CN115510517A - 高层建筑结构智能设计方法 - Google Patents
高层建筑结构智能设计方法 Download PDFInfo
- Publication number
- CN115510517A CN115510517A CN202210244575.2A CN202210244575A CN115510517A CN 115510517 A CN115510517 A CN 115510517A CN 202210244575 A CN202210244575 A CN 202210244575A CN 115510517 A CN115510517 A CN 115510517A
- Authority
- CN
- China
- Prior art keywords
- rise building
- intelligent
- building structure
- floor plan
- room
- 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.)
- Pending
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了高层建筑结构智能设计方法,包括高层建筑平面布置图的智能生成、智能建模和智能优化,智能生成算法为形成集平面布置图高维特征提取、多套型智能布置、多套型布置精修于一体的高层建筑平面布置图智能生成方法,智能建模算法为形成集套型智能分割与识别、受力构件智能布置、参数化建模于一体的高层建筑结构智能建模方法,智能优化算法为形成集深度强化学习的架构、深度强化学习的高效训练策略、迁移学习架构于一体的高层建筑结构智能优化方法。本发明通过结构工程与人工智能两个学科的交叉,形成了高层建筑结构的智能设计方法,解决了传统的高层建筑结构设计存在效率低、周期长和主观性强等问题。
Description
技术领域
本发明涉及建筑设计领域,具体涉及一种高层建筑结构智能设计方法。
背景技术
目前,我国城市发展面均临着人多地少的状况,在进一步实现城市化和城市群建设等重大发展战略过程中,高层建筑将会是主要的建筑形式。传统的高层建筑结构设计存在效率低、周期长和主观性强等问题,具体表现为:(1)初步设计阶段,建设方的全部需求无法进行明确,造成设计工作的反复迭代;(2)施工图设计阶段,结构工程师需要与建筑工程师反复交互,且结构工程师需要对计算模型进行反复调整与验算;(3)针对同一建筑,不同的结构工程师通常给出不同的设计结果。此外,随着计算机技术和结构计算软件的发展,结构设计工程师的主要工作由结构方案制定及分析变成了结构建模、方案调整和施工图绘制,工作量大、重复性劳动多、科技含量日渐降低,导致高水平结构工程青年人才不再愿意从事建筑结构设计工作,全社会的建筑设计水平面临严重降低的风险。
高层建筑结构的传统设计中,需结构工程师进行人工建模和方案优化,工作效率低,重复性劳动多,设计周期长,设计结果依赖于工程师的个人经验,很难得到最优结构方案。此外,传统高层建筑结构设计方法面临着工作量大、重复性劳动多,亟需发展以参数化和智能化为主的智能设计技术。
在目前的智能设计方法中,高层建筑平面布置图的智能生成集中于单个套型,缺乏多套型相关的研究。此外,高层建筑平面布置图的智能生成未能与工业化相融合。目前建筑BIM模型自动生成方法仅局限于墙、门洞等低维特征的识别,缺乏对套型(居住区套型和办公区套型)、公共区等高维特征的识别,然而结构智能建模离不开套型、公共区等先验知识。目前结构智能优化方法均采用启发式算法,此类算法适用于结构计算模型的单次优化,但因无法学习优化经验而不能指导相似建筑的智能优化。
发明内容
本发明的目的是提供一种高层建筑结构智能设计方法,以解决现有技术中存在的问题。
为实现本发明目的而采用的技术方案是这样的,高层建筑结构智能设计方法,包括以下步骤:
1)高层建筑平面布置图的智能生成;
2)高层建筑结构智能建模;
3)高层建筑结构智能优化。
进一步,步骤1)包括以下分步骤:
1-1)收集现有的高层建筑平面布置图,对高层建筑平面布置图进行套型提取,形成套型库;
