CN116030231A - 一种多级分类的bim模型智能轻量化处理方法 - Google Patents
一种多级分类的bim模型智能轻量化处理方法 Download PDFInfo
- Publication number
- CN116030231A CN116030231A CN202310043010.2A CN202310043010A CN116030231A CN 116030231 A CN116030231 A CN 116030231A CN 202310043010 A CN202310043010 A CN 202310043010A CN 116030231 A CN116030231 A CN 116030231A
- Authority
- CN
- China
- Prior art keywords
- model
- arc surface
- classification
- reduction coefficient
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开一种多级分类的BIM模型智能轻量化处理方法,该方法首先对基于AutodeskRevit建立的BIM模型进行属性信息与几何模型信息分离处理,并将构件的ID与对应的属性进行关联,其次对几何模型中的构件进行多级分类,然后利用建立的构件圆弧面的最优减面系数分类模型对构件的每个圆弧面进行最优减面系数预测,再根据得到的构件的每个圆弧面的最优减面系数计算构件的减面系数,最后利用不同构件的减面系数将BIM模型转换成glTF格式,实现Revit模型的智能轻量化处理。本发明方法针对不同专业、不同形态的BIM模型构件采用不同的减面系数,在保留所有属性信息的前提下,在模型轻量化处理的同时兼顾模型显示效果,提高了BIM模型轻量化处理的效率和质量。
Description
技术领域
本发明属于建筑信息模型相关技术领域,具体涉及一种多级分类的BIM模型智能轻量化处理方法。
背景技术
建筑信息模型(Building Information Modeling,BIM)作为一项应用于建筑全生命周期的三维信息化管理技术,是推动建筑产业信息化发展不可或缺的技术环节。在应用过程中,BIM模型的轻量化处理对于模型储存、传输、后期运行维护,特别是对虚拟场景显示有着重要意义。同时,BIM模型的轻量化技术可以给建筑工程云管理施工进程提供良好的技术支持。
BIM模型轻量化技术的研究是为了解决由于BIM模型构件特征复杂、模型绘制数据量大导致的终端显示不顺畅等问题。目前主流的轻量化技术在简化BIM模型的任务中还存在一些问题,如通过删除冗余构件、模型信息减小模型大小导致的重要信息丢失;或是几何模型减面处理后丢失重要细节特征,导致模型表面出现空洞、失真等现象。
将Revit BIM模型转换成glTF格式是本领域惯用的轻量化方法,“减面系数”指的是在该轻量化方法中用于控制glTF三维模型精细化程度的参数。导出glTF文件时,有参数控制几何模型显示的精细程度,给几何模型进行细分面,视图将相应的呈现不同的详细程度,调整该参数,对应的模型文件大小和模型精细程度会发生改变,当该参数越小时,模型文件越小,模型精度越低,当该参数越大时,模型文件越大,模型精度越高,故当调整该参数时,会产生对模型面的细分与减面,也会产生对模型轻量化的效果,称该参数为“减面系数”。上述BIM模型轻量化处理存在的显示问题多发生在异形构件上,而异形构件中不规则曲面大多由多段圆弧面组成,因此需要针对各个异形构件圆弧面作最优减面处理。
发明内容
针对上述问题,本发明提供一种多级分类的BIM模型智能轻量化处理方法,该方法针对不同专业、不同形态的BIM模型构件采用不同的减面系数,在保留所有属性信息的前提下,在模型轻量化处理的同时兼顾模型显示效果。
本发明解决其技术问题是采取以下技术方案实现的:设计一种多级分类的BIM模型智能轻量化处理方法,其特征在于,该方法包括下述几个步骤:
步骤一:将一个完整的基于Autodesk Revit软件建立的BIM模型进行属性信息与几何模型信息分离处理,将属性信息存入独立的数据库中,将几何模型信息另存为独立的Revit文件,并通过几何模型中构件的ID与对应的属性信息数据库进行关联;
