CN115630433A - 一种基于机器学习和bim技术的建筑设计方法及系统 - Google Patents
一种基于机器学习和bim技术的建筑设计方法及系统 Download PDFInfo
- Publication number
- CN115630433A CN115630433A CN202211638751.7A CN202211638751A CN115630433A CN 115630433 A CN115630433 A CN 115630433A CN 202211638751 A CN202211638751 A CN 202211638751A CN 115630433 A CN115630433 A CN 115630433A
- Authority
- CN
- China
- Prior art keywords
- bim
- building
- assembly
- model
- determining
- 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
- 238000013461 design Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 239000004566 building material Substances 0.000 claims abstract description 44
- 238000010276 construction Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 239000000463 material Substances 0.000 claims abstract description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009435 building construction Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G06F30/13—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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Architecture (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习和BIM技术的建筑设计方法及系统，涉及建筑施工技术领域，包括；建立BIM模型数据库，并建立似然学习模型，检验异常数据，将采用常规数据进行替代，并建立BIM模型；确定建筑材质及相应的力学性能及价格，进行有限元分析，获取分析结果，确定建筑造价方案；依据现有BIM模型及设计参数，确定最佳方案，并且建立BIM模型；基于建立BIM模型数据库，并建立分类器，对若干个BIM模型进行分类；以装配体构件库中的装配体构件进行替代；确定最优的BIM模型及相应的最优方案。对不足部分进行重新设计，在建筑材料的基础上，从装配体构造的角度继续对BIM模型进行优化，提高BIM模型的水平，最后产生施工图纸，确定最优的施工方案。
Description
技术领域
本发明涉及建筑施工技术领域，具体为一种基于机器学习和BIM技术的建筑设计方法及系统。
背景技术
机器学习是通过建立合适的算法使得计算机能够从一类数据中自动分析获得规律，并利用规律对未知数据进行预测的科学技术。最大似然估计法是对于未知的概率密度函数，需要用已知的数据估计潜在的概率密度函数。最大似然估计法是被使用最广泛的一种参数估计方法，该方法建立的依据是直观的最大似然原理，极大似然原理是样本所展现的状态便是所有可能状态中出现概率最大的状态。
建筑信息模型简单地说就是指基于相同的标准，能够集成从建筑设计阶段一直到运营维护阶段的全生命周期过程中与建筑工程项目相关的信息模型。BIM模型是以建筑工程项目的各项相关信息数据作为模型的基础，进行建筑模型的建立，进而实现有效管理的新型模式。
随着人工智能技术的不断发展，通过机器学习进行设计的案例越来越多，BIM技术的应用能够提高设计过程的信息化，同时其可视化的特点能够让设计表达更加直观，让非专业的建筑使用者更加直观地选择自己所希望的设计方案。而在BIM模型中，信息的内涵不仅仅是几何形状描述的视觉信息，还包含大量的非几何信息，如材料的耐火等级、材料的传热系数、构件的造价、采购信息等。
在建筑建造确定最终的设计建造方案时，通常要借助于BIM模型，而在建筑在建造中，最核心的因素主要有建筑材料的性能及建筑的造价，但是现有的建筑设计方法中，是先完成整体的构造设计，确定建筑的构造和性能，然后通过招投标，确定最后的准确造价，但是这种设计方式，在确定好BIM模型后，总造价就不容易在进行修改，不容易获取最优的BIM模型及相应的图纸。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于机器学习和BIM技术的建筑设计方法及系统，机器学习模块、数据核验模块、有限元分析模块、分类器模块，分类器模块，评估模块，对建立的BIM模型中的装配体构件进行评估，依据评估结果，以装配体构件库中的装配体构件进行替代；图纸生成模块，确定最优的BIM模型及相应的最优方案，依据最优方案生成施工图纸，通过最终产生最优的施工图纸，对背景技术中的问题进行解决。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于机器学习和BIM技术的建筑设计方法，包括如下步骤：