1-2)以居住区套型、办公区套型、公共通道、电梯和楼梯为基本元素,对高层建筑平面布置图进行语义化和外轮廓像素提取,进行高层建筑平面布置图的批量处理,形成高层建筑平面布置图的高维特征库;
1-3)基于文本和像素的融合方法,搭建以文本信息、外轮廓像素作为输入的神经网络架构,随机从高维特征库中抽取样本对神经网络架构进行训练,进行多套型的智能布置;
1-4)采用启发式算法对多套型布置进行精修;其中,各建筑单元的角点坐标为优化变量,输入的外轮廓像素、建筑单元不重叠为约束条件,建筑单元总面积与输入的总面积差值为目标函数。
进一步,步骤2)包括以下分步骤:
2-1)收集已建高层建筑平面布置图和步骤1-4)智能生成的高层建筑平面布置图,并对建筑平面布置图进行人工预处理,形成图纸数据库;
2-2)基于图纸数据库,对图层命名规则进行总结,进而基于图层分析法开发高层建筑部件提取算法,实现墙、窗、普通门和电梯门的自动化提取和定位;
2-3)将自动化提取的高层建筑部件进行点云化和图像二值化,采用连通区域分析算法对二值化图像进行处理,进行房间的智能分割;
2-4)通过门的连通性建立房间的图结构,对图结构进行清理、合并、聚类和分割处理,进行套型的智能分割;采用普氏分析对套型角点进行匹配,完成相同套型的智能识别;
2-5)基于图纸数据库、现行结构设计规范和专家经验,对抗侧构件和承重构件的布置规则进行总结,形成受力构件布置的先验知识;
2-6)通过对相应软件数据格式的书写,实现高层建筑结构初始设计方案的自动生成。
进一步,步骤2-4)包括以下分步骤:
2-4-1)通过门的连通性建立房间的图结构,其中,用l表示的墙,如果至少有一扇门,划分为{l}d,如果没有门,划分为{l}n;房间i#的周围墙壁聚集成{l}i,采用公式(1)表示:
式中,Mij=1表示房间i#连接到房间j#,通过移除Mi为0的房间,对图结构进行清理;
2-4-2)对房间图结构进行重要节点分析,获取整个平面的公共区域、客厅、以及以客厅为核心的套型图结构;
2-4-3)进行相似套型的识别;其中,由一组墙壁{ps}相交点表示的套型单元与另一个套型单元{pt}表示的套型单元相匹配,采用普氏分析对套型角点进行匹配,计算方法为公式(2)~(6):
R=UVT (2)
t=μt-Rμs (3)
W=U∑VT (5)
其中,R为旋转矩阵,t为平移矩阵;对角矩阵Σ、左奇异矩阵U,右奇异矩阵V均由矩阵W奇异值分解得到;μt和μs分别为点集T和S的坐标均值;Si和Ti是由最近邻算法确定的控制点对。
进一步,步骤3)包括以下分步骤:
3-1)基于现行结构设计规范和专家经验,提出高层建筑结构智能优化目标函数和罚函数的具体形式,结合参数取值范围、参数之间内在约束关系,形成高层建筑结构智能优化的数学模型;
3-2)针对高层建筑结构智能优化的数学模型,搭建面向高层建筑结构智能优化的深度强化学习架构;
3-3)采用启发式算法得到高层建筑结构并进行智能优化,形成<初始状态,可行解>的数据库;从数据库进行样本采集,完成深度强化学习架构的训练,形成深度强化学习训练策略;
3-4)对不符合设定要求的高层建筑结构进行智能设计,形成<结构平面布置图,深度强化学习参数>的数据库;
3-5)搭建迁移学习的网络架构,提出结构平面布置图相似度评价方法,进而建立迁移学习的损失函数形式;
3-6)采用若干<结构平面布置图,深度强化学习参数>样本对迁移学习进行训练,完成新建高层建筑的智能设计。
进一步,在步骤3-2)中,搭建深度强化学习架构时,如图9所示;计算目标函数为如下公式:
C=Cm+Cp+Cr+Cδ (7)
式中,C为目标值,rp表示周期比,rt表示位移比,δ表示最大层间位移角,Li1和Li2表示墙段在平面两个方向上的长度,Q值表示在t时刻的状态st下采取动作at获得的收益的期望,其中π表示行动的策略,γ表示时间折扣率,上标*代表最优的策略,上标'表示下一时刻(t+1),上标-表示不同的神经网络,整个强化学习过程需要调整的参数用θ表示。
进一步,在步骤3-5)中,相似度评价方法采用如下公式计算:
c1=(k1×L)2;c2=(k2×L)2 (15)
