CN115906663A - 房屋安全评估模型建立方法、评估方法、服务器及系统 - Google Patents
房屋安全评估模型建立方法、评估方法、服务器及系统 Download PDFInfo
- Publication number
- CN115906663A CN115906663A CN202211674421.3A CN202211674421A CN115906663A CN 115906663 A CN115906663 A CN 115906663A CN 202211674421 A CN202211674421 A CN 202211674421A CN 115906663 A CN115906663 A CN 115906663A
- Authority
- CN
- China
- Prior art keywords
- house
- evaluation
- security
- characteristic information
- building
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种房屋安全评估模型建立方法、评估方法、服务器及系统,其中,建立方法包括:提取若干房屋的样本数据;对样本数据进行格式化;从格式化后的样本数据中选取一部分作为训练样本数据输入至深度学习网络进行训练;从格式化后的样本数据中选取另一部分作为测试样本数据输入至训练后的深度学习网络,测试训练后的深度学习网络的计算精度,当计算精度不满足预期要求时,调整深度学习参数以及增加样本数据量重新训练,直至计算精度满足预期要求。采用本发明,实现了对房屋建筑群安全性能的高频、广域、快速、精准评估,可广泛应用于城市房屋建筑群的结构安全风险管控,提高了房屋建筑的风险管控效率,节省了人力物力。
Description
技术领域
本发明涉及机器人技术领域,特别是涉及一种房屋安全评估模型建立方法、评估方法、服务器及系统。
背景技术
传统的房屋安全鉴定工作由专家从专业原理角度对房屋安全进行评估,评估结果可靠性高。但从收集数据、分析计算到出具报告一般需要10天至15天的工作周期,时效性和成本均有一定劣势,无法实现高频、广域、快速评估。
此外,现有结构安全监测系统可针对结构的沉降、倾斜、应力(应变)以及振动等参数的数据进行采集,并将实时数据在客户端进行展示,但绝大部分仅展示各监测参数的数据和相应阈值的比较,不能对监测对象的结构安全性进行评估。
发明内容
本发明实施例旨在提供一种房屋安全评估模型建立方法、评估方法、服务器及系统,以解决现有技术中无法对房屋的结构安全性进行高频、广域、快速评估的问题。
为解决上述技术问题,本发明实施例提供以下技术方案:
根据本发明的一方面,提供一种基于深度学习的房屋安全评估模型的建立方法,所述建立方法包括:
提取若干房屋的样本数据,所述样本数据包括样本特征和样本标签,所述样本特征包括房屋的静态特征信息和第一动态特征信息,所述样本标签为房屋的安全评估等级;
对所述样本数据进行格式化,得到格式化后的样本数据;
从所述格式化后的样本数据中选取一部分作为学习样本数据输入至深度学习网络,对深度学习网络进行训练,得到训练后的深度学习网络;
从所述格式化后的样本数据中选取另一部分作为测试样本数据输入至所述训练后的深度学习网络,用于测试所述训练后的深度学习网络的精度;当所述训练后的深度学习网络的计算精度不满足预期要求时,通过调整深度学习参数以及增加样本数据量重新训练深度学习网络,直至深度学习网络的计算精度满足预期要求。
可选地,所述深度学习网络为三层线性网络,第一层网络的输入特征为格式化后的样本特征,输出特征为第一学习特征,所述第一学习特征的特征数量是所述格式化后的样本特征的特征数量的三分之一并向上取整;第二层网络的输入特征为所述第一学习特征,输出特征为第二学习特征,所述第二学习特征的特征数量是所述第一学习特征的特征数量的三分之一并向上取整;第三层网路的输入特征为所述第二学习特征,输出特征为独热向量特征,所述独热向量特征的特征数量与所述安全评估等级数相同,并且一一对应。
可选地,所述静态特征信息包括地理位置、建筑层数、建筑高度、建筑面积、建设场地地质情况、地形地貌、周边不利因素、与海岸线距离、设计时间、竣工时间、鉴定时间、建筑功能、基础形式、结构形式、抗震设防烈度、抗震设防类别、加建改建情况、加固处理情况、代表性构件强度、不均匀沉降产生裂缝情况、围护结构破损或渗漏情况、主体结构锈蚀情况、氯离子含量最大值、主要承重构件保护层厚度偏差、主要承重构件配筋情况、墙柱轴压比、代表性部位危险构件比例、超载情况以及受灾情况中任意一个或多个,所述第一动态特征信息包括建筑物倾斜信息和/或建筑物沉降信息。
根据本发明的另一方面,提供一种房屋安全评估方法,所述评估方法包括:
获取待评估房屋的静态特征信息和第一动态特征信息;
将所述静态特征信息和所述第一动态特征信息输入至采用上述任一项所述建立方法建立的房屋安全评估模型,以使所述房屋安全评估模型对所述待评估房屋进行第一安全性能评估,得到所述待评估房屋的第一评估结果;
将所述待评估房屋的第一评估结果作为所述待评估房屋的安全性能评估结果。
可选地,所述评估方法还包括:
获取所述待评估房屋的第二动态特征信息,所述第二动态特征信息包括建筑物物振动速度、振动加速度、关键构件的应变信息中任意一个或多个;
将所述静态特征信息的部分或全部、第一动态特征信息和第二动态特征信息输入至预设的物理评估模型,以使所述预设的物理评估模型对所述待评估房屋进行第二安全性能评估,得到所述待评估房屋的第二评估结果;
根据所述第一评估结果和所述第二评估结果确定所述待评估房屋的安全性能评估结果。
根据所述获取待评估房屋的静态特征信息、第一动态特征信息和预设的初步评估规则对房屋建筑的结构安全性能进行初步评估,得到所述房屋的初步评估结果;
若所述房屋的初步评估结果为重点房屋建筑或安全性能较差的房屋建筑,则为所述房屋设置动态数据采集装置,以对所述房屋的动态特征信息进行实时监测,所述动态数据采集设备包括传感器和数据采集单元,所述传感器包括建筑物沉降检测传感器、倾斜检测传感器、应变检测传感器和振动检测传感器中任意一种或多种的组合。。
可选地,所述安全性能评估结果包括所述待评估房屋的安全评估等级,所述安全评估等级包括第一安全等级、第二安全等级、第三安全等级和第四安全等级,所述评估方法还包括:
根据各所述待评估房屋的安全性能评估结果,从所述安全性等级为第三安全等级和第四安全等级的房屋中、按预设的规则选取部分房屋作为待复核房屋;
获取所述待复核房屋的专项安全鉴定结果;
根据所述专项安全鉴定结果对所述待复核房屋的安全性能评估结果进行复核,得到所述待复核房屋的复核结果;
基于所述待复核房屋的复核结果优化所述房屋安全评估模型。
根据本发明的再一方面,提供一种房屋安全评估服务器,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现上述任一项所述方法的步骤。
根据本发明的再一方面,提供一种房屋安全评估系统,包括动态数据采集装置和上述所述的房屋安全评估服务器;
所述动态数据采集装置,设置于房屋侧,包括传感器和数据采集单元,
所述传感器,通过局域网与所述数据采集单元建立第一通信连接,采集房屋的各项动态特征信息,并将各项动态特征信息基于所述第一通信连接传输至所述数据采集单元;
所述数据采集单元,还通过广域网与所述房屋安全评估服务器建立第二通信连接,并将各项动态特征信息基于所述第二通信连接传输至所述房屋安全评估服务器。
根据本发明的又一方面,提供一种计算机可读存储介质,述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,所述处理器执行上述任一项所述方法的步骤。
本发明实施例的有益效果是:区别于现有技术的情况,本发明实施例中,先提取若干房屋的样本数据,通过深度学习方法建立房屋安全评估模型,然后获取待评估房屋的静态特征信息和动态特征信息,基于前述建立的房屋安全评估模型对待评估房屋进行第一安全性能评估,得到待评估房屋的第一评估结果,并将待评估房屋的第一评估结果作为待评估房屋的安全性能评估结果。采用本发明,充分利用大量已有房屋建筑的检测鉴定报告,通过机器学习建立房屋安全评估模型,并基于该房屋安全评估模型实现对房屋建筑群安全性能的高频、广域、快速、精准评估,可广泛应用于城市房屋建筑群的结构安全风险管控,提高了房屋建筑的风险管控效率,节省了人力物力。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明实施例一提供的一种可选的基于深度学习的房屋安全评估模型的建立方法流程图;
图2是本发明实施例二提供的一种可选的房屋安全评估方法流程图;
图3是本发明实施例二提供的另一种可选的房屋安全评估方法流程图;
图4是本发明实施例三提供的一种可选的房屋安全评估服务器的结构示意图;
图5是本发明实施例四提供的一种可选的房屋安全评估系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
根据本发明实施例,提供一种基于深度学习的房屋安全评估模型的建立方法。需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
请参阅图1,图1所示是本发明实施例一提供的一种可选的基于深度学习的房屋安全评估模型的建立方法流程图,可应用于房屋安全评估系统。所述方法包括:
步骤S101,提取若干房屋的样本数据。
所述房屋包括民用建筑、工业建筑等。所述样本数据包括样本特征和样本标签,所述样本特征包括房屋的静态特征信息和第一动态特征信息,所述样本标签为房屋的安全评估等级。