建立BIM模型数据库，并建立似然学习模型；包括；利用深度网络爬虫从网页上获取BIM模型，及由用户上传的BIM模型，建立BIM模型数据；从BIM模型数据库中，分别选择若干个BIM模型作为训练集和测试集；基于高性能似然算法建立学习模型，通过训练集，对学习模型进行训练，生成似然学习模型；通过测试集对似然学习模型进行测试，确定似然学习模型时无误；
确定设计参数，建立建筑参数集，以似然学习模型检验其中的异常数据，将采用常规数据进行替代，并建立BIM模型；确定建筑材质及相应的力学性能及价格，加入模型后，进行有限元分析，获取分析结果，确定建筑造价方案；依据现有BIM模型及设计参数，在最低报价及最低性能的基础上，确定最佳方案，并且建立BIM模型；基于建立BIM模型数据库，并建立分类器，对若干个BIM模型进行分类；对建立的BIM模型中的装配体构件进行评估，依据评估结果，以装配体构件库中的装配体构件进行替代；确定最优的BIM模型及相应的最优方案，依据最优方案生成施工图纸。
进一步的，获取建筑设计参数，建立建筑参数集；输入建筑参数至建模软件中，由似然学习模型进行分析，确定其中的异常值及空值；似然学习模型进行分析，能够确定输入的设计参数的准确性；通过似然学习模型，确定与异常值及空值相应的计算值，将计算值输出，由用户进行核验；如果用户核验无误或者未进行核验，则以计算值对异常值及空值进行替换，形成新的建筑参数集；如果用户核验有误，则由用户输入正确值，以对空值及异常值进行替换，形成新的建筑参数集；接收新的建筑参数集，由建模软件建立BIM模型，并由用户进行验收，如果通过验收，则将BIM模型输出，如果未通过验收，则由用户对新的建筑参数集进行修正，重新建立BIM模型并输出。
进一步的，获取到BIM模型并进行分解，确定建筑内的若干个装配体模块，并依据装配体模块的作用进行分类；确定装配体模块的最低力学性能，输入至BIM模型中，进行有限元分析，依据有限元分析的结果，判断BIM模型是否可行；如果不可行，借助于似然学习模型，重新计算装配体模块的最低力学性能，将最低力学性能输出；
借助于深度网络爬虫，在网络公开渠道获取建筑构件材料的报价，及通过招投标获取的建筑构件材料的报价，确定建筑材料的最低报价；对若干种建筑材料的最低报价进行汇总，确定建筑材料的最低报价，形成造价方案。
进一步的，判断在满足力学性能的基础上，最低报价是否高于阈值；如果高于阈值，则重新选择造价方案；判断在最低的报价条件下时，建筑材料的力学性能是否达到最低阈值；如果低于阈值，则重新选择造价方案；获取若干份造价方案，对其中建筑材料的力学性能及造价进行评估，判断其中最优的方案；对若干个设计方案的报价均进行评估，获取若干个评估值Pz并进行排序，依据排序的结果确定其中的最优方案；获取其中最优方案，依据方案的参数，建立修正后的BIM模型，即为最优BIM模型。
进一步的，判断最优的方案的方法如下：对获取的若干份的造价方案进行检索分析，对建筑材料的力学性能进行评估，加权量化处理后，获取到建筑材料性能Xn；对建筑材料的报价进行汇总，获取到其中建筑材料报价Jc，
将材料报价Jc与材料性能Xn进行关联，进行归一化处理，汇总形成评估值Pz，评估值Pz的获取方法符合如下公式：
其中，
为修正系数，对评估值Pz进行修正，
及
在为权重系数，
，
，且
，
及
的值由用户进行设置；所述
为材料报价Jc与材料性能Xn之间相关性，由在若干份设计方案中对材料报价Jc与材料性能Xn进行相关性分析得出。
进一步的，从BIM模型数据库中，分别选择若干个BIM模型作为训练集和测试集；基于神经卷积网络算法建立装配体分类模型，基于训练集进行训练，形成装配体分类器；通过测试集对装配体分类器进行分类，确定装配体分类器能够满足需求。
进一步的，获取装配体分类器，对BIM模型数据库中的BIM模型进行分解，分解成若干个装配体模块；通过分类器，依据各个装配体模块库之间的相似度进行分类，以分类的结果建立装配体模块库；库中的装配体模块记为第二装配体模块；提取库内装配体模块的特征信息，对装配体模块库进行标记；
对装配体模块进行划分，分解成若干个装配体构件，获取分解后的若干个装配体，采用装配体分类器判断若干个装配体构件之间的相似度，对装配体构件进行分类，将分类后的各个类别存入相应的库中；提取库内装配体构件的特征信息，对装配体构件库进行标记。
进一步的，获取最优BIM模型并进行分解，对分解后的产生的装配体模块依据位置关系进行标记；提取装配体模块的特征信息后，对若干个装配体模块进行依据特征信息进行标记，并进行分类；由最优BIM模型分解产生的装配体模块记为第一装配体模块；对分解后的装配体模块进行评估，综合装配体模块的造价及性能。