k1=0.01;k2=0.03 (16)
其中,x、y分别表示两个进行比较的图像,μx、μy、σx、σy、σxy分别表示图像x的灰度均值、图像y的灰度均值、图像x的灰度方差、图像y的灰度方差以及图像x和y的灰度协方差,L是像素值的动态范围;最终的结构平面布置图相似范围为[0,1],值越大表示图像越相似;
根据最大均值差异来构建迁移学习的损失函数:
本发明的技术效果是毋庸置疑的,本发明结合了图像处理技术、进化算法、对抗神经网络、深度强化学习、迁移学习等技术和算法,是一套完整的高层建筑结构智能设计方法,为高层建筑结构智能设计技术提供基础性的算法支撑,推动了人工智能与高层结构设计的融合,提升了高层建筑结构设计的科技水平、工作效率和设计质量。
附图说明
图1为本发明方法的方案框图;
图2为本发明的高层建筑平面布置的智能生成流程图;
图3为本发明的高层建筑平面布置的对抗生成网络示意图;
图4为本发明的高层建筑结构智能建模流程图;
图5为本发明的高层建筑结构智能分割与识别示意图;
图6为本发明的高层建筑结构智能建模示意图;
图7为本发明的高层建筑结构基于进化算法的智能优化流程图;
图8为本发明的高层建筑结构基于神经网络的智能优化流程图
图9为本发明的基于深度强化学习的高层建筑结构智能优化流程图;
图10为对抗生成网络与判别网络的设计架构。
具体实施方式
下面结合实施例对本发明作进一步说明,但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下,根据本领域普通技术知识和惯用手段,做出各种替换和变更,均应包括在本发明的保护范围内。
实施例1:
参见图1,本实施例公开了高层建筑结构智能设计方法,包括智能生成、智能建模和智能优化三大步骤,其中,参见图2,智能生成包括以下步骤:
1)收集现有工业化程度高的高层建筑平面布置图,对高层建筑平面布置图进行套型提取,形成面向工业化的套型库;
2)以居住区套型、办公区套型、公共通道、电梯和楼梯为基本元素,通过高层建筑平面布置图快速语义化和外轮廓像素提取算法,对高层建筑平面布置图进行批量处理,形成高层建筑平面布置图的高维特征库;高维特征数据库为文本信息、外轮廓像素的集合;
3)基于文本和像素的融合方法,搭建以文本信息、外轮廓像素作为输入,以套型布置图为输出的神经网络架构;采用对抗神经网络通过随机从高维特征库中抽取样本对神经网络架构进行训练,从而实现多套型的智能布置;图3为本实施例所述的高层建筑平面布置图对抗生成网络示意图,通过此网络可以快速生成套型的布置;
4)由于多套型智能布置的结果通常为粗略的,生成的建筑单元之间存在间隙或者重叠,且所有建筑单元的包围框与输入的外轮廓像素也不完全吻合;为此,采用启发式算法对多套型布置进行精修,其中,各建筑单元的角点坐标为优化变量,输入的外轮廓像素、建筑单元不重叠为约束条件,建筑单元总面积与输入的总面积差值为目标函数;
参见图4,所述智能建模包括以下步骤:
5)通过收集大量已建和第一部分智能生成的高层建筑平面布置图,对建筑平面布置图进行人工预处理,形成图纸数据库;
6)基于图纸数据库,对图层命名规则进行总结,进而基于图层分析法开发高层建筑部件提取算法,实现墙、窗、普通门和电梯门的自动化提取和定位;
7)将自动化提取的高层建筑部件进行点云化和图像二值化;采用连通区域分析算法对二值化图像进行处理,从而实现房间的智能分割;
8)通过门的连通性建立房间的图结构,其中,用l表示的墙,如果至少有一扇门,可以划分为{l}d;如果没有门,可以划分为{l}n。房间i#的周围墙壁可以聚集成{l}i,见公式(1):
Mij=1表示房间i#连接到房间j#。通过移除Mi为0的房间,对图结构进行清理。
然后,对房间图结构进行重要节点分析,获取整个平面的公共区域、客厅、以及以客厅为核心的套型图结构。公式(2)中,s表示路径的起点,在每个回合中随机获得一个;e为图结构的的顶点,在每一回合进行遍历;v表示此路径经过的顶点;σs,e表示s,e之间的最短路径;经过多个回合的重复操作,得到多回合经过图中所有顶点的数值Cv。而后采用KMeans聚类分出公共区域和客厅。
