CN115718950A - 一种基于生成对抗神经网络的梁桥分跨智能设计方法 - Google Patents
一种基于生成对抗神经网络的梁桥分跨智能设计方法 Download PDFInfo
- Publication number
- CN115718950A CN115718950A CN202211596994.9A CN202211596994A CN115718950A CN 115718950 A CN115718950 A CN 115718950A CN 202211596994 A CN202211596994 A CN 202211596994A CN 115718950 A CN115718950 A CN 115718950A
- Authority
- CN
- China
- Prior art keywords
- bridge
- design
- span
- network
- geological
- 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
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出一种基于生成对抗神经网络的梁桥分跨智能设计方法,该方法包括:(1)基于参数化建模的自动建模绘制器;(2)桥型选择网络:网络接受地质草图以及由预定跨径等设计信息构成的条件向量,输出适合当前地质的若干个梁桥桥型选择方案,(3)由生成器与判别器构成的生成对抗网络:生成器包含地质草图的特征提取网络,条件向量的构建网络,桥涵设计状况的特征融合网络和生成绘制网络,生成器接收地质草图特征以及由设计桥型等构成的条件向量作为输入,将条件向量和地质草图特征融合,基于融合图像生成分跨设计图。判别器判断梁桥分跨设计图是源于自动设计还是真实设计,在生成器与判别器的对抗训练中实现因地制宜的自动分跨设计。
Description
技术领域
本发明属于桥涵设计与机器学习应用技术领域,尤其涉及一种基于生成对抗神经网络的梁桥分跨智能设计方法。
背景技术
桥涵设计师在初步设计阶段,一方面需要根据规范规定,计算各类构件尺寸与材料的限制;另一方面则要根据自身积累的结构设计经验的指导,针对当地特定的地质水文情况,选用合适的构件布置。且当前设计主要依靠纯人工的经验综合考虑,自动化,智能化程度不够,设计品控也受设计师本人的水平浮动很大。在规范计算方面,市场上已经出现了一批成熟的商业专家系统可供设计师对计算流程与结构建模进行快速设计,而对于涉及经验设计的部分,则几乎没有成熟的智能设计方法能够做到集成人类专家现有设计的设计经验,从而做到因地制宜的快速设计。
机器学习方法自从问世以来,已经凭借其自动学习特性与泛用性强,拓展性好的特点,在机器视觉等领域取得了巨大的成功。在桥涵设计的经验设计集成方面,机器学习方法也一直作为有力的候选竞争项,受到研究者的长期关注。但是,采用机器学习方法开展桥涵设计长期面临着训练集样本小且缺乏的问题。另一方面,如何与成熟的专家系统对接,特别是分清基于规范设计的专家系统与基于经验的机器学习方法各自适合应用于设计的哪些部分,并考虑如何将两者有机结合起来,一直是导致机器学习方法在桥涵设计应用较少的重要问题。
因此,目前机器学习方法在桥涵设计的应用很少,且主要局限于现有设计因素的数据分析与因果推断,缺乏实用性,对现有的设计图纸的利用也多依赖于人工录入,特别是在梁桥的选型与分跨设计阶段,虽然技术与设计流程已经相对成熟,但是依旧依赖于设计师手动估算绘制设计草图,主观比选确定。这给机器学习方法在梁桥的应用带来了优势。亟需一种适用性广,自动化高,准确性强的机器学习方法来辅助设计。
发明内容
发明目的:本发明旨在提出一种基于生成对抗神经网络的梁桥分跨智能设计方法,通过提出一套设计数据自动化绘制草图的标准程序来方便地实现设计学习自动化,能够顺利对接现有的商业设计专家系统,通过输入设计桥位少量的地质水文数据,即可根据数据库中录入的真实设计案例,快速设计出满足设计要求且因地制宜的桥型和对应的分跨设计方案。
技术方案:本发明提出一种基于生成对抗神经网络的梁桥分跨智能设计方法,该方法包括以下步骤:
(1)构建训练样本集,构建自动建模绘制器,使用绘制器提取梁桥实例的地形数据生成标准化的地质草图集Tc;使用绘制器提取梁桥实例的设计数据生成分跨设计图集Ts,从桥梁实例提取预计跨径,预计日交通量以及可用桥型数量构建初步条件向量集Tv1,从桥梁实例提取实例选用的桥型数据构建训练样本的桥型选择集Tx,使用生成的地质草图集Tc,分跨设计图集Ts,初步条件向量集Tv1与桥型选择集Tx作为训练样本,将初步条件向量集Tv1与桥型选择集Tx在第0维拼接,称为完整条件向量集Tv2;
(2)构建桥型选择网络并进行训练,将地质草图集Tc与初步条件向量集Tv1输入桥型选择网络,通过多模态输入处理,卷积特征提取与全连接层分类得到网络的桥型选择集Txt,以Txt与Tx的均方误差为误差函数,通过SGD算法反向传播对网络进行训练;
(3)构建分跨生成器网络,分跨生成器网络由地质草图集特征提取网络,条件向量构建网络,桥涵设计状况特征融合网络,生成绘制网络构成;
(4)构建分跨判别器网络,分跨判别器网络由局部判别器和全局判别器构成;
(5)进行生成对抗训练,将地质草图集Tc输入分跨生成器的地质草图集特征提取网络,将完整条件向量集Tv3输入分跨生成器的条件向量构建网络,在若干个周期下轮流训练生成器与判别器,使生成器生成图像与真实分跨设计图相差在预设范围内,直至判别器对生成方案和真实方案的判断准确性稳定在纳什均衡;
(6)使用性能评估合格的自动建模绘制器,桥型选择网络与生成器网络,输入新设计案例的设计数据,构建新的初步条件向量集Tv1x,使用自动建模绘制器绘制新的地质草图集Tcx,使用桥型选择网络获得该设计案例的新桥型选择集Txx,构建新的完整条件向量集Tv2x,再使用生成器网络完成新分跨设计图集Tsx的自动设计。