进一步的，依据相似度模型，获取对应装配体模块库中相似度最高的装配体模块，并进行评估，形成评估结果；从装配体模块库中寻找相似度高于相应阈值且评估结果高于第一装配体模块的第二装配体模块；采用第二装配体模块对第一装配体模块进行替换，借助于似然学习模型及有限元分析，判断该替换是否具有可行性，形成判断结果；如果替换可行，利用似然学习模型，对第二装配体模块及相应的装配体构件进行修剪优化，形成时新的BIM模型；
如果不可行，对装配体模块进行分解，确定导致不可行的因素，也即确定导致第一装配体模块不能被替换的第一装配体构件；确定第一装配体构件的特征，从第二装配体库中选择相似度最高的第二装配构体件，对第一装配体构件进行替换；借助于似然学习模型及有限元分析，判断该替换是否具有可行性，如果不可行，则对第二装配体构件进行修正，也即是利用机器学习在第二装配体的基础上进行重新设计，形成新的第二装配体构件，进行替换，形成新的BIM模型；
依据新的BIM模型，有用户进行验收，如果验收合格，则生成施工图纸。
一种基于机器学习和BIM技术的建筑设计系统，包括：机器学习模块，建立BIM模型数据库，并建立似然学习模型；数据核验模块，确定设计参数，建立建筑参数集，以似然学习模型检验其中的异常数据，将采用常规数据进行替代，并建立BIM模型；
有限元分析模块，确定建筑材质及相应的力学性能及价格，加入模型后，进行有限元分析，获取分析结果，确定建筑造价方案；分类器模块，依据现有BIM模型及设计参数，在最低报价及最低性能的基础上，确定最佳方案，并且建立BIM模型；基于建立BIM模型数据库，并建立分类器，对若干个BIM模型进行分类；
评估模块，对建立的BIM模型中的装配体构件进行评估，依据评估结果，以装配体构件库中的装配体构件进行替代；图纸生成模块，确定最优的BIM模型及相应的最优方案，依据最优方案生成施工图纸。
（三）有益效果
本发明提供了一种基于机器学习和BIM技术的建筑设计方法及系统，具备以下有益效果：
在机器学习和网络爬虫的协助下，在用户完成了初步的BIM模型的建立后，从而建筑材料的性能和造价的角度，对BIM模型建筑材料进行修订和优化，确定最优的BIM模型，提高BIM模型的效果，做到进一步的完善，同时，也提高招标的效率。
进一步的，在确定最优模型之后，继续采用库中的第二装配体模块及第二装配构件对最优BIM模型进行替换和优化，对不足部分进行重新设计，在建筑材料的基础上，从装配体构造的角度继续对BIM模型进行优化，提高BIM模型的水平，最后产生施工图纸；在有限的造价成本下，获取满足力学性能的条件下，确定最优的施工方案。
附图说明
图1为本发明建筑装配体模块的评估结构示意图；
图2为本发明建筑设计方法流程示意图；
图3为本发明建筑设计系统结构示意图；
图中：
10、机器学习模块；20、数据核验模块；30、有限元分析模块；40、分类器模块；50、评估模块；60、图纸生成模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
实施例1
请参阅图1-3，本发明提供一种基于机器学习和BIM技术的建筑设计方法，包括如下步骤：
步骤1、建立BIM模型数据库，并建立似然学习模型；具体包括如下内容；
步骤101、利用深度网络爬虫从网页上获取BIM模型，及由用户上传的BIM模型，建立BIM模型数据；
步骤102、从BIM模型数据库中，分别选择若干个BIM模型作为训练集和测试集；基于高性能似然算法建立学习模型，通过训练集，对学习模型进行训练，生成似然学习模型；
步骤103、通过测试集对似然学习模型进行测试，确定似然学习模型时无误。
使用时，步骤101中，在建立BIM模型数据库的基础上，建立似然学习模型，通过似然学习模型输入建筑参数进行检验，从而加快判断其中错误数据及异常数据的速度；同时，也能够利用似然学习模型，对BIM模型中存在的一些设计错误，进行修正或者重新设计，提高建立的BIM模型的完备性。
步骤2、确定设计参数，建立建筑参数集，以似然学习模型检验其中的异常数据，将采用常规数据进行替代，并建立BIM模型；所述步骤2具体包括如下内容：
步骤201、获取建筑设计参数，建立建筑参数集；其中，设计参数可以在网页上检索获取，可以由用户进行上传；
步骤202、输入建筑参数至建模软件中，由似然学习模型进行分析，确定其中的异常值及空值；似然学习模型进行分析，能够确定输入的设计参数的准确性。
步骤203、通过似然学习模型，确定与异常值及空值相应的计算值，将计算值输出，由用户进行核验；如果用户核验无误或者未进行核验，则以计算值对异常值及空值进行替换，形成新的建筑参数集；如果用户核验有误，则由用户输入正确值，以对空值及异常值进行替换，形成新的建筑参数集。
使用时，结合步骤202及203，在由用户输入建筑参数后，能够借助于似然学习模型对建筑参数进行模拟和判断分析，快速找到其中的异常值及空值，方便用户及时进行处理，避免错误数据对建立BIM模型形成干扰。
步骤204、接收新的建筑参数集，由建模软件建立BIM模型，并由用户进行验收，如果通过验收，则将BIM模型输出，如果未通过验收，则由用户对新的建筑参数集进行修正，重新建立BIM模型并输出。