步骤二:根据属性信息,对几何模型中的构件进行多级分类,并判断各子类别文件中的各构件是否包含圆弧面,获取每一个子类别文件中包含圆弧面的构件的每一个圆弧面的几何特征参数;
步骤三:建立建筑模型构件的圆弧面最优减面系数分类模型
步骤3.1以圆弧面的角度、半径和高度作为几何特征参数,在Autodesk Revit软件中依据特征参数值绘制对应的BIM模型,然后将BIM模型依据不同减面系数转换成glTF格式,当多边形相邻两边夹角大于或等于156°时,此时的减面系数即为该组几何特征参数的最优减面系数,将其作为该组几何特征参数的分类标签;依次获取每一组几何特征参数的分类标签,得到数据库;数据库中的一条数据为圆弧面的角度、半径和高度,以及对应的分类标签;将数据库中的数据随机不重复的按数量8:2分为训练集和测试集;
步骤3.2建立圆弧面最优减面系数分类模型
在梯度提升决策树算法的基础上建立圆弧面最优减面系数分类模型,并使用网格搜索与交叉验证方法进行超参数寻优;用步骤3.1中得到的训练集中的几何特征参数X作为梯度提升决策树的输入变量,最优减面系数Y作为期望输出,建立梯度提升决策树预测模型;在建模时,选取超参数决策树数量M的集合、学习率v的集合以及每棵决策树最大叶子节点数J的集合,利用网格搜索技术遍历所有可能的超参数组合,根据最小对数损失准则,对于训练集中的数据采用5折交叉验证方法确定模型的最优参数,得到圆弧面最优减面系数分类模型;
步骤3.3利用测试集对步骤3.2中得到的圆弧面最优减面系数分类模型进行测试,当准确率大于0.9时,即验证该分类模型为有效模型;
步骤四:将步骤二中的每一个子类别文件中包含圆弧面的构件的每一个圆弧面的几何特征参数输入到步骤三中验证为有效的分类模型中,得到每一个圆弧面的最优减面系数预测值,并计算每一个构件的减面系数,一个构件的减面系数K的计算方法为:
其中,K是赋予一个构件的减面系数;n是含圆弧面构件上圆弧面的数量;
步骤五:根据步骤四中计算得到的每一个构件的减面系数,将步骤一中的基于Autodesk Revit建立的BIM模型转换成glTF格式,实现Revit模型的智能轻量化处理。
与现有技术相比,本发明有益效果在于:本发明一种多级分类的BIM模型智能轻量化处理方法,首先对Revit建立的BIM模型进行多级分类,然后利用建立的构件圆弧面的最优减面系数分类模型对构件的每个圆弧面进行最优减面系数预测,再根据得到的构件的每个圆弧面的最优减面系数计算构件的减面系数,最后利用不同构件的减面系数将基于Autodesk Revit建立的BIM模型转换成glTF格式,实现Revit模型的智能轻量化处理。本发明方法针对不同专业、不同形态的BIM模型构件采用不同的减面系数,在保留所有属性信息的前提下,在模型轻量化处理的同时兼顾模型显示效果,提高了BIM模型轻量化处理的效率和质量。
附图说明
图1为本发明一种多级分类的BIM模型智能轻量化处理方法一种实施例的方法流程图。
图2为本发明一种多级分类的BIM模型智能轻量化处理方法实施例1中RevitBIM模型的建筑模型类别中的7个具有不同形态的构件的结构示意图。
图3为本发明一种多级分类的BIM模型智能轻量化处理方法的判定最优减面系数边界(多边形相邻两边夹角等于156°)的正多边形近圆的示意图。
图4为本发明一种多级分类的BIM模型智能轻量化处理方法的圆弧面最优减面系数分类模型(GB)与支持向量机算法(SVM)、高斯过程算法(GP)、随机森林算法(RF)、Adaboost迭代算法(Adaboost)、朴素贝叶斯算法(NB)在实施例1中的训练集与测试集的基础上得到的预测结果的准确率。
图5为实施例1中RevitBIM模型的建筑模型类别中的构件7在Revit中的局部细节图。
图6为实施例1中RevitBIM模型的建筑模型类别中的构件7经本发明一种多级分类的BIM模型智能轻量化处理方法处理后在网页端显示的局部细节图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
本发明提供一种多级分类的BIM模型智能轻量化处理方法,该方法包括下述几个步骤:
步骤一:将一个完整的基于Autodesk Revit软件建立的BIM模型进行属性信息与几何模型信息分离处理,将属性信息存入独立的数据库中,将几何模型信息另存为独立的Revit文件,并通过几何模型中构件的ID与对应的属性信息数据库进行关联;
步骤二:根据属性信息,对几何模型中的构件进行多级分类,并判断各子类别文件中的各构件是否包含圆弧面,获取每一个子类别文件中包含圆弧面的构件的每一个圆弧面的几何特征参数;
步骤三:建立建筑模型构件的圆弧面最优减面系数分类模型
步骤3.1以圆弧面的角度、半径和高度作为几何特征参数,在Autodesk Revit软件中依据特征参数值绘制对应的BIM模型,然后将BIM模型依据不同减面系数转换成glTF格式,当多边形相邻两边夹角大于或等于156°时,此时的减面系数即为该组几何特征参数的最优减面系数(即最优减面系数判定标准为的多边形相邻两边夹角大于或等于156°),将其作为该组几何特征参数的分类标签;依次获取每一组几何特征参数的分类标签,得到数据库;数据库中的一条数据为圆弧面的角度、半径和高度,以及对应的分类标签;将数据库中的数据随机不重复的按数量8:2分为训练集和测试集。
步骤3.2建立圆弧面最优减面系数分类模型
在梯度提升决策树算法的基础上建立圆弧面最优减面系数分类模型,并使用网格搜索与交叉验证方法进行超参数寻优。用步骤3.1中得到的训练集中的几何特征参数X作为梯度提升决策树的输入变量,最优减面系数Y作为期望输出,建立梯度提升决策树预测模型。在建模时,选取超参数决策树数量M的集合、学习率v的集合以及每棵决策树最大叶子节点数J的集合,利用网格搜索技术遍历所有可能的超参数组合,根据最小对数损失准则,对于训练集中的数据采用5折交叉验证方法确定模型的最优参数,得到圆弧面最优减面系数分类模型(在梯度提升决策树算法的基础上利用网格搜索与交叉验证方法得到圆弧面最优减面系数分类模型的过程为现有技术,其实施过程可参照文献:颜佳,黄一,王晓娜.基于交叉验证梯度提升决策树的管道腐蚀速率预测[J].腐蚀与防护,2021,42(11),68-74.)。
对数损失函数(损失函数)的公式为:
其中,Y为最优减面系数的期望,X为几何特征参数,L为损失函数.N为训练集中的样本量;M为可能的类别数,为根据训练集中的最优减面系数Y的值的统计获得,采用5折交叉验证方法时,训练集划分为5个数据集,则M为根据对应的一个数据集中的最优减面系数Y的值的统计获得;yij是一个二值指标,表示类别j是否是几何特征参数xi的真实类别,判断为true取1,false取0;pij为模型预测几何特征参数xi属于类别j的概率。
步骤3.3利用测试集对步骤3.2中得到的圆弧面最优减面系数分类模型进行测试,当准确率(Accuracy,即预测准确的样本占预测的总样本的比例)大于0.9时,即验证该分类模型为有效模型。
步骤四:将步骤二中的每一个子类别文件中包含圆弧面的构件的每一个圆弧面的几何特征参数输入到步骤三中验证为有效的分类模型中,得到每一个圆弧面的最优减面系数预测值,并计算每一个构件的减面系数,一个构件的减面系数K的计算方法为:
其中,K是赋予一个构件的减面系数;n是含圆弧面构件上圆弧面的数量。
步骤五:根据步骤四中计算得到的每一个构件的减面系数,将步骤一中的基于Autodesk Revit建立的BIM模型转换成glTF格式,实现Revit模型的智能轻量化处理。
实施例1
本实施例提供一种多级分类的BIM模型智能轻量化处理方法,该方法包括下述几个步骤:
步骤一、将基于Autodesk Revit建立的酒店BIM模型,对其进行属性信息与几何模型信息分离处理,将属性信息存入独立的数据库中,将几何模型信息另存为独立的Revit文件,并通过几何模型中构件的ID与对应的属性信息数据库进行关联。利用Revit官方提供的二次开发接口,可以快速提取BIM模型中的属性信息,之后存入独立的关系型数据库中,将几何模型信息另存为独立的Revit文件,并通过几何模型中构件ID与对应的属性信息数据进行关联。