在一些实施例中,静态特征信息包括:地理位置、建筑层数、建筑高度、建筑面积、建设场地地质情况、地形地貌、周边不利因素、与海岸线距离、设计时间、竣工时间、鉴定时间、建筑功能、基础形式、结构形式、抗震设防烈度、抗震设防类别、加建改建情况、加固处理情况、代表性构件强度、不均匀沉降产生裂缝情况、围护结构破损或渗漏情况、主体结构锈蚀情况、氯离子含量最大值、主要承重构件保护层厚度偏差、主要承重构件配筋情况、墙柱轴压比、代表性部位危险构件比例、超载情况以及受灾情况中任意一个或多个;第一动态特征信息包括:建筑物倾斜信息和/或建筑物沉降信息。
在一些实施例中,从若干房屋的检测鉴定报告中提取样本数据。所述检测鉴定报告为人工按照《民用建筑可靠性鉴定标准》GB50929或按照《危险房屋鉴定标准》JGJ125对若干房屋进行鉴定所得,可为纸质报告或电子报告。若为纸质报告,则先通过OCR(OpticalCharacter Recognition,光学字符识别)方式将纸质报告转变为电子报告。从电子报告中按照报告的模板提取出用于建立房屋评估模型所需的样本数据。
在另一些实施例中,还可从行业主管等部门的既有房屋安全管理系统中提取静态特征信息,并由房屋安全专业人士进行调查录入动态特征信息。
在本发明实施例中,房屋的安全评估等级包括第一安全等级、第二安全等级、第三安全等级和第四安全等级。具体的,可按照《民用建筑可靠性鉴定标准》GB50929或按照《危险房屋鉴定标准》JGJ125对房屋的安全性能进行评估。若采用《民用建筑可靠性鉴定标准》GB50929,则样本标签的值为Asu、Bsu、Csu、Dsu的其中之一,即第一安全等级为Asu、第二安全等级为Bsu、第三安全等级为Csu、第四安全等级为Dsu。各安全等级的具体含义如下:Asu级:结构承载力能满足正常使用要求,未腐朽危险点,房屋结构安全;Bsu级:结构承载力基本满足正常使用要求,个别结构构件处于危险状态,但不影响主体结构,基本满足正常使用要求;Csu级:部分承重结构承载力不能满足正常使用要求,局部出现险情,构成局部危房;Dsu级:承重结构承载力已不能满足正常使用要求,房屋整体出现险情,构成整幢危房。若采用《危险房屋鉴定标准》JGJ125,则样本标签的值为A、B、C、D的其中之一。即第一安全等级为A、第二安全等级为B、第三安全等级为C、第四安全等级为D。各安全等级的具体含义如下:A级:无危险构件,房屋结构能满足安全使用要求;B级:个别结构构件评为危险构件,但不影响主体结构安全,基本能满足安全使用要求;C级:部分承重结构不能满足安全使用要求,房屋局部处于危险状态,构成局部危房;D级:承重结构已不能满足安全使用要求,房屋整体处于危险状态,构成整株危房。
步骤S102,对所述样本数据进行格式化,得到格式化后的样本数据。
具体的,建筑层数、建筑高度、建筑面积、与海岸线距离、设计时间、竣工时间、鉴定时间、氯离子含量最大值、建筑物倾斜以及建筑物沉降信息,共计10项的数据类型为int、float32、float64,并对这些数据进行归一化处理。其余数据为虚拟变量格式。
步骤S103,从所述格式化后的样本数据中选取一部分作为学习样本数据输入至深度学习网络,对深度学习网络进行训练,得到训练后的深度学习网络。
在一些实施例中,深度学习网络为三层线性网络,第一层网络的输入特征为格式化后的样本特征,输出特征为第一学习特征,所述第一学习特征的特征数量是所述格式化后的样本特征的特征数量的三分之一并向上取整;第二层网络的输入特征为所述第一学习特征,输出特征为第二学习特征,所述第二学习特征的特征数量是所述第一学习特征的特征数量的三分之一并向上取整;第三层网路的输入特征为所述第二学习特征,输出特征为独热向量特征,所述独热向量特征的特征数量与所述安全评估等级数相同,并且一一对应。比如,假设静态特征信息包括上述所有的29种信息,第一动态特征信息包括上述的2种信息,则第一层网络的输入特征的特征数量为31,第二层网络的输入特征的特征数量为11,第三层网络的输入特征数量为4,输出特征数量为4,为四个安全评估等级对应的四个独热向量特征。
在一些实施例中,每层网络之间采用Relu激活函数。采用Adam优化算法和CrossEntropy损失函数。设置合适的学习率、batchsize和epoch次数。为充分利用样本数据,采用8折交叉验证。为提高模型的泛化能力,采用dropout正则化方法。
步骤S104,从所述格式化后的样本数据中选取另一部分作为测试样本数据输入至所述训练后的深度学习网络,用于测试所述训练后的深度学习网络的精度,当训练后的深度学习网络的计算精度不满足预期要求时,通过调整深度学习参数以及增加样本数据量重新训练深度学习网络,直至深度学习网络的计算精度满足预期要求。