使用时，在完成BIM模型的建立后，增加用户验收的步骤，能够确保基于用户提供的建筑参数建立的BIM模型正确无误，也能够减少由于BIM模型错误带来的施工错误。
步骤3、确定建筑材质及相应的力学性能及价格，加入模型后，进行有限元分析，获取分析结果，确定建筑造价方案：所述步骤3具体包括如下内容：
步骤301、获取到BIM模型并进行分解，确定建筑内的若干个装配体模块，并依据装配体模块的作用进行分类；
步骤302、确定装配体模块的最低力学性能，输入至BIM模型中，进行有限元分析，依据有限元分析的结果，判断BIM模型是否可行；如果不可行，借助于似然学习模型，重新计算装配体模块的最低力学性能，将最低力学性能输出。
使用时，结合步骤301及步骤302，通过建立的似然学习模型，在BIM模型建立时，能够借助于有限元分析，对确定BIM模型中的装配体模块的最低力学性能，将装配体模块的最低力学性能与相应的阈值进行对比，从而能够确定建立BIM模型的可行性，形成对设计方案进行检验的效果。
步骤303、借助于深度网络爬虫，在网络公开渠道获取建筑构件材料的报价，及通过招投标获取的建筑构件材料的报价，确定建筑材料的最低报价；需要说明的是，在BIM模型中涉及的模型中，涉及到的建筑材料种类较多，因此也需要获取到每一种建筑材料相对应的最低报价，进行汇总之后，既可以得出本设计方案的最低的造价报价。
使用时，在步骤303中，通过以多源头多渠道的形式，能够确定BIM模型中建筑材料的最低价格。
步骤304、对若干种建筑材料的最低报价进行汇总，确定建筑材料的最低报价，形成造价方案。
在使用时，在步骤3中，通过BIM模型、似然学习模型及有限元分析，能够在数据检索的帮助下，能够建筑材料在满足最低力学性能的条件下，寻找最低的材料建造成本；因此，能够形成输出建筑建方案的低报价方案；用户可以依据汇总得出的低报价方案，制定的建筑的报价标准，依据该标准进行招标。
步骤4、依据现有BIM模型及设计参数，在最低报价及最低性能的基础上，确定最佳方案，并且建立BIM模型；所述步骤4包括如下内容：
步骤401、判断在满足力学性能的基础上，最低报价是否高于阈值；如果高于阈值，则重新选择造价方案；判断在最低的报价条件下时，建筑材料的力学性能是否达到最低阈值；如果低于阈值，则重新选择造价方案；
步骤402、获取若干份造价方案，对其中建筑材料的力学性能及造价进行评估，判断其中最优的方案；
其中，判断最优的方案的方法如下：
对获取的若干份的造价方案进行检索分析，对建筑材料的力学性能进行评估，加权量化处理后，获取到建筑材料性能Xn；对建筑材料的报价进行汇总，获取到其中建筑材料报价Jc，
将材料报价Jc与材料性能Xn进行关联，进行归一化处理，汇总形成评估值Pz，评估值Pz的获取方法符合如下公式：
其中，
为修正系数，对评估值Pz进行修正，
及
在为权重系数，
，
，且
，
及
的值由用户进行设置；所述
为材料报价Jc与材料性能Xn之间相关性，由在若干份设计方案中对材料报价Jc与材料性能Xn进行相关性分析得出。
步骤403、对若干个设计方案的报价均进行评估，获取若干个评估值Pz并进行排序，依据排序的结果确定其中的最优方案；
步骤404、获取其中最优方案，依据方案的参数，建立修正后的BIM模型，即为最优BIM模型。
使用时，结合步骤401至404，能够在获取到若干份建筑造价方案及建筑参数之后，以对建筑材料性能及材料报价进行综合评估的条件下，确定在最低报价及最低性能的基础上的最优方案，为建筑招标提供方法，提高招标的效率，最终对BIM模型的建立形成帮助。
步骤5、基于建立BIM模型数据库，并建立分类器，对若干个BIM模型进行分类；所述步骤5包括如下内容；
步骤501、从BIM模型数据库中，分别选择若干个BIM模型作为训练集和测试集；
步骤502、基于神经卷积网络算法建立装配体分类模型，基于训练集进行训练，形成装配体分类器；
步骤503、通过测试集对装配体分类器进行分类，确定装配体分类器能够满足需求。
使用时，结合步骤501至503，通过建立装配体分类器，能够在需要时，自动的对数据源中的数据进行分类。
步骤504、获取装配体分类器，对BIM模型数据库中的BIM模型进行分解，分解成若干个装配体模块；通过分类器，依据各个装配体模块库之间的相似度进行分类，以分类的结果建立装配体模块库；库中的装配体模块记为第二装配体模块；提取库内装配体模块的特征信息，对装配体模块库进行标记。
使用时，通过建立装配体分类器，对BIM模型进行分解，最终获取分解后的若干个装配体模块，使用户能够从BIM模型中分解中装配体，从而方便对装配体的进行选择和调用。
步骤505、对装配体模块进行划分，分解成若干个装配体构件，获取分解后的若干个装配体，采用装配体分类器判断若干个装配体构件之间的相似度，对装配体构件进行分类，将分类后的各个类别存入相应的库中；提取库内装配体构件的特征信息，对装配体构件库进行标记。
使用时，在对BIM模型进行分解后，将装配体构件存入相应的库中，并通过特征信息对装配体后构件标记，从而确定库的名称及其内部的内容，在需要寻找某种构件时，确定了构件的名称之后，能够直接从相应的库中进行寻找。