进行相似套型的识别;其中,由一组墙壁{ps}相交点表示的套型单元与另一个套型单元{pt}表示的套型单元相匹配,采用普氏分析对套型角点进行匹配,见公式(3)-(7)。其中,R为旋转矩阵,t为平移矩阵;对角矩阵Σ、左奇异矩阵U,右奇异矩阵V均由矩阵W奇异值分解得到;μt和μs分别为点集T和S的坐标均值;Si和Ti是由最近邻算法确定的控制点对。
R=UVT (3)
t=μt-Rμs (4)
W=U∑VT (6)
图5(a)为基于连通区域分析算法的房间分割示意图;图5(b)为基于图结构算法和普氏分析的套型识别示意图;
9)基于图纸数据库、现行结构设计规范和专家经验,对抗侧构件和承重构件的布置规则进行总结,形成受力构件布置的先验知识,如墙体设置应尽量避免一字墙,尽量设计为T型或者L型。
10)参见图6,通过对结构分析软件(PKPM、YJK、ETABS、SAP2000)的公开数据结口进行数据的写入,从而实现高层建筑结构初始设计方案的自动生成;
所述智能优化包括以下步骤:
11)基于现行结构设计规范和专家经验,提出高层建筑结构智能优化目标函数和罚函数的具体形式,结合第二部分的参数取值范围、参数之间内在约束关系,形成高层建筑结构智能优化的数学模型;
12)针对高层建筑结构智能优化的数学模型,搭建面向高层建筑结构智能优化的深度强化学习架构,如图9所示;计算目标函数见公式(8)(9)(10)(11)(12)(13)(14),
C=Cm+Cp+Cr+Cδ (8)
C为目标值,rp表示周期比,rt表示位移比,δ表示最大层间位移角,Li1和Li2表示墙段在平面两个方向上的长度。Q值表示在t时刻的状态st下采取动作at获得的收益的期望,其中π表示行动的策略,γ表示时间折扣率,上标*代表最优的策略,上标'表示下一时刻(t+1),上标-表示不同的神经网络,而整个强化学习过程需要调整的参数则用θ来进行表示。;
13)采用启发式算法得到高层建筑结构进行智能优化,形成<初始状态,可行解>的数据库;从数据库进行样本采集,完成深度强化学习架构的训练,从而形成高效、可靠的深度强化学习训练策略;
14)对平面布局具有较大差异的高层建筑结构进行智能设计,形成<结构平面布置图,深度强化学习参数>的数据库;
15)搭建迁移学习的网络架构;根据图像的结构相似性提出结构平面布置图相似度评价方法,相似度评价方法采用如下公式计算:
c1=(k1×L)2;c2=(k2×L)2 (16)
k1=0.01;k2=0.03 (17)
其中,x、y分别表示两个进行比较的图像,μx、μy、σx、σy、σxy分别表示图像x的灰度均值、图像y的灰度均值、图像x的灰度方差、图像y的灰度方差以及图像x和y的灰度协方差,L是像素值的动态范围;最终的结构平面布置图相似范围为[0,1],值越大表示图像越相似;
根据最大均值差异来构建迁移学习的损失函数:
16)采用大量<结构平面布置图,深度强化学习参数>样本对迁移学习进行训练,从而实现新建高层建筑的快速智能设计。
本实施例可采用基于先验知识和进化算法的智能优化方法(如图7所示),实现高层建筑结构初始计方案的自动生成与自动布置;此外,可采用基于神经网络的优化算法,其流程如图8所示。
综上所述,本实施例提出了高层建筑平面布置图的智能生成算法,形成集平面布置图高维特征提取、多套型智能布置、多套型布置精修于一体的高层建筑平面布置图智能生成方法。本实施例提出了高层建筑结构的智能建模算法,形成集套型智能分割与识别、受力构件智能布置、参数化建模于一体的高层建筑结构智能建模方法。本实施例基于先验知识,图形学相关算法以及经过改进的智能优化算法,可仅通过建筑设计图纸完成高层建筑结构的参数化建模以及高层钢筋混凝土剪力墙结构的自动设计与优化。本实施例提出高层建筑结构的智能优化算法,形成集深度强化学习的架构、深度强化学习的高效训练策略、迁移学习架构于一体的高层建筑结构智能优化方法。
