪、气象地质类探测仪、数据收集模块、数据处理模块、施工参数优化模块、危险预测模型构建模块、模型动态更新模块、可视化分析模块及决策管理模块；其中，

所述BIM模型和有限元模型构建模块用于根据装配式建筑结构的建筑图纸基于Revit程序构建BIM模型和有限元模型，并读取结构构件及装配式结构数据，发送给数据收集模块；

所述节点传感器在施工过程中布设于建筑结构内部，用于收集结构的力学参数及结构参数，并发送给数据收集模块；

所述三维激光扫描仪用于对建筑结构进行三维扫描并将扫描数据发送给数据收集模块；

所述气象地质类探测仪用于施工完成后收集环境中的气象地质数据，并将所述气象地质数据及记录的根据该气象地质数据进行结构修复后的修复数据发送给数据收集模块；

所述数据收集模块用于收集并更新数据，将数据存储在数据集Z中，发送给数据处理模块；

所述数据处理模块用于对数据集Z进行数据处理；

所述施工参数优化模块用于根据处理后的数据集Z及施工管理历史数据库中的数据，进行施工参数混合计算，得到施工布局优化管控参数，并将管控参数反馈给模型动态更新模块；

所述危险预测模型构建模块用于根据历史数据库，构建危险预测模型，再将所收集的数据输入危险预测模型中，对施工过程进行实时监测，并将监测结果反馈给模型动态更新模块；

所述模型动态更新模块用于读取BIM模型和有限元模型，并根据所接收的管控参数和监测结果对BIM模型模型进行实时的动态更新，根据监测结果对有限元模型进行实时的动态更新，将更新后的数据发送给可视化分析模块；

所述可视化分析模块用于对所述动态更新后的BIM模型和有限元模型进行可视化分析，将分析结果反馈给决策管理模块；

所述决策管理模块用于根据分析结果生成决策管理数据，并将决策管理数据反馈给数据收集模块。

本发明实施例所提供的技术方案具有如下有益效果：

所述装配式建筑结构的全生命周期预测与监测方法及系统，构建了用于装配式建筑结构施工过程的节点参数预测模型以及用于装配式建筑结构后期运维的节点参数监测模型，形成全生命周期预测与监测的专家系统，充分发挥了装配式建筑结构生产方式的优势，提高了装配式建筑结构的生产效率，及时预警失效周期进行灾害预防，延长了使用寿命。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，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附图。

图1为本发明实施例所述装配式建筑结构的全生命周期预测与监测方法原理图；

图2为本发明实施例所述装配式建筑结构的全生命周期预测与监测方法流程框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

针对上述问题，本申请发明人对现有的装配式建筑生产方式进行了深入研究。研究发现，装配式建筑结构的全生命周期的预测与监测可以通过神经网络及多种数字技术实现。人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，可以构建用于装配式建筑结构施工过程的节点参数预测模型以及用于装配式建筑结构后期运维的节点参数监测模型，形成全生命周期预测与监测的专家系统。另外，数字孪生是指充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。近年来，被广泛的应用于产品设计、产品制造、医学分析等领域，但在工程建设领域的应用尚不充分，装配式建筑作为新型建筑形式与数字孪生和深度学习的结合有待探索。

应注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。

经过上述深入分析，本发明提出了一种装配式建筑结构的全生命周期参数预测与监测方法及系统，实现对施工过程的参数预测、现场指导和施工监测以及后期运维过程的全程数据预测与监测。

参见图1和图2，本发明所提供的装配式建筑结构的全生命周期参数预测与监测方法，包括数据收集、施工参数预测、监测管理及参数分析，其中，施工参数预测与监测管理根据所收集数据通过机器学习完成，参数分析根据施工参数预测与监测管理的结果进行，分析后的决策数据再对所收集的数据进行补充和更新，在装配式建筑结构的全生命周期参数预测与监测过程中循环进行。

