CN116011084B - 结构平面布置整体生成方法、装置、电子设备及存储介质 - Google Patents
结构平面布置整体生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116011084B CN116011084B CN202310141368.9A CN202310141368A CN116011084B CN 116011084 B CN116011084 B CN 116011084B CN 202310141368 A CN202310141368 A CN 202310141368A CN 116011084 B CN116011084 B CN 116011084B
- Authority
- CN
- China
- Prior art keywords
- building
- structural
- sample
- feature
- plane layout
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000010586 diagram Methods 0.000 claims abstract description 238
- 238000013461 design Methods 0.000 claims abstract description 229
- 239000011159 matrix material Substances 0.000 claims abstract description 189
- 238000012549 training Methods 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims description 88
- 239000013598 vector Substances 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 description 46
- 238000013507 mapping Methods 0.000 description 25
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及建筑工程与人工智能技术领域,提供一种结构平面布置整体生成方法、装置、电子设备及存储介质,所述方法包括:获取待处理建筑平面布置图;对待处理建筑平面布置图进行建筑特征编码处理,赋予预设计结果,得到建筑特征矩阵;基于结构平面布置模型和建筑特征矩阵,生成待处理建筑平面布置图的结构平面布置图;结构平面布置模型是利用建筑平面布置样本图、对应的结构平面布置样本图以及结构设计评分,对预先构建的生成对抗网络进行训练,并基于训练后的生成对抗网络的生成器得到的。本发明融入多种设计概念,一步整体生成包含柱、主梁及次梁的结构平面布置图,实现从同一建筑平面生成与训练样本不一样,但皆满足设计要求的不同结构平面。
Description
技术领域
本发明涉及建筑工程与人工智能技术领域,具体而言,涉及一种结构平面布置整体生成方法、装置、电子设备及存储介质。
背景技术
框架结构是指由柱、主梁和次梁组合形成主要受力构件,共同抵抗使用过程中出现的水平荷载和竖向荷载。框架结构设计灵活性大,同一建筑平面可能有多个不同且都满足设计要求的结构平面布置。在结构设计时,构件之间相互影响和作用,需要综合考虑多种规范的制约,整体协调柱、主梁和次梁,对设计经验依赖性高。当前的人工智能结构布置方法中,人工智能模型都以所给与的样本为目标,训练生成与样本最相似的结果,但对于框架结构,所给样本只是框架结构布置的一种可能,未必是最优或最符合实际需求的设计,因而难以满足实际项目应用需求。
发明内容
本发明的目的在于提供了一种结构平面布置整体生成方法、装置、电子设备及存储介质,其能够采用生成对抗网络所给样本为基础,自动由建筑平面布置图生成与训练样本不完全一致,但也满足设计要求的框架结构平面布置图。每次生成的结构平面布置图像构件完整,包含柱、主梁及次梁,并直接体现材料强度、截面尺寸等构件信息,无需增加其他数据源或步骤进行截面数据补充。本发明步骤简洁,生成结果完善多样,具备设计结果评价,满足框架结构设计灵活的特性,符合实际项目应用的要求,提高了框架结构设计的效率和质量。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明实施例提供一种结构平面布置整体生成方法,所述方法包括:
获取待处理建筑平面布置图;
对所述待处理建筑平面布置图进行建筑特征编码处理,得到建筑特征矩阵,所述建筑特征矩阵包括建筑空间特征矩阵、建筑构件特征矩阵及预设计结果矩阵,所述建筑空间特征矩阵是对所述待处理建筑平面布置图中不同建筑空间赋值不同的颜色值得到的,所述建筑构件特征矩阵是对所述待处理建筑平面布置图中不同建筑构件赋值不同的颜色值得到的,所述预设计结果矩阵是所述待处理建筑平面布置图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值得到的;
基于结构平面布置模型和所述建筑特征矩阵,一步完整生成所述待处理建筑平面布置图的结构平面布置图,所述待处理建筑平面布置图的结构平面布置图包含柱、主梁和次梁;所述结构平面布置模型是利用建筑平面布置样本图、对应的结构平面布置样本图以及结构设计评分,对预先构建的生成对抗网络进行训练,并基于训练后的所述生成对抗网络的生成器得到的。
可选地,所述生成对抗网络包括生成器、判别器和结构设计评分器,得到所述结构平面布置模型的过程为:
获取建筑平面布置样本图和对应的结构平面布置样本图;
对所述建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;
基于所述建筑特征样本矩阵、所述结构平面布置样本图以及所述结构设计评分,对所述生成器的参数和所述判别器的参数进行优化,得到所述结构平面布置模型,所述结构设计评分是利用所述结构设计评分器根据所述建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估后得到的。
可选地,所述对所述建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵的步骤包括:
从所述建筑平面布置样本图中提取建筑空间样本特征、建筑构件样本特征及预设计结果样本特征;
为所述建筑空间样本特征中的不同建筑空间赋值不同的颜色值,得到空间特征样本矩阵;
为所述建筑构件样本特征中的不同建筑构件赋值不同的颜色值,得到构件特征样本矩阵;
根据所述预设计结果样本特征表征的所述建筑平面布置样本图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值,得到预设计结果样本矩阵;
将所述空间特征样本矩阵、所述构件特征样本矩阵及所述预设计结果样本矩阵进行尺寸对齐,使其分别占用RGB的一个通道,融合得到所述建筑特征样本矩阵。
可选地,所述基于所述建筑特征样本矩阵、所述结构平面布置样本图以及所述结构设计评分,对所述生成器的参数和所述判别器的参数进行优化,得到所述结构平面布置模型的步骤包括:
将所述建筑特征样本矩阵输入至所述生成器,得到所述建筑平面布置样本图的结构平面布置特征图;
将所述结构平面布置样本图和所述结构平面布置特征图输入至所述判别器,得到所述判别器的判别结果;
利用所述结构设计评分器根据所述建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估,得到所述结构设计评分;
利用所述判别器的判别结果和所述结构设计评分对所述判别器进行反向调节,以对所述判别器进行优化;
固定优化后的所述判别器的参数,基于所述建筑特征样本矩阵、所述生成器和优化后的所述判别器,对所述生成器进行反向调节,以对所述生成器进行优化;
重复上述步骤,对所述判别器和所述优化器进行迭代优化,得到所述结构平面布置模型。
可选地,所述利用所述判别器的判别结果和所述结构设计评分对所述判别器进行反向调节,以对所述判别器进行优化的步骤包括:
依据所述结构平面布置样本图、所述结构平面布置特征图、所述判别器的判别结果及预设的判别损失函数,计算所述判别器的损失函数值;
依据所述结构平面布置样本图、所述结构平面布置特征图、所述结构设计评分及预设的结构设计评分损失函数,计算所述结构设计评分器的损失函数值;
依据所述判别器的损失函数值及所述结构设计评分器的损失函数值,计算总目标函数的损失值,利用反向传播算法更新所述判别器的参数,以对所述判别器进行优化。
可选地,所述结构设计评分包括对所述结构平面布置样本图进行评分得到的第一评分结果数据和对所述结构平面布置特征图进行评分得到的第二评分结果数据得到的,所述依据所述结构平面布置样本图、所述结构平面布置特征图、所述结构设计评分及预设的结构设计评分损失函数,计算所述结构设计评分器的损失函数值的步骤为:
将所述第一评分结果数据转换为列向量,得到所述结构平面布置样本图的样本图评分向量;
将所述第二评分结果数据转换为列向量,得到所述结构平面布置特征图的特征图评分向量;
计算所述样本图评分向量与预设期望评分向量的第一差值向量;
计算所述特征图评分向量与所述预设期望评分向量的第二差值向量;
依据所述结构设计评分损失函数,计算所述结构设计评分器的损失函数值,所述结构设计评分损失函数表示所述第一差值向量和所述第二差值向量之间的L2损失。
可选地,所述方法还包括:
利用公式计算柱布置合理度评分值,其中,γ1为所述柱布置合理度评分值,MA为所述结构平面布置样本图或所述结构平面布置特征图对应的建筑特征矩阵,即对建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;MSc为所述结构平面布置样本图或所述结构平面布置特征图中仅保留柱的结构特征的结构特征矩阵,n为所述结构平面布置样本图或所述结构平面布置特征图中像素总数;运算得到γ1的值在0-1之间;
利用公式计算梁布置合理度评分值,其中,γ2为所述梁布置合理度评分值,N为所述结构平面布置样本图或所述结构平面布置特征图中单柱相交梁数量,N为整数,CN取值如下:
N≤1,CN取值0
1<N≤4,CN取值1
N=5,CN取值0.6
N=6,CN取值0.3
N≥7,CN取值0
m为所述结构平面布置样本图或所述结构平面布置特征图中的柱总数,γ2的值在0-1之间;
对所述结构平面布置样本图的柱布置合理度评分及所述结构平面布置样本图的梁布置合理度评分进行加权平均,得到第一评分结果数据;
对所述结构平面布置特征图的柱布置合理度评分及所述结构平面布置特征图的梁布置合理度评分进行加权平均,得到第二评分结果数据。