进一步的,步骤(1)中,所述构建训练样本集包含以下步骤:
步骤1.1、从输入数据或图纸读取设计地质信息,绘制地质草图集Tc,地质草图集Tc为地质情况纵断面图,包括各设计水位,地理线,桥面高程,桥面上方最小垂直净空,梁桥上部结构简图,不良地质段,通航净空区域,跨线行车道净空区域,土质情况,地震情况,材料使用情况的设计情况,其中,不良地质段定义为认定为在设计任务中明确不适宜设墩的地质段,在输入时表现为一个形状为[Nb,2]的二维矩阵,Nb为不连续的不良地质段数,矩阵第一列表示每一不良地质段的起点,矩阵第二列表示每一不良地质段的终点;土质情况标识为地理线下的不同颜色,材料使用情况标识为桥涵各结构的颜色色块,根据不同的桥涵情况,增加绘制不同的地质草图信息:
通航桥将读取输入的桥面高程与预计跨径,将预计跨径与桥面高程到最大水深高程之差两者中较大者同比放缩到设计图预定的像素位,另一者保持横纵比例不变放缩到像素位,根据可选的桥面上方建筑高度最小垂直净空以及预计高跨比初步估算上部结构建筑高度,以不同的颜色标注不同材料绘制出上部结构纵断面;如果数据库或输入未给定航道等级,根据水体宽度试算航道等级,于河道中心对称绘制若干多边形航行净空块,再根据河流当地的防洪,流冰,桥墩壅水设防水位为不同水位的水体着色;
跨线桥将读取输入的桥面高程与预计跨径,将预计跨径与桥面高程到通行道地面高程两者中较大者同比放缩到设计图预定的像素位,另一者保持横纵比例不变放缩到像素位,根据可选的桥面上方建筑高度最小垂直净空以及预计高跨比初步估算上部结构建筑高度,以不同的颜色标注不同材料绘制出上部结构纵断面,在行车道位置仿照通航桥绘制行车道净空区域,对于不良地质,如果不良地质来源于土质因素,在地理线下方区段红色标注;如果来源于障碍因素,在水体及地理线下标注出详细起止及净空要求,不良地质亦标注为红色;
步骤1.2、从输入梁桥设计数据读取设计计地质信息,绘制分跨设计图集Ts,分跨设计图集Ts为地质情况纵断面图,包括各设计水位,地理线,桥面高程,梁桥上部结构简图,梁桥分跨情况,梁桥下部结构各桥墩位置及尺寸,不良地质段,通航净空区域,跨线行车道净空区域,土质情况,地震情况,材料使用情况,其中不良地质段定义同步骤1.1,土质情况标识为地理线下的不同颜色,材料使用情况标识为桥涵各结构的颜色色块,桥墩的任何选型形式与材料选用均需要使用不同颜色标注,与前述地质草图集Tc不同,分跨设计图集Ts添加绘制了桥墩的细部数据,在绘制时,只精确确定桥墩的起点,桥墩的纵断面宽度表征的是桥墩平截面的名义半径dm:
V:桥墩的平截面平均面积
π:圆周率常数
对于通航桥与跨线桥的不同特点,分跨设计图需要不同的额外标注:对于通航桥的标注,桥墩颜色根据通航桥各水位进行区别标注;对于跨线桥的标注,除了按照普通梁桥标注格式外,还额外标注跨线类型,最小左侧横向净空,最小右侧横向净空与最小垂直地下净空高程计算跨线道对桥墩设计的具体限制,其中,跨线类型分为公路地下结构,铁路地下结构与非地下结构,以不同的净空规制与颜色来标识不同的结构类型,通行道最小左侧横向净空指从公路的右边缘或铁路列车右轨的中心线开始到最近的桥体结构或坡脚的距离,最小左侧横向净空指从公路的左边缘或铁路列车左轨的中心线开始到最近的桥体结构或坡脚的距离;
步骤1.3、直接从桥梁实例提取预计跨径,预计日交通量以及可用桥型数量构建初步条件向量集Tv1,初步条件向量集Tv1是一个形状为[Ns,Nv1]的二维张量,Ns为训练样本数,Nv1为初步条件向量集长度:
Nv1=2+n
n为可选择的桥型总数;
初步条件向量集Tv1中,[Nsi,1]表示第Nsi个训练样本的预计跨径,以单精度数值表示;[Nsi,2]表示第Nsi个训练样本的预计日交通量,以单精度数值表示;[Nsi,3]到[Nsi,Nv1]均为单精度数0;
步骤1.4、从桥梁实例提取实例选用的桥型数据构建训练样本的桥型选择集Tx,桥型选择集Tx是一个形状为[Ns,n]的二维张量,Ns为训练样本数,n为可选择的桥型总数;Tx应标识为独热编码格式:
Tx=∑[Tx1,Tx2,……Txn]
Txi为第i种桥型的使用概率,为0-1之间的float数值,在标注时,未使用的桥型为0,使用的为1;
步骤1.5、将初步条件向量集Tv1与桥型选择集Tx在第0维拼接得到完整条件向量集Tv2。
进一步的,步骤(2)中,所述的构建桥型选择网络并进行训练包括以下步骤:
步骤2.1、将接受构成地质草图集Tc以及初步条件向量集Tv1为输入,将Tc与Tv1各自通过多个卷积层构成的嵌入层放缩到统一形状的四通道融合桥型选择特征集Trq;
步骤2.2、通过3层全连接层为中间层将Trq逐步映射到Nq维的多分类桥型选择输出层,Nq为可供选择的桥型数量,桥型选择输出层以softmax层为激活层对当前地质情况下各桥型选择的优先级进行排序,得到桥梁选择网络的桥型选择推荐集Txt:
Txt=∑[Txt1,Txt2,……Txtn]
Txti为网络得到的第i种桥型的使用概率,为0-1之间的float数值;
步骤2.3、定义损失函数:
Txi:标注的第i种桥型的使用概率,为0-1之间的float数值,在标注时,未使用的桥型为0,使用的为1;
使用losstype更新训练样本的权重,进行桥型选择网络的迭代训练,训练次数为Nj。
进一步的,步骤(3)中,所述的生成器的构建包括以下部分与步骤:
步骤3.1、生成器包括地质草图的特征提取网络,将同一批次的地质草图集Tc输入网络,以顺序进行包括但不限于批标准化,反卷积层,随机dropout,线性层的方式进行特征提取与扩张,分析地质草图的特征情况,称输出结果为地质草图特征向量Xc,设特征向量维度为Nc,输入草图为RGB三通道彩图,Xc应当为规模为[3,Nc]的二维张量;