步骤6、对建立的BIM模型中的装配体构件进行评估，依据评估结果，以装配体构件库中的装配体构件进行替代；确定最优的BIM模型及相应的最优方案，依据最优方案生成施工图纸。
步骤6中包含如下内容：
步骤601、获取最优BIM模型并进行分解，对分解后的产生的装配体模块依据位置关系进行标记；
提取装配体模块的特征信息后，对若干个装配体模块进行依据特征信息进行标记，并进行分类；由最优BIM模型分解产生的装配体模块记为第一装配体模块；
步骤602、对分解后的装配体模块进行评估，综合装配体模块的造价及性能，具体的评估方法如上所述。
步骤603、依据相似度模型，获取对应装配体模块库中相似度最高的装配体模块，并进行评估，形成评估结果；
从装配体模块库中寻找相似度高于相应阈值且评估结果高于第一装配体模块的第二装配体模块；其中，涉及到的阈值由用户设置；
采用第二装配体模块对第一装配体模块进行替换，借助于似然学习模型及有限元分析，判断该替换是否具有可行性，形成判断结果；
如果替换可行，利用似然学习模型，对第二装配体模块及相应的装配体构件进行修剪优化，形成时新的BIM模型。
步骤604、如果不可行，对装配体模块进行分解，确定导致不可行的因素，也即确定导致第一装配体模块不能被替换的第一装配体构件；
确定第一装配体构件的特征，从第二装配体库中选择相似度最高的第二装配构体件，对第一装配体构件进行替换；
借助于似然学习模型及有限元分析，判断该替换是否具有可行性，如果不可行，则对第二装配体构件进行修正，也即是利用机器学习在第二装配体的基础上进行重新设计，形成新的第二装配体构件，进行替换，形成新的BIM模型；
步骤605、依据新的BIM模型，有用户进行验收，如果验收合格，则生成施工图纸。
使用时，结合步骤601至步骤604，在已经确定了基于报价确定的最优BIM模型及相应的最优施工方案后，通过检索和分析，寻找更优的第二装配体模块及第二装配构件，对最优BIM模型进行替换及重新设计，能够利用现有设计对BIM模型中的装配体替换，从而形成性能和造价更有的BIM模型，起到了优化作用。
在本申请中，综合步骤1到6，在机器学习和网络爬虫的协助下，在用户完成了初步的BIM模型的建立后，从而建筑材料的性能和造价的角度，对BIM模型建筑材料进行修订和优化，确定最优的BIM模型，提高BIM模型的效果，做到进一步的完善，同时，也提高招标的效率。
进一步的，在确定最优模型之后，继续采用库中的第二装配体模块及第二装配构件对最优BIM模型进行替换和优化，对不足部分进行重新设计，在建筑材料的基础上，从装配体构造的角度继续对BIM模型进行优化，提高BIM模型的水平，最后产生施工图纸。
最终在有限的造价成本下，获取满足力学性能的条件下，确定最优的施工方案。
实施例2
请参阅图1-3，本发明提供一种基于机器学习和BIM技术的建筑设计系统，包括：
机器学习模块10，建立BIM模型数据库，并建立似然学习模型；
数据核验模块20，确定设计参数，建立建筑参数集，以似然学习模型检验其中的异常数据，将采用常规数据进行替代，并建立BIM模型；
有限元分析模块30，确定建筑材质及相应的力学性能及价格，加入模型后，进行有限元分析，获取分析结果，确定建筑造价方案；
分类器模块40，依据现有BIM模型及设计参数，在最低报价及最低性能的基础上，确定最佳方案，并且建立BIM模型；基于建立BIM模型数据库，并建立分类器，对若干个BIM模型进行分类；
评估模块50，对建立的BIM模型中的装配体构件进行评估，依据评估结果，以装配体构件库中的装配体构件进行替代；
图纸生成模块60，确定最优的BIM模型及相应的最优方案，依据最优方案生成施工图纸。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、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。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种航道水下地形变化分析系统及方法逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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，本申请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）执行本申请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（read-only memory，ROM)、随机存取存储器（random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于机器学习和BIM技术的建筑设计方法，其特征在于：包括如下步骤：