可选地,所述总目标函数为:
其中,Loss为所述总目标函数, 为所述判别器的损失函数,/>G为生成器,Dk为第k个判别器,k为判别器的编号,S为所述建筑特征样本矩阵,X为所述结构平面布置样本图,G(S)为将所述建筑特征样本矩阵S输入生成器G得到的结构平面布置特征图,E(S,X)为所述建筑特征样本矩阵S及所述结构平面布置样本图X的期望,ES为所述建筑特征样本矩阵S的期望,||*||1为求向量*的一范数运算,D1,D2,D3为三种不同尺度的判别器,min为取最小值的函数,/>为特征匹配损失函数,T为所述判别器Dk的网络层数,Ni为所述判别器Dk的第i层网络输入数据的数据数量,λ1为第一调节系数,/>为所述结构设计评分器的损失函数,λ2为第二调节系数。
可选地,所述固定优化后的所述判别器的参数,所述基于所述建筑特征样本矩阵、所述生成器和优化后的所述判别器,对所述生成器进行反向调节,以对所述生成器进行优化的步骤包括:
获取所述建筑平面布置样本图对应的结构平面布置样本图;
依据优化后的所述判别器的判别结果、所述结构设计评分以及所述结构平面布置样本图,计算出优化后的所述判别器的奖励值;
依据优化后的所述判别器的奖励值,利用策略梯度算法更新所述生成器的参数,直至总目标函数达到预设最小值,此时判定所述判别器的判别结果接近所述结构平面布置样本图、且所述结构设计评分逼近所述结构平面布置样本图的结构设计评分器的评分,以对所述生成器进行优化。
第二方面,本发明实施例提供一种框架结构的结构平面布置图整体生成装置,所述装置包括:
获取模块,用于获取待处理建筑平面布置图;
编码模块,用于对所述待处理建筑平面布置图进行建筑特征编码处理,得到建筑特征矩阵,所述建筑特征矩阵包括建筑空间特征矩阵、建筑构件特征矩阵及预设计结果矩阵,所述建筑空间特征矩阵是对所述待处理建筑平面布置图中不同建筑空间赋值不同的颜色值得到的,所述建筑构件特征矩阵是对所述待处理建筑平面布置图中不同建筑构件赋值不同的颜色值得到的,所述预设计结果矩阵是所述待处理建筑平面布置图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值得到的;
生成模块,用于基于结构平面布置模型和所述建筑特征矩阵,一步完整生成所述待处理建筑平面布置图的结构平面布置图,所述待处理建筑平面布置图的结构平面布置图包含柱、主梁和次梁;所述结构平面布置模型是利用建筑平面布置样本图、对应的结构平面布置样本图以及结构设计评分,对预先构建的生成对抗网络进行训练,并基于训练后的所述生成对抗网络的生成器得到的。
第三方面,本发明实施例提供一种电子设备,包括处理器和存储器,所述存储器用于存储程序,所述处理器用于在执行所述程序时,实现上述第一方面所述的结构平面布置整体生成方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的结构平面布置整体生成方法。
本发明通过对待处理建筑平面布置图进行建筑特征编码处理,得到的建筑特征矩阵包括了建筑空间特征矩阵、建筑构件特征矩阵及预设计结果矩阵,再利用训练后的生成对抗网络的生成器得到的结构平面布置模型,将建筑特征矩阵转换成待处理建筑平面布置图的框架结构的结构平面布置图,一方面,由于建筑特征矩阵是将建筑空间、建筑构件和按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后的信息融合后得到的,从整体上保证了生成的框架结构的结构平面布置图更加合理和准确,与人工设计结果更为接近,能够满足实际项目的应用需求,另一方面,利用结构平面布置模型能够从整体上一步自动生成待处理建筑平面布置图的框架结构的结构平面布置图,使得生成过程更高效,包含柱、主梁和次梁,避免不同构件分步生成导致的设计逻辑无法综合协调,影响结果的实用性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的生成对抗网络的结构示例图。
图2为本发明实施例提供的结构平面布置整体生成方法的流程示例图一。
图3为本发明实施例提供的建筑平面布置样本图及对应的建筑平面布置灰度图的示例图。
图4为本发明实施例提供的结构平面布置特征矢量图及对应的结构平面布置样本图的示例图。
图5为本发明实施例提供的结构平面布置整体生成方法的流程示例图二。
图6为本发明实施例提供的规则R2的建筑构件提取框绘制示意图。
图7为本发明实施例提供的结构特征表达图谱的数据存储架构的示例图。
图8为本发明实施例提供的结构平面布置整体生成装置的方框示意图。
图9为本发明实施例提供的电子设备的方框示意图。
图标:10-电子设备;11-处理器;12-存储器;13-总线;100-结构平面布置整体生成装置;110-训练模块;120-获取模块;130-编码模块;140-生成模块;150-评分模块。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
建筑工程结构设计正逐步进入智能化时代,通过人工智能技术,利用既有项目成果,建立深度神经网络并加以训练,是实现建筑工程结构设计自动化的主要方法,该方法能够在建筑工程结构设计过程中,部分减少依赖人的经验,一定程度上提高了处理效率,但是利用当前的技术和方法生成的结果距离实际项目使用的要求还比较远,仍然需要人工大量参与,同时得到的结果也难以满足实际项目的需求。
发明人针对上述问题进行了仔细分析,发现:框架结构设计灵活,同一建筑平面可能有多个合理且满足设计要求的结构平面布置。现有技术方案以生成与样本图尽可能一致的图像为人工智能模型的训练目标,但所给样本只是框架结构布置的一种可能,未必是最优或最符合实际需求的设计,因而难以满足实际项目应用需求。
此外,框架结构平面中的关键构件是柱和梁。柱的布置位置对平面具有极强影响,设计时既需要尽可能布置在房间的边界、规避不能进行布置的功能空间、满足基本的混凝土强度和尺寸要求,也需要考虑整体规整、互相对齐等经验因素;梁包括主梁和次梁,主梁直接与柱相连,其布置需考虑柱的空间位置关系,次梁不与柱相连,其布置需要兼顾上层的建筑空间和梁下高度,也需要与主梁距离进行协调,避免不合理的梁跨度,控制梁截面尺寸整体处于合理范围。可见,框架结构的柱和梁布置具有很强的整体性要求,需要相互协调满足规范要求和经验习惯,如果将两者分开处理,势必无法合理处理两者之间的相互影响,进而无法从整体上对结构平面进行合理布置。而现有方法,只能针对一种关键构件进行分步设计,无法实现多种规范和经验影响下的整体布置,导致其设计结果往往难以满足实际项目的需求,因此,应用于实际项目时仍然需要人工大量参与,处理效率也比较低。有鉴于此,本实施例提供一种结构平面布置整体生成方法、装置、电子设备及存储介质,其能够采用生成对抗网络所给样本为基础,自动由建筑平面布置图生成满足设计要求且不同的结构平面布置图。结构平面布置图像直接一次生成,每次生成的构件完整,同时包含柱、主梁及次梁,并直接体现材料强度、截面尺寸等构件信息,无需增加其他数据源或步骤进行构件数据补充。本发明融入多种设计概念,通过预设计处理,在建筑设计客观条件之外,响应建筑专业、结构专业和设备专业对结构平面布置的设计要求,形成具备设计师主观特征且同时具有一定普适性设计概念的预设计结果矩阵,去除输入条件的无效信息,丰富训练输入,大幅降低训练强度;提出客观的结构设计平面布置评价体系,通过与样本结果无关的设计结果评价和对损失函数的修正,在常规生成对抗网络的基础上加入结构设计评分器,利用图像中体现的数据信息计算评分值和结构设计评分损失函数,与判断器损失函数共同形成总目标函数,优化生成器,避免了训练中生成结果与训练样本趋于一致的现象,实现同一建筑平面可以生成与训练样本不完全一样,但同样合理且满足设计要求的不同结构平面布置,适应了框架结构布置灵活多变的特性。本发明生成布置效率高、质量好,符合实际工程设计的规范要求、设计概念和应用需求。
将建筑空间特征、建筑构件特征及预设计结果进行尺寸对齐,使其分别占用RGB的一个通道,融合得到建筑特征矩阵,再利用训练后的基于生成对抗网络的生成器得到的结构平面布置模型将建筑特征矩阵自动生成对应的基于框架结构的结构平面布置图,通过将建筑空间特征、建筑构件特征及预设计结果进行尺寸对齐,能够从整体上对结构平面进行合理布置,故而得到的结构平面布置图直接包含柱、主梁和次梁,且与人工设计结果更为接近,更能满足实际项目的应用需求,下面将从结构平面布置模型基于的生成对抗网络的构建、训练和应用三个主要方面进行详细描述。
本实施例首先介绍采用的生成对抗网络的结构示例图,请参照图1,图1为本发明实施例提供的生成对抗网络的结构示例图,由于建筑平面布置图不能被生成对抗网络直接处理,因此,需要首先利用图1中的建筑特征编码网络对建筑平面布置图进行特征提取,提取出其中的建筑空间特征、建筑构件特征和预设计结果,再对提取到的这些特征进行特征编码,最终得到能够直接输入生成对抗网络的建筑特征矩阵。图1中,生成对抗网络可以是pix2pix或者pix2pix-HD,生成对抗网络包括生成器、判别器和结构设计评分器,生成器可以包括一个或者多个卷积层和反卷积层,通过生成器的卷积层的卷积运算和反卷积层的返卷积运算,根据输入的建筑特征矩阵生成建筑平面布置图的结构平面布置特征图,判别器用于在生成对抗网络的训练阶段,根据目标结构平面特征图判别生成器生成的结构平面布置特征图的真伪,并利用预设损失函数计算判断器的损失值,结构设计评分器用于评价结构平面布置样本图及结构平面布置特征图的设计质量,计算结构平面布置样本图及结构平面布置特征图的评分值,并利用预设损失函数计算结构设计评分器的损失值,通过判断器的损失值和生成器的损失值计算总目标函数值,根据总目标函数值分别对生成器和判别器进行优化,最终得到训练后的生成对抗网络,将训练后的生成对抗网络的生成器作为结构平面布置模型,最后,将待处理建筑平面布置图输入至结构平面布置模型,输出满足建筑设计需求、设计合理性和灵活性的与待处理建筑平面布置图匹配的结构平面布置图。
需要说明的是,本实施例中的建筑平面布置图、结构平面布置特征图、目标结构平面特征图及结构平面布置图均是光栅图像,而非CAD图纸,建筑平面布置图是根据建筑平面布置CAD图纸处理后得到的,结构平面布置特征图是训练结构平面布置模型过程中生成器输出的图像,结构平面布置图是利用训练后的结构平面布置模型得到的结果。
基于图1,本实施例介绍对图1中的生成对抗网络进行训练的实现过程,请参照图2,图2为本发明实施例提供的结构平面布置整体生成方法的流程示例图一,该方法包括以下步骤:
步骤S101,获取建筑平面布置样本图和对应的结构平面布置样本图。