值得说明的是,本实施例提出的高层建筑结构的智能设计方法,结合了图像处理技术、进化算法、对抗神经网络、深度强化学习、迁移学习等技术或算法,具体包括高层建筑平面布置图智能生成方法、高层建筑结构智能建模方法和高层建筑结构智能优化方法。本实施例的高层建筑结构智能设计的系统算法,是一套完整的高层建筑结构智能设计方法,为高层建筑结构智能设计技术提供基础性的算法支撑,推动了人工智能与高层结构设计的融合,提升了高层建筑结构设计的科技水平、工作效率和设计质量,有效的推动了人工智能算法在我国高层建筑设计中的应用,提升我国建筑设计行业的智能化水平,并最终取得良好的经济效益和社会效益。通过结构工程与人工智能两个学科的交叉,形成了高层建筑结构的智能设计方法,解决了传统的高层建筑结构设计存在效率低、周期长和主观性强等问题,推动了我国的土木工程学科在智能建造方向处于国际领先水平。
实施例2:
本实施例公开了高层建筑结构智能设计方法,包括以下步骤:
1)高层建筑平面布置图的智能生成;
2)高层建筑结构智能建模;
3)高层建筑结构智能优化。
实施例3:
本实施例主要步骤同实施例2,进一步,步骤1)包括以下分步骤:
1-1)收集现有的高层建筑平面布置图,对高层建筑平面布置图进行套型提取,形成套型库;
1-2)以居住区套型、办公区套型、公共通道、电梯和楼梯为基本元素,对高层建筑平面布置图进行语义化和外轮廓像素提取,进行高层建筑平面布置图的批量处理,形成高层建筑平面布置图的高维特征库;
1-3)基于文本和像素的融合方法,搭建以文本信息、外轮廓像素作为输入的神经网络架构,随机从高维特征库中抽取样本对神经网络架构进行训练,进行多套型的智能布置;
1-4)采用启发式算法对多套型布置进行精修;其中,各建筑单元的角点坐标为优化变量,输入的外轮廓像素、建筑单元不重叠为约束条件,建筑单元总面积与输入的总面积差值为目标函数。
实施例4:
本实施例主要步骤同实施例3,进一步,步骤2)包括以下分步骤:
2-1)收集已建高层建筑平面布置图和步骤1-4)智能生成的高层建筑平面布置图,并对建筑平面布置图进行人工预处理,形成图纸数据库;
2-2)基于图纸数据库,对图层命名规则进行总结,进而基于图层分析法开发高层建筑部件提取算法,实现墙、窗、普通门和电梯门的自动化提取和定位;
2-3)将自动化提取的高层建筑部件进行点云化和图像二值化,采用连通区域分析算法对二值化图像进行处理,进行房间的智能分割;
2-4)通过门的连通性建立房间的图结构,对图结构进行清理、合并、聚类和分割处理,进行套型的智能分割;采用普氏分析对套型角点进行匹配,完成相同套型的智能识别;
2-5)基于图纸数据库、现行结构设计规范和专家经验,对抗侧构件和承重构件的布置规则进行总结,形成受力构件布置的先验知识;
2-6)通过对相应软件数据格式的书写,实现高层建筑结构初始设计方案的自动生成。
实施例5:
本实施例主要步骤同实施例4,进一步,步骤2-4)包括以下分步骤:
2-4-1)通过门的连通性建立房间的图结构,其中,用l表示的墙,如果至少有一扇门,划分为{l}d,如果没有门,划分为{l}n;房间i#的周围墙壁聚集成{l}i,采用公式(1)表示:
式中,Mij=1表示房间i#连接到房间j#,通过移除Mi为0的房间,对图结构进行清理;
2-4-2)对房间图结构进行重要节点分析,获取整个平面的公共区域、客厅、以及以客厅为核心的套型图结构;
2-4-3)进行相似套型的识别;其中,由一组墙壁{ps}相交点表示的套型单元与另一个套型单元{pt}表示的套型单元相匹配,采用普氏分析对套型角点进行匹配,计算方法为公式(2)~(6):
R=UVT (2)
t=μt-Rμs (3)
W=U∑VT (5)
其中,R为旋转矩阵,t为平移矩阵;对角矩阵Σ、左奇异矩阵U,右奇异矩阵V均由矩阵W奇异值分解得到;μt和μs分别为点集T和S的坐标均值;Si和Ti是由最近邻算法确定的控制点对。
实施例6:
本实施例主要步骤同实施例4,进一步,步骤3)包括以下分步骤:
3-1)基于现行结构设计规范和专家经验,提出高层建筑结构智能优化目标函数和罚函数的具体形式,结合参数取值范围、参数之间内在约束关系,形成高层建筑结构智能优化的数学模型;
3-2)针对高层建筑结构智能优化的数学模型,搭建面向高层建筑结构智能优化的深度强化学习架构;
3-3)采用启发式算法得到高层建筑结构并进行智能优化,形成<初始状态,可行解>的数据库;从数据库进行样本采集,完成深度强化学习架构的训练,形成深度强化学习训练策略;
