CN114638073B - 一种钢筋加工方法、装置、电子设备及存储介质 - Google Patents
一种钢筋加工方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114638073B CN114638073B CN202210506444.7A CN202210506444A CN114638073B CN 114638073 B CN114638073 B CN 114638073B CN 202210506444 A CN202210506444 A CN 202210506444A CN 114638073 B CN114638073 B CN 114638073B
- Authority
- CN
- China
- Prior art keywords
- steel bar
- processing
- bar processing
- reinforcing steel
- sample
- 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.)
- Active
Links
- 229910001294 Reinforcing steel Inorganic materials 0.000 title claims abstract description 112
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title claims description 17
- 238000012545 processing Methods 0.000 claims abstract description 332
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 132
- 239000010959 steel Substances 0.000 claims abstract description 132
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims description 34
- 230000009471 action Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 22
- 238000003754 machining Methods 0.000 claims description 19
- 230000003014 reinforcing effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 abstract description 25
- 230000006870 function Effects 0.000 description 21
- 230000002787 reinforcement Effects 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 12
- 239000000463 material Substances 0.000 description 11
- 239000002994 raw material Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明公开了一种钢筋加工方法、装置、电子设备及存储介质,包括:获取待加工的目标建筑物信息;将所述目标建筑物信息输入至预先生成的钢筋加工模型中,所述钢筋加工模型基于钢筋加工样本集训练得到;通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工。本发明实施例的技术方案可以提高钢筋的加工效率,降低加工过程对应的钢筋损耗率。
Description
技术领域
本发明实施例涉及建筑工程技术领域,尤其涉及一种钢筋加工方法、装置、电子设备及存储介质。
背景技术
钢筋是建筑工程中常见的材料之一,在施工过程中需要采用预设的加工技术,将钢筋原材料加工为订制钢筋成品。由于钢筋原材料一般只有几种固定的长度规格(9m与12m),因此在加工过程中会产生余料。余料一般用于加工相同规格较小尺寸的钢筋成品,当余料无法继续用于加工时,便产生了尾料造成浪费。
现有技术中,针对钢筋加工方法优化的方案较少,通常是依据人工经验对钢筋长度进行调整,尽量减少钢筋浪费。当钢筋加工量较大或成品较为复杂时,人工经验无法满足加工需要,容易导致尾料增多,浪费率升高。