在本实施例中,获取训练生成对抗网络的数据集,该数据集包括多张建筑平面布置样本图及每一张建筑平面布置样本图的结构平面布置样本图,结构平面布置样本图为完全符合真实情况的结构平面布置图。按照预设比例将数据集划分成训练集和测试集,例如训练集占80%数据,测试集占20%数据。可以采用单独交替迭代训练原则对生成对抗网络进行训练,即,先训练判别器再训练生成器并重复这一过程直至满足预设条件,结束训练,并按照评估标准选择出最优生成器,预设条件可以是在连续训练次数达到预设次数,或者损失值的差值趋近于预设差值。测试集用于对训练后的生成对抗网络的训练效果进行测试,若测试结果超过预先设定的阈值,例如,设定达到结构平面布置样本图评分的95%以上,则判定训练的生成对抗网络合格,可以利用生成对抗网络中的生成器生成待处理建筑平面布置图的结构平面布置图。
在本实施例中,建筑平面布置样本图指的是根据既有项目的建筑平面布置CAD图纸得到的光栅图像,其中包括建筑空间信息、建筑构件信息、预设计结果等各种结构平面所需的信息,结构平面布置样本图指的是对结构平面布置CAD图纸进行处理后的可以用于训练生成对抗网络的结构平面布置图,结构平面布置图为光栅图像,结构平面布置图包括、但不限于柱、主梁、次梁等结构构件,并包括、但不限于柱位置、柱截面尺寸、柱混凝土强度、梁位置、梁截面尺寸、梁长度、梁高宽比、梁跨高比、梁混凝土强度等结构特征,这些结构特征能够充分地体现柱、主梁和次梁的布置情况,同时,结构平面布置图是通过结构平面布置模型一次性生成的,并不需要分步骤分别生成梁的布置结构和柱的布置结构,再将两者进行合并,最终得到梁和柱的布置结构,从而可以在生成结构平面布置图时,将梁和柱关联起来,合理考虑两者相互的影响,使最终得到的结构平面布置图更合理,更具有实用性。
在本实施例中,由于实际项目的建筑和结构平面布置CAD图纸需要根据施工要求进行信息表达,其中包含标高、局部大样等对训练生成对抗网络不利的冗余信息,又通过文字标注表达梁、柱构件的几何尺寸,加大了构建生成对抗网络的难度。因此,建筑和结构平面布置CAD图纸不能直接作为框架结构平面布置的数据集,必须首先将建筑和结构平面布置CAD图纸转化成光栅图像,再去除转化后的光栅图像中的冗余信息,提取框架结构布置的关键特征,从而得到能够用于实际训练的数据集。
步骤S102,对建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵。
在本实施例中,作为一种建筑特征样本矩阵的实现方式可以是:
(1)从建筑平面布置样本图中提取建筑空间样本特征、建筑构件样本特征及预设计结果样本特征。
在本实施例中,建筑空间特征可以是表征建筑空间用途的特征,例如,卧室、客厅、厨房、卫生间、书房等,不同用户的建筑空间,其结构平面布置的要求是不一样的。建筑构件样本特征可以是表征建筑构件的特征,建筑构件可以是门、窗等,不同的建筑构件对于结构平面布置的影响也不一样。预设计结果是多专业配合后的设计成果,具有人工设计逻辑和概念,体现待处理建筑平面布置图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后,并非客观存在的设计信息包括、但不限于用户对结构平面布置的可接受程度,例如,不同区域对柱的接受程度,具体示例可以是:哪些建筑空间中用户可以接受设置柱,哪些建筑空间中用户不允许设置柱、或者设计本身应该遵循的限定条件等。
所述预设计结果样本矩阵是多专业配合后的设计成果,包含不同区域柱出现可能性等非客观信息,响应了建筑专业、结构专业和设备专业对结构平面布置的设计要求,例如建筑专业不允许柱出现在楼梯正中等影响建筑使用功能的区域,设备专业对设备管线布置区域的梁高具有要求。这类信息具备设计师主观特征且同时具有一定的普适性设计概念,通过灰度值区间的方式赋予特征矩阵结构设计概念和逻辑,去除输入条件的无效信息,丰富训练输入,从而提升后续模型训练的效率和质量,得到与人工设计更为相似的布置结果。
(2)为建筑空间样本特征中的不同建筑空间赋值不同的颜色值,得到空间特征样本矩阵。
(3)为建筑构件样本特征中的不同建筑构件赋值不同的颜色值,得到构件特征样本矩阵。
在本实施例中,例如,红色表征门、黄色表征窗等。
(4)根据预设计结果样本特征表征的建筑平面布置样本图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值,得到预设计结果样本矩阵。
在本实施例中,可以通过灰度值的大小表征对柱的接受度,白色RBG=(255,255,255)表征不接受柱,灰色RBG=(200,200,200)表征不太接受柱,灰色RBG=(100,100,100)表征比较接受柱,黑色RBG=(0,0,0)表征非常接受柱。
(5)将空间特征样本矩阵、构件特征样本矩阵及预设计结果样本矩阵进行尺寸对齐,使其分别占用RGB的一个通道,融合得到建筑特征样本矩阵。
在本实施例中,融合方式是将三个特征样本矩阵在RGB通道上进行尺寸对齐,使三个特征样本矩阵分别占用一个通道,从而能够从整体上对结构平面进行合理布局,足空间、构件及设计等多个方面之间的相互影响,从整体上实现结构平面的合理布局。
在本实施例中,建筑特征样本矩阵只是一种建筑特征的表示方式,事实上,建筑特征还可以用灰度图表示,用于表示建筑特征的灰度图称为建筑平面布置灰度图,建筑平面布置灰度图的生成方式是:
步骤S11:提取建筑构件特征和建筑空间特征。
在本实施例中,建筑构件特征和建筑空间特征提取包括类型划分和区域界定。一种实施方式为:提取建筑平面布置样本图中的建筑构件和建筑空间。提取建筑构件包括墙体、门洞口和窗洞口,墙体区域为建筑平面布置样本图中墙体设置投影范围,窗洞口区域为建筑平面布置样本图中窗户设置投影范围,门洞口区域为门洞长和门扇宽形成的矩形范围。建筑空间包括楼梯间、电梯间、卫生间、各类通风井(送风井、排风井、烟井等)、设备用房、走廊、大厅、办公室、活动室、医务室、避难间、教室等,建筑空间区域为以墙体、门洞口和窗洞口为边界形成的闭合空间。
步骤S12:确定建筑构件和建筑空间的类别。
在本实施例中,根据建筑设计规则总体分为可布置柱A1和不可布置柱A2两大类,可布置柱大类A1分为内部可布置柱A11和内部不可布置柱A12两小类,进一步地,内部可布置柱A11小类根据内部可布置柱接受程度从高到低分为内部可布置柱接受程度极高A111,较高A112,一般A113和较低A114。逐一判断步骤S11提取的建筑构件和空间的柱布置设计规则,将其划分到对应类别中。
步骤S13:确定灰度的表示方法。
在本实施例中,采用灰度值表示灰度,灰度值范围一般从0到255,白色为255,黑色为0。在白色与黑色之间分成若干级,即为“灰度等级”,灰度等级越高,灰度越深,灰度值越小。
步骤14:建立建筑构件和建筑空间的灰度值映射表。
在本实施例中,映射规则包括:1、映射原则:根据步骤S12建筑构件和建筑空间的分类,采用不同的灰度值描述不同的建筑构件和建筑空间的类别。2、灰度值赋值规则:建筑构件或建筑空间类别可布置柱的相对接受程度越高,则灰度等级越高。3、灰度值赋值方法:首先设定灰度阶数=灰度值最大值/建筑构件和建筑空间类别的数量,对结果取整,得灰度阶数,例如灰度阶数为42。最后,根据灰度值赋值规则以灰度阶数为等差为建筑构件和建筑空间的类别赋值。
步骤S15:根据步骤S14的灰度值映射表,建立建筑平面布置灰度图。
建立建筑平面布置灰度图的方式为:选定建筑平面布置样本图的学习精度,例如50mm;根据该学习精度建立建筑平面布置样本图到建筑平面布置像素图的转换比例,例50mm=1像素;根据该转换比例,将建筑平面布置样本图转换为建筑平面布置像素图;对于建筑构件和建筑空间,根据步骤S4建立的灰度值映射表,获取建筑构件和建筑空间对应的灰度值;以建筑构件和建筑空间对应的灰度值,填充建筑平面布置像素图中步骤S1所规定的该建筑构件和建筑空间的界定区域的像素块颜色,获得建筑平面布置灰度图。请参照图3,图3为本发明实施例提供的建筑平面布置样本图及对应的建筑平面布置灰度图的示例图。
按照上述获取建筑平面布置灰度图的方式,一方面,通过灰度值唯一性区分建筑构件和建筑空间的类别,有效将设计语义转换成了计算机可识别的信息,满足了智能化设计深度学习对学习图像的要求;另一方面,通过采用灰度值大小表达建筑构件和建筑空间类别可布置柱的相对接受程度的方式,将建筑设计规则融入了建筑平面布置灰度图,大幅降低了建筑平面布置灰度图的无效信息量,提高了深度学习输入图像到输出图像的关联关系,降低学习难度,提升学习效率。
需要说明的是,由于建筑平面布置灰度图和建筑特征样本矩阵一样包括了建筑空间特征、建筑构件特征及预设计结果,且可以直接输入生成对抗网络进行模型训练或者直接输入结构平面布置模型生成结构平面布置图,因此,建筑平面布置灰度图可以直接替换建筑特征样本矩阵,达到上述获取建筑平面布置灰度图的方式实现的技术效果。
在本实施例中,为了得到能直接用于训练生成对抗网络的结构平面布置样本图,需要对结构平面布置图纸进行处理,一种处理方式可以是:
步骤S21:从结构平面布置图纸中提取梁和柱的平面布置信息和结构设计信息。
在本实施例中,梁和柱布置信息包括主梁轮廓、次梁轮廓、柱轮廓、建筑外轮廓和轴网,提取主梁、次梁和柱布置信息,得到梁柱平面布置图。
结构设计信息可以采用{元素:属性}方式表示,包括:
{柱:截面长度、截面宽度、混凝土强度}
{梁:截面宽度、截面高度、梁长、混凝土强度、跨高比}。
步骤S22:对混凝土强度进行表示。
采用梁、柱灰度值来表达混凝土强度,混凝土强度等级越高,灰度越深,灰度值越小。根据GB50010-2010《混凝土结构设计规范》规定,普通混凝土划分为十四个等级,即:C15,C20,C25,C30,C35,C40,C45,C50,C55,C60,C65,C70,C75,C80。设定柱灰度值=100-柱混凝土强度数值,为避免梁柱灰度值重复,增加梁柱轮廓学习难度,设定梁灰度值=100-梁混凝土强度数值+1,灰度和混凝土轻度的映射关系如表1所示:
表1
混凝土强度 | 柱灰度值 | 梁灰度值 |
C15 | 85 | 86 |
C35 | 65 | 66 |
步骤S23:对柱结构设计信息进行表示。
柱截面长度:通过提取柱边线的方式获得柱截面长度,横向柱边线表示柱截面长度;
柱截面宽度:通过提取柱边线的方式获得柱截面宽度,竖向柱边线表示柱截面宽度;
混凝土强度:根据步骤22采用灰度值表示。
步骤S24:对梁结构设计信息进行表示。
梁长:通过提取梁中心线的方式获得梁长,横向梁中心线表示梁长;
梁截面宽度:通过提取梁边线的方式获得梁截面宽度,竖向梁边线表示梁截面宽度;
混凝土强度:根据步骤22采用灰度值表示;
梁截面高度:梁截面高度为三维尺寸属性,本实施例采用梁截面高度的二维表示方法,对梁长进行扩张型变形处理,采用梁段中部垂直线表示梁截面高度;
梁跨高比:基于上述梁结构设计信息计算跨高比,计算公式为:跨高比=梁长/梁截面高度。