建立BIM模型数据库，并建立似然学习模型；包括；利用深度网络爬虫从网页上获取BIM模型，及由用户上传的BIM模型，建立BIM模型数据；从BIM模型数据库中，分别选择若干个BIM模型作为训练集和测试集；基于高性能似然算法建立学习模型，通过训练集，对学习模型进行训练，生成似然学习模型；通过测试集对似然学习模型进行测试，确定似然学习模型时无误；
确定设计参数，建立建筑参数集，以似然学习模型检验其中的异常数据，将采用常规数据进行替代，并建立BIM模型；
确定建筑材质及相应的力学性能及价格，加入模型后，进行有限元分析，获取分析结果，确定建筑造价方案；依据现有BIM模型及设计参数，在最低报价及最低性能的基础上，确定最佳方案，并且建立BIM模型；基于建立BIM模型数据库，并建立分类器，对若干个BIM模型进行分类；
对建立的BIM模型中的装配体构件进行评估，依据评估结果，以装配体构件库中的装配体构件进行替代；确定最优的BIM模型及相应的最优方案，依据最优方案生成施工图纸。
2.根据权利要求1所述的一种基于机器学习和BIM技术的建筑设计方法，其特征在于：获取建筑设计参数，建立建筑参数集；输入建筑参数至建模软件中，由似然学习模型进行分析，确定其中的异常值及空值；似然学习模型进行分析，能够确定输入的设计参数的准确性；通过似然学习模型，确定与异常值及空值相应的计算值，将计算值输出，由用户进行核验；如果用户核验无误或者未进行核验，则以计算值对异常值及空值进行替换，形成新的建筑参数集；如果用户核验有误，则由用户输入正确值，以对空值及异常值进行替换，形成新的建筑参数集；
接收新的建筑参数集，由建模软件建立BIM模型，并由用户进行验收，如果通过验收，则将BIM模型输出，如果未通过验收，则由用户对新的建筑参数集进行修正，重新建立BIM模型并输出。
3.根据权利要求1所述的一种基于机器学习和BIM技术的建筑设计方法，其特征在于：获取到BIM模型并进行分解，确定建筑内的若干个装配体模块，并依据装配体模块的作用进行分类；确定装配体模块的最低力学性能，输入至BIM模型中，进行有限元分析，依据有限元分析的结果，判断BIM模型是否可行；如果不可行，借助于似然学习模型，重新计算装配体模块的最低力学性能，将最低力学性能输出；
借助于深度网络爬虫，在网络公开渠道获取建筑构件材料的报价，及通过招投标获取的建筑构件材料的报价，确定建筑材料的最低报价；对若干种建筑材料的最低报价进行汇总，确定建筑材料的最低报价，形成造价方案。
4.根据权利要求1所述的一种基于机器学习和BIM技术的建筑设计方法，其特征在于：判断在满足力学性能的基础上，最低报价是否高于阈值；如果高于阈值，则重新选择造价方案；判断在最低的报价条件下时，建筑材料的力学性能是否达到最低阈值；如果低于阈值，则重新选择造价方案；
获取若干份造价方案，对其中建筑材料的力学性能及造价进行评估，判断其中最优的方案；对若干个设计方案的报价均进行评估，获取若干个评估值Pz并进行排序，依据排序的结果确定其中的最优方案；获取其中最优方案，依据方案的参数，建立修正后的BIM模型，即为最优BIM模型。
5.根据权利要求4所述的一种基于机器学习和BIM技术的建筑设计方法，其特征在于：判断最优的方案的方法如下：
对获取的若干份的造价方案进行检索分析，对建筑材料的力学性能进行评估，加权量化处理后，获取到建筑材料性能Xn；对建筑材料的报价进行汇总，获取到其中建筑材料报价Jc，
将材料报价Jc与材料性能Xn进行关联，进行归一化处理，汇总形成评估值Pz，评估值Pz的获取方法符合如下公式：
其中，
为修正系数，对评估值Pz进行修正，
及
在为权重系数，
，
，且
，
及
的值由用户进行设置；所述
为材料报价Jc与材料性能Xn之间相关性，由在若干份设计方案中对材料报价Jc与材料性能Xn进行相关性分析得出。
6.根据权利要求1所述的一种基于机器学习和BIM技术的建筑设计方法，其特征在于：从BIM模型数据库中，分别选择若干个BIM模型作为训练集和测试集；基于神经卷积网络算法建立装配体分类模型，基于训练集进行训练，形成装配体分类器；通过测试集对装配体分类器进行分类，确定装配体分类器能够满足需求。
7.根据权利要求6所述的一种基于机器学习和BIM技术的建筑设计方法，其特征在于：获取装配体分类器，对BIM模型数据库中的BIM模型进行分解，分解成若干个装配体模块；通过分类器，依据各个装配体模块库之间的相似度进行分类，以分类的结果建立装配体模块库；库中的装配体模块记为第二装配体模块；提取库内装配体模块的特征信息，对装配体模块库进行标记；
对装配体模块进行划分，分解成若干个装配体构件，获取分解后的若干个装配体，采用装配体分类器判断若干个装配体构件之间的相似度，对装配体构件进行分类，将分类后的各个类别存入相应的库中；提取库内装配体构件的特征信息，对装配体构件库进行标记。
8.根据权利要求7所述的一种基于机器学习和BIM技术的建筑设计方法，其特征在于：获取最优BIM模型并进行分解，对分解后的产生的装配体模块依据位置关系进行标记；
提取装配体模块的特征信息后，对若干个装配体模块进行依据特征信息进行标记，并进行分类；由最优BIM模型分解产生的装配体模块记为第一装配体模块；对分解后的装配体模块进行评估，综合装配体模块的造价及性能。