除此之外,现有技术中还可以通过钢筋加工优化软件,对钢筋进行加工。但是,钢筋加工优化软件中多采用随机探索算法(如遗传算法),存在加工效率低,针对性差的问题;其次,由于随机探索算法缺乏延续性,通过软件进行加工的方法无法将已经完成的成果经验应用于其他优化过程中,导致钢筋加工方法扩展性较差。
发明内容
本发明实施例提供一种钢筋加工方法、装置、电子设备及存储介质,可以提高钢筋的加工效率,降低加工过程对应的钢筋损耗率。
第一方面,本发明实施例提供了一种钢筋加工方法,该方法包括:
获取待加工的目标建筑物信息;
将所述目标建筑物信息输入至预先生成的钢筋加工模型中,所述钢筋加工模型基于钢筋加工样本集训练得到;
通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工。
第二方面,本发明实施例还提供了一种钢筋加工装置,所述装置包括:
信息获取模块,用于获取待加工的目标建筑物信息;
信息输入模块,用于将所述目标建筑物信息输入至预先生成的钢筋加工模型中,所述钢筋加工模型基于钢筋加工样本集训练得到;
加工方式确定模块,用于通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器执行所述程序时实现本发明任意实施例提供的钢筋加工方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,该程序被处理器执行时实现本发明任意实施例提供的钢筋加工方法。
第五方面,本发明实施例还提供了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,所述计算机程序在被处理器执行时实现本发明任意实施例提供的钢筋加工方法。
本发明实施例的技术方案通过获取待加工的目标建筑物信息,将目标建筑物信息输入至预先生成的钢筋加工模型中,通过钢筋加工模型确定与目标建筑物信息匹配的目标加工方式,并按照目标加工方式对目标钢筋进行加工的技术手段,可以提高钢筋的加工效率,降低加工过程对应的钢筋损耗率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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是根据本发明实施例一提供的一种钢筋加工方法的流程图;
图2是根据本发明实施例二提供的一种钢筋加工方法的流程图;
图3是根据本发明实施例三提供的一种钢筋加工方法的流程图;
图4是根据本发明实施例四提供的一种钢筋加工装置的结构示意图;
图5是实现本发明实施例的钢筋加工方法的电子设备的结构示意图。
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仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种钢筋加工方法的流程图,本实施例可适用于确定钢筋加工方式,并按照所述钢筋加工方式对钢筋进行加工的情况,该方法可以由钢筋加工装置来执行。所述钢筋加工装置可以由软件和/或硬件来实现,一般可以集成在具有数据处理功能的电子设备(例如终端或者服务器)中,具体包括如下步骤:
步骤110、获取待加工的目标建筑物信息。
在本实施例中,目标建筑物可以为等待加工的钢筋成品,所述目标建筑物信息可以包括目标建筑物的形状信息以及尺寸信息等。
步骤120、将所述目标建筑物信息输入至预先生成的钢筋加工模型中,所述钢筋加工模型基于钢筋加工样本集训练得到。
在本实施例中,获取目标建筑物信息之前,可以预先获取由多个钢筋加工样本构成的钢筋加工样本集,然后使用所述钢筋加工样本集对神经网络模型进行训练,得到钢筋加工模型。
在一个具体的实施例中,可选的,可以获取在当前时刻之前的,多个钢筋成品对应的钢筋加工示例作为钢筋加工样本,并对每个钢筋加工样本对应的钢筋损耗率进行标注,然后使用标注后的钢筋加工样本集对神经网络模型进行训练,得到钢筋加工模型。其中,钢筋加工示例中可以包括钢筋成品对应的加工方式。
在本实施例中,可选的,使用钢筋加工样本集对神经网络模型进行训练后,可以获取多个建筑物样本作为测试集,然后将所述测试集输入至训练后的神经网络模型中,由神经网络模型自动输出与各建筑物样本对应的加工方式,并根据每种加工方式对应的钢筋损耗率,对所述神经网络模型的模型参数进行优化,以降低神经网络模型输出结果对应的钢筋损耗率,最后将优化后的神经网络模型作为所述钢筋加工模型。
步骤130、通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工。