步骤S25:建立结构平面布置样本图。
根据上述步骤S21~S24,对结构平面布置图纸进行处理,获得结构平面布置特征矢量图,选定结构平面布置特征矢量图学习精度,例如50mm。根据该学习精度建立结构平面布置特征矢量图到结构平面布置样本图(该图为像素图)的转换比例,例50mm=1像素。最后,根据该转换比例,将结构平面布置特征矢量图转换为结构平面布置样本图。请参照图4,图4为本发明实施例提供的结构平面布置特征矢量图及对应的结构平面布置样本图的示例图。
本实施例提供的结构平面布置样本图的生成方法具有以下优势:1、通过灰度值表示混凝土强度,将结构平面布置图纸的文字信息转换为图像表达,提升了图像的结构设计信息特征,同时灰度值的表示方式利于计算机识别和读取,可满足图像深度学习对图像数据集的要求;2、通过建筑构件扩张型变形处理,采用梁段中部垂直线表示梁截面高度,建立了建筑构件三维设计信息的二维表示方法,有效弥补了二维图像对三维结构设计信息特征表达不足的问题;3、基于图像的结构设计信息表达规则,充分考虑了从生成的结构平面布置样本图到设计所需的结构平面布置样本图纸还原需求,可根据该规则逆向还原为实际图纸的表达方式。
继续参照图2,在生成建筑特征样本矩阵后,还需要对生成对抗网络进行单独交替迭代训练,得到结构平面布置模型,在步骤S102之后该方法还包括步骤S103。
步骤S103,基于建筑特征样本矩阵、结构平面布置样本图以及结构设计评分,对生成器的参数和判别器的参数进行优化,得到结构平面布置模型,结构设计评分是利用结构设计评分器根据建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估后得到的。
在本实施例中,生成对抗网络的训练包括对生成器和对判别器的单独交替迭代优化,本实施例以一次训练过程为例进行说明。
对判别器进行训练时,先将建筑特征样本矩阵输入生成器,就会得到结构平面布置特征图,该结构平面布置特征图描述为假样本,同时获取真样本,真样本为建筑特征样本矩阵对应的结构平面布置样本图;然后,人为定义真样本和假样本的标签,即,定义结构平面布置样本图的标签为1,结构平面布置特征图的标签为0,这样就得到了结构平面布置样本图及其标签、结构平面布置特征图及其标签;接下来,将结构平面布置样本图和结构平面布置特征图输入判别器进行训练,并依据损失反向调节判别器的参数,重复上述步骤直至判别器对结构平面布置样本图的判别结果逼近1、对结构平面布置特征图的判别结果逼近0,这样就完成了判别器的训练。
判别器训练完成之后,需要固定判别器的参数并对生成器进行训练,对于生成器,训练的目的是生成未必与训练样本完全一致,但仍满足建筑设计需求、设计合理性和灵活性的结构平面布置图,而生成器生成的样本的优劣程度需通过判别器和结构设计评分器评价,所以在训练生成器时需要联合判别器才能达到训练的目的。将建筑特征样本矩阵再次输入生成器得到结构平面布置特征图,将该结构平面布置特征图设置为真样本,也就是人为定义结构平面布置特征图的标签为1;然后,将结构平面布置特征图输入判别器得到判断器损失,将结构平面布置特征图输入到结构设计评分器得到结构设计评分器损失,综合判断器损失和结构设计评分器损失得到总目标函数值,利用总目标函数值反向调节生成器的参数,重复这一过程直至优化后的判别器对结构平面布置特征图的判别结果逼近1,即完成生成器的训练。
作为一种对判别器优化的实现方式,可以是:
首先,将建筑特征样本矩阵输入至生成器,得到建筑平面布置样本图的结构平面布置特征图。
其次,将结构平面布置样本图和结构平面布置特征图输入至判别器,得到判别器的判别结果。
第三,利用结构设计评分器根据建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估,得到结构设计评分。
第四,利用判别器的判别结果和结构设计评分对判别器进行反向调节,以对判别器进行优化。
在本实施例中,反向调节的方式可以采用策略梯度算法。一种反向调节的方式可以是:依据结构平面布置样本图、结构平面布置特征图、判别器的判别结果及预设的判别损失函数,计算判别器的损失函数值;依据结构平面布置样本图、结构平面布置特征图、结构设计评分及预设的结构设计评分损失函数,计算结构设计评分器的损失函数值;依据判别器的损失函数值及结构设计评分器的损失函数值,计算总目标函数的损失值,利用反向传播算法更新判别器的参数,以对判别器进行优化。
在本实施例中,总目标函数为:
其中,Loss为总目标函数,为所述判别器的损失函数,/>G为生成器,Dk为第k个判别器,k为判别器的编号,S为所述建筑特征样本矩阵,X为所述结构平面布置样本图,G(S)为将所述建筑特征样本矩阵S输入生成器G得到的结构平面布置特征图,E(S,X)为所述建筑特征样本矩阵S及所述结构平面布置样本图X的期望,ES为所述建筑特征样本矩阵S的期望,||*||1为求向量*的一范数运算,D1,D2,D3为三种不同尺度的判别器,min为取最小值的函数,/>为特征匹配损失函数,T为所述判别器Dk的网络层数,Ni为所述判别器Dk的第i层网络输入数据的数据数量,λ1为第一调节系数,/>为所述结构设计评分器的损失函数,λ2为第二调节系数。
结构设计评分包括对结构平面布置样本图进行评分得到的第一评分结果数据和对结构平面布置特征图进行评分得到的第二评分结果数据,第一评分结果数据和第二评分结果数据得到的方式为:
利用公式计算柱布置合理度评分值,其中,γ1为柱布置合理度评分值,MA为结构平面布置样本图或结构平面布置特征图对应的建筑特征矩阵,即对建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;MSc为结构平面布置样本图或结构平面布置特征图中仅保留柱的结构特征的结构特征矩阵,n为结构平面布置样本图或结构平面布置特征图中像素总数;运算得到γ1的值在0-1之间;
利用公式计算梁布置合理度评分值,其中,γ2为梁布置合理度评分值,N为结构平面布置样本图或结构平面布置特征图中单柱相交梁数量,N为整数,CN取值如下:/>
N≤1,CN取值0
1<N≤4,CN取值1
N=5,CN取值0.6
N=6,CN取值0.3
N≥7,CN取值0
m为结构平面布置样本图或结构平面布置特征图中的柱总数,γ2的值在0-1之间;
对结构平面布置样本图的柱布置合理度评分及结构平面布置样本图的梁布置合理度评分进行加权平均,得到第一评分结果数据;
对结构平面布置特征图的柱布置合理度评分及结构平面布置特征图的梁布置合理度评分进行加权平均,得到第二评分结果数据。
在本实施例中,加权平均的计算方式是将柱布置合理度评分及梁布置合理度评分进行加权平均,得到结构平面布置样本图或结构平面布置特征图的评分,计算公式如下:
S为结构平面布置样本图或结构平面布置特征图的评分,a为指标总数,γi为第i个评价指标的评分,fi为γi的加权平均系数,a个评价指标的评分包括结构平面布置特征图的柱布置合理度评分及结构平面布置特征图的梁布置合理度。
利用上述公式,在本实施例中,当对结构平面布置样本图评分时,评分S中评价指标a包括结构平面布置样本图的柱布置合理度评分及梁布置合理度评分,当对结构平面布置特征图评分时,评分S中评价指标a包括结构平面布置特征图的柱布置合理度评分及梁布置合理度评分。
在得到第一评分结果数据和第二评分结果数据后,一种结构设计评分器的损失函数值计算步骤为:将第一评分结果数据转换为列向量,得到结构平面布置样本图的样本图评分向量;将第二评分结果数据转换为列向量,得到结构平面布置特征图的特征图评分向量;计算样本图评分向量与预设期望评分向量的第一差值向量;计算特征图评分向量与预设期望评分向量的第二差值向量;依据结构设计评分损失函数,计算结构设计评分器的损失函数值,结构设计评分损失函数表示第一差值向量和第二差值向量之间的L2损失。
第五,固定优化后的判别器的参数,基于建筑特征样本矩阵、生成器和优化后的判别器,对生成器进行反向调节,以对生成器进行优化;
最后,重复上述第一~第五的步骤,对判别器和优化器进行迭代优化,得到结构平面布置模型。
在本实施例中,反向调节的方式可以与判别器的调节方式类似,也可以采用策略梯度算法,对生成器的调节方式可以是:
首先,获取建筑平面布置样本图对应的结构平面布置样本图。
其次,依据优化后的判别器的判别结果、结构设计评分以及结构平面布置样本图,计算出优化后的判别器的奖励值。
最后,依据优化后的所述判别器的奖励值,利用策略梯度算法更新所述生成器的参数,直至总目标函数达到预设最小值,此时判定所述判别器的判别结果接近所述结构平面布置样本图、且所述结构设计评分逼近所述结构平面布置样本图的结构设计评分器的评分,以对所述生成器进行优化。
需要说明的是,对生成器优化时,也可以采用与优化判别器相同的总目标函数计算值,评估判别结果逼近结构平面布置样本图、且结构设计评分逼近结构平面布置样本图的结构设计评分器的评分,进而确定是否继续优化还是终止优化。
本实施例提供的上述结构平面布置整体生成方法,在对生成对抗网络进行训练时,将建筑空间特征、建筑构件特征及预设计结果进行尺寸对齐,使其分别占用RGB的一个通道,使得最终得到的结构平面布置模型更准确,且能够自动生成框架结构的结构平面布置图,实现了处理过程的自动化,提高了处理效率。
在本实施例中,在得到结构平面布置模型后,为了更准确地评判结构平面布置模型输出的结构平面布置特征图的设计质量,方便对结构平面布置模型进行再次优化,直到结构平面布置模型输出的结构平面布置特征图满足预期,本实施例还提供了一种直接利用结构平面布置模型输出的结构平面布置特征图中数据进行客观评分的结构设计平面布置体系和实现方法:
得到结构平面布置样本图;
将建筑平面布置样本图输入结构平面布置模型,得到建筑平面布置样本图的结构平面布置特征图;利用公式计算结构平面布置样本图或结构平面布置特征图的柱布置合理度评分,其中,γ1为所述柱布置合理度评分,MA为结构平面布置样本图或结构平面布置特征图对应的建筑特征矩阵,即对建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;MSc为结构平面布置样本图或结构平面布置特征图中仅保留柱的结构特征的结构特征矩阵,n为结构平面布置样本图或结构平面布置特征图中像素总数;运算得到γ1的值在0-1之间,越趋近1,越合理。
利用公式计算结构平面布置样本图或结构平面布置特征图的梁布置合理度评分,其中,γ2为所述梁布置合理度评分,N为结构平面布置样本图或结构平面布置特征图中单柱相交梁数量,N为整数,CN取值如下:
N≤1,CN取值0
1<N≤4,CN取值1
N=5,CN取值0.6
N=6,CN取值0.3
N≥7,CN取值0
m为结构平面布置样本图或结构平面布置光栅图中的柱总数,γ2的值在0-1之间,越接近1表示梁布置越合理。