步骤3.2、生成器包括条件向量的构建网络,将完整条件向量集Tv2以顺序进行包括但不限于批标准化,反卷积层,随机dropout,线性层的方式进行特征提取,并通过多个反卷积层将条件向量拓展到与地质草图相同的特征向量维度Nc,此时条件向量特征向量Xt是规模为[1,Nc]的二维张量;
步骤3.3、生成器包括桥涵设计状况的特征融合网络,对步骤3.1所述的地质草图特征向量Xc和步骤3.2所示的条件特征向量Xt输入网络,使用多层卷积进行下采样,顺序进行包括但不限于批标准化,随机dropout,线性层,使用LeakyRelu激活函数减小异常值影响,输出桥涵设计状况的融合特征Tr,设融合特征向量维度为Nr,Tr为[4,Nr]的二维张量;
步骤3.4、生成器包括生成绘制网络,对步骤3.3的桥涵设计状况的融合特征Tr,对其进行多层反卷积扩张尺寸以进行上采样,反卷积核规模自动选取能被生成设计图像整除的大小,每层顺序进行包括但不限于批标准化,随机dropout过程,并在尾部添加数层正卷积以压缩并减少棋盘效应,将该结果进行重变形操作,输出为一张预设大小的设计分跨图。
进一步的,步骤(4)中,所述的分跨判别器的构建包括以下步骤:
步骤4.1、使用全局特征的全局判别器,输入一个分跨设计图,使用多层卷积层进行上采样,后续为多层线性全连接层,输出层为仅有1个参数的判断层,判断其是否为系统生成而成;
步骤4.2、使用局部地质特征的局部判别器,输入一个分跨设计图,使用多层卷积层进行上采样后,输出为一个矩阵,每个值表示输入设计分跨成稿中每个区域对应的真假,取每个区域的平均值作为局部判别器的最终结果。
进一步的,其步骤(5)中,进行生成对抗训练包括以下步骤:
步骤5.1、将地质草图集Tc输入分跨生成器的地质草图特征提取网络,预计跨径以及桥型构成的完整条件向量集Tv2输入分跨生成器的条件向量构建网络,根据前述的生成器构成,将得到桥涵设计状况的融合特征集Tr,将桥涵设计状况的融合特征集Tr输入生成绘制网络以获得生成分跨设计图集Tg;
步骤5.2、将生成分跨设计图集Tg输入前述的分跨判别器得到生成设计的分跨合理性向量Xg;
Ns为训练样本数;
Xgi为第i个生成设计的判别器判断出的合理性,为0-1之间的float数值;
定义生成器的损失函数为:
通过lossg对生成器权值进行反向传播优化;
步骤5.3、将真实分跨设计图集Ts输入判别器,得到真实设计的分跨合理性向量Xd:
Ns:训练样本数
Xdi:第i个真实设计的判别器判断出的合理性,为0-1之间的float数值;
定义判别器对真实设计的损失函数为:
通过lossd_z对判别器权值进行反向传播优化;
步骤5.4、定义判别器对生成设计的损失函数为:
Ns:训练样本数
Xgi:第i个生成设计的判别器判断出的合理性,为0-1之间的float数值;
通过lossd_s对判别器权值进行反向传播优化;
步骤5.5、在若干个周期下轮流训练生成器与判别器,循环进行步骤5.2到5.4,使生成器生成图像与真实分跨设计图误差在预设范围内,判别器判断生成案例与真实设计分跨图的准确性逐步提高,直至判别器对生成方案和真实方案的判断准确性稳定在纳什均衡。
进一步的,其步骤(6)中,方法使用包括以下步骤:
步骤6.1、输入新设计案例的设计数据,构建新的初步条件向量集Tv1x,使用自动建模绘制器绘制新的地质草图集Tcx,
步骤6.2、使用桥型选择网络获得该设计案例的新桥型选择集Txx,使用新的初步条件向量集Tv1x与新桥型选择集Txx在第0维拼接,得到新的完整条件向量集Tv2s,使用生成器网络完成新分跨设计图集Tsx的自动设计。
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:
(1)本发明提出的基于生成对抗神经网络的梁桥分跨智能设计方法,其需求输入数据为有限的设计桥位地质水文数据,依靠反卷积神经网络实现上采样,进行高维特征的自动分析与提取拓展,保证了适用性与简易性。
(2)本发明提出的基于生成对抗神经网络的梁桥分跨智能设计方法,实现了分跨设计各数据间物理关系与机器学习算法中各高维参数间函数关系的对应,使梁桥设计中设计参数间的相互影响能映射到机器学习网络中的具体参数,增强了数据驱动的学习过程的物理与力学意义。
(3)本发明提出的基于生成对抗神经网络的梁桥分跨智能设计方法,其使用的生成对抗神经网络的判别器为采用局部判别器与全局判别器二次叠加的复合判别器,同时兼顾了避开局部不良地质,航道与整体分跨合理两重任务。
(4)本发明提出的基于生成对抗神经网络的梁桥分跨智能设计方法,其使用的生成对抗神经网络采用了独立的特征融合网络设计,由于设计状况通常较为复杂,能收集到的设计场景数据可能有图纸(图片),数据,文本等内容不同,维度不同的格式,本发明提出的独立特征融合网络不仅可以满足前述的条件向量与地质草图的自动融合和特征提取,也可以通过简单的拓展实现其他格式的设计数据的自动融合,特征提取。
(5)本发明提出的基于生成对抗神经网络的梁桥分跨智能设计方法,训练过程的素材构建与使用过程的数据录入均使用相同的自动绘制地质草图程序,从而使新设计案例输入可以通过与使用过程中输入设计数据相似的方式完成,可拓展性好,录入新的设计经验简单。
(6)本发明提出的基于生成对抗神经网络的梁桥分跨智能设计方法,其使用的生成对抗神经网络的生成器的设计可以拓展为能考虑跨间弯矩平衡等更多设计准则的生成侧重点,为进一步专业性开发与个性化开发留下了理论空间。
附图说明
图1为本发明提出的一种基于生成对抗神经网络的梁桥分跨智能设计方法的流程示意图;
图2为本发明根据梁桥设计桥位数据自动绘制的跨线桥地质草图实例图;
图3为本发明绘制的跨线桥分跨设计图实例图;
图4为本发明根据梁桥设计桥位数据自动绘制的通航桥地质草图实例图;
图5为本发明绘制的通航桥分跨设计图实例图。
具体实施方式
下面将结合附图与实施例,介绍本发明的现实使用案例。