在对训练后的深度学习网络进行测试时,定义模型在验证集的准确率计算方法。将模型预测结果与样本标签对比,预测结果与样本标签一致的数量与预测总数量之比即为准确率。当训练后的深度学习网络的计算精度不满足预期要求时,不断调整学习率、dropout、batchsize和epoch等超参数,对深度学习网络重新进行训练,直至深度学习网络的计算精度满足预期要求时,完成模型训练。该计算精度满足预期要求的深度学习网络即为建立好的房屋安全评估模型。可选地,房屋安全评估模型的准确率(即计算精度)不小于95%。
在一些实施例中,除采用机器学习方法建立房屋的安全评估模型外,房屋安全评估系统还从房屋结构安全专业角度建立物理评估模型,通过分析房屋结构振动及结构温度数据,与机器学习的评估模型共同对房屋安全性能进行评估。该物理评估模型具体为基于《民用建筑可靠性鉴定标准》GB50929或《危险房屋鉴定标准》JGJ125针对各项特征设置的若干约束规则。物理评估模型对应的各项特征包括静态特征信息的部分或全部、第一动态特征信息和第二动态特征信息,其中,第二动态特征信息包括建筑物物振动速度、振动加速度、关键构件的应变信息中任意一个或多个。
实施例二
根据本发明实施例,提供一种房屋安全评估方法。请参阅图2,图2所示是本发明实施例二提供的一种可选的房屋安全评估方法流程图,可应用于房屋安全评估系统。所述方法包括:
步骤S201,获取待评估房屋的静态特征信息和第一动态特征信息。
静态特征信息的范围如实施例一所述,可通过行业主管等部门的既有房屋安全管理系统获取,或由房屋安全专业人士进行调查录入。
在一些实施例中,在步骤S201之前,还包括:根据静态特征信息的部分或全部、第一动态特征信息和预设的初步评估规则对房屋建筑的结构安全性能进行初步评估,得到所述房屋的初步评估结果;若所述房屋的初步评估结果为重点房屋建筑或安全性能较差的房屋建筑,则为所述房屋设置动态数据采集装置,以对所述房屋的动态特征信息进行实时监测。。对于其他的情况,由于房屋风险低,为了控制成本,所以不安装传感器对其进行监测。静态特征信息静态特征信息在一些实施例中,初步评估是指当各项特征信息的指标接近规范限值时或者房屋重要性高时,将对应房屋筛选出来,为其设置动态数据采集装置。
具体的,根据房屋的结构特征和现状,布置动态数据采集装置,该动态数据采集设备包括传感器和数据采集单元,所述传感器包括建筑物沉降检测传感器、倾斜检测传感器、应变检测传感器和振动检测传感器中任意一种或多种的组合。其中,倾斜检测传感器包括倾斜仪等,沉降检测传感器包括静力水准等,振动检测传感器包括磁电式拾振器、加速度型振动传感器等。对于倾斜及沉降检测传感器仅能测试房屋建筑结构倾斜及沉降的当前及后续的变化量。因此,房屋建筑结构当前及后续的倾斜及沉降的累计值应采用光学测量仪器等设备测量房屋建筑结构当前的倾斜及沉降值作为初始值,在初始值基础上叠加倾斜及沉降传感器测试的当前及后续的变化量。各传感器通过无线或有线局域网与数据采集单元建立第一通信连接,采集房屋的各项动态特征信息,并将各项动态特征信息基于第一通信连接传输至数据采集单元。数据采集单元还通过以太网或4G、5G等移动通信网络与房屋安全评估服务器建立第二通信连接,将各项动态特征信息基于第二通信连接传输至搭载有房屋安全评估模型的房屋安全评估服务器。
步骤S202,将所述静态特征信息和所述第一动态特征信息输入至预先采用实施例一中方法建立的房屋安全评估模型,以使所述房屋安全评估模型对所述待评估房屋进行第一安全性能评估,得到所述待评估房屋的第一评估结果。
安全评估模型根据录入的静态特征信息和实时传输的第一动态特征信息进行运算,对待评估房屋进行第一安全性能评估,得到所述待评估房屋的第一评估结果。所述第一评估结果包括所述待评估房屋的安全评估等级,所述安全评估等级包括第一安全等级、第二安全等级、第三安全等级和第四安全等级,具体等级含义如实施例一所述。
步骤S203,将所述待评估房屋的第一评估结果作为所述待评估房屋的安全性能评估结果。
在一些实施例中,房屋安全评估服务器将待评估房屋的安全性能评估结果发送至客户端,以使得客户端实时显示待评估房屋的安全性能评估结果,当待评估房屋的安全评估等级为第三安全等级或第四安全等级时,还可发出相应的警报。
针对实施例一建立的房屋评估模型不能覆盖的情况或者模型计算不合理的情况,本发明实施例提供一种将机器学习模型和物理评估模型相结合的房屋安全评估方法。请参阅图3,图3所示是本发明实施例二提供的另一种可选的房屋安全评估方法流程图,可应用于房屋安全评估系统。所述方法包括:
步骤S301,获取待评估房屋的静态特征信息和第一动态特征信息。
步骤S302,将所述静态特征信息和所述第一动态特征信息输入至采用实施例一中方法建立的房屋安全评估模型,以使所述房屋安全评估模型对所述待评估房屋进行第一安全性能评估,得到所述待评估房屋的第一评估结果。
步骤S301、S302分别与步骤S201、S202相同,在此不再赘述。