具体地，所述装配式建筑结构的全生命周期参数预测与监测方法包括施工阶段与运维阶段。

其中，施工阶段包括：

步骤S1，根据装配式建筑结构的建筑图纸基于Revit程序构建建筑信息模型(Building Information Modeling，BIM)和有限元模型，并读取结构构件及装配式结构数据，作为收集的初始数据，并存储在数据集Z中。

本步骤属于数据收集，在施工前基于建筑图纸进行数据获取，施工现场数据如人员、机械设备及物资材料等作为已知数据，存储在施工管理数据库中。

步骤S2，对数据集Z进行数据处理。本步骤中数据处理，包括对数据的识别、清洗等，将冗余及无效数据清洗掉，为后续进入机器学习阶段提供有效数据。

步骤S3，根据处理后的数据集Z及施工管理历史数据库中的数据，进行施工参数混合计算，得到施工布局优化管控参数，并将管控参数反馈给BIM模型，对BIM模型进行实时的动态更新。

本步骤中，所述施工布局，包括对人员、机械设备及物资材料的分配及调用；所述混合计算，根据不同的神经网络构建N个装配式建筑施工模型，将所述数据集Z分为训练集、测试集，对所构建的N个装配式建筑施工模型进行训练；通过多种算法对参数进行计算得到多个预测结果，取多个结果的平均值，作为最优结果。所述不同的神经网络，用于进行后期混合计算取平均，以消除不同神经网络算法带来的误差。所述施工布局，包括现场的人力调配情况、机械设备调配情况、包括各节点时间的施工周期、构件存储及使用情况等。通过上述混合算法，使得各项资源得到最合理分配，以完成装配式建筑的施工。当装配式建筑施工过程分阶段进行时，则先计算第一阶段结果，第一阶段结果补充进数据集Z后，再进行下一阶段的参数计算。

本步骤通过对现场确定的已知参数预测未知需要的参数。例如，想要预测施工时间，则机械数量和占用情况作为输入数据输入训练好的神经网络，在多个结果中取即考虑施工安全性又节约人力物力的施工方式，然后信息反馈到人和机器实现高效施工。当施工现场几栋楼同时施工时，通过BIM模型的初始数据与建筑施工模型，得到最优预测施工参数，从而合理安排机械设备与人力资源，达到充分利用调动现场的人、机、材，充分实现装配式建筑方式的优势。通过模型计算出最优施工方式，取代经验决策。

BIM模型与N个装配式建筑施工模型相结合，根据现场情况给出管理者合理的建议，比如说几月几号现场需要多少名工人，工人的具体工作内容或者机器所需的数量；同时，也可以根据工期需要，通过模型计算出人力和设备参数，调配所需的人力和设备。例如，当需要缩短工期时，管理者输入合理的理想施工时间，BIM模型及与N个装配式建筑施工模型，计算出对人、机、材数量的建议；当需要节约成本时，BIM模型及与N个装配式建筑施工模型，根据大数据计算出最经济的手段，综合考虑施工时长、设备投入等因素，给出成本最低的施工布局优化管控参数。

步骤S4，在施工过程中，在关键节点处布设监测传感器，传感器实时采集装配式建筑结构已施工部分的结构及力学参数，将动态监测的数据进行数据存储；同时启动三维激光扫描仪，获取建筑数据并构建结构模型；将上述实时监测的结构及力学参数、结构模型同时发送给数据集Z；在建筑结构完工前，再次转入步骤S2；建筑结构全部完工后，则进入运维阶段。

本步骤中，所述监测传感器，包括力传感器和位移传感器。施工过程中，在预设第一类关键位置处预埋力传感器，在预设第二类关键位置处预埋位移传感器，并根据力传感器和位移传感器的监测数据计算相应位置处的实时力学参数和结构参数；同时，计算有限元模型中相同位置处的孪生力学参数和结构参数，通过实时力学参数和结构参数对所述孪生力学参数和结构进行校准，以保证有限元模型的准确性。

步骤S5，根据历史数据库，构建危险预测模型，再将所收集的数据输入危险预测模型中，对施工过程进行实时监测，并将所监测的结果反馈给BIM模型和有限元模型，对BIM模型和有限元模型进行实时的动态更新。

