CN115130187B - 一种基于Grasshopper的机器学习基础数据生成方法 - Google Patents

一种基于Grasshopper的机器学习基础数据生成方法 Download PDF

Info

Publication number
CN115130187B
CN115130187B CN202210805617.5A CN202210805617A CN115130187B CN 115130187 B CN115130187 B CN 115130187B CN 202210805617 A CN202210805617 A CN 202210805617A CN 115130187 B CN115130187 B CN 115130187B
Authority
CN
China
Prior art keywords
grasshopper
machine learning
original data
model
simulation
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
Application number
CN202210805617.5A
Other languages
English (en)
Other versions
CN115130187A (zh
Inventor
朱卓晖
范华冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South Architectural Design Institute Co Ltd
Original Assignee
Central South Architectural Design Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South Architectural Design Institute Co Ltd filed Critical Central South Architectural Design Institute Co Ltd
Priority to CN202210805617.5A priority Critical patent/CN115130187B/zh
Publication of CN115130187A publication Critical patent/CN115130187A/zh
Application granted granted Critical
Publication of CN115130187B publication Critical patent/CN115130187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于Grasshopper的机器学习基础数据生成方法，包括以下步骤：1)根据建筑行业的原始数据，确定影响因素的特征向量X，并获得处理后的多组原始数据；2)通过Grasshopper创建一个Python节点并编写一个特征向量X记录器，将步骤1)中每种不同属性类型的特征向量作为一列记录到CSV格式文件中；3)在Grasshopper中创建一个因变量Y的常量性质模拟范围，作为标准常量；4)将搭建的多组原始数据根据创建的循环运算开关逐次传递给模拟运算软件进行运算；5)将每次模拟运算结果赋值到因变量Y；6)实现步骤4)的自动循环运算，直至每组原始数据均完成一次循环为止，形成成果CSV文件作为机器学习的基础数据。本发明方法降低了机器学习所需的基础数据制作难度。