本发明提出一种基于生成对抗神经网络的梁桥分跨智能设计方法,其方法的流程示意图如附图1所示。该方法具体包括以下步骤:
(1)构建训练样本集,构建自动建模绘制器,使用绘制器提取梁桥实例的地形数据生成标准化的地质草图集Tc;使用绘制器提取梁桥实例的设计数据生成分跨设计图集Ts,从桥梁实例提取预计跨径,预计日交通量以及可用桥型数量构建初步条件向量集Tv1,从桥梁实例提取实例选用的桥型数据构建训练样本的桥型选择集Tx,使用生成的地质草图集Tc,分跨设计图集Ts,初步条件向量集Tv1与桥型选择集Tx作为训练样本,将初步条件向量集Tv1与桥型选择集Tx在第0维拼接,称为完整条件向量集Tv2;
(2)构建桥型选择网络并进行训练,将地质草图集Tc与初步条件向量集Tv1输入桥型选择网络,通过多模态输入处理,卷积特征提取与全连接层分类得到网络的桥型选择集Txt,以Txt与Tx的均方误差为误差函数,通过SGD算法反向传播对网络进行训练;
(3)构建分跨生成器网络,分跨生成器网络由地质草图集特征提取网络,条件向量构建网络,桥涵设计状况特征融合网络,生成绘制网络构成;
(4)构建分跨判别器网络,分跨判别器网络由局部判别器和全局判别器构成;
(5)进行生成对抗训练,将地质草图集Tc输入分跨生成器的地质草图集特征提取网络,将完整条件向量集Tv2输入分跨生成器的条件向量构建网络,在若干个周期下轮流训练生成器与判别器,使生成器生成图像与真实分跨设计图相差在预设范围内,直至判别器对生成方案和真实方案的判断准确性稳定在纳什均衡;
(6)使用性能评估合格的自动建模绘制器,桥型选择网络与生成器网络,输入新设计案例的设计数据,构建新的初步条件向量集Tv1x,使用自动建模绘制器绘制新的地质草图集Tcx,使用桥型选择网络获得该设计案例的新桥型选择集Txx,构建新的完整条件向量集Tv2x,再使用生成器网络完成新分跨设计图集Tsx的自动设计。
进一步的,步骤(1)中,所述构建训练样本集包含以下步骤:
步骤1.1、从输入数据或图纸读取设计地质信息,绘制地质草图集Tc,地质草图集Tc为地质情况纵断面图,包括各设计水位,地理线,桥面高程,桥面上方最小垂直净空,梁桥上部结构简图,不良地质段,通航净空区域,跨线行车道净空区域,土质情况,地震情况,材料使用情况的设计情况,其中,不良地质段定义为认定为在设计任务中明确不适宜设墩的地质段,在输入时表现为一个形状为[Nb,2]的二维矩阵,Nb为不连续的不良地质段数,矩阵第一列表示每一不良地质段的起点,矩阵第二列表示每一不良地质段的终点;土质情况标识为地理线下的不同颜色,材料使用情况标识为桥涵各结构的颜色色块,根据不同的桥涵情况,增加绘制不同的地质草图信息:
通航桥的绘制如附图2所示,将读取输入的桥面高程与预计跨径,将预计跨径与桥面高程到最大水深高程之差两者中较大者同比放缩到设计图预定的像素位,另一者保持横纵比例不变放缩到像素位,根据可选的桥面上方建筑高度最小垂直净空以及预计高跨比初步估算上部结构建筑高度,以不同的颜色标注不同材料绘制出上部结构的2设计桥体;如果数据库或输入未给定航道等级,根据水体宽度试算航道等级,于河道中心对称绘制若干多边形航行净空块表示1设计航道,再根据河流当地的防洪,流冰,桥墩壅水设防水位为不同水位的水体着色,如附图2中的3最小通航净空与6水体线;按实际情况绘制4地理线。
跨线桥的绘制如附图4所示。将读取输入的桥面高程与预计跨径,将预计跨径与桥面高程到通行道地面高程两者中较大者同比放缩到设计图预定的像素位,另一者保持横纵比例不变放缩到像素位,根据可选的桥面上方建筑高度最小垂直净空以及预计高跨比初步估算上部结构建筑高度,以不同的颜色标注不同材料绘制出上部结构纵断面的1设计桥体,在行车道位置仿照通航桥绘制3行车道净空区域,对于不良地质,如果不良地质来源于土质因素,在地理线下方区段红色标注;如果来源于障碍因素,在水体及地理线下标注出详细起止及净空要求,不良地质亦标注为红色;对可能存在的护坡,需要标注4跨线斜坡。
步骤1.2、从输入梁桥设计数据读取设计计地质信息,绘制分跨设计图集Ts,分跨设计图集Ts为地质情况纵断面图,包括各设计水位,地理线,桥面高程,梁桥上部结构简图,梁桥分跨情况,梁桥下部结构各桥墩位置及尺寸,不良地质段,通航净空区域,跨线行车道净空区域,土质情况,地震情况,材料使用情况,其中不良地质段定义同步骤1.1,土质情况标识为地理线下的不同颜色,材料使用情况标识为桥涵各结构的颜色色块,桥墩的任何选型形式与材料选用均需要使用不同颜色标注,与前述地质草图集Tc不同,分跨设计图集Ts添加绘制了桥墩的细部数据,在绘制时,只精确确定桥墩的起点,桥墩的纵断面宽度表征的是桥墩平截面的名义半径dm:
V:桥墩的平截面平均面积
π:圆周率常数
对于通航桥与跨线桥的不同特点,分跨设计图需要不同的额外标注:对于通航桥的标注如附图3所示,8设计桥墩颜色根据通航桥各水位进行区别标注;对于跨线桥的标注如附图4所示,除了按照普通梁桥标注5设计桥墩外,还额外标注跨线类型,6最小横向净空与2最小垂直地下净空高程计算跨线道对桥墩设计的具体限制,其中,跨线类型分为公路地下结构,铁路地下结构与非地下结构,以不同的净空规制与颜色来标识不同的结构类型,通行道最小横向净空指从公路的边缘或铁路列车车轨的中心线开始到最近的桥体结构或坡脚的距离,
步骤1.3、直接从桥梁实例提取预计跨径,预计日交通量以及可用桥型数量构建初步条件向量集Tv1,初步条件向量集Tv1是一个形状为[Ns,Nv1]的二维张量,Ns为训练样本数,Nv1为初步条件向量集长度:
Nv1=2+n
n为可选择的桥型总数;
初步条件向量集Tv1中,[Nsi,1]表示第Nsi个训练样本的预计跨径,以单精度数值表示;[Nsi,2]表示第Nsi个训练样本的预计日交通量,以单精度数值表示;[Nsi,3]到[Nsi,Nv1]均为单精度数0;