步骤二、根据属性信息,对几何模型中的构件进行多级分类。经步骤一分离后得到的几何模型,首先根据专业分类为6个文件,包含专业:建筑、结构、暖通、电气、动力、给排水,并以相应的名字命名,为说明本发明方法,选取其中的建筑模型,再选取7个具有不同形态的构件,命名为楼板.rvt,如图2所示,其中构件1、2、3是不同尺寸的无圆弧面构件,构件4、5是不同尺寸的具有一个圆弧面的构件,构件6、7是有不同尺寸、不同圆弧面数量的构件。然后判断各构件几何模型文件中是否包含圆弧面,并根据判断结果将构件分成三类:无圆弧面(构件1,2,3),一个圆弧面(构件4,5),多个圆弧面(构件6,7)。进一步将含有多个圆弧面构件中的圆弧面进行编号,并获取所有圆弧面的几何特征参数。
利用判断和循环语句编写程序,根据对应的属性信息对几何模型中的构件进行多级分类,包括模型专业和构件类别。接着判断各专业几何模型文件中各构件是否包含圆弧面,并根据判断结果将构件进一步进行分类。对于含有圆弧面的构件,进一步获取他们的圆弧面以及对应的几何特征参数。
通过Revit建立的BIM模型在交付时,会根据设计规则按照不同专业做好分类。用元素过滤器(ElementFilters)遍历模型中的构件和对应的构件ID,可以获取构件的类别(Category)信息,通过模型中构件对应的属性信息是否含有“CylindricalFace”来判断构件是否包含圆弧面,并以Revit BIM模型中的拉伸体为例,通过以下方法获取圆弧面的几何特征参数,包括半径、角度、高度:一个圆弧面的几何特征参数获取方法如下:
获得弧面半径的值时:
首先获取Element属性中的Geometry的<Geometry.Element>值,然后在获取<GeometryElement>,选择其中的Solid,继续获取Faces的<FaceArray>值,再继续获取其中EdgeLoops的<EdgeArrayArray>,选择其中的Arc的属性Radius的值,再将英制单位转换成公制单位。
获取角度的值时:
圆弧面的角度值不能直接获取,可以通过计算间接获得,前几步操作同获得弧面半径的值时的操作相同,在获取EdgeLoops的<EdgeArrayArray>后,选择其中的Arc的属性Radius的值和属性ApproximateLength的值,将英制单位转换成公制单位,再根据角度制弧长公式L=nπr/180,可得n=180L/πr,其中L=ApproximateLength,r=Radius。
获取厚度的值时:
获取Element属性中Parameters的<ParameterSet>中的“无连接高度”或“厚度”即可,再将英制单位转换成公制单位。
步骤三、建立建筑模型构件的圆弧面最优减面系数分类模型
在Revit模型中,减面系数的取值范围为0-15之间的整数,因此最优减面系数的选择是分类问题。
步骤3.1以圆弧面的角度、半径和高度作为几何特征参数,在Autodesk Revit软件中依据特征参数值绘制对应的BIM模型,然后将BIM模型依据不同减面系数转换成glTF格式,当多边形相邻两边夹角大于等于156°时,此时的减面系数即为该组几何特征参数的最优减面系数,将其作为该组几何特征参数的分类标签;依次获取每一组几何特征参数的分类标签,得到数据库;数据库中的一条数据为圆弧面的角度、半径和高度,以及对应的分类标签;将数据库中的数据随机不重复的按数量8:2为训练集和测试集。
以圆弧面的角度、半径和高度作为几何特征参数,半径的取值为100、200、300、400、500、600、700、800、900、1000、1100、1200、1300、1400、1500、1600、1700、1800、1900、2000、3000、4000、5000,单位为毫米;角度的取值为360、330、300、270、240、210、180、150、120、90、60、45、30,单位为度;高度的取值为100、500、1000、2000、5000,单位为毫米;共建立1495组样本。
为了确定这些样本对应的最优减面系数并作为样本的分类标记,在Revit中依据特征参数值绘制对应的BIM模型,然后将模型通过轻量化方法依据不同减面系数转换成glTF格式,使用Three.js框架在网页端进行查看。随着减面系数的增加,圆弧面逐渐呈多边形,一般认为当多边形相邻两边夹角大于等于156°时,不影响圆弧面的视觉效果,如图3所示,因此以此作为临界值确定最优减面系数。一组几何特征参数的最优减面系数作为其分类标签;依次获取每一组几何特征参数的分类标签,得到数据库;数据库中的一条数据为圆弧面的角度、半径和高度,以及对应的分类标签;将数据库中的数据随机不重复的按数量8:2分为训练集和测试集;将构建的数据库保存成csv文件格式。