对结构平面布置样本图的柱布置合理度评分及结构平面布置样本图的梁布置合理度评分进行加权平均,得到结构平面布置样本图的评分。
对结构平面布置特征图的柱布置合理度评分及结构平面布置特征图的梁布置合理度评分进行加权平均,得到结构平面布置特征图的评分。
在本实施例中,将柱布置合理度评分及梁布置合理度评分进行加权平均,得到结构平面布置样本图或结构平面布置特征图的评分,计算公式如下:
S为结构平面布置样本图或结构平面布置特征图的评分,a为指标总数,γi为第i个评价指标的评分,fi为γi的加权平均系数,a个评价指标的评分包括柱布置合理度评分及梁布置合理度评分。
本实施例提供的上述方法,实现了对光栅图像数据直接计算得到客观评分。通过对柱布置合理度和梁布置合理度进行客观评分,评分时不依赖结构平面布置样本图和结构平面布置特征图之间的相似度,避免生成的结构平面布置特征图与原始的结构平面布置样本图太相似,陷入过度拟合,使得对结构平面布置特征图的评价更客观、更合理,进而使结构平面布置模型能够生成不同的皆满足建筑设计需求、设计合理性和灵活性的结构平面布置图。
在本实施例中,在得到结构平面布置模型后,为了自动生成待处理建筑平面布置图的结构平面布置图,本发明实施例提供一种结构平面布置整体生成方法,请参照图5,图5为本发明实施例提供的结构平面布置整体生成方法的流程示例图二,该方法包括以下步骤:
步骤S201,获取待处理建筑平面布置图。
步骤S202,对待处理建筑平面布置图进行建筑特征编码处理,得到建筑特征矩阵,建筑特征矩阵包括建筑空间特征矩阵、建筑构件特征矩阵及预设计结果矩阵,建筑空间特征矩阵是对待处理建筑平面布置图中不同建筑空间赋值不同的颜色值得到的,建筑构件特征矩阵是对待处理建筑平面布置图中不同建筑构件赋值不同的颜色值得到的,预设计结果矩阵是待处理建筑平面布置图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值得到的。
需要说明的是,步骤S202中的得到建筑特征矩阵的方式与步骤S102中的方式相同,当然,也可以利用前述建筑平面布置灰度图的生成方式生成待处理建筑平面布置图的建筑平面布置灰度图,以替换建筑特征矩阵,实现建筑平面布置灰度图带来的相应技术效果,具体处理方式此处不再赘述。
步骤S203,基于结构平面布置模型和建筑特征矩阵,一步完整生成待处理建筑平面布置图的结构平面布置图,待处理建筑平面布置图的结构平面布置图包括柱、主梁和次梁;结构平面布置模型是利用建筑平面布置样本图、对应的结构平面布置样本图以及结构设计评分,对预先构建的生成对抗网络进行训练,并基于训练后的生成对抗网络的生成器得到的。
本实施例提供的上述结构平面布置整体生成方法,利用待处理建筑平面布置图的建筑空间特征、建筑构件特征及预设计结果和结构平面布置模型,生成结构平面布置图,一方面,通过融合建筑空间特征、建筑构件特征及预设计结果,从整体上保证了结构平面布置图的合理性,另一方面,通过结构平面布置模型,无需将建筑空间或者建筑构件分开进行处理,能够一次性地得到结构平面布置图,既避免无法充分考虑各特征之间的依赖和影响,又实现了结构平面布置图生成过程的自动化,提高了生成效率,并且得到的结构平面布置图与人工设计结果更为接近,更能满足实际项目的应用需求。
由于建筑结构设计师无法直接从结构平面布置图中获取建筑构件的设计信息,增加了本实施例提供的结构平面布置整体生成方法在实际工程项目中的难度,为了更方便地从结构平面布置图提取建筑构件特征信息,需要说明的是,下文所述的结构平面布置图,在一种场景下可以是经过上述替换方式处理后得到的最终的结构平面布置图,在另一种场景下,也可以是未经过上述替换方式处理后得到的结构平面布置图,本实施例还提供了一种从结构平面布置图中提取建筑构件特征的实现方式,具体为:
步骤S51:对结构平面布置图进行预处理。
在本实施例中,预处理包括去除噪音,增强由于结构平面布置图中的结构特征。预处理的实现方式可以是:
首先,利用5x5平均滤波器过滤结构平面布置图中的噪点。
采用5x5的滤波矩阵作为平均滤波器过滤结构平面布置图中的噪点,平局滤波器作为卷积核与输入图片进行卷积,滤波器样式公式为:
其次,利用拉普拉斯滤波器增强去噪后的结构平面布置图中的结构特征。
建立对角线中心元素为5的拉普拉斯算子作为图像增强处理中的卷积核与去噪后的图像进行卷积,拉普拉斯算子公式为:
最后,利用3x3平均滤波器过滤增强后的结构平面布置图中的噪点。
由于比增强前采用更小的卷积核作为滤波器,因此可以去除增强后出现的新噪点,3x3平均滤波器公式为:
经过上述预处理后的结构平面布置图中描述的特征会更加清晰,提高后续结构特征提取的准确率。
步骤S52:根据预处理后的结构平面布置图中各个建筑构件的表达形式定义构件提取框样式,建立建筑构件到建筑构件提取框的映射表。
在本实施例中,建筑构件为:柱、梁;建筑构件表达形式为结构平面布置图中用于描述柱、梁的图形样式。
建筑构件提取框为,后续训练构件识别算法在输入结构平面布置图上识别出的建筑构件图像区域。
建筑构件到建筑构件提取框的映射表用于定义结构平面布置图中不同建筑构件的图像范围。映射表中包含五元素:建筑构件类别、建筑构件图形表达、建筑构件提取框、建筑提取框类别、建筑提取框绘制规则。建筑构件类别指当前图形表达描述的主体构件类别,如柱、梁。建筑构件图形表达为构件表达形式。建筑构件提取框为当前构件表达形式下建筑提取框的绘制样式。建筑提取框类别为在制作数据集及训练识别算法过程中当前目标的类别。本实施例至少包括3种目标类别:“Column”、“Beam”、“Beam_detail”。“Column”为柱的建筑构件提取框类别。为了获得梁的全部特征,梁对应的建筑构件提取框有两个:“Beam”、“Beam_detail”。“Beam”为包裹梁全部特征的建筑构件提取框。“Beam_detail”为只包裹梁两端特征的建筑构件提取框。建筑提取框绘制规则为结构平面布置图中存在不完整的构件图形样式时,建筑构件提取框绘制需要依靠的规则。
建筑构件到建筑构件提取框的映射表分两种:标准构件映射表、残缺生成构件映射表。其中标准构件映射表用于结构平面布置图中的构件图形样式完整,建筑构件提取框只需要按照建筑构件图形特征表示的最外层轮廓绘制即可。残缺生成构件映射表用于结构平面布置图中的不完整的构件图形样式,建筑构件提取框的需要按照给定规则绘制。
在残缺生成构件映射表中,本实施例根据构件不同残缺的残缺方式划分了3种映射情况,并提出3中映射情况下各自需要遵循的建筑构件提取框绘制规则。绘制规则介绍如下:
规则R1:用于为残缺的柱图形表达绘制建筑构件提取框。取柱图形表达中颜色最深的轮廓外围绘制轮廓线,轮廓线均为水平或竖直,轮廓线的交点连接形成这种情况下的构件提取框。
规则R2:用于为中部图形表达残缺的梁绘制构件提取框,请参见图6,图6为本发明实施例提供的规则R2的建筑构件提取框绘制示意图。图6中,梁图形表达的两端只需要沿着最外轮廓绘制,得到提取框的部分线段L1、L2、L3、L4、L5、L6。梁最端部的两线L1、L2的中点连线为梁的中心线c1。取梁图形表达的中部的最外围生成两根轮廓线c 2、c 3,轮廓线平行与中心线,c 2与c 3间隔为H。取中心线的中点为中心沿垂直与中心线方向绘制长度为H的梁高线c 4。将c 4的两个端点按照R1规则与L3、L4、L5、L6的端点相连,得到梁中部的建筑构件提取框的线段L7、L8、L9、L10。图6中,L1-L10构成构件提取框,c1-c4为辅助线,不需要绘制。
规则R3:用于为半边图形表达残缺的梁绘制建筑构件提取框,梁图形的一半为标准构件图形表达,只需要沿着最外轮廓绘制,得到建筑构件提取框的部分线段。根据部分线段得到中心线,将部分线段沿中心线镜像对称得到另一半建筑构件提取框,最终得到完整的建筑构件提取框。
步骤S53:根据不同结构之间的连接关系定义建筑构件提取框之间的语义关系,建立结构语义图谱的原型表达图谱。
为了完善描述建筑构件之间的语义关系,本实施例提出三种建筑构件提取框间的语义关系:
1、梁连柱:用于表示梁连在柱上。采用的语义关系结构为[Beam]-{Link_to}-[Column]。
2、梁连梁:用于表示梁搭接在梁上。采用的语义关系结构为[Beam]-{Link_to}-[Beam]。
3、同一根梁的语义:用于表示同一根梁的两个建筑构件提取框之间的语义关系。采用的语义关系结构为[Beam]-{Equal_to}-[Beam_detail]。
步骤S54:将结构平面布置图输入预先训练的Mask R-CNN识别模型,得到建筑构件识别信息及结构语义图谱,Mask R-CNN识别模型是根据结构平面布置样本图、建筑构件到建筑构件提取框的映射表及建筑构件提取框间的语义关系得到的数据集训练后得到的。
步骤S55:根据建筑构件识别信息及预设映射关系,确定建筑构件识别信息的建筑构件特征数据。
构件识别信息为Mask R-CNN识别模型从结构平面布置图中识别出的三种类型的建筑构件提取框在图片中框出的像素点合集,单位是像素;
建筑构件特征数据分柱特征数据和梁特征数据。柱的特征数据为柱截面长度、柱截面宽度、柱混凝土强度,长度单位是毫米。梁的特征数据为梁长、梁截面宽度、梁截面高度、梁混凝土强度、梁跨高比,长度单位是毫米。
预设映射关系表征建筑构件识别信息与建筑构件特征数据之间的映射关系。包括柱映射关系和梁映射关系,柱映射关系表征柱识别信息与柱特征数据之间的映射关系,梁映射关系表征梁识别信息与梁特征数据之间的映射关系。
计算柱特征数据的方式为:
Ch=α×(max(Y)-min(Y))
Cw=α×(max(X)-min(X))
X={x1,x2,x3,……,xn}
Y={y1,y2,y3,……,yn}
其中,Ch为柱截面宽度,Cw为柱截面长度,CC为柱混凝土强度,α是像素毫米转化系数,与结构平面布置模型采用的系数相同,X为“Column”建筑构件提取框内所有像素点的x坐标集合,Y为“Column”建筑构件提取框内所有像素点的y坐标集合,Cg为“Column”建筑构件提取框内像素点的平均灰度值,为建筑构件提取框内第i个像素点的R值,/>为建筑构件提取框内第i个像素点的G值,/>为建筑构件提取框内第i个像素点的B值。
计算梁特征数据的方式为:
Bl=α×max(max(Xdetail)-min(Xdetail),max(Ydetail)-min(Ydetail))
Bw=α×min(max(Xdetail)-min(Xdetail),max(Ydetail)-min(Ydetail))
X={x1,x2,x3,……,xn},Y={y1,y2,y3,……,yn}
Xdetail={xdetail1,xdetail2,xdetail3,……,xdetailn}
Ydetail={ydetail1,ydetail2,ydetail3,……,ydetailn}