步骤S303,获取所述待评估房屋的第二动态特征信息。
所述第二动态特征信息包括建筑物物振动速度、振动加速度、关键构件的应变信息中任意一个或多个。
步骤S304,将所述静态特征信息的部分或全部、第一动态特征信息和所述第二动态特征信息输入至预设的物理评估模型,以使所述预设的物理评估模型对所述待评估房屋进行第二安全性能评估,得到所述待评估房屋的第二评估结果。
第二评估结果的类型与第一评估结果相同,也包括所述待评估房屋的安全评估等级,所述安全评估等级包括第一安全等级、第二安全等级、第三安全等级和第四安全等级。
该物理评估模型由基于各项静态特征和各项动态特征设置的若干约束规则组成。比如,当一房屋的倾斜变化信息大于第一限定值且小于第二限定值时,将房屋的安全评估等级评估为C,当一房屋的倾斜变化信息大于或等于第二限定值时,将房屋的安全评估等级评估为D。可以理解的是,物理评估模型在基于倾斜变化信息评估房屋的安全性时,还可以辅助房屋的一些静态特征信息,并基于不同的静态特征信息,设定不同的限定值。
步骤S305,根据所述第一评估结果和所述第二评估结果确定所述待评估房屋的安全性能评估结果。
具体的,当第一评估结果与第二评估结果一致时,则待评估房屋的安全性能评估结果为第一评估结果或第二评估结果;当第一评估结果与第二评估结果不一致时,则待评估房屋的安全性能评估结果为二者中的较差结果。比如,第一评估结果为C,第二评估结果为B,则待评估房屋的安全性能评估结果为C。
机器学习模型是有准确率的,假设其准确率为96%,则有4%的误判情形。为减少误判,本发明实施例将机器学习模型与物理评估模型相结合。此外,由于样本的特性,机器学习模型还存在一些不能评估的情形。从动态特征来看,机器学习模型只能处理建筑物倾斜和沉降特征,不能处理振动、倾斜变化、沉降变化等变化特征。而物理评估模型则可根据这些变化特征更准确地判断出房屋的安全性能。比如,一个建筑物在发生倾斜,每天都倾斜一点点。动态数据采集装置可采集到房屋的倾斜累计值和倾斜变化值,但机器学习模型只能接受倾斜累计值去做计算。当倾斜变化过快时,机器学习模型仅通过建筑物的倾斜累计值去评估,可能达不到判断为不合格的安全等级,而物理评估模型同时根据倾斜累计值和倾斜变化值可判断出房屋的不安全性。本发明实施例将机器学习模型与物理评估模型相结合,一同对待评估房屋的的安全性能进行评估,不仅可以提高评估的准确率,而且可避免漏判。
为进一步优化模型,在一些实施例中,从安全性等级为第三安全等级和第四安全等级的房屋中、按预设的规则选取部分房屋对安全性能评估结果进行复核。所述评估方法还包括:根据各待评估房屋的安全性能评估结果,从安全性等级为第三安全等级和第四安全等级的房屋中、按预设的规则选取部分房屋作为待复核房屋;获取待复核房屋的专项安全鉴定结果;根据专项安全鉴定结果对待复核房屋的安全性能评估结果进行复核,得到待复核房屋的复核结果;基于待复核房屋的复核结果优化所述房屋安全评估模型。具体的,从安全性等级为第三安全等级的房屋中选取第一预设比例的房屋作为第一待复核房屋;从安全性等级为第四安全等级的房屋中选取第二预设比例的房屋作为第二待复核房屋,且第二预设比例大于第一预设比例。比如,选取3%的Csu级或C级房屋建筑,10%的Dsu级或D级别的房屋建筑进行专项的结构安全鉴定,并根据专项安全鉴定结果复核房屋安全评估模型的评估结果。针对出现的偏差,从专业角度进行分析,必要时进一步优化模型。
在一些实施例中,还可基于待复核房屋的静态特征信息、动态特征信息以及专项安全鉴定结果重新训练房屋安全评估模型,使房屋安全评估模型保持更优的准确率和泛化能力。同时,也可根据房屋安全评估模型的评估结果来优化物理评估模型。
本发明实施例提供的房屋安全评估方法,先提取若干房屋的样本数据,通过机器学习方法建立房屋安全评估模型,然后获取待评估房屋的静态特征信息和动态特征信息,基于前述建立的房屋安全评估模型对待评估房屋进行第一安全性能评估,得到待评估房屋的第一评估结果,并将待评估房屋的第一评估结果作为待评估房屋的安全性能评估结果。采用本发明,充分利用大量已有房屋建筑的检测鉴定报告,通过机器学习建立房屋安全评估模型,并基于该房屋安全评估模型实现对房屋建筑群安全性能的高频、广域、快速、精准评估,可广泛应用于城市房屋建筑群的结构安全风险管控,提高了房屋建筑的风险管控效率,节省了人力物力。
实施例三