步骤3.2建立圆弧面最优减面系数分类模型
在梯度提升决策树算法的基础上建立圆弧面最优减面系数分类模型,并使用网格搜索与交叉验证方法进行超参数寻优。用步骤3.1中得到的训练集中的几何特征参数X作为梯度提升决策树的输入变量,最优减面系数Y作为期望输出,建立梯度提升决策树预测模型。在建模时,选取超参数决策树数量M的集合、学习率v的集合以及每棵决策树最大叶子节点数J的集合,利用网格搜索技术遍历所有可能的超参数组合,根据最小对数损失准则,对于训练集中的数据采用5折交叉验证方法确定模型的最优参数,得到圆弧面最优减面系数分类模型(在梯度提升决策树算法的基础上利用网格搜索与交叉验证方法得到圆弧面最优减面系数分类模型的过程为现有技术,其实施过程可参照文献:颜佳,黄一,王晓娜.基于交叉验证梯度提升决策树的管道腐蚀速率预测[J].腐蚀与防护,2021,42(11),68-74.)。
对数损失函数(损失函数)的公式为:
其中,Y为最优减面系数的期望,X为几何特征参数,L为损失函数.N为训练集中的样本量;M为可能的类别数,为根据训练集中的最优减面系数Y的值的统计获得,采用5折交叉验证方法时,训练集划分为5个数据集,则M为根据对应的一个数据集中的最优减面系数Y的值的统计获得;yij是一个二值指标,表示类别j是否是几何特征参数xi的真实类别,判断为true取1,false取0;pij为模型预测几何特征参数xi属于类别j的概率。
步骤3.3利用测试集对步骤3.2中得到的圆弧面最优减面系数分类模型进行测试,当准确率(Accuracy,即预测准确的样本占预测的总样本的比例)大于0.9时,即验证该分类模型为有效模型。
为检测本发明设计的圆弧面最优减面系数分类模型的性能,引入其它机器学习算法在训练集与测试集的基础上进行测试,其它机器学习算法包括支持向量机、高斯过程,随机森林、Adaboost迭代算法、朴素贝叶斯,采用准确率作为模型预测性能的评价指标,所得结果如图4所示。图4中,SVM(Support Vector Machines)指支持向量机算法,GP(GaussianProcess)是指高斯过程算法,RF(Random Forest)是指随机森林算法,Adaboost是指Adaboost迭代算法,GB(Gradient Boosting)是指本发明设计的圆弧面最优减面系数分类模型(基于梯度提升算法),NB(Naive Bayes)是指朴素贝叶斯算法。图中y轴AccuracyScore是指各算法训练所得模型对应的准确率。从图4中可以看到,本发明设计的圆弧面最优减面系数分类模型预测的准确率最高。
步骤四:将步骤二中的每一个子类别文件中包含圆弧面的构件的每一个圆弧面的几何特征参数输入到步骤三中验证为有效的分类模型中,得到每一个圆弧面的最优减面系数预测值,并计算每一个构件的减面系数,一个构件的减面系数K的计算方法为:
其中,K是赋予一个构件的减面系数;n是含圆弧面构件上圆弧面的数量。
根据最优减面系数分类模型的预测结果,当构件6的6个圆弧面对应的最优减面系数分别为5、5、5、4、6、5时,该构件对应最优减面系数为6。构件7的8个圆弧面对应的最优减面系数分别为7、7、5、6、6、6、7、5,该构件对应最优减面系数为7。
其中,构件1、2、3不存在圆弧面被赋予减面系数0;构件4、构件5和构件6根据计算结果对应的减面系数分别为7、5、6。
步骤五:根据步骤四中计算得到的每一个构件的减面系数,将步骤一中的基于Autodesk Revit建立的BIM模型转换成glTF格式,实现Revit模型的智能轻量化处理。