Description

一种基于Grasshopper的机器学习基础数据生成方法
技术领域
本发明涉及建筑智能化技术，尤其涉及一种基于Grasshopper的机器学习基础数据生成方法。
背景技术
随着科学技术的不断发展与进步，建筑行业相关的智能化需求日益增多，其中与AI相关的机器学习更是其中的重点发展方向。实现机器学习需要大量的基础数据，而建筑行业涉及的范围领域非常广泛，所提供的原始数据包含了成千上万种不同的常量和变量。目前在建筑行业中实现机器学习的主要难点在于，通过人工对原始数据中极多的变量与常量进行搭建并模拟得到基础数据，这一过程需要耗费大量的时间与精力，效率低下且准确度低。而Grasshopper是建筑方案设计中常用的参数化设计平台，其通过可视化编程与传统编程相结合的方式能够根据设计师的需求快速的进行原始数据制作与跨平台交互，从而实现自动化地以原始数据为变量特征的多次模拟运算，生成大批量的基础数据。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于Grasshopper的机器学习基础数据生成方法。
本发明解决其技术问题所采用的技术方案是：一种基于Grasshopper的机器学习基础数据生成方法，包括以下步骤：
1)根据建筑行业的原始数据，确定影响因素的向量特征X；所述建筑行业的原始数据为已有的建筑行业的三维场景模型，包括建筑模型、建筑装饰模型和家具模型；
所述影响因素的向量特征X为根据机器学习的目标和需求，在建筑行业的三维场景模型中选取的模型属性参数以及环境参数等；
根据机器学习的目标和需求，在建筑行业的三维场景模型中选取模型的属性参数以及环境参数作为向量特征X，并对三维场景模型中的属性参数以及环境参数的实际情况进行模拟，获得模拟数据作为向量特征X的多个数据特征值，并形成处理后的多组原始数据；
2)通过Grasshopper创建一个Python节点编写一个特征向量X记录器，将步骤1)中每种不同属性类型的特征向量分别作为一列记录到CSV格式文件中；
3)在Grasshopper中创建一个因变量Y的常量性质模拟范围，作为标准常量；
4)将搭建的多组原始数据根据创建的循环运算开关逐次传递给模拟运算软件进行运算；
4.1)在Grasshopper中利用多组原始数据搭建模拟所需要的三维模型；
4.2)将三维模型选取的属性参数和环境参数数据传递给模拟运算软件；
4.3)开启多次迭代型模拟运算；
5)将每次模拟运算结果赋值到因变量Y；
6)利用Python节点编写一个因变量Y与运行次数记录器，将步骤5)中因变量Y的值根据各作为一列记录到步骤2)创建的CSV格式文件中，同时记录运算次数传递给步骤4)创建的循环运算开关，从而实现步骤4)的自动循环运算，直至每组原始数据均完成一次循环为止，形成成果CSV文件；该成果CSV文件即可作为机器学习的基础数据。
按上述方案，所述步骤2)中利用Grasshopper中的Python节点调用CSV相关库，将特征向量X记录到一个CSV文件中。
本发明产生的有益效果是：本发明实现了基于建筑设计常用软件平台的机器学习基础数据批量计算，降低了机器学习所需的基础数据制作难度，修正了制作相关原始数据的技术缺陷，提供了一种新的机器学习基础数据批量计算的应用解决方案。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的方法流程图；
图2是本发明实施例的特征向量X的Grasshopper可视化程序示意图；
图3是本发明实施例的Grasshopper的程序化建模程序及模型示意图；
图4是本发明实施例的特征向量X的CSV文件示意图；
图5是本发明实施例的部分成果CSV格式文件示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施过程是利用Grasshopper快速进行大量原始数据的搭建，并结合相关模拟计算进行大规模批量运算，为相关机器学习提供基础数据，本实施例的基于Grasshopper的机器学习基础数据批量计算方法，包括以下步骤：
S1:通过Grasshopper整合多种特征向量X，并通过编写逻辑程序进行模拟所需要的程序化建模，实现大批量多组原始数据搭建；
根据建筑行业的原始数据，确定影响因素的特征向量X；所述建筑行业的原始数据为已有的建筑行业的三维场景模型，包括建筑模型、建筑装饰模型和家具模型；
1.1)根据具体的机器学习所要达成的目标，进行向量特征X的选择。本实施例为室内风环境模拟的实施例，机器学习所要用到的向量特征X包括建筑室内空间长宽高、窗口各项尺寸、建筑朝向以及风环境参数这些进行室内风环境模拟所必须的特征，如图2。
1.2)通过Grasshopper的程序化语言快速搭建不同的场景，如不同的建筑朝向、风向以及窗台尺寸等，以此模拟实际情况。
1.3)通过对Grasshopper程序化语言对实际情况的模拟，得到机器学习所需的向量特征X的多个数据特征值，实现大批量多组原始数据搭建，如图3；
S2:通过Grasshopper创建一个Python节点编写一个特征向量X记录器，将S1中多种特征向量X根据不同类型各作为一列记录到一个CSV格式文件中，如图4；
S3:通过Grasshopper创建一个通用性的CFD模拟范围；
S4:对S4中的CFD模拟范围进行测绘点划分，测绘点顺序与数量设定为常量不变；
S5:利用Python节点创建一个循环运算开关；
S6:创建一个Grasshopper的Eddy3D插件中的BOX—shapedDomin运算器；
S7:将S1中创建的程序化模型与S4中的CFD模拟范围输入到S4中创建的运算器对应接口；
S8:通过Eddy3D的Flow运算器进行风向、风速的程序化设定，并输入给S6中创建的运算器对应接口；
S9:创建一个Simulation运算器，将S8的输出数据输入给该运算器，并设定文件保存地址、调用cpu运算核数以及计算迭代次数等数据；
S10:利用VisProbes运算器对S9中Simulation的运算结果进行解析，输出当次模拟后的因变量Y；
S11:创建一个新Python节点编写一个因变量Y与运行次数记录器，将S10中因变量Y的值根据不同类型各作为一列记录到S2创建的CSV格式文件中，同时记录运算次数传递给S5创建的循环运算开关，从而实现S7至S11的自动循环运算，直至每组原始数据均完成一次循环为止，形成成果CSV文件，如图5；
S12:使用S11中的成果CSV文件即可作为机器学习的基础数据使用。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (2)