9.根据权利要求1所述的一种基于机器学习和BIM技术的建筑设计方法，其特征在于：依据相似度模型，获取对应装配体模块库中相似度最高的装配体模块，并进行评估，形成评估结果；从装配体模块库中寻找相似度高于相应阈值且评估结果高于第一装配体模块的第二装配体模块；其中，涉及到的阈值由用户设置；
采用第二装配体模块对第一装配体模块进行替换，借助于似然学习模型及有限元分析，判断该替换是否具有可行性，形成判断结果；如果替换可行，利用似然学习模型，对第二装配体模块及相应的装配体构件进行修剪优化，形成时新的BIM模型；
如果不可行，对装配体模块进行分解，确定导致不可行的因素，也即确定导致第一装配体模块不能被替换的第一装配体构件；确定第一装配体构件的特征，从第二装配体库中选择相似度最高的第二装配构体件，对第一装配体构件进行替换；借助于似然学习模型及有限元分析，判断该替换是否具有可行性，如果不可行，则对第二装配体构件进行修正，也即是利用机器学习在第二装配体的基础上进行重新设计，形成新的第二装配体构件，进行替换，形成新的BIM模型；
依据新的BIM模型，有用户进行验收，如果验收合格，则生成施工图纸。
10.一种基于机器学习和BIM技术的建筑设计系统，其特征在于：包括：
机器学习模块，建立BIM模型数据库，并建立似然学习模型；
数据核验模块，确定设计参数，建立建筑参数集，以似然学习模型检验其中的异常数据，将采用常规数据进行替代，并建立BIM模型；
有限元分析模块，确定建筑材质及相应的力学性能及价格，加入模型后，进行有限元分析，获取分析结果，确定建筑造价方案；
分类器模块，依据现有BIM模型及设计参数，在最低报价及最低性能的基础上，确定最佳方案，并且建立BIM模型；基于建立BIM模型数据库，并建立分类器，对若干个BIM模型进行分类；
评估模块，对建立的BIM模型中的装配体构件进行评估，依据评估结果，以装配体构件库中的装配体构件进行替代；
图纸生成模块，确定最优的BIM模型及相应的最优方案，依据最优方案生成施工图纸。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211638751.7A CN115630433A (zh) | 2022-12-20 | 2022-12-20 | 一种基于机器学习和bim技术的建筑设计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211638751.7A CN115630433A (zh) | 2022-12-20 | 2022-12-20 | 一种基于机器学习和bim技术的建筑设计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115630433A true CN115630433A (zh) | 2023-01-20 |
Family
ID=84910026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211638751.7A Pending CN115630433A (zh) | 2022-12-20 | 2022-12-20 | 一种基于机器学习和bim技术的建筑设计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115630433A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703127A (zh) * | 2023-08-03 | 2023-09-05 | 山东青建智慧建筑科技有限公司 | 一种基于bim的建筑施工监管方法及系统 |
| CN117494356A (zh) * | 2023-10-31 | 2024-02-02 | 成都建工第九建筑工程有限公司 | 一种基于bim技术的装配式施工方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684714A (zh) * | 2018-12-21 | 2019-04-26 | 杭州睿兴栋宇建筑科技有限公司 | 一种基于机器学习和bim技术的建筑设计方法 |
| CN111143915A (zh) * | 2019-11-18 | 2020-05-12 | 中国化学工程第六建设有限公司 | 基于Tekla软件平台的钢结构模块化安装方法 |
| CN114511202A (zh) * | 2022-01-13 | 2022-05-17 | 湖北国际物流机场有限公司 | 一种基于bim的全周期工程项目管理方法和平台 |
-
2022
- 2022-12-20 CN CN202211638751.7A patent/CN115630433A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109684714A (zh) * | 2018-12-21 | 2019-04-26 | 杭州睿兴栋宇建筑科技有限公司 | 一种基于机器学习和bim技术的建筑设计方法 |