根据本发明实施例,提供一种房屋安全评估服务器,如图4所示,为本发明实施例三提供的一种可选的房屋安全评估服务器的结构示意图,该房屋安全评估服务器可以包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401、通信接口402、存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行房屋安全评估模型的建立方法和评估方法,其中建立方法包括:提取若干房屋的样本数据,所述样本数据包括样本特征和样本标签,所述样本特征包括房屋的静态特征信息和第一动态特征信息,所述样本标签为房屋的安全评估等级;对所述样本数据进行格式化,得到格式化后的样本数据;从所述格式化后的样本数据中选取一部分作为学习样本数据输入至深度学习网络进行学习,得到学习后的房屋安全评估模型;从所述格式化后的样本数据中选取另一部分作为训练样本数据输入至所述学习后的房屋安全评估模型进行训练,得到训练好的房屋安全评估模型。评估方法包括:获取待评估房屋的静态特征信息和第一动态特征信息;将所述静态特征信息和所述第一动态特征信息输入至采用上述任一项所述建立方法建立的房屋安全评估模型,以使所述房屋安全评估模型对所述待评估房屋进行第一安全性能评估,得到所述待评估房屋的第一评估结果;将所述待评估房屋的第一评估结果作为所述待评估房屋的安全性能评估结果。
此外,上述存储器403中的逻辑指令可以通过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,可以存储在几个计算机可读存储介质中。基于这样的理解,本发明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,计算机软件产品存储于一个存储介质中,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)执行本发明实施例一和实施例二中任一项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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
上述产品可执行实施例一中任一所述的房屋安全评估模型的建立方法和实施例二中任一所述的房屋安全评估方法,具备方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本发明实施例一提供的房屋安全评估模型的建立方法或实施例二提供的房屋安全评估方法。
实施例四
根据本发明实施例,提供一种房屋安全评估系统。请参阅图5,图5所示为本发明实施例四提供的一种可选的房屋安全评估系统的结构示意图,所述房屋安全评估系统500包括:动态数据采集装置501和实施例三所述的房屋安全评估服务器502,其中:
动态数据采集装置501,设置于房屋侧,包括传感器5011和数据采集单元5012。
传感器5011,通过局域网与数据采集单元5012建立第一通信连接,采集房屋的各项动态特征信息,并将各项动态特征信息基于第一通信连接传输至数据采集单元5012。具体的,传感器5011有多个,包括倾斜传感器、沉降传感器、振动传感器等。
数据采集单元5012,还通过广域网与房屋安全评估服务器502建立第二通信连接,并将各项动态特征信息基于第二通信连接传输至房屋安全评估服务器502。
上述产品可执行实施例一中任一所述的房屋安全评估模型的建立方法和实施例二中任一所述的房屋安全评估方法,具备方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本发明实施例一提供的房屋安全评估模型的建立方法或实施例二提供的房屋安全评估方法。
实施例五
根据本发明实施例,提供一种计算机可读存储介质,其类型如实施例三中所述,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,所述处理器执行实施例一中所述的房屋安全评估模型的建立方法的步骤。
上述产品可执行实施例一中任一所述的房屋安全评估模型的建立方法,具备方法相应的功能模块和有益效果,未在本实施例中详尽描述的技术细节,可参见本发明实施例一中提供的房屋安全评估模型的建立方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用直至得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种基于深度学习的房屋安全评估模型的建立方法,其特征在于,所述建立方法包括:
提取若干房屋的样本数据,所述样本数据包括样本特征和样本标签,所述样本特征包括房屋的静态特征信息和第一动态特征信息,所述样本标签为房屋的安全评估等级;
对所述样本数据进行格式化,得到格式化后的样本数据;
从所述格式化后的样本数据中选取一部分作为学习样本数据输入至深度学习网络,对深度学习网络进行训练,得到训练后的深度学习网络;
从所述格式化后的样本数据中选取另一部分作为测试样本数据输入至所述训练后的深度学习网络,用于测试所述训练后的深度学习网络的精度,当所述训练后的深度学习网络的计算精度不满足预期要求时,通过调整深度学习参数以及增加样本数据量重新训练深度学习网络,直至深度学习网络的计算精度满足预期要求。