本步骤中，所述危险预测模型，通过深度学习算法对历史数据库中的相应数据进行识别训练进行构建，例如，通过分水岭算法对所收集的数据进行卷积识别，以得到最终的监测结果；同时最终的监测结果输入历史数据库中，以更新扩展历史数据库。

本步骤中的危险预测模型构建与监测，和步骤S3中的施工参数混合计算，都属于机器学习过程，两者根据所收集并经处理后的数据进行，所得到的结果，也同时反馈至BIM模型，对BIM模型进行动态更新；同时，传感器监测数据、三维扫描仪数据与危险预测模型的监测数据同时反馈至BIM模型与有限元模型，对BIM模型和有限元模型进行动态更新，与BIM模型和有限元模型受力分析结果进行比对，并修正模型参数以保证BIM模型和有限元模型的准确性。

步骤S6，对所述动态更新后的BIM模型和有限元模型进行可视化分析，得到决策管理数据，并将决策管理数据反馈给数据集Z，转入步骤S2。

运维阶段包括：

步骤S7，启动气象地质类探测仪，实时收集气象地质数据并修复结构，实时记录结构修复数据，同时收集BIM模型和有限元模型参数、装配式结构参数、传感器实时监测参数、三维激光扫描仪扫描数据存储在数据集Z中。

调用步骤S2对数据集Z进行数据处理后，再调用步骤S5和步骤S6,对装配式建筑结构进行实时监测。

在运维阶段，包括力传感器和位移传感器的传感器仍处于运行过程，实时监测建筑结构的实时结构及力学参数；三维激光扫描仪对结构实时扫描获得建筑数据并构建实时的结构模型；同时气象地质类探测仪实时收集气象地质数据及修复数据并进行实时记录，上述数据均存储在运维阶段的数据集Z中。

步骤S8，云端根据气象地质数据，结合现存的历史灾害数据库，进行结构的灾害预测及灾后修复，当临近发生破坏时，云端提前做出预测反馈给运营者，预防灾难发生并进行危机干预。

本步骤中为灾害预警过程。例如地震发生时，前期轻微的震动信息会传递到计算机，计算机会根据以往地震的情况预测最不利情况，进行合理预警；再如暴雨发生时，根据降水量情况，会预测是否会发生大的雨水堆积；当龙卷风、海啸等灾害发生时，都能提前预警。

步骤S9，云端根据所接收的结构数据实时更新BIM模型和有限元模型；在装配式建筑结构全生命周期的后期运维阶段，随着实体建筑结构的变化而带来BIM模型和有限元模型的变化，按预定时间间隔获取BIM模型和有限元模型生成的结构图片；对所述结构图片进行参数分析，通过分水岭算法找出微小不可视裂缝并确定其深度及位置，检测建筑挠度、裂缝等变化，进行实时的安全评估。

由以上技术方案可以看出，本发明所提供的装配式建筑结构的全生命周期预测与监测方法，构建了用于装配式建筑结构施工过程的节点参数预测模型以及用于装配式建筑结构后期运维的节点参数监测模型，形成全生命周期预测与监测的专家系统，充分发挥了装配式建筑结构生产方式的优势。施工阶段，能够取代目前的经验算法，给出更合理更高效的施工方案；基于BIM的数字孪生模型的建立，更有利于数据的采集，数据直接来源于模型而取代人工测量等方式，有利于在各个时期模型情况的监测；运维阶段能够进行较为精准的灾害预测，做到灾害预警。

基于同样的思想，本发明实施例还提供了一种装配式建筑结构的全生命周期参数预测与监测系统，所述系统包括：BIM和有限元模型构建模块、节点传感器、三维激光扫描仪、气象地质类探测仪、数据收集模块、数据处理模块、施工参数优化模块、危险预测模型构建模块、模型动态更新模块、可视化分析模块及决策管理模块。