3-4)对不符合设定要求的高层建筑结构进行智能设计,形成<结构平面布置图,深度强化学习参数>的数据库;
3-5)搭建迁移学习的网络架构,提出结构平面布置图相似度评价方法,进而建立迁移学习的损失函数形式;
3-6)采用若干<结构平面布置图,深度强化学习参数>样本对迁移学习进行训练,完成新建高层建筑的智能设计。
实施例7:
本实施例主要步骤同实施例6,进一步,在步骤3-2)中,搭建深度强化学习架构时,如图9所示;计算目标函数为如下公式:
C=Cm+Cp+Cr+Cδ (7)
式中,C为目标值,rp表示周期比,rt表示位移比,δ表示最大层间位移角,Li1和Li2表示墙段在平面两个方向上的长度,Q值表示在t时刻的状态st下采取动作at获得的收益的期望,其中π表示行动的策略,γ表示时间折扣率,上标*代表最优的策略,上标'表示下一时刻(t+1),上标-表示不同的神经网络,整个强化学习过程需要调整的参数用θ表示。
实施例8:
本实施例主要步骤同实施例6,进一步,在步骤3-5)中,相似度评价方法采用如下公式计算:
c1=(k1×L)2;c2=(k2×L)2 (15)
k1=0.01;k2=0.03 (16)
其中,x、y分别表示两个进行比较的图像,μx、μy、σx、σy、σxy分别表示图像x的灰度均值、图像y的灰度均值、图像x的灰度方差、图像y的灰度方差以及图像x和y的灰度协方差,L是像素值的动态范围;最终的结构平面布置图相似范围为[0,1],值越大表示图像越相似;
根据最大均值差异来构建迁移学习的损失函数:
Claims (7)
1.高层建筑结构智能设计方法,其特征在于,包括以下步骤:
1)高层建筑平面布置图的智能生成;
2)高层建筑结构智能建模;
3)高层建筑结构智能优化。
2.根据权利要求1所述的高层建筑结构智能设计方法,其特征在于,步骤1)包括以下分步骤:
1-1)收集现有的高层建筑平面布置图,对高层建筑平面布置图进行套型提取,形成套型库;
1-2)以居住区套型、办公区套型、公共通道、电梯和楼梯为基本元素,对高层建筑平面布置图进行语义化和外轮廓像素提取,进行高层建筑平面布置图的批量处理,形成高层建筑平面布置图的高维特征库;
1-3)基于文本和像素的融合方法,搭建以文本信息、外轮廓像素作为输入的神经网络架构,随机从高维特征库中抽取样本对神经网络架构进行训练,进行多套型的智能布置;
1-4)采用启发式算法对多套型布置进行精修;其中,各建筑单元的角点坐标为优化变量,输入的外轮廓像素、建筑单元不重叠为约束条件,建筑单元总面积与输入的总面积差值为目标函数。
3.根据权利要求1所述的高层建筑结构智能设计方法,其特征在于,步骤2)包括以下分步骤:
2-1)收集已建高层建筑平面布置图和步骤1-4)智能生成的高层建筑平面布置图,并对建筑平面布置图进行人工预处理,形成图纸数据库;
2-2)基于图纸数据库,对图层命名规则进行总结,进而基于图层分析法开发高层建筑部件提取算法,实现墙、窗、普通门和电梯门的自动化提取和定位;
2-3)将自动化提取的高层建筑部件进行点云化和图像二值化,采用连通区域分析算法对二值化图像进行处理,进行房间的智能分割;
2-4)通过门的连通性建立房间的图结构,对图结构进行清理、合并、聚类和分割处理,进行套型的智能分割;采用普氏分析对套型角点进行匹配,完成相同套型的智能识别;
2-5)基于图纸数据库、现行结构设计规范和专家经验,对抗侧构件和承重构件的布置规则进行总结,形成受力构件布置的先验知识;
2-6)通过对相应软件数据格式的书写,实现高层建筑结构初始设计方案的自动生成。
4.根据权利要求3所述的高层建筑结构智能设计方法,其特征在于,步骤2-4)包括以下分步骤:
2-4-1)通过门的连通性建立房间的图结构,其中,用l表示的墙,如果至少有一扇门,划分为{l}d,如果没有门,划分为{l}n;房间i#的周围墙壁聚集成{l}i,采用公式(1)表示:
式中,Mij=1表示房间i#连接到房间j#,通过移除Mi为0的房间,对图结构进行清理;
2-4-2)对房间图结构进行重要节点分析,获取整个平面的公共区域、客厅、以及以客厅为核心的套型图结构;