其中:Bl为梁长,Bw为梁截面宽度,Bh为梁截面高度,BC为梁混凝土强度,BK为梁跨高比,α是像素毫米转化系数,应与结构平面布置模型采用的系数相同,X为“Beam”建筑构件提取框内所有像素点的x坐标集合,Y为“Beam”建筑构件提取框内所有像素点的y坐标集合,Xdetail为“Beam_detail”建筑构件提取框内所有像素点的x坐标集合,Ydetail为“Beam_detail”建筑构件提取框内所有像素点的y坐标集合,Bg为“Beam”建筑构件提取框内像素点的平均灰度值,为建筑构件提取框内第i个像素点的R值,/>为提取框内第i个像素点的G值,/>为建筑构件提取框内第i个像素点的B值。
步骤S56:根据建筑构件特征数据将结构语义图谱转化成结构特征表达图谱。
结构特征表达图谱包含建筑构件之间的语义关系及建筑构件的特征数据。结构构件语义关系源于结构语义图谱中的特征框之间的语义关系。在上述三种语义关系基础上提出两种建筑构件之间的语义关系:[柱]-{连接}-[梁]、[梁]-{连接}-[梁]。每一个建筑构件用一个节点表示,并将建筑构件的特征数据作为属性值存在对应节点中,最终得到结构特征表达图谱。
步骤S57:建立结构特征表达图谱的数据存储架构。
为了支持与工业基础类IFC(Industry Foundation Classes,IFC)的对接,本实施的数据存储架构保持了与IFC的最大兼容。请参照图7,图7为本发明实施例提供的结构特征表达图谱的数据存储架构的示例图,图x中“Element”为建筑构件类型,“ObjectID”为建筑构件的GUID,“LinkElement”为与当前建筑构件相连的建筑构件,“PropertySet”为建筑构件的特征数据集,“PropertySingelValue”为建筑构件的每一个建筑构件特征数据。
作为一种实现方式,本实施例还提供了应用上述的结构特征表达图谱的生成方法的结构特征图谱提取系统,该系统包括预处理模块、结构语义提取模块、特征表达图谱模块、数据提取接口模块。
预处理模块,用于将基于结构平面布置模型的输出生成的结构平面布置图进行图像预处理,得到栅格化结构特征图。
构件语义提取模块,用于从预处理得到的栅格化结构特征图中识别并提取结构语义图谱。
特征表达图谱模块,用于从结构语义图谱中提取信息并进行尺寸转化形成构件特征表达图谱。
数据提取接口模块,用于从构件特征表达图谱中提取结构特征数据。从该模块中提取的结构化数据可用于支撑后续建筑信息模型BIM(Building Information Modeling,BIM)模型或矢量化平面图的生成。
本实施例提供的上述根据结构平面布置图生成结构特征表达图谱的方法,通过从结构平面布置图中提取框架结构特征图谱,从而获得结构平面布置模型自动设计出的结构平面布置图中框架结构的结构化信息。基于框架结构特征图谱可以方便地得到设计师能够直观获取结构平面布置信息,并进行二次修改,降低了本实施例提供的上述结构平面布置整体生成方法在实际工程项目中的难度,更方便其在实际工程项目中应用。
为了执行上述实施例及各个可能的实施方式中的相应步骤,下面给出一种框架结构的结构平面布置图整体生成装置100的实现方式。请参照图8,图8为本发明实施例提供的框架结构的结构平面布置图整体生成装置100的方框示意图。需要说明的是,本实施例所提供的框架结构的结构平面布置图整体生成装置100,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及指出。
框架结构的结构平面布置图整体生成装置100包括训练模块110、获取模块120、编码模块130、生成模块140及评分模块150。
训练模块110,用于:获取建筑平面布置样本图和对应的结构平面布置样本图;对建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;基于建筑特征样本矩阵、结构平面布置样本图以及结构设计评分,对生成器的参数和所述判别器的参数进行优化,得到结构平面布置模型,结构设计评分是利用结构设计评分器根据建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估后得到的。
可选地,训练模块110具体用于:从建筑平面布置样本图中提取建筑空间样本特征、建筑构件样本特征及预设计结果样本特征;为建筑空间样本特征中的不同建筑空间赋值不同的颜色值,得到空间特征样本矩阵;为建筑构件样本特征中的不同建筑构件赋值不同的颜色值,得到构件特征样本矩阵;根据预设计结果样本特征表征的建筑平面布置样本图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值,得到预设计结果样本矩阵;将空间特征样本矩阵、构件特征样本矩阵及预设计结果样本矩阵进行尺寸对齐,使其分别占用RGB的一个通道,融合得到建筑特征样本矩阵。
可选地,训练模块110具体用于:将建筑特征样本矩阵输入至生成器,得到建筑平面布置样本图的结构平面布置特征图;将结构平面布置样本图和结构平面布置特征图输入至判别器,得到判别器的判别结果;利用结构设计评分器根据建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估,得到结构设计评分;利用判别器的判别结果和结构设计评分对判别器进行反向调节,以对判别器进行优化;固定优化后的判别器的参数,基于建筑特征样本矩阵、生成器和优化后的判别器,对生成器进行反向调节,以对生成器进行优化;重复上述步骤,对判别器和优化器进行迭代优化,得到结构平面布置模型。
可选地,训练模块110在具体用于利用判别器的判别结果和结构设计评分对判别器进行反向调节,以对判别器进行优化,具体用于:依据结构平面布置样本图、结构平面布置特征图、判别器的判别结果及预设的判别损失函数,计算判别器的损失函数值;依据结构平面布置样本图、结构平面布置特征图、结构设计评分及预设的结构设计评分损失函数,计算结构设计评分器的损失函数值;依据判别器的损失函数值及结构设计评分器的损失函数值,计算总目标函数的损失值,利用反向传播算法更新判别器的参数,以对判别器进行优化。
可选地,训练模块110中的总目标函数为:
其中,Loss为总目标函数,为所述判别器的损失函数,/>G为生成器,Dk为第k个判别器,k为判别器的编号,S为所述建筑特征样本矩阵,X为所述结构平面布置样本图,G(S)为将所述建筑特征样本矩阵S输入生成器G得到的结构平面布置特征图,E(S,X)为所述建筑特征样本矩阵S及所述结构平面布置样本图X的期望,ES为所述建筑特征样本矩阵S的期望,||*||1为求向量*的一范数运算,D1,D2,D3为三种不同尺度的判别器,min为取最小值的函数,/>为特征匹配损失函数,T为所述判别器Dk的网络层数,Ni为所述判别器Dk的第i层网络输入数据的数据数量,λ1为第一调节系数,/>为所述结构设计评分器的损失函数,λ2为第二调节系数。
可选地,训练模块110具体用于固定优化后的判别器的参数,基于建筑特征样本矩阵、生成器和优化后的判别器,对生成器进行反向调节,以对生成器进行优化时,具体用于:获取建筑平面布置样本图对应的结构平面布置样本图;依据优化后的判别器的判别结果、结构设计评分以及结构平面布置样本图,计算出优化后的判别器的奖励值;依据优化后的判别器的奖励值,利用策略梯度算法更新生成器的参数,直至总目标函数达到预设最小值,此时判定判别器的判别结果接近结构平面布置样本图、且结构设计评分逼近结构平面布置样本图的结构设计评分器的评分,以对生成器进行优化。
获取模块120,用于获取待处理建筑平面布置图。
编码模块130,用于对待处理建筑平面布置图进行建筑特征编码处理,得到建筑特征矩阵,建筑特征矩阵包括建筑空间特征矩阵、建筑构件特征矩阵及预设计结果矩阵,建筑空间特征矩阵是对待处理建筑平面布置图中不同建筑空间赋值不同的颜色值得到的,建筑构件特征矩阵是对待处理建筑平面布置图中不同建筑构件赋值不同的颜色值得到的,预设计结果矩阵是待处理建筑平面布置图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值得到的。
生成模块140,用于基于结构平面布置模型和建筑特征矩阵,一步完整生成待处理建筑平面布置图的结构平面布置图,待处理建筑平面布置图的结构平面布置图包含柱、主梁和次梁;结构平面布置模型是利用建筑平面布置样本图、对应的结构平面布置样本图以及结构设计评分,对预先构建的生成对抗网络进行训练,并基于训练后的生成对抗网络的生成器得到的。
可选地,结构设计评分包括对结构平面布置样本图进行评分得到的第一评分结果数据和对结构平面布置特征图进行评分得到的第二评分结果数据,评分模块150具体用于:
将第一评分结果数据转换为列向量,得到结构平面布置样本图的样本图评分向量;将第二评分结果数据转换为列向量,得到结构平面布置特征图的特征图评分向量;计算样本图评分向量与预设期望评分向量的第一差值向量;计算特征图评分向量与预设期望评分向量的第二差值向量;依据结构设计评分损失函数,计算结构设计评分器的损失函数值,结构设计评分损失函数表示第一差值向量和第二差值向量之间的L2损失。
可选地,评分模块150,还用于:利用公式计算柱布置合理度评分,其中,γ1为柱布置合理度评分,MA为结构平面布置样本图或结构平面布置特征图对应的建筑特征矩阵,即对建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;MSc为结构平面布置样本图或结构平面布置特征图中仅保留柱的结构特征的结构特征矩阵,n为结构平面布置特征图中像素总数;运算得到γ1的值在0-1之间;
利用公式计算梁布置合理度评分,其中,γ2为梁布置合理度评分,N为结构平面布置样本图或结构平面布置特征图中单柱相交梁数量,N为整数,CN取值如下:
N≤1,CN取值0
1<N≤4,CN取值1
N=5,CN取值0.6
N=6,CN取值0.3
N≥7,CN取值0
m为结构平面布置样本图或结构平面布置光栅图中的柱总数,γ2的值在0-1之间;对结构平面布置样本图的柱布置合理度评分及结构平面布置样本图的梁布置合理度评分进行加权平均,得到第一评分结果数据;对结构平面布置特征图的柱布置合理度评分及结构平面布置特征图的梁布置合理度评分进行加权平均,得到第二评分结果数据。
请参照图9,图9为本发明实施例提供的电子设备10的方框示意图,电子设备10包括处理器11、存储器12、总线13。处理器11、存储器12通过总线13连接。