其中，所述BIM和有限元模型构建模块用于根据装配式建筑结构的建筑图纸基于Revit程序构建BIM模型和有限元模型，并读取结构构件及装配式结构数据，发送给数据收集模块；

所述节点传感器在施工过程中布设于建筑结构内部，用于收集结构的力学参数及结构参数，并发送给数据收集模块；

所述三维激光扫描仪用于对建筑结构进行三维扫描并将扫描数据发送给数据收集模块；

所述气象地质类探测仪用于施工完成后收集环境中的气象地质数据，并将所述气象地质数据及记录的根据该气象地质数据进行结构修复后的修复数据发送给数据收集模块；

所述数据收集模块用于收集并更新数据，将数据存储在数据集Z中，发送给数据处理模块；

所述数据处理模块用于对数据集Z进行数据处理；

所述施工参数优化模块用于根据处理后的数据集Z及施工管理历史数据库中的数据，进行施工参数混合计算，得到施工布局优化管控参数，并将管控参数反馈给模型动态更新模块；

所述危险预测模型构建模块用于根据历史数据库，构建危险预测模型，再将所收集的数据输入危险预测模型中，对施工过程进行实时监测，并将所监测的结果反馈给模型动态更新模块；

所述模型动态更新模块用于读取BIM模型和有限元模型，并根据所接收的管控参数和监测结果对BIM模型进行实时的动态更新，根据监测结果对有限元模型进行实时的动态更新，将更新后的数据发送给可视化分析模块；

所述可视化分析模块用于对所述动态更新后的BIM模型和有限元模型进行可视化分析，将分析结果反馈给决策管理模块；

所述决策管理模块用于根据分析结果生成决策管理数据，并将决策管理数据反馈给数据收集模块。

本实施例中各模块通过处理器实现，当需要存储时适当增加存储器。其中，所述处理器可以是但不限于微处理器MPU、中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件等。所述存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。

另外需要说明的是，本实施例所述装配式建筑结构的全生命周期参数预测与监测系统与所述装配式建筑结构的全生命周期参数预测与监测方法是对应的，对所述方法的描述与限定，同样适用于所述系统，在此不再赘述。

以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (5)

1.一种装配式建筑结构的全生命周期参数预测与监测方法，其特征在于，分为施工阶段与运维阶段；

其中，施工阶段包括：

步骤S1，根据装配式建筑结构的建筑图纸基于Revit程序构建建筑信息模型BIM和有限元模型，并读取结构构件及装配式结构数据，作为收集的初始数据，并存储在数据集Z中；

步骤S2，对数据集Z进行数据处理；

步骤S3，根据处理后的数据集Z及施工管理历史数据库中的数据，进行施工参数混合计算，得到施工布局优化管控参数，并将管控参数反馈给BIM模型，对BIM模型进行实时的动态更新；

步骤S4，在施工过程中，在关键节点处布设监测传感器，传感器实时采集装配式建筑结构已施工部分的结构及力学参数，将动态监测的数据进行数据存储；同时启动三维激光扫描仪，获取建筑数据并构建结构模型；将上述实时监测的结构及力学参数、结构模型同时发送给数据集Z；在建筑结构完工前，再次转入步骤S2；建筑结构全部完工后，则进入运维阶段；

步骤S5，根据历史数据库，构建危险预测模型，再将所收集的数据输入危险预测模型中，对施工过程进行实时监测，并将所监测的结果反馈给BIM模型和有限元模型，对BIM模型和有限元模型进行实时的动态更新；

步骤S6，对所述动态更新后的BIM模型和有限元模型进行可视化分析，得到决策管理数据，并将决策管理数据反馈给数据集Z，转入步骤S2；

运维阶段包括：

步骤S7，启动气象地质类探测仪，实时收集气象地质数据并修复结构，实时记录结构修复数据，同时收集BIM模型和有限元模型参数、装配式结构参数、传感器实时监测参数、三维激光扫描仪扫描数据存储在数据集Z中；调用步骤S2对数据集Z进行数据处理后，再调用步骤S5和步骤S6,对装配式建筑结构进行实时监测；