2-4-3)进行相似套型的识别;其中,由一组墙壁{ps}相交点表示的套型单元与另一个套型单元{pt}表示的套型单元相匹配,采用普氏分析对套型角点进行匹配,计算方法为公式(2)~(6):
R=UVT (2)
t=μt-Rμs (3)
W=U∑VT (5)
其中,R为旋转矩阵,t为平移矩阵;对角矩阵Σ、左奇异矩阵U,右奇异矩阵V均由矩阵W奇异值分解得到;μt和μs分别为点集T和S的坐标均值;Si和Ti是由最近邻算法确定的控制点对。
5.根据权利要求3所述的高层建筑结构智能设计方法,其特征在于,步骤3)包括以下分步骤:
3-1)基于现行结构设计规范和专家经验,提出高层建筑结构智能优化目标函数和罚函数的具体形式,结合参数取值范围、参数之间内在约束关系,形成高层建筑结构智能优化的数学模型;
3-2)针对高层建筑结构智能优化的数学模型,搭建面向高层建筑结构智能优化的深度强化学习架构;
3-3)采用启发式算法得到高层建筑结构并进行智能优化,形成<初始状态,可行解>的数据库;从数据库进行样本采集,完成深度强化学习架构的训练,形成深度强化学习训练策略;
3-4)对不符合设定要求的高层建筑结构进行智能设计,形成<结构平面布置图,深度强化学习参数>的数据库;
3-5)搭建迁移学习的网络架构,提出结构平面布置图相似度评价方法,进而建立迁移学习的损失函数形式;
3-6)采用若干<结构平面布置图,深度强化学习参数>样本对迁移学习进行训练,完成新建高层建筑的智能设计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210244575.2A CN115510517A (zh) | 2022-03-14 | 2022-03-14 | 高层建筑结构智能设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210244575.2A CN115510517A (zh) | 2022-03-14 | 2022-03-14 | 高层建筑结构智能设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510517A true CN115510517A (zh) | 2022-12-23 |
Family
ID=84500953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210244575.2A Pending CN115510517A (zh) | 2022-03-14 | 2022-03-14 | 高层建筑结构智能设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510517A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150861A (zh) * | 2023-04-20 | 2023-05-23 | 陕西建工集团股份有限公司 | 一种高烈度区剪力墙施工数据智能处理系统 |
-
2022
- 2022-03-14 CN CN202210244575.2A patent/CN115510517A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116150861A (zh) * | 2023-04-20 | 2023-05-23 | 陕西建工集团股份有限公司 | 一种高烈度区剪力墙施工数据智能处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Intelligent design method for beam and slab of shear wall structure based on deep learning | |
CN110992490B (zh) | 基于cad建筑平面图自动提取室内地图的方法 | |
CN115761172A (zh) | 一种基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