步骤1.4、从桥梁实例提取实例选用的桥型数据构建训练样本的桥型选择集Tx,桥型选择集Tx是一个形状为[Ns,n]的二维张量,Ns为训练样本数,n为可选择的桥型总数;Tx应标识为独热编码格式:
Tx=∑[Tx1,Tx2,……Txn]
Txi为第i种桥型的使用概率,为0-1之间的float数值,在标注时,未使用的桥型为0,使用的为1;
步骤1.5、将初步条件向量集Tv1与桥型选择集Tx在第0维拼接得到完整条件向量集Tv2。
进一步的,步骤(2)中,所述的构建桥型选择网络并进行训练包括以下步骤:
步骤2.1、将接受构成地质草图集Tc以及初步条件向量集Tv1为输入,将Tc与Tv1各自通过多个卷积层构成的嵌入层放缩到统一形状的四通道融合桥型选择特征集Trq;
步骤2.2、通过3层全连接层为中间层将Trq逐步映射到Nq维的多分类桥型选择输出层,Nq为可供选择的桥型数量,桥型选择输出层以softmax层为激活层对当前地质情况下各桥型选择的优先级进行排序,得到桥梁选择网络的桥型选择推荐集Txt:
Txt=∑[Txt1,Txt2,……Txtn]
Txti为网络得到的第i种桥型的使用概率,为0-1之间的float数值;
步骤2.3、定义损失函数:
Txi:标注的第i种桥型的使用概率,为0-1之间的float数值,在标注时,未使用的桥型为0,使用的为1;
使用losstype更新训练样本的权重,进行桥型选择网络的迭代训练,训练次数为Nj。
进一步的,步骤(3)中,所述的生成器的构建包括以下部分与步骤:
步骤3.1、生成器包括地质草图的特征提取网络,将同一批次的地质草图集Tc输入网络,以顺序进行包括但不限于批标准化,反卷积层,随机dropout,线性层的方式进行特征提取与扩张,分析地质草图的特征情况,称输出结果为地质草图特征向量Xc,设特征向量维度为Nc,输入草图为RGB三通道彩图,Xc应当为规模为[3,Nc]的二维张量;
步骤3.2、生成器包括条件向量的构建网络,将完整条件向量集Tv2以顺序进行包括但不限于批标准化,反卷积层,随机dropout,线性层的方式进行特征提取,并通过多个反卷积层将条件向量拓展到与地质草图相同的特征向量维度Nc,此时条件向量特征向量Xt是规模为[1,Nc]的二维张量;
步骤3.3、生成器包括桥涵设计状况的特征融合网络,对步骤3.1所述的地质草图特征向量Xc和步骤3.2所示的条件特征向量Xt输入网络,使用多层卷积进行下采样,顺序进行包括但不限于批标准化,随机dropout,线性层,使用LeakyRelu激活函数减小异常值影响,输出桥涵设计状况的融合特征Tr,设融合特征向量维度为Nr,Tr为[4,Nr]的二维张量;
步骤3.4、生成器包括生成绘制网络,对步骤3.3的桥涵设计状况的融合特征Tr,对其进行多层反卷积扩张尺寸以进行上采样,反卷积核规模自动选取能被生成设计图像整除的大小,每层顺序进行包括但不限于批标准化,随机dropout过程,并在尾部添加数层正卷积以压缩并减少棋盘效应,将该结果进行重变形操作,输出为一张预设大小的设计分跨图。
进一步的,步骤(4)中,所述的分跨判别器的构建包括以下步骤:
步骤4.1、使用全局特征的全局判别器,输入一个分跨设计图,使用多层卷积层进行上采样,后续为多层线性全连接层,输出层为仅有1个参数的判断层,判断其是否为系统生成而成;
步骤4.2、使用局部地质特征的局部判别器,输入一个分跨设计图,使用多层卷积层进行上采样后,输出为一个矩阵,每个值表示输入设计分跨成稿中每个区域对应的真假,取每个区域的平均值作为局部判别器的最终结果。
进一步的,其步骤(5)中,进行生成对抗训练包括以下步骤:
步骤5.1、将地质草图集Tc输入分跨生成器的地质草图特征提取网络,预计跨径以及桥型构成的完整条件向量集Tv2输入分跨生成器的条件向量构建网络,根据前述的生成器构成,将得到桥涵设计状况的融合特征集Tr,将桥涵设计状况的融合特征集Tr输入生成绘制网络以获得生成分跨设计图集Tg;
步骤5.2、将生成分跨设计图集Tg输入前述的分跨判别器得到生成设计的分跨合理性向量Xg;
Ns为训练样本数;
Xgi为第i个生成设计的判别器判断出的合理性,为0-1之间的float数值;
定义生成器的损失函数为:
通过lossg对生成器权值进行反向传播优化;
步骤5.3、将真实分跨设计图集Ts输入判别器,得到真实设计的分跨合理性向量Xd:
Ns:训练样本数
Xdi:第i个真实设计的判别器判断出的合理性,为0-1之间的float数值;
定义判别器对真实设计的损失函数为:
通过lossd_z对判别器权值进行反向传播优化;
步骤5.4、定义判别器对生成设计的损失函数为:
Ns:训练样本数
Xgi:第i个生成设计的判别器判断出的合理性,为0-1之间的float数值;
通过lossd_s对判别器权值进行反向传播优化;
步骤5.5、在若干个周期下轮流训练生成器与判别器,循环进行步骤5.2到5.4,使生成器生成图像与真实分跨设计图误差在预设范围内,判别器判断生成案例与真实设计分跨图的准确性逐步提高,直至判别器对生成方案和真实方案的判断准确性稳定在纳什均衡。
进一步的,其步骤(6)中,方法使用包括以下步骤:
步骤6.1、输入新设计案例的设计数据,构建新的初步条件向量集Tv1x,使用自动建模绘制器绘制新的地质草图集Tcx,
步骤6.2、使用桥型选择网络获得该设计案例的新桥型选择集Txx,使用新的初步条件向量集Tv1x与新桥型选择集Txx在第0维拼接,得到新的完整条件向量集Tv2x,使用生成器网络完成新分跨设计图集Tsx的自动设计。
至此,已经完成了使用本发明所提出的基于生成对抗神经网络的梁桥分跨智能设计方法,完成跨线桥和通航桥的智能分跨设计。但以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (7)
1.一种基于生成对抗神经网络的梁桥分跨智能设计方法,其特征在于,该方法包括以下步骤:
(1)构建训练样本集,构建自动建模绘制器,使用绘制器提取梁桥实例的地形数据生成标准化的地质草图集Tc;使用绘制器提取梁桥实例的设计数据生成分跨设计图集Ts,从桥梁实例提取预计跨径,根据预计日交通量以及可用桥型数量构建初步条件向量集Tv1,从桥梁实例提取实例选用的桥型数据构建训练样本的桥型选择集Tx,使用生成的地质草图集Tc,分跨设计图集Ts,初步条件向量集Tv1与桥型选择集Tx作为训练样本,将初步条件向量集Tv1与桥型选择集Tx在第0维拼接,称为完整条件向量集Tv2;
(2)构建桥型选择网络并进行训练,将地质草图集Tc与初步条件向量集Tv1输入桥型选择网络,通过多模态输入处理,卷积特征提取与全连接层分类得到网络的桥型选择集Txt,以Txt与Tx的均方误差为误差函数,通过SGD算法反向传播对网络进行训练;
(3)构建分跨生成器网络,分跨生成器网络由地质草图集特征提取网络,条件向量构建网络,桥涵设计状况特征融合网络,生成绘制网络构成;
(4)构建分跨判别器网络,分跨判别器网络由局部判别器和全局判别器构成;
(5)进行生成对抗训练,将地质草图集Tc输入分跨生成器的地质草图集特征提取网络,将完整条件向量集Tv2输入分跨生成器的条件向量构建网络,在若干个周期下轮流训练生成器与判别器,使生成器生成图像与真实分跨设计图相差在预设范围内,直至判别器对生成方案和真实方案的判断准确性稳定在纳什均衡;
(6)使用性能评估合格的自动建模绘制器,桥型选择网络与生成器网络,输入新设计案例的设计数据,构建新的初步条件向量集Tv1x,使用自动建模绘制器绘制新的地质草图集Tcx,使用桥型选择网络获得该设计案例的新桥型选择集Txx,构建新的完整条件向量集Tv2x,再使用生成器网络完成新分跨设计图集Tsx的自动设计。
2.根据权利要求1所述的一种基于生成对抗神经网络的梁桥分跨智能设计方法,其特征在于,步骤(1)中,所述构建训练样本集包含以下步骤:
步骤1.1、从输入数据或图纸读取设计地质信息,绘制地质草图集Tc,地质草图集Tc为地质情况纵断面图,包括各设计水位,地理线,桥面高程,桥面上方最小垂直净空,梁桥上部结构简图,不良地质段,通航净空区域,跨线行车道净空区域,土质情况,地震情况,材料使用的设计情况,其中,不良地质段定义为认定为在设计任务中明确不适宜设墩的地质段,在输入时表现为一个形状为[Nb,2]的二维矩阵,Nb为不连续的不良地质段数,矩阵第一列表示每一不良地质段的起点,矩阵第二列表示每一不良地质段的终点;土质情况标识为地理线下的不同颜色,材料使用情况标识为桥涵各结构的颜色色块,根据不同的桥涵情况,增加绘制不同的地质草图信息:
通航桥将读取输入的桥面高程与预计跨径,将预计跨径与桥面高程到最大水深高程之差两者中较大者同比放缩到设计图预定的像素位,另一者保持横纵比例不变放缩到像素位,根据可选的桥面上方建筑高度最小垂直净空以及预计高跨比初步估算上部结构建筑高度,以不同的颜色标注不同材料绘制出上部结构纵断面;如果数据库或输入未给定航道等级,根据水体宽度试算航道等级,于河道中心对称绘制若干多边形航行净空块,再根据河流当地的防洪,流冰,桥墩壅水设防水位为不同水位的水体着色;
跨线桥将读取输入的桥面高程与预计跨径,将预计跨径与桥面高程到通行道地面高程两者中较大者同比放缩到设计图预定的像素位,另一者保持横纵比例不变放缩到像素位,根据可选的桥面上方建筑高度最小垂直净空以及预计高跨比初步估算上部结构建筑高度,以不同的颜色标注不同材料绘制出上部结构纵断面,在行车道位置仿照通航桥绘制行车道净空区域,对于不良地质,如果不良地质来源于土质因素,在地理线下方区段红色标注;如果来源于障碍因素,在水体及地理线下标注出详细起止及净空要求,不良地质亦标注为红色;
步骤1.2、从输入梁桥设计数据读取设计地质信息,绘制分跨设计图集Ts,分跨设计图集Ts为地质情况纵断面图,包括各设计水位,地理线,桥面高程,梁桥上部结构简图,梁桥分跨情况,梁桥下部结构各桥墩位置及尺寸,不良地质段,通航净空区域,跨线行车道净空区域,土质情况,地震情况,材料使用情况,其中,不良地质段定义同步骤1.1,土质情况标识为地理线下的不同颜色,材料使用情况标识为桥涵各结构的颜色色块,桥墩的任何选型形式与材料选用均需要使用不同颜色标注,与前述地质草图集Tc不同,分跨设计图集Ts添加绘制了桥墩的细部数据,在绘制时,只精确确定桥墩的起点,桥墩的纵断面宽度表征的是桥墩平截面的名义半径dm:
V:桥墩的平截面平均面积
π:圆周率常数
对于通航桥与跨线桥的不同特点,分跨设计图需要不同的额外标注:对于通航桥的标注,桥墩颜色根据通航桥各水位进行区别标注;对于跨线桥的标注,除了按照普通梁桥标注格式外,还额外标注跨线类型,最小左侧横向净空,最小右侧横向净空与最小垂直地下净空高程计算跨线道对桥墩设计的限制,其中,跨线类型分为公路地下结构,铁路地下结构与非地下结构,以不同的净空规制与颜色来标识不同的结构类型,通行道最小左侧横向净空指从公路的右边缘或铁路列车右轨的中心线开始到最近的桥体结构或坡脚的距离,最小左侧横向净空指从公路的左边缘或铁路列车左轨的中心线开始到最近的桥体结构或坡脚的距离;
步骤1.3、直接从桥梁实例提取预计跨径,预计日交通量以及可用桥型数量构建初步条件向量集Tv1,初步条件向量集Tv1是一个形状为[Ns,Nv1]的二维张量,Ns为训练样本数,Nv1为初步条件向量集长度:
Nv1=2+n
n为可选择的桥型总数;
初步条件向量集Tv1中,[Nsi,1]表示第Nsi个训练样本的预计跨径,以单精度数值表示;[Nsi,2]表示第Nsi个训练样本的预计日交通量,以单精度数值表示;[Nsi,3]到[Nsi,Nv1]均为单精度数0;
步骤1.4、从桥梁实例提取实例选用的桥型数据构建训练样本的桥型选择集Tx,桥型选择集Tx是一个形状为[Ns,n]的二维张量,Ns为训练样本数,n为可选择的桥型总数;Tx应标识为独热编码格式:
Tx=∑[Tx1,Tx2,......Txn]