1.一种基于Grasshopper的机器学习基础数据生成方法，包括以下步骤：
1)通过Grasshopper整合多种特征向量X，根据建筑行业的原始数据，确定影响因素的特征向量X；所述建筑行业的原始数据为已有的建筑行业的三维场景模型，包括建筑模型、建筑装饰模型和家具模型；
所述影响因素的特征向量X为根据机器学习的目标和需求，在建筑行业的三维场景模型中选取的模型属性参数以及环境参数；
其中，步骤1)具体包括：
1.1)根据机器学习的目标和需求，在建筑行业的三维场景模型中选取模型的属性参数以及环境参数作为特征向量X；
1.2)通过Grasshopper的程序化语言快速搭建不同的场景，以此模拟实际情况；
1.3)通过对Grasshopper程序化语言对实际情况的模拟，得到机器学习所需的向量特征X的多个数据特征值，实现大批量多组原始数据搭建；
2)通过Grasshopper创建一个Python节点并编写一个特征向量X记录器，将步骤1)中每种不同属性类型的特征向量分别作为一列记录到CSV格式文件中；
3)在Grasshopper中创建一个因变量Y的常量性质模拟范围，作为标准常量；
4)将搭建的多组原始数据根据创建的循环运算开关逐次传递给模拟运算软件进行运算；
其中，步骤4)具体包括：
4.1)在Grasshopper中利用多组原始数据搭建模拟所需要的三维模型；创建一个Grasshopper的Eddy3D插件中的BOX—shapedDomin运算器；
4.2)将三维模型选取的属性参数和环境参数数据以及因变量Y的常量性质模拟范围传递给模拟运算运算器的对应接口；
4.3)开启多次迭代型模拟运算；
5)将每次模拟运算结果赋值到因变量Y；
6)利用Python节点编写一个因变量Y与运行次数记录器，将步骤5)中因变量Y的值根据各作为一列记录到步骤2)创建的CSV格式文件中，同时记录运算次数传递给步骤4)创建的循环运算开关，从而实现步骤4)的自动循环运算，直至每组原始数据均完成一次循环为止，最后形成成果CSV文件；成果CSV文件即可作为机器学习的基础数据。
2.根据权利要求1所述的基于Grasshopper的机器学习基础数据生成方法，其特征在于，所述步骤2)中利用Grasshopper中的Python节点调用CSV相关库，将特征向量X记录到一个CSV文件中。
CN202210805617.5A 2022-07-08 2022-07-08 一种基于Grasshopper的机器学习基础数据生成方法 Active CN115130187B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210805617.5A CN115130187B (zh) 2022-07-08 2022-07-08 一种基于Grasshopper的机器学习基础数据生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210805617.5A CN115130187B (zh) 2022-07-08 2022-07-08 一种基于Grasshopper的机器学习基础数据生成方法

Publications (2)

Publication Number Publication Date
CN115130187A CN115130187A (zh) 2022-09-30
CN115130187B true CN115130187B (zh) 2023-04-07

Family

ID=83382008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210805617.5A Active CN115130187B (zh) 2022-07-08 2022-07-08 一种基于Grasshopper的机器学习基础数据生成方法

Country Status (1)

Country Link
CN (1) CN115130187B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933178A (zh) * 2015-07-01 2015-09-23 北京奇虎科技有限公司 官方网站确定方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180312554A1 (en) * 2017-04-28 2018-11-01 Lavaca River Ranch, Ltd. Method to harvest insects, eggs, and larvae
CN113326558B (zh) * 2021-06-24 2022-10-28 温振东 一种基于Grasshopper平台二次开发的参数化门窗详图快速出图方法
CN113378279A (zh) * 2021-06-24 2021-09-10 武汉源构建筑科技有限公司 一种建筑建模方法、系统、电子设备和存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933178A (zh) * 2015-07-01 2015-09-23 北京奇虎科技有限公司 官方网站确定方法及系统

Also Published As

Publication number Publication date
CN115130187A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN109359351B (zh) 一种管道三维建模方法及管道设计方法
CN108279885B (zh) 一种对多个模型代码进行软件集成的方法及装置
CN111444571A (zh) 基于bim的机电风管法兰批处理制图方法
CN108595800B (zh) 一种网壳结构建模方法
US9378315B1 (en) Method for semiconductor process corner sweep simulation based on value selection function
CN111723426A (zh) 一种基于bim的建筑设计方法及系统
CN111339640A (zh) 一种基于Revit插件Dynamo的建筑物车位编号自动创建方法
CN115797568A (zh) 一种基于三维gis与bim集成的建模方法及装置
CN107291992B (zh) 一种适用沙漠地区电子装备综合环境试验仿真系统及方法
CN116664776A (zh) 一种基于数字孪生的三维可视化编辑系统
CN115130187B (zh) 一种基于Grasshopper的机器学习基础数据生成方法
CN114372301A (zh) 一种基于bim技术的单元式幕墙参数化建模方法
CN114841106A (zh) 一种基于规则引导的遗传算法的集成电路优化方法及系统
CN110503727B (zh) 一种cad任意多段线批量快速拼接方法
CN109992870B (zh) 配电网杆塔自动化三维建模方法
CN116541929A (zh) 室外堆场土建标准化单元参数化bim模型的构建方法
CN109002626A (zh) 一种基于bim技术的空间构件快速仿真布局方法
CN111640170B (zh) 骨骼动画生成方法、装置、计算机设备及存储介质
CN115033997B (zh) 基于ar的建筑施工设计系统
WO2019200625A1 (zh) 基于人工智能的电子产品建模系统及方法
EP4369242A1 (en) Method and device for modifying parameter of kinematic pair, and production line system
Xie CAD Modeling Technology for Building Engineering Based on Extended Diagram and Polymorphic Model
Carra et al. gMotion: A spatio-temporal grammar for the procedural generation of motion graphics
CN113378417B (zh) 一种基于事件网的建模方法、装置及电子设备
CN111859499B (zh) 模块化箱式集成房屋的设计系统及其操作方法

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