2.根据权利要求1所述的建立方法,其特征在于,所述深度学习网络为三层线性网络,第一层网络的输入特征为格式化后的样本特征,输出特征为第一学习特征,所述第一学习特征的特征数量是所述格式化后的样本特征的特征数量的三分之一并向上取整;第二层网络的输入特征为所述第一学习特征,输出特征为第二学习特征,所述第二学习特征的特征数量是所述第一学习特征的特征数量的三分之一并向上取整;第三层网路的输入特征为所述第二学习特征,输出特征为独热向量特征,所述独热向量特征的特征数量与所述安全评估等级数相同,并且一一对应。
3.根据权利要求1所述的建立方法,其特征在于,所述静态特征信息包括地理位置、建筑层数、建筑高度、建筑面积、建设场地地质情况、地形地貌、周边不利因素、与海岸线距离、设计时间、竣工时间、鉴定时间、建筑功能、基础形式、结构形式、抗震设防烈度、抗震设防类别、加建改建情况、加固处理情况、代表性构件强度、不均匀沉降产生裂缝情况、围护结构破损或渗漏情况、主体结构锈蚀情况、氯离子含量最大值、主要承重构件保护层厚度偏差、主要承重构件配筋情况、墙柱轴压比、代表性部位危险构件比例、超载情况以及受灾情况中任意一个或多个,所述第一动态特征信息包括建筑物倾斜信息和/或建筑物沉降信息。
4.一种房屋安全评估方法,其特征在于,所述评估方法包括:
获取待评估房屋的静态特征信息和第一动态特征信息;
将所述静态特征信息和所述第一动态特征信息输入至采用权利要求1至3任一项所述建立方法建立的房屋安全评估模型,以使所述房屋安全评估模型对所述待评估房屋进行第一安全性能评估,得到所述待评估房屋的第一评估结果;
将所述待评估房屋的第一评估结果作为所述待评估房屋的安全性能评估结果。
5.根据权利要求4所述的评估方法,其特征在于,所述评估方法还包括:
获取所述待评估房屋的第二动态特征信息,所述第二动态特征信息包括建筑物物振动速度、振动加速度、关键构件的应变信息中任意一个或多个;
将所述静态特征信息的部分或全部、第一动态特征信息和第二动态特征信息输入至预设的物理评估模型,以使所述预设的物理评估模型对所述待评估房屋进行第二安全性能评估,得到所述待评估房屋的第二评估结果;
根据所述第一评估结果和所述第二评估结果确定所述待评估房屋的安全性能评估结果。
6.根据权利要求4所述的评估方法,其特征在于,所述方法还包括:
根据所述静态特征信息的部分或全部、第一动态特征信息和预设的初步评估规则对房屋建筑的结构安全性能进行初步评估,得到所述房屋的初步评估结果;
若所述房屋的初步评估结果为重点房屋建筑或安全性能较差的房屋建筑,则为所述房屋设置动态数据采集装置,以对所述房屋的动态特征信息进行实时监测,所述动态数据采集设备包括传感器和数据采集单元,所述传感器包括建筑物沉降检测传感器、倾斜检测传感器、应变检测传感器和振动检测传感器中任意一种或多种的组合。
7.根据权利要求4至6任一项所述的评估方法,其特征在于,所述安全性能评估结果包括所述待评估房屋的安全评估等级,所述安全评估等级包括第一安全等级、第二安全等级、第三安全等级和第四安全等级,所述评估方法还包括:
根据各所述待评估房屋的安全性能评估结果,从所述安全性等级为第三安全等级和第四安全等级的房屋中、按预设的规则选取部分房屋作为待复核房屋;
获取所述待复核房屋的专项安全鉴定结果;
根据所述专项安全鉴定结果对所述待复核房屋的安全性能评估结果进行复核,得到所述待复核房屋的复核结果;
基于所述待复核房屋的复核结果优化所述房屋安全评估模型。
8.一种房屋安全评估服务器,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
9.一种房屋安全评估系统,包括动态数据采集装置和权利要求8所述的房屋安全评估服务器;
所述动态数据采集装置,设置于房屋侧,包括传感器和数据采集单元,
所述传感器,通过局域网与所述数据采集单元建立第一通信连接,采集房屋的各项动态特征信息,并将各项动态特征信息基于所述第一通信连接传输至所述数据采集单元;
所述数据采集单元,还通过广域网与所述房屋安全评估服务器建立第二通信连接,并将各项动态特征信息基于所述第二通信连接传输至所述房屋安全评估服务器。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,所述处理器执行如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211674421.3A CN115906663A (zh) | 2022-12-26 | 2022-12-26 | 房屋安全评估模型建立方法、评估方法、服务器及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211674421.3A CN115906663A (zh) | 2022-12-26 | 2022-12-26 | 房屋安全评估模型建立方法、评估方法、服务器及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906663A true CN115906663A (zh) | 2023-04-04 |