在此步骤中,可选的,将目标建筑物信息输入至钢筋加工模型后,钢筋加工模型会根据预先调整的模型参数,自动确定与目标建筑物信息匹配的目标加工方式。其中,所述目标加工方式中可以包括具体的钢筋数量,以及加工流程等。
在本实施例中,确定出与目标建筑物信息匹配的目标加工方式后,可以按照目标加工方式中的加工流程,对目标加工方式指定的钢筋进行加工,以得到所述目标建筑物。
在本实施例中,通过构建钢筋加工模型,并以钢筋损耗率为目标对钢筋加工模型进行优化,一方面可以快速确定与目标建筑物匹配的最优加工方式,提高钢筋加工效率;另一方面可以降低加工过程对应的钢筋损耗率,并且由于所述钢筋加工模型适用于对大量钢筋成品进行加工,由此可以提高钢筋加工方法的扩展性。
本发明实施例的技术方案通过获取待加工的目标建筑物信息,将目标建筑物信息输入至预先生成的钢筋加工模型中,通过钢筋加工模型确定与目标建筑物信息匹配的目标加工方式,并按照目标加工方式对目标钢筋进行加工的技术手段,可以提高钢筋的加工效率,降低加工过程对应的钢筋损耗率。
实施例二
本实施例是对上述实施例的进一步细化,与上述实施例相同或相应的术语解释,本实施例不再赘述。图2为本实施例二提供的一种钢筋加工方法的流程图,在本实施例中,本实施例的技术方案可以与上述实施例的方案中的一种或者多种方法进行组合,如图2所示,本实施例提供的方法还可以包括:
步骤210、获取钢筋加工样本集,所述钢筋加工样本集中包括多个钢筋加工样本,每个钢筋加工样本中包括建筑物样本、所述建筑物对应的已完成加工的钢筋样本,以及所述建筑物对应的待选择的钢筋样本。
在本实施例中,所述建筑物样本包括建筑物数据信息,例如建筑构件信息、配筋信息、自定义规则、图集规则以及钢筋原材料规格等。具体的,所述建筑构件信息、配筋信息以及图集规则可以来源于建筑物的BIM模型,其中包括建筑物的构件种类(墙、柱、梁、板、楼梯及其需要使用钢筋的构件)、构件尺寸、配筋信息、使用图集等信息。
所述建筑物对应的已完成加工的钢筋样本,可以包括建筑物已完成加工的部件所关联的钢筋信息。具体的,所述已完成加工的钢筋样本中可以包括已完成加工的钢筋种类、数量、位置信息以及使用原材料数量等。
所述建筑物对应的待选择的钢筋样本,可以理解为在已完成加工的部件基础上,建筑物剩余部件对应的可选钢筋信息。具体的,所述待选择的钢筋样本可以表示为一个列表,包括钢筋位置、长度范围以及钢筋材料来源等信息。所述钢筋位置用于表征钢筋位于建筑物中的具体位置。所述长度范围用于根据图纸及图集要求,对钢筋的长度上限以及长度下限进行设置。所述钢筋材料来源可以理解为钢筋的截取来源,例如根据原材料截取或者根据余料截取等。
在一个具体的实施例中,优选的,所述钢筋原材料规格可以为9m或12m,所述长度范围可以为一个以上限和下限为区间的等差数列,步长为10mm,例如长度上限为500mm,长度下限为450mm,则对应的长度范围可以为(450,460,470,480,490,500),具体数值可以根据实际情况进行预设,本实施例对此并不进行限制。
步骤220、使用所述钢筋加工样本集对神经网络模型进行迭代训练,得到钢筋加工模型。
在本发明实施例的一个实施方式中,使用所述钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型,包括:
步骤221、在所述钢筋加工样本集中依次获取一个钢筋加工样本作为当前训练样本。
步骤222、通过所述神经网络模型确定与所述当前训练样本对应的多种加工方式,并计算每种加工方式分别对应的奖励值。
在本实施例中,计算加工方式对应的奖励值,包括:根据所述加工方式中各加工动作的排列次序以及损耗率,计算各加工动作的奖励值;将加工方式中全部加工动作的奖励值进行累加,得到加工方式对应的奖励值。
计算每种加工方式中分别对应的钢筋损耗率;将每种加工方式分别对应的钢筋损耗率与预设的损耗率阈值进行比较,根据比较结果确定每种加工方式分别对应的奖励值。
在一个具体的实施例中,所述神经网络模型确定的加工方式中可以包括多个加工动作,可以依次判断各加工动作是否为整个加工方式的最后一个动作,如果是,并且该加工动作对应的钢筋损耗率大于或等于损耗率阈值,则将该加工动作的奖励值设为-100,如果该加工动作对应的钢筋损耗率小于损耗率阈值,则将该加工动作的奖励值设为+100;反之,如果该加工动作不是整个加工方式的最后一个动作,则将该加工动作的奖励值设为-0.1,最后对全部加工动作的奖励值进行累加,得到加工方式对应的奖励值。
步骤223、根据每种加工方式分别对应的奖励值,对所述神经网络模型的模型参数进行优化。