Txi为第i种桥型的使用概率,为0-1之间的float数值,在标注时,未使用的桥型为0,使用的为1;
步骤1.5、将初步条件向量集Tv1与桥型选择集Tx进行拼接:将初步条件向量集Tv1与桥型选择集Tx均以二维张量的形式表达,在Tv1每一训练样本的数据后拼接上Tx中该训练样本的数据,得到完整条件向量集Tv2。
3.根据权利要求1所述的一种基于生成对抗神经网络的梁桥分跨智能设计方法,其特征在于,步骤(2)中,所述的构建桥型选择网络并进行训练包括以下步骤:
步骤2.1、将接受构成地质草图集Tc以及初步条件向量集Tv1为输入,将Tc与Tv1各自通过多个卷积层构成的嵌入层放缩到统一形状的四通道融合桥型选择特征集Trq;
步骤2.2、通过3层全连接层为中间层将Trq逐步映射到Nq维的多分类桥型选择输出层,Nq为可供选择的桥型数量,桥型选择输出层以softmax层为激活层对当前地质情况下各桥型选择的优先级进行排序,得到桥梁选择网络的桥型选择推荐集Txt:
Txt=∑[Txt1,Txt2,......Txtn]
Txti为网络得到的第i种桥型的使用概率,为0-1之间的float数值;
步骤2.3、定义损失函数:
Txi:标注的第i种桥型的使用概率,为0-1之间的float数值,在标注时,未使用的桥型为0,使用的为1;
使用losstype更新训练样本的权重,进行桥型选择网络的迭代训练,训练次数为Nj。
4.根据权利要求1所述的一种基于生成对抗神经网络的梁桥分跨智能设计方法,其特征在于,步骤(3)中,所述的生成器的构建包括以下部分与步骤:
步骤3.1、生成器包括地质草图的特征提取网络,将同一批次的地质草图集Tc输入网络,以顺序进行包括但不限于批标准化,反卷积层,随机dropout,线性层的方式进行特征提取与扩张,分析地质草图的特征情况,称输出结果为地质草图特征向量Xc,设特征向量维度为Nc,输入草图为RGB三通道彩图,Xc应当为规模为[3,Nc]的二维张量;
步骤3.2、生成器包括条件向量的构建网络,将完整条件向量集Tv2以顺序进行包括但不限于批标准化,反卷积层,随机dropout,线性层的方式进行特征提取,并通过多个反卷积层将条件向量拓展到与地质草图相同的特征向量维度Nc,此时条件向量特征向量Xt是规模为[1,Nc]的二维张量;
步骤3.3、生成器包括桥涵设计状况的特征融合网络,对步骤3.1所述的地质草图特征向量Xc和步骤3.2所示的条件特征向量Xt输入网络,使用多层卷积进行下采样,顺序进行包括但不限于批标准化,随机dropout,线性层,使用LeakyRelu激活函数减小异常值影响,输出桥涵设计状况的融合特征Tr,设融合特征向量维度为Nr,Tr为[4,Nr]的二维张量;
步骤3.4、生成器包括生成绘制网络,对步骤3.3的桥涵设计状况的融合特征Tr,对其进行多层反卷积扩张尺寸以进行上采样,反卷积核规模自动选取能被生成设计图像整除的大小,每层顺序进行包括但不限于批标准化,随机dropout过程,并在尾部添加数层正卷积以压缩并减少棋盘效应,将该结果进行重变形操作,输出为一张预设大小的设计分跨图。
5.根据权利要求4所述的一种基于生成对抗神经网络的梁桥分跨智能设计方法,其特征在于,步骤(4)中,所述的分跨判别器的构建包括以下步骤:
步骤4.1、使用全局特征的全局判别器,输入一个分跨设计图,使用多层卷积层进行上采样,后续为多层线性全连接层,输出层为仅有1个参数的判断层,判断其是否为系统生成而成;
步骤4.2、使用局部地质特征的局部判别器,输入一个分跨设计图,使用多层卷积层进行上采样后,输出为一个矩阵,每个值表示输入设计分跨成稿中每个区域对应的真假,取每个区域的平均值作为局部判别器的最终结果。
6.根据权利要求5所述的一种基于生成对抗神经网络的梁桥分跨智能设计方法,其特征在于,其步骤(5)中,进行生成对抗训练包括以下步骤:
步骤5.1、将地质草图集Tc输入分跨生成器的地质草图特征提取网络,预计跨径以及桥型构成的完整条件向量集Tv2输入分跨生成器的条件向量构建网络,根据前述的生成器构成,将得到桥涵设计状况的融合特征集Tr,将桥涵设计状况的融合特征集Tr输入生成绘制网络以获得生成分跨设计图集Tg;
步骤5.2、将生成分跨设计图集Tg输入前述的分跨判别器得到生成设计的分跨合理性向量Xg;
Ns为训练样本数;
Xgi为第i个生成设计的判别器判断出的合理性,为0-1之间的float数值;
定义生成器的损失函数为:
通过lossg对生成器权值进行反向传播优化;
步骤5.3、将真实分跨设计图集Ts输入判别器,得到真实设计的分跨合理性向量Xd:
Ns:训练样本数
Xdi:第i个真实设计的判别器判断出的合理性,为0-1之间的float数值;
定义判别器对真实设计的损失函数为:
通过lossd_z对判别器权值进行反向传播优化;
步骤5.4、定义判别器对生成设计的损失函数为:
Ns:训练样本数
Xgi:第i个生成设计的判别器判断出的合理性,为0-1之间的float数值;
通过lossd_s对判别器权值进行反向传播优化;
步骤5.5、在若干个周期下轮流训练生成器与判别器,循环进行步骤5.2到5.4,使生成器生成图像与真实分跨设计图误差在预设范围内,判别器判断生成案例与真实设计分跨图的准确性逐步提高,直至判别器对生成方案和真实方案的判断准确性稳定在纳什均衡。
7.根据权利要求1所述的一种基于生成对抗神经网络的梁桥分跨智能设计方法,其特征在于,其步骤(6)中,方法使用包括以下步骤:
步骤6.1、输入新设计案例的设计数据,构建新的初步条件向量集Tv1x,使用自动建模绘制器绘制新的地质草图集Tcx,