处理器11可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器11中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器11可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器12用于存储程序,例如本发明实施例中的框架结构的结构平面布置图整体生成装置100,框架结构的结构平面布置图整体生成装置100均包括至少一个可以软件或固件(firmware)的形式存储于存储器12中的软件功能模块,处理器11在接收到执行指令后,执行所述程序以实现本发明实施例中的结构平面布置整体生成方法。
存储器12可能包括高速随机存取存储器(RAM:Random Access Memory),也可能还包括非易失存储器(non-volatile memory)。可选地,存储器12可以是内置于处理器11中的存储装置,也可以是独立于处理器11的存储装置。
总线13可以是ISA总线、PCI总线或EISA总线等。图9仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的结构平面布置整体生成方法。
综上所述,本发明实施例提供了一种结构平面布置整体生成方法、装置、电子设备及存储介质,提出客观的结构设计平面布置评价体系,在常规生成对抗网络的基础上加入结构设计评分器,利用图像中体现的数据信息计算评分值和评分器损失函数,与判断器损失函数共同形成总目标函数,优化生成器,使结构平面布置模型可以生成不同的皆满足建筑设计需求、设计合理性和灵活性的结构平面布置图。所述方法包括:获取待处理建筑平面布置图;对待处理建筑平面布置图进行建筑特征编码处理,得到建筑特征矩阵,建筑特征矩阵包括建筑空间特征矩阵、建筑构件特征矩阵及预设计结果矩阵,建筑空间特征矩阵是对待处理建筑平面布置图中不同建筑空间赋值不同的颜色值得到的,建筑构件特征矩阵是对待处理建筑平面布置图中不同建筑构件赋值不同的颜色值得到的,预设计结果矩阵是待处理建筑平面布置图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值得到的;基于结构平面布置模型和建筑特征矩阵,一步完整生成待处理建筑平面布置图的结构平面布置图,包括柱、主梁和次梁;结构平面布置模型是利用建筑平面布置样本图、对应的结构平面布置样本图以及结构设计评分,对预先构建的生成对抗网络进行训练,并基于训练后的所述生成对抗网络的生成器得到的。相对于现有技术,一方面,由于建筑特征矩阵是将建筑空间、建筑构件和结构布置设计要求的信息融合后得到的,从整体上保证了生成的框架结构的结构平面布置图更加合理和准确,另一方面,利用结构平面布置模型能够从整体上一步自动生成待处理建筑平面布置图的结构平面布置图,使得生成过程更高效,包含柱、主梁和次梁,避免了不同构件分步生成导致设计逻辑无法综合协调,影响结果的实用性。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种结构平面布置整体生成方法,其特征在于,所述方法包括:
获取待处理建筑平面布置图;
对所述待处理建筑平面布置图进行建筑特征编码处理,得到建筑特征矩阵,所述建筑特征矩阵包括建筑空间特征矩阵、建筑构件特征矩阵及预设计结果矩阵,所述建筑空间特征矩阵是对所述待处理建筑平面布置图中不同建筑空间赋值不同的颜色值得到的,所述建筑构件特征矩阵是对所述待处理建筑平面布置图中不同建筑构件赋值不同的颜色值得到的,所述预设计结果矩阵是所述待处理建筑平面布置图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值得到的;
基于结构平面布置模型和所述建筑特征矩阵,一步完整生成所述待处理建筑平面布置图的结构平面布置图,所述待处理建筑平面布置图的结构平面布置图包含柱、主梁和次梁;所述结构平面布置模型是利用建筑平面布置样本图、对应的结构平面布置样本图以及结构设计评分,对预先构建的生成对抗网络进行训练,并基于训练后的所述生成对抗网络的生成器得到的;
所述生成对抗网络包括生成器、判别器和结构设计评分器,得到所述结构平面布置模型的过程为:
获取建筑平面布置样本图和对应的结构平面布置样本图;
对所述建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;
基于所述建筑特征样本矩阵、所述结构平面布置样本图以及所述结构设计评分,对所述生成器的参数和所述判别器的参数进行优化,得到所述结构平面布置模型,所述结构设计评分是利用所述结构设计评分器根据所述建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估后得到的。
2.如权利要求1所述的方法,其特征在于,所述对所述建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵的步骤包括:
从所述建筑平面布置样本图中提取建筑空间样本特征、建筑构件样本特征及预设计结果样本特征;
为所述建筑空间样本特征中的不同建筑空间赋值不同的颜色值,得到空间特征样本矩阵;
为所述建筑构件样本特征中的不同建筑构件赋值不同的颜色值,得到构件特征样本矩阵;
根据所述预设计结果样本特征表征的所述建筑平面布置样本图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值,得到预设计结果样本矩阵;
将所述空间特征样本矩阵、所述构件特征样本矩阵及所述预设计结果样本矩阵进行尺寸对齐,使其分别占用RGB的一个通道,融合得到所述建筑特征样本矩阵。
3.如权利要求1所述的方法,其特征在于,所述基于所述建筑特征样本矩阵、所述结构平面布置样本图以及所述结构设计评分,对所述生成器的参数和所述判别器的参数进行优化,得到所述结构平面布置模型的步骤包括:
将所述建筑特征样本矩阵输入至所述生成器,得到所述建筑平面布置样本图的结构平面布置特征图;
将所述结构平面布置样本图和所述结构平面布置特征图输入至所述判别器,得到所述判别器的判别结果;
利用所述结构设计评分器根据所述建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估,得到所述结构设计评分;
利用所述判别器的判别结果和所述结构设计评分对所述判别器进行反向调节,以对所述判别器进行优化;
固定优化后的所述判别器的参数,基于所述建筑特征样本矩阵、所述生成器和优化后的所述判别器,对所述生成器进行反向调节,以对所述生成器进行优化;
重复上述步骤,对所述判别器和所述生成器进行迭代优化,得到所述结构平面布置模型。
4.如权利要求3所述的方法,其特征在于,所述利用所述判别器的判别结果和所述结构设计评分对所述判别器进行反向调节,以对所述判别器进行优化的步骤包括:
依据所述结构平面布置样本图、所述结构平面布置特征图、所述判别器的判别结果及预设的判别损失函数,计算所述判别器的损失函数值;
依据所述结构平面布置样本图、所述结构平面布置特征图、所述结构设计评分及预设的结构设计评分损失函数,计算所述结构设计评分器的损失函数值;
依据所述判别器的损失函数值及所述结构设计评分器的损失函数值,计算总目标函数的损失值,利用反向传播算法更新所述判别器的参数,以对所述判别器进行优化。
5.如权利要求4所述的方法,其特征在于,所述结构设计评分包括对所述结构平面布置样本图进行评分得到的第一评分结果数据和对所述结构平面布置特征图进行评分得到的第二评分结果数据得到的,所述依据所述结构平面布置样本图、所述结构平面布置特征图、所述结构设计评分及预设的结构设计评分损失函数,计算所述结构设计评分器的损失函数值的步骤为:
将所述第一评分结果数据转换为列向量,得到所述结构平面布置样本图的样本图评分向量;
将所述第二评分结果数据转换为列向量,得到所述结构平面布置特征图的特征图评分向量;
计算所述样本图评分向量与预设期望评分向量的第一差值向量;
计算所述特征图评分向量与所述预设期望评分向量的第二差值向量;
依据所述结构设计评分损失函数,计算所述结构设计评分器的损失函数值,所述结构设计评分损失函数表示所述第一差值向量和所述第二差值向量之间的损失。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
利用公式计算柱布置合理度评分值,其中,/>为所述柱布置合理度评分值,/>为所述结构平面布置样本图或所述结构平面布置特征图对应的建筑特征矩阵,即对建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;/>为所述结构平面布置样本图或所述结构平面布置特征图中仅保留柱的结构特征的结构特征矩阵,n为所述结构平面布置样本图或所述结构平面布置特征图中像素总数;运算得到/>的值在0-1之间;
利用公式计算梁布置合理度评分值,其中,/>为所述梁布置合理度评分值,N为所述结构平面布置样本图或所述结构平面布置特征图中单柱相交梁数量,N为整数,取值如下:
,/>取值0
,/>取值1
,/>取值0.6
,/>取值0.3
,/>取值0
m为所述结构平面布置样本图或所述结构平面布置特征图中的柱总数,的值在0-1之间;
对所述结构平面布置样本图的柱布置合理度评分及所述结构平面布置样本图的梁布置合理度评分进行加权平均,得到第一评分结果数据;
对所述结构平面布置特征图的柱布置合理度评分及所述结构平面布置特征图的梁布置合理度评分进行加权平均,得到第二评分结果数据。
7.如权利要求4所述的方法,其特征在于,所述总目标函数为:
其中,Loss为所述总目标函数,为所述判别器的损失函数,/> 为生成器,/>为第k个判别器,/>为判别器的编号,/>为所述建筑特征样本矩阵,/>为所述结构平面布置样本图,/>为将所述建筑特征样本矩阵S输入生成器G得到的结构平面布置特征图,/>为所述建筑特征样本矩阵S及所述结构平面布置样本图X的期望,/>为所述建筑特征样本矩阵S的期望,/>为求向量*的一范数运算,/>为三种不同尺度的判别器,min为取最小值的函数,/>为特征匹配损失函数, 为所述判别器/>的网络层数,/>为所述判别器/>的第i层网络输入数据的数据数量,/>为第一调节系数,/>为所述结构设计评分器的损失函数,/>为第二调节系数。
8.如权利要求3所述的方法,其特征在于,所述固定优化后的所述判别器的参数,所述基于所述建筑特征样本矩阵、所述生成器和优化后的所述判别器,对所述生成器进行反向调节,以对所述生成器进行优化的步骤包括:
获取所述建筑平面布置样本图对应的结构平面布置样本图;
依据优化后的所述判别器的判别结果、所述结构设计评分以及所述结构平面布置样本图,计算出优化后的所述判别器的奖励值;
依据优化后的所述判别器的奖励值,利用策略梯度算法更新所述生成器的参数,直至总目标函数达到预设最小值,此时判定所述判别器的判别结果接近所述结构平面布置样本图、且所述结构设计评分逼近所述结构平面布置样本图的结构设计评分器的评分,以对所述生成器进行优化。