在本实施例中,为了提高加工方式的奖励值,可以根据预设的优化策略对神经网络模型的模型参数进行优化。具体的,所述优化策略可以为使用尽可能少的加工次数,保证加工方式的钢筋损耗率低于损耗率阈值。
步骤224、判断是否完成对全部钢筋加工样本的处理,若是,执行步骤225,若否,返回执行步骤221中在所述钢筋加工样本集中依次获取一个钢筋加工样本作为当前训练样本的操作,直至完成对全部钢筋加工样本的处理。
步骤225、将优化后的神经网络模型作为所述钢筋加工模型。
步骤230、获取待加工的目标建筑物信息。
步骤240、将所述目标建筑物信息输入至预先生成的钢筋加工模型中。
步骤250、通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工。
本发明实施例的技术方案通过获取钢筋加工样本集,使用钢筋加工样本集对神经网络模型进行迭代训练,得到钢筋加工模型,获取待加工的目标建筑物信息,将所述目标建筑物信息输入至预先生成的钢筋加工模型中,通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工的技术手段,可以提高钢筋的加工效率,降低加工过程对应的钢筋损耗率。
实施例三
本实施例是对上述实施例的进一步细化,与上述实施例相同或相应的术语解释,本实施例不再赘述。图3为本实施例三提供的一种钢筋加工方法的流程图,在本实施例中,本实施例的技术方案可以与上述实施例的方案中的一种或者多种方法进行组合,如图3所示,本实施例提供的方法还可以包括:
步骤310、获取钢筋加工样本集,所述钢筋加工样本集中包括多个钢筋加工样本。
步骤320、获取多个历史钢筋加工样本;每个历史钢筋加工样本中包括历史建筑物样本、历史建筑物对应的历史钢筋加工方式以及历史钢筋损耗率。
在本实施例中,所述历史钢筋加工样本可以为在当前时刻之前的,多个钢筋成品对应的钢筋加工示例。
步骤330、将所述多个历史钢筋加工样本添加至钢筋加工样本集中,得到新的钢筋加工样本集,并使用新的钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型。
在本实施例中,通过将多个历史钢筋加工样本添加至钢筋加工样本集中,可以扩大神经网络模型的样本规模,由此可以提高钢筋加工模型输出结果的准确度。
步骤340、获取待加工的目标建筑物信息。
步骤350、将所述目标建筑物信息输入至预先生成的钢筋加工模型中。
步骤360、通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工。
在本实施例中,可选的,将目标建筑物信息输入至钢筋加工模型后,钢筋加工模型会按照钢筋损耗率由低到高的顺序输出预设数量的加工方式,以供用户选择。在检测到用户选择目标加工方式后,则按照目标加工方式对目标钢筋进行加工。其中,所述预设数量可以为3,具体数值可以根据实际情况进行设置,本实施例对此并不进行限制。
本发明实施例的技术方案通过获取钢筋加工样本集,获取多个历史钢筋加工样本,将所述多个历史钢筋加工样本添加至钢筋加工样本集中,得到新的钢筋加工样本集,并使用新的钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型,获取待加工的目标建筑物信息,将所述目标建筑物信息输入至预先生成的钢筋加工模型中,通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工的技术手段,可以提高钢筋的加工效率,降低加工过程对应的钢筋损耗率。
为了更好的对本发明实施例提供的技术方案进行介绍,本发明实施例可以参考下述的实施方式:
步骤1、收集基础信息。
在此步骤中,可以收集基础建筑物数据信息,包括建筑构件信息、配筋信息、自定义规则、图集规则、钢筋原材料规格、损耗率阈值等。
步骤2:建立钢筋加工环境。
在此步骤中,可以将建筑物对应的已完成加工的钢筋样本、建筑物对应的待选择的钢筋样本以及预设的奖励函数存储至钢筋加工环境中。
其中,所述钢筋加工环境用于与钢筋优化器进行互动,以指导钢筋优化器进行训练优化。
在本实施例中,钢筋加工环境在收到钢筋优化器返回的钢筋数据后,会对数据进行判断,如该次加工动作并非整个加工过程的最后一个动作,则返回-0.1分;如果该次加工动作是整个加工过程的最后一个动作且钢筋损耗率高于或等于损耗率阈值,则奖励-100分;如果完成整个加工过程且钢筋损耗率低于损耗率阈值,则奖励+100分。
除此之外,如果用户对加工效果有更多的需求,则可以将用户需求抽象为奖励函数的不同分值,以指导钢筋优化器产生不同的优化效果。