步骤6.2、使用桥型选择网络获得该设计案例的新桥型选择集Txx,使用新的初步条件向量集Tv1x与新桥型选择集Txx拼接,得到新的完整条件向量集Tv2x,使用生成器网络完成新分跨设计图集Tsx的自动设计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211596994.9A CN115718950A (zh) | 2022-12-12 | 2022-12-12 | 一种基于生成对抗神经网络的梁桥分跨智能设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211596994.9A CN115718950A (zh) | 2022-12-12 | 2022-12-12 | 一种基于生成对抗神经网络的梁桥分跨智能设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115718950A true CN115718950A (zh) | 2023-02-28 |
Family
ID=85257714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211596994.9A Pending CN115718950A (zh) | 2022-12-12 | 2022-12-12 | 一种基于生成对抗神经网络的梁桥分跨智能设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115718950A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611302A (zh) * | 2023-07-18 | 2023-08-18 | 成都理工大学 | 考虑车载随机性影响的桥梁校验系数的预测方法 |
CN118133403A (zh) * | 2024-04-30 | 2024-06-04 | 广州市城市规划勘测设计研究院有限公司 | 城市规划设计图的生成方法、装置、设备、介质及产品 |
-
2022
- 2022-12-12 CN CN202211596994.9A patent/CN115718950A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116611302A (zh) * | 2023-07-18 | 2023-08-18 | 成都理工大学 | 考虑车载随机性影响的桥梁校验系数的预测方法 |
CN116611302B (zh) * | 2023-07-18 | 2023-09-19 | 成都理工大学 | 考虑车载随机性影响的桥梁校验系数的预测方法 |
CN118133403A (zh) * | 2024-04-30 | 2024-06-04 | 广州市城市规划勘测设计研究院有限公司 | 城市规划设计图的生成方法、装置、设备、介质及产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115718950A (zh) | 一种基于生成对抗神经网络的梁桥分跨智能设计方法 | |
CN109448361B (zh) | 居民交通出行流量预测系统及其预测方法 | |
CN102289991B (zh) | 一种基于视觉变量的地图注记自动分类配置方法 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN110889562B (zh) | 一种基于情景规划的动态城市模型系统 | |
CN116258608B (zh) | 融合gis和bim三维技术的水利实时监测信息管理系统 | |
CN112348867B (zh) | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 | |
CN105787289A (zh) | 一种河流特征数据分类系统及其分类方法 | |
CN115471467A (zh) | 一种高分辨率光学遥感影像建筑物变化检测方法 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及系统 | |
CN116246169A (zh) | 基于SAH-Unet的高分辨率遥感影像不透水面提取方法 | |
CN116469066A (zh) | 地图生成方法以及地图生成系统 | |
CN115049130A (zh) | 一种基于时空金字塔的自动驾驶轨迹预测方法 | |
Langenheim et al. | Adapting a digital twin to enable real-time water sensitive urban design decision-making | |
CN114067245A (zh) | 一种铁路外部环境隐患识别方法及系统 | |
CN117610734A (zh) | 基于深度学习的用户行为预测方法、系统和电子设备 | |
CN117932763A (zh) | 基于数字孪生的高速公路交通模型构建方法 | |
CN114782915B (zh) | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 | |
CN115294545A (zh) | 一种基于深度学习的复杂路面车道识别方法及芯片 | |
CN113486135A (zh) | 基于深度学习网络的建筑物综合方法 | |
CN113591668A (zh) | 一种使用深度学习和空间分析的广域未知大坝自动探测方法 | |
CN116718178B (zh) | 一种基于行人轨迹和卫星图片补全细粒度路网的方法 | |
CN117270913B (zh) | 地图更新方法、装置、电子设备和存储介质 | |
Hengl et al. | Geomorphometry in ILWIS |
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 |