9.一种框架结构的结构平面布置图整体生成装置,其特征在于,所述装置包括:
获取模块,用于获取待处理建筑平面布置图;
编码模块,用于对所述待处理建筑平面布置图进行建筑特征编码处理,得到建筑特征矩阵,所述建筑特征矩阵包括建筑空间特征矩阵、建筑构件特征矩阵及预设计结果矩阵,所述建筑空间特征矩阵是对所述待处理建筑平面布置图中不同建筑空间赋值不同的颜色值得到的,所述建筑构件特征矩阵是对所述待处理建筑平面布置图中不同建筑构件赋值不同的颜色值得到的,所述预设计结果矩阵是所述待处理建筑平面布置图中按建筑专业、结构专业和设备专业对结构布置的设计要求预处理后赋值不同的灰度值得到的;
生成模块,用于基于结构平面布置模型和所述建筑特征矩阵,一步完整生成所述待处理建筑平面布置图的结构平面布置图,所述待处理建筑平面布置图的结构平面布置图包含柱、主梁和次梁;所述结构平面布置模型是利用建筑平面布置样本图、对应的结构平面布置样本图以及结构设计评分,对预先构建的生成对抗网络进行训练,并基于训练后的所述生成对抗网络的生成器得到的;
所述生成对抗网络包括生成器、判别器和结构设计评分器,得到所述结构平面布置模型的过程为:
获取建筑平面布置样本图和对应的结构平面布置样本图;
对所述建筑平面布置样本图进行建筑特征编码处理,得到建筑特征样本矩阵;
基于所述建筑特征样本矩阵、所述结构平面布置样本图以及所述结构设计评分,对所述生成器的参数和所述判别器的参数进行优化,得到所述结构平面布置模型,所述结构设计评分是利用所述结构设计评分器根据所述建筑平面布置样本图对与之对应的结构平面布置样本图、生成的结构平面布置特征图的设计质量进行评估后得到的。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器用于存储程序,所述处理器用于在执行所述程序时,实现权利要求1-8中任一项所述的结构平面布置整体生成方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述的结构平面布置整体生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141368.9A CN116011084B (zh) | 2023-02-20 | 2023-02-20 | 结构平面布置整体生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310141368.9A CN116011084B (zh) | 2023-02-20 | 2023-02-20 | 结构平面布置整体生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116011084A CN116011084A (zh) | 2023-04-25 |
CN116011084B true CN116011084B (zh) | 2023-11-28 |
Family
ID=86025075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310141368.9A Active CN116011084B (zh) | 2023-02-20 | 2023-02-20 | 结构平面布置整体生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116011084B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195626B (zh) * | 2023-08-24 | 2024-04-19 | 东南大学 | 一种基于生成对抗网络的建筑自由曲面网格结构划分的设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021238113A1 (zh) * | 2020-05-25 | 2021-12-02 | 清华大学 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
CN114491740A (zh) * | 2021-12-31 | 2022-05-13 | 清华大学 | 物理与多模态数据驱动的建筑结构生成方法及设备 |
CN115017588A (zh) * | 2022-06-10 | 2022-09-06 | 中国建筑西南设计研究院有限公司 | 一种体育类建筑模型的生成方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709470B (zh) * | 2020-06-08 | 2023-10-03 | 北京百度网讯科技有限公司 | 图像生成方法、装置、设备及介质 |
-
2023
- 2023-02-20 CN CN202310141368.9A patent/CN116011084B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021238113A1 (zh) * | 2020-05-25 | 2021-12-02 | 清华大学 | 基于对抗生成网络的剪力墙结构布置方法和装置 |
CN113987637A (zh) * | 2021-10-25 | 2022-01-28 | 清华大学 | 基于生成对抗网络的楼盖结构设计方法和装置 |
CN114491740A (zh) * | 2021-12-31 | 2022-05-13 | 清华大学 | 物理与多模态数据驱动的建筑结构生成方法及设备 |
CN115017588A (zh) * | 2022-06-10 | 2022-09-06 | 中国建筑西南设计研究院有限公司 | 一种体育类建筑模型的生成方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Accelerated environmental performance-driven urban design with generative adversarial network;Chenyu Huang 等;《Building and Environment》;第224卷;1-22 * |
蒙胜宇 等.基于生成对抗网络的建筑平面图像生成及其隐空间探索.《 中国建筑装饰装修》.2022,87-92. * |
Also Published As
Publication number | Publication date |
---|---|
CN116011084A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666617B (zh) | 基于对抗生成网络的剪力墙结构布置方法和装置 | |
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
WO2020102988A1 (zh) | 基于特征融合和稠密连接的红外面目标检测方法 | |
US20220309201A1 (en) | Artificial-intelligence-assisted method for providing urban design form and layout with improved wind environment | |
CN113987637B (zh) | 基于生成对抗网络的楼盖结构设计方法和装置 | |
Tang et al. | A multi-stage framework with context information fusion structure for skin lesion segmentation | |
CN103985133B (zh) | 基于图割能量优化的影像间最优拼接线寻找方法及系统 | |
CN116011084B (zh) | 结构平面布置整体生成方法、装置、电子设备及存储介质 | |
CN103400368B (zh) | 基于图论和超像素的并行快速sar图像分割方法 | |
CN109583474A (zh) | 一种用于工业大数据处理的训练样本生成方法 | |
CN114925416B (zh) | 一种基于数据转换的建筑结构生成方法及装置 | |
CN115238584B (zh) | 一种基于多源大数据的人口分布识别方法 | |
CN111161201A (zh) | 基于细节增强通道注意力的红外与可见光图像融合方法 | |
CN116452374A (zh) | 基于多智能体的用地规划方案自动生成与交互方法及系统 | |
CN114239116A (zh) | 一种基于风格迁移的bim设计推荐方法 | |
CN114861270A (zh) | 一种基于生成对抗网络的施工场地自动布置方法 | |
CN116662628B (zh) | 一种基于复杂薄壁零件的三维cad模型检索方法 | |
Bolaños-Puchet et al. | Enhancement of brain atlases with laminar coordinate systems: Flatmaps and barrel column annotations | |
CN110135043B (zh) | 一种城市街廓空间形态分类方法及系统 | |
CN104679988B (zh) | 一种基于云topsis的多属性决策方法 | |
Pan et al. | Automatic shape adaptation for parametric solid models | |
CN115510517A (zh) | 高层建筑结构智能设计方法 | |
Zhongyang et al. | Classification of LiDAR point cloud based on multiscale features and pointnet | |
Ghadai et al. | Learning and visualizing localized geometric features using 3d-cnn: An application to manufacturability analysis of drilled holes | |
Pan et al. | Integrating the Multi-Functional Space and Long-Span Structure for Sports Arena Design |
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 |