| CN111143915A (zh) * | 2019-11-18 | 2020-05-12 | 中国化学工程第六建设有限公司 | 基于Tekla软件平台的钢结构模块化安装方法 |
| CN114511202A (zh) * | 2022-01-13 | 2022-05-17 | 湖北国际物流机场有限公司 | 一种基于bim的全周期工程项目管理方法和平台 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703127A (zh) * | 2023-08-03 | 2023-09-05 | 山东青建智慧建筑科技有限公司 | 一种基于bim的建筑施工监管方法及系统 |
| CN116703127B (zh) * | 2023-08-03 | 2024-05-14 | 山东青建智慧建筑科技有限公司 | 一种基于bim的建筑施工监管方法及系统 |
| CN117494356A (zh) * | 2023-10-31 | 2024-02-02 | 成都建工第九建筑工程有限公司 | 一种基于bim技术的装配式施工方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110688553B (zh) | 基于数据分析的信息推送方法、装置、计算机设备及存储介质 | |
| Collin et al. | Extending approximate Bayesian computation with supervised machine learning to infer demographic history from genetic polymorphisms using DIYABC Random Forest | |
| CN109657805B (zh) | 超参数确定方法、装置、电子设备及计算机可读介质 | |
| CN115630433A (zh) | 一种基于机器学习和bim技术的建筑设计方法及系统 | |
| CN107168995B (zh) | 一种数据处理方法及服务器 | |
| CN114722746B (zh) | 一种芯片辅助设计方法、装置、设备及可读介质 | |
| TWI584134B (zh) | 製程異因分析方法與製程異因分析系統 | |
| CN110689368B (zh) | 一种移动应用内广告点击率预测系统设计方法 | |
| CN112508456A (zh) | 食品安全风险评估方法、系统、计算机设备及存储介质 | |
| CN110956277A (zh) | 一种交互式的迭代建模系统及方法 | |
| CN115526093A (zh) | Smt印刷参数优化模型的训练方法、设备和存储介质 | |
| CN113762579A (zh) | 一种模型训练方法、装置、计算机存储介质及设备 | |
| CN111210332A (zh) | 贷后管理策略生成方法、装置及电子设备 | |
| CN118378213A (zh) | 数据质量评估方法、装置、设备、存储介质及产品 | |
| CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
| Korobilis et al. | Bayesian approaches to shrinkage and sparse estimation | |
| CN116862078B (zh) | 一种换电套餐用户逾期的预测方法、系统、装置及介质 | |
| WO2024059097A1 (en) | Apparatus for generating a personalized risk assessment for neurodegenerative disease | |
| CN111695625A (zh) | 一种基于多级注意力机制网络的移动应用流行度预测方法 | |
| CN115794898B (zh) | 一种金融资讯推荐方法、装置、电子设备及存储介质 | |
| CN110727867A (zh) | 一种基于模糊机制的语义实体推荐方法 | |
| CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
| Gupta et al. | Mobile price prediction by its features using predictive model of machine learning | |
| Li et al. | WiBB: an integrated method for quantifying the relative importance of predictive variables | |
| CN111428119A (zh) | 查询改写方法、装置、电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230120 |
|
| RJ01 | Rejection of invention patent application after publication |