步骤S8，云端根据气象地质数据，结合现存的历史灾害数据库，进行结构的灾害预测及灾后修复，当临近发生破坏时，云端提前做出预测反馈给运营者，预防灾难发生并进行危机干预；

步骤S9，云端根据所接收的结构数据实时更新BIM模型和有限元模型；在装配式建筑结构全生命周期的后期运维阶段，随着实体建筑结构的变化而带来BIM模型和有限元模型的变化，按预定时间间隔获取BIM模型和有限元模型生成的结构图片；对所述结构图片进行参数分析，通过分水岭算法找出微小不可视裂缝并确定其深度及位置，检测建筑挠度、裂缝变化，进行实时的安全评估。

2.根据权利要求1所述的装配式建筑结构的全生命周期参数预测与监测方法，其特征在于，所述步骤S3施工布局，包括对人员、机械设备及物资材料的分配及调用；所述混合计算，根据不同的神经网络构建N个装配式建筑施工模型，将所述数据集Z分为训练集、测试集，对所构建的N个装配式建筑施工模型进行训练；通过多种算法对参数进行计算得到多个预测结果，取多个结果的平均值，作为最优结果。

3.根据权利要求1所述的装配式建筑结构的全生命周期参数预测与监测方法，其特征在于，所述步骤S4中监测传感器，包括力传感器和位移传感器。

4.根据权利要求3所述的装配式建筑结构的全生命周期参数预测与监测方法，其特征在于，施工过程中，在预设第一类关键位置处预埋力传感器，在预设第二类关键位置处预埋位移传感器，并根据力传感器和位移传感器的监测数据计算相应位置处的实时力学参数和结构参数；同时，计算有限元模型中相同位置处的孪生力学参数和结构参数，通过实时力学参数和结构参数对所述孪生力学参数和结构参数进行校准，以保证有限元模型的准确性。

5.一种装配式建筑结构的全生命周期参数预测与监测系统，其特征在于，所述系统包括：BIM模型和有限元模型构建模块、节点传感器、三维激光扫描仪、气象地质类探测仪、数据收集模块、数据处理模块、施工参数优化模块、危险预测模型构建模块、模型动态更新模块、可视化分析模块及决策管理模块；其中，

所述BIM模型和有限元模型构建模块用于根据装配式建筑结构的建筑图纸基于Revit程序构建BIM模型和有限元模型，并读取结构构件及装配式结构数据，发送给数据收集模块；

所述节点传感器在施工过程中布设于建筑结构内部，用于收集结构的力学参数及结构参数，并发送给数据收集模块；

所述三维激光扫描仪用于对建筑结构进行三维扫描并将扫描数据发送给数据收集模块；

所述气象地质类探测仪用于施工完成后收集环境中的气象地质数据，并将所述气象地质数据及记录的根据该气象地质数据进行结构修复后的修复数据发送给数据收集模块；

所述数据收集模块用于收集并更新数据，将数据存储在数据集Z中，发送给数据处理模块；

所述数据处理模块用于对数据集Z进行数据处理；

所述施工参数优化模块用于根据处理后的数据集Z及施工管理历史数据库中的数据，进行施工参数混合计算，得到施工布局优化管控参数，并将管控参数反馈给模型动态更新模块；

所述危险预测模型构建模块用于根据历史数据库，构建危险预测模型，再将所收集的数据输入危险预测模型中，对施工过程进行实时监测，并将监测结果反馈给模型动态更新模块；

所述模型动态更新模块用于读取BIM模型和有限元模型，并根据所接收的管控参数和监测结果对BIM模型进行实时的动态更新，根据监测结果对有限元模型进行实时的动态更新，将更新后的数据发送给可视化分析模块；

所述可视化分析模块用于对所述动态更新后的BIM模型和有限元模型进行可视化分析，将分析结果反馈给决策管理模块；

所述决策管理模块用于根据分析结果生成决策管理数据，并将决策管理数据反馈给数据收集模块。

Images