例如,如果用户希望单根钢筋长度不超过6m,奖励函数中钢筋长度小于6m,则返回-0.1分,如超过6m,则每米多返回-0.1分,该部分奖励函数如下:
步骤3:建立钢筋优化器。
在此步骤中,钢筋优化器分为三个层次,分别为交互器、分析器、深度神经网络。最外层为交互器,用于与钢筋加工环境交换信息、储存超参数、存放回放经验等。中间层为分析器,主要定义神经网络算法、优化策略、损失函数以及将交互器的信息加工并使用加工后的结果更新深度神经网络。最内部为深度神经网络,用于储存神经网络模型、参数以及支撑上层计算。
在本实施例中,优选的,神经网络算法可以为深度Q值网络(Deep Q-network,DQN)。优化策略为随机梯度下降策略(Stochastic Gradient Descent,SGD)。损失函数为均值平方差函数(Mean Square Error,MSE)。深度神经网络层数为3层,采用ReLU函数作为激活函数。
在交互器初始化过程中,首先需要构建经验回放器,并向其中加入2000条历史钢筋加工样本数据。经验回放器用于储存及回放从其他建筑中获得的经验数据,避免最开始训练的时候样本丰富度不够。并且,在之后的训练过程中获得的数据都将加入经验回放器中,经验回放器会依据所需的数量,随机抽取一批训练样本交由分析器及深度神经网络进行学习和训练。由于其回放的数据为随机数据,将会打破经验之间的连续性,使得训练的模型具有更好的适应性。
具体的,所述经验回放器中的样本数据格式可以为{S,A,R,S'},其中S为已完成加工的钢筋样本,A为待选择的钢筋样本,R为该加工动作对应的奖励函数,S'为当A执行完成后对应的下一个完成的钢筋样本。
在本实施例中,深度神经网络包含两个结构相同的神经网络,分别为目标策略网络及行为策略网络,他们分别输出Q行为与Q目标,用于损失函数的计算,同时行为策略网络会作为输出动作交由环境,行为策略网络的参数会定期更新至目标策略网络。具体的,深度神经网络可分为三层结构。
第一层为全连接层,输入已完成加工的钢筋样本,输出256个参数并使用ReLU作为激活函数。具体的,ReLU函数表示如下:
第二层为隐藏全连接层,将第一层输出的256个参数作为输入,输出64个参数并使用ReLU作为激活函数。
第三层为全连接层,将第二层的64个参数作为输入,输出加工动作。
中间层为分析器,它采用SGD作为优化策略、MSE作为损失函数以及将交互器的信息加工并使用加工后的结果更新深度神经网络。
它的核心为损失函数,其定义为:
计算出损失值后,优化器中的SGD会寻找使得损失值变小的方向对行为策略网络进行优化,最终完成训练。
步骤4:对钢筋优化器进行训练。
在本实施例中,可以通过下述步骤对钢筋优化器进行训练:
步骤4.1:向经验回放器中添加预设条数的历史钢筋加工样本数据,优选的,所述条数可以为2000。
步骤4.2:设定训练数量、学习率、随机采样率、衰减因数、学习频率等超参数。
在此步骤中,优选的,所述训练数量设为50000次;学习率设为0.01;随机采样率设为0.001;衰减因数设为0.9~1。
步骤4.3:启动钢筋加工环境及钢筋优化器并进行交互。
在此步骤中,钢筋优化器可以从经验回放器中获取目前可选的钢筋样本,包括钢筋位置、长度以及目前已用原材料等信息,通过优化器计算后,将所选的位置、长度、材料来源等信息交付至钢筋加工环境,由钢筋加工环境判断是否完成整个加工过程,并返回对本次加工动作的奖励值。经验回放器收集本次交互过程中的全部数据,作为一条新的经验。
优化器不断重复上述过程,最终完成一次完整加工过程并累计过程中的总奖励值。
优化器将总奖励值交由分析器进行分析优化,由于只有低于目标损耗率才能获得正分,且每一次加工都会得-0.1分,优化器为了得到更高的奖励,会将优化策略调整为用尽可能少的加工次数达成低于目标损耗率的策略。
步骤4.4 :不断重复4.3中描述的交互动作,直至达成设定训练数量。
在此步骤中,钢筋优化器的深度神经网络在分析器的不断优化下,最终达到稳定收敛,使得整个钢筋优化器完成训练学习。
步骤5:利用训练好的深度强化学习模型进行钢筋加工。
在此步骤中,将需要进行钢筋加工的目标建筑信息输入优化器中,通过优化器输出目标加工方式。
优选的,优化器可以取损耗率前三的钢筋加工方式进行输出,以供用户选择。
在本实施例中,通过结合深度学习和强化学习的优势,仅需要建筑信息,钢筋加工模型即可进行自主学习训练,极大地降低了对人工经验的依赖,同时可能生成现有技术中尚未发现的新的加工方式;其次,由于强化学习模型可以根据加工钢筋的需求灵活设定奖励函数,进而可以满足多目标叠加的优化加工需求;最后,由于本实施例中的钢筋加工模型具有较强的通用性,由此可以提高钢筋加工方法的扩展性。