Family
ID=86491408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211674421.3A Pending CN115906663A (zh) | 2022-12-26 | 2022-12-26 | 房屋安全评估模型建立方法、评估方法、服务器及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906663A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033437B (zh) * | 2023-08-11 | 2024-06-04 | 陕西建大检测中心有限公司 | 一种建筑结构安全数据分析系统 |
-
2022
- 2022-12-26 CN CN202211674421.3A patent/CN115906663A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117033437B (zh) * | 2023-08-11 | 2024-06-04 | 陕西建大检测中心有限公司 | 一种建筑结构安全数据分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113744395A (zh) | 一种建筑地基沉降的监测预警方法及系统 | |
CN110610285A (zh) | 一种地下金属矿采空区危险度分级评价方法 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN114548725A (zh) | 一种基于熵权-层次分析模糊综合评价法的深基坑稳定性评估方法 | |
CN110889588A (zh) | 利用因子判断矩阵进行盾构隧道施工临近建筑物风险等级的评估方法 | |
CN111914457B (zh) | 一种输电线路塔基边坡稳定性判别方法、装置和存储介质 | |
CN111042143A (zh) | 一种基于大量监测数据分析的基坑工程预警方法和系统 | |
CN109490072A (zh) | 一种土木工程建筑用检测系统及其检测方法 | |
CN112330184B (zh) | 施工风险的预测方法、装置、设备和介质 | |
CN107122914A (zh) | 一种起重机安全性能评价方法及系统 | |
CN113900381A (zh) | 一种基于物联网的钢结构远程健康监测平台及应用方法 | |
CN115456331B (zh) | 多维多测点模型在线监控算法在监测分析系统平台的应用 | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
CN115329446A (zh) | 一种装配式建筑预制构件智能吊装过程数字孪生建模方法 | |
CN115906663A (zh) | 房屋安全评估模型建立方法、评估方法、服务器及系统 | |
CN111583067A (zh) | 一种城市地下大空间施工安全预警与应急决策方法及系统 | |
CN115879654A (zh) | 一种地下巷道稳定性预测和可靠性评价方法 | |
CN111612395A (zh) | 一种危化品车辆运输状态评估方法 | |
CN115481940A (zh) | 一种基于大数据的油气管道区域风险监测系统 | |
Chen et al. | Building vulnerability assessment in seismic areas using ensemble learning: A Nepal case study | |
CN115270527A (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
CN116245412A (zh) | 一种建筑工程现场安全监测管理系统 | |
CN111626640A (zh) | 基于中性参照对象的煤矿安全综合风险评价方法和系统 | |
CN114693114A (zh) | 地下空间结构的监测方法、装置、计算机设备及存储介质 | |
CN108549713B (zh) | 一种基于人工智能及专家互动的建筑监测方法及系统 |
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 |