Doukari et al. | Automatic generation of building information models from digitized plans | |
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 | |
CN111914328B (zh) | 一种基于人工智能的建筑平面辅助设计方法及系统 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
Zhao et al. | Intelligent design of shear wall layout based on graph neural networks | |
CN116993928B (zh) | 一种基于无人机遥感技术的城市工程测绘方法及系统 | |
CN116628903A (zh) | 一种城市风场环境监测传感器最优布置方法 | |
CN115510517A (zh) | 高层建筑结构智能设计方法 | |
Cai et al. | Research on image processing of intelligent building environment based on pattern recognition technology | |
CN115620143A (zh) | 一种新古典主义建筑风格识别系统、构建方法及识别方法 | |
Liu et al. | Automated clash resolution for reinforcement steel design in precast concrete wall panels via generative adversarial network and reinforcement learning | |
Yang et al. | Superpixel image segmentation-based particle size distribution analysis of fragmented rock | |
CN113283280A (zh) | 基于可见光图像处理的地面目标云模型毁伤效果评估方法 | |
CN112231966A (zh) | 一种基于数字孪生的协作机器人可装配性预测系统及方法 | |
WO2024045415A1 (zh) | 一种数字孪生模型合并方法 | |
CN114463720B (zh) | 一种基于线段交并比损失函数的车道线检测方法 | |
CN116386042A (zh) | 一种基于三维池化空间注意力机制的点云语义分割模型 | |
Mehranfar et al. | Automatic creation of digital building twins with rich semantics from dense RGB point clouds through semantic segmentation and model fitting | |
Carta | Machine learning and computational design | |
Kim et al. | Automated door placement in architectural plans through combined deep-learning networks of ResNet-50 and Pix2Pix-GAN | |
Hatami et al. | Applicability of Artificial Intelligence (AI) Methods to Construction Manufacturing: A Literature Review | |
CN113762021A (zh) | 一种基于循环神经网络和注意力引导机制的复杂路面裂缝检测方法 |
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 |