实施例四
图4为本发明实施例四提供的一种钢筋加工装置的结构示意图,如图4所示,该装置包括:信息获取模块410、信息输入模块420和加工方式确定模块430。
其中,信息获取模块410,用于获取待加工的目标建筑物信息;
信息输入模块420,用于将所述目标建筑物信息输入至预先生成的钢筋加工模型中,所述钢筋加工模型基于钢筋加工样本集训练得到;
加工方式确定模块430,用于通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工。
本发明实施例提供的技术方案通过获取待加工的目标建筑物信息,将目标建筑物信息输入至预先生成的钢筋加工模型中,通过钢筋加工模型确定与目标建筑物信息匹配的目标加工方式,并按照目标加工方式对目标钢筋进行加工的技术手段,可以提高钢筋的加工效率,降低加工过程对应的钢筋损耗率。
在上述实施例的基础上,所述钢筋加工装置还包括:
样本集获取模块,用于获取钢筋加工样本集,所述钢筋加工样本集中包括多个钢筋加工样本;
其中,每个钢筋加工样本中包括建筑物样本、所述建筑物对应的已完成加工的钢筋样本,以及所述建筑物对应的待选择的钢筋样本;
模型训练模块,用于使用所述钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型。
所述模型训练模块,包括:
训练样本获取单元,用于在所述钢筋加工样本集中依次获取一个钢筋加工样本作为当前训练样本;
奖励值计算单元,用于通过所述神经网络模型确定与所述当前训练样本对应的多种加工方式,并计算每种加工方式分别对应的奖励值;
参数优化单元,用于根据每种加工方式分别对应的奖励值,对所述神经网络模型的模型参数进行优化;
模型确定单元,用于返回执行在所述钢筋加工样本集中依次获取一个钢筋加工样本作为当前训练样本的操作,直至完成对全部钢筋加工样本的处理,并将优化后的神经网络模型作为所述钢筋加工模型;
加工动作处理单元,用于根据所述加工方式中各加工动作的排列次序以及损耗率,计算各加工动作的奖励值;
奖励值累加单元,用于将加工方式中全部加工动作的奖励值进行累加,得到加工方式对应的奖励值;
历史样本获取单元,用于获取多个历史钢筋加工样本;每个历史钢筋加工样本中包括历史建筑物样本、历史建筑物对应的历史钢筋加工方式以及历史钢筋损耗率;
历史样本添加单元,用于将所述多个历史钢筋加工样本添加至钢筋加工样本集中,得到新的钢筋加工样本集,并使用新的钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型。
上述装置可执行本发明前述所有实施例所提供的方法,具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节,可参见本发明前述所有实施例所提供的方法。
实施例五
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如钢筋加工方法。
在一些实施例中,钢筋加工方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的钢筋加工方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行钢筋加工方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种钢筋加工方法,其特征在于,所述方法包括:
获取待加工的目标建筑物信息;
将所述目标建筑物信息输入至预先生成的钢筋加工模型中,所述钢筋加工模型基于钢筋加工样本集,以及每个钢筋加工样本对应的加工方式的奖励值训练得到;所述钢筋加工样本集中包括多个钢筋加工样本;每个钢筋加工样本对应的加工方式通过神经网络模型进行确定;
通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工;
其中,所述加工方式对应的奖励值,根据全部加工动作的奖励值累加得到;所述加工动作的奖励值,根据加工动作的排列次序以及损耗率计算得到。
2.根据权利要求1所述方法,其特征在于,在获取待加工的目标建筑物信息之前,还包括:
获取钢筋加工样本集;
使用所述钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型。
3.根据权利要求2所述的方法,其特征在于,每个钢筋加工样本中包括建筑物样本、所述建筑物对应的已完成加工的钢筋样本,以及所述建筑物对应的待选择的钢筋样本。
4.根据权利要求2所述的方法,其特征在于,使用所述钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型,包括:
在所述钢筋加工样本集中依次获取一个钢筋加工样本作为当前训练样本;
通过所述神经网络模型确定与所述当前训练样本对应的多种加工方式,并计算每种加工方式分别对应的奖励值;
根据每种加工方式分别对应的奖励值,对所述神经网络模型的模型参数进行优化;
返回执行在所述钢筋加工样本集中依次获取一个钢筋加工样本作为当前训练样本的操作,直至完成对全部钢筋加工样本的处理,并将优化后的神经网络模型作为所述钢筋加工模型。
5.根据权利要求2所述方法,其特征在于,使用所述钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型,包括:
获取多个历史钢筋加工样本;每个历史钢筋加工样本中包括历史建筑物样本、历史建筑物对应的历史钢筋加工方式以及历史钢筋损耗率;
将所述多个历史钢筋加工样本添加至钢筋加工样本集中,得到新的钢筋加工样本集,并使用新的钢筋加工样本集对神经网络模型进行迭代训练,得到所述钢筋加工模型。
6.一种钢筋加工装置,其特征在于,所述装置包括:
信息获取模块,用于获取待加工的目标建筑物信息;
信息输入模块,用于将所述目标建筑物信息输入至预先生成的钢筋加工模型中,所述钢筋加工模型基于钢筋加工样本集,以及每个钢筋加工样本对应的加工方式的奖励值训练得到;所述钢筋加工样本集中包括多个钢筋加工样本;每个钢筋加工样本对应的加工方式通过神经网络模型进行确定;
加工方式确定模块,用于通过所述钢筋加工模型,确定与所述目标建筑物信息匹配的目标加工方式,并按照所述目标加工方式对目标钢筋进行加工;
其中,所述加工方式对应的奖励值,根据全部加工动作的奖励值累加得到;所述加工动作的奖励值,根据加工动作的排列次序以及损耗率计算得到。
7.一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器执行所述程序时实现如权利要求1-5中任一所述的钢筋加工方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的钢筋加工方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210506444.7A CN114638073B (zh) | 2022-05-11 | 2022-05-11 | 一种钢筋加工方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210506444.7A CN114638073B (zh) | 2022-05-11 | 2022-05-11 | 一种钢筋加工方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638073A CN114638073A (zh) | 2022-06-17 |
CN114638073B true CN114638073B (zh) | 2022-08-23 |
Family
ID=81953411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210506444.7A Active CN114638073B (zh) | 2022-05-11 | 2022-05-11 | 一种钢筋加工方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638073B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156900A (zh) * | 2021-03-30 | 2021-07-23 | 南京航空航天大学 | 一种基于元强化学习的加工变形控制方法 |
CN114091128A (zh) * | 2021-11-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 一种排样方案的确定方法、装置及电子设备 |
-
2022
- 2022-05-11 CN CN202210506444.7A patent/CN114638073B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113156900A (zh) * | 2021-03-30 | 2021-07-23 | 南京航空航天大学 | 一种基于元强化学习的加工变形控制方法 |
CN114091128A (zh) * | 2021-11-23 | 2022-02-25 | 北京百度网讯科技有限公司 | 一种排样方案的确定方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
Deep reinforcement learning for automated design of reinforced concrete structures;Jong-Hyun Jeong等;《Computer-Aided Civil and Infrastructure Engineering》;20211022;第36卷(第12期);1510-1511,1513-1517 * |
Jong-Hyun Jeong等.Deep reinforcement learning for automated design of reinforced concrete structures.《Computer-Aided Civil and Infrastructure Engineering》.2021,第36卷(第12期),1510-1511,1513-1517. * |
基于多智能体强化学习和BIM的钢筋混凝土框架和装配式夹心墙板的钢筋避障排布设计研究;刘鹏坤;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20220415;C038-694 * |
Also Published As
Publication number | Publication date |
---|---|
CN114638073A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114298322B (zh) | 联邦学习方法和装置、系统、电子设备、计算机可读介质 | |
CN113870334B (zh) | 深度检测方法、装置、设备以及存储介质 | |
CN114943384A (zh) | 一种变电站负荷预测方法、装置、设备及存储介质 | |
CN115049315A (zh) | 一种用电安全风险评估方法、装置、设备及存储介质 | |
CN114091128A (zh) | 一种排样方案的确定方法、装置及电子设备 | |
CN115271218A (zh) | 基于电碳因子的碳排放量预测方法、装置、设备及介质 | |
CN116882033B (zh) | 一种多网络生成模型确定方法、装置、设备及存储介质 | |
CN114638073B (zh) | 一种钢筋加工方法、装置、电子设备及存储介质 | |
CN113961765A (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN116555896A (zh) | 单晶炉转肩拉速的控制方法、装置、设备及存储介质 | |
CN114997072B (zh) | 基坑水平支撑布置方案确定方法、装置、设备及存储介质 | |
CN113570175B (zh) | 一种工业精细化工时物量管理平台的建立方法 | |
CN115599687A (zh) | 一种软件测试场景的确定方法、装置、设备及介质 | |
CN115564135A (zh) | 需求订单的分配优化方法、装置、设备及介质 | |
CN115390112A (zh) | 电力系统北斗定位信号滤波方法、装置、设备及存储介质 | |
CN114282658A (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
CN115099354A (zh) | 训练样本的构建方法、装置、设备及存储介质 | |
CN115561999B (zh) | 一种pi控制器的参数优化方法、装置、设备及介质 | |
CN112561390B (zh) | 订单排产模型的训练方法、订单排产方法、装置 | |
CN116304314A (zh) | 资源召回方法、装置、电子设备及存储介质 | |
CN113411390B (zh) | 内容分发网络的调度方法、装置及电子设备 | |
CN115170329A (zh) | 一种科技项目的投资效益评价方法 | |
CN117634797A (zh) | 一种生产排程方法、装置、电子设备及存储介质 | |
CN113885955A (zh) | 基于流式数据集的配置寻优方法、装置、设备和存储介质 | |
CN116306901A (zh) | 请求过滤模型的训练方法、装置及产品 |
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 |