当整个模型中的全部构件均被赋予特定的减面系数,楼板.rvt格式文件将导出为楼板.gltf和楼板.bin文件,在网页端查看。图5为本实施例中的RevitBIM模型的建筑模型类别中的构件7在Revit中的局部细节图。图6本实施例中的RevitBIM模型的建筑模型类别中的构件7经本发明一种多级分类的BIM模型智能轻量化处理方法处理后在网页端显示的局部细节图。由图6可以看到,未出现失真、破面、空洞等问题,可以看出构件表面特征和边界特征,对于圆弧面来说,放大后如果呈现多边形,拉远视角后近似圆弧,在视觉效果上保留特征丰富的区域,且源模型为5478kb,经本方法轻量化处理后仅208kb,可在网页端流畅地加载与展示。
通过二次开发技术,基于官方提供的RevitAPI开发插件扩展Revit的格式转化功能,实现IExternalCommand二次开发接口,提取构件信息,识别其中的圆弧面,获取信息以及上述的多级分类功能。利用IExportContext接口进行格式转换,相当于把Revit构件信息映射到glTF框架里,实现Revit文件进行数据导出和数据转换。
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。
本发明未述及之处适用于现有技术。
Claims (3)
1.一种多级分类的BIM模型智能轻量化处理方法,其特征在于,该方法包括下述几个步骤:
步骤一:将一个完整的基于Autodesk Revit软件建立的BIM模型进行属性信息与几何模型信息分离处理,将属性信息存入独立的数据库中,将几何模型信息另存为独立的Revit文件,并通过几何模型中构件的ID与对应的属性信息数据库进行关联;
步骤二:根据属性信息,对几何模型中的构件进行多级分类,并判断各子类别文件中的各构件是否包含圆弧面,获取每一个子类别文件中包含圆弧面的构件的每一个圆弧面的几何特征参数;
步骤三:建立建筑模型构件的圆弧面最优减面系数分类模型
步骤3.1以圆弧面的角度、半径和高度作为几何特征参数,在Autodesk Revit软件中依据特征参数值绘制对应的BIM模型,然后将BIM模型依据不同减面系数转换成glTF格式,当多边形相邻两边夹角大于或等于156°时,此时的减面系数即为该组几何特征参数的最优减面系数,将其作为该组几何特征参数的分类标签;依次获取每一组几何特征参数的分类标签,得到数据库;数据库中的一条数据为圆弧面的角度、半径和高度,以及对应的分类标签;将数据库中的数据随机不重复的按数量8:2分为训练集和测试集;
步骤3.2建立圆弧面最优减面系数分类模型
在梯度提升决策树算法的基础上建立圆弧面最优减面系数分类模型,并使用网格搜索与交叉验证方法进行超参数寻优;用步骤3.1中得到的训练集中的几何特征参数X作为梯度提升决策树的输入变量,最优减面系数Y作为期望输出,建立梯度提升决策树预测模型;在建模时,选取超参数决策树数量M的集合、学习率v的集合以及每棵决策树最大叶子节点数J的集合,利用网格搜索技术遍历所有可能的超参数组合,根据最小对数损失准则,对于训练集中的数据采用5折交叉验证方法确定模型的最优参数,得到圆弧面最优减面系数分类模型;
步骤3.3利用测试集对步骤3.2中得到的圆弧面最优减面系数分类模型进行测试,当准确率大于0.9时,即验证该分类模型为有效模型;
步骤四:将步骤二中的每一个子类别文件中包含圆弧面的构件的每一个圆弧面的几何特征参数输入到步骤三中验证为有效的分类模型中,得到每一个圆弧面的最优减面系数预测值,并计算每一个构件的减面系数,一个构件的减面系数K的计算方法为:
其中,K是赋予一个构件的减面系数;n是含圆弧面构件上圆弧面的数量;
步骤五:根据步骤四中计算得到的每一个构件的减面系数,将步骤一中的基于Autodesk Revit建立的BIM模型转换成glTF格式,实现Revit模型的智能轻量化处理。
3.根据权利要求1所述的一种多级分类的BIM模型智能轻量化处理方法,其特征在于,构件的一个圆弧面的几何特征参数获取方法如下:
获得弧面半径的值时:
首先获取Element属性中的Geometry的<Geometry.Element>值,然后在获取<GeometryElement>,选择其中的Solid,继续获取Faces的<FaceArray>值,再继续获取其中EdgeLoops的<EdgeArrayArray>,选择其中的Arc的属性Radius的值,再将英制单位转换成公制单位;
获取角度的值时:
圆弧面的角度值不能直接获取,可以通过计算间接获得,前几步操作同获得弧面半径的值时的操作相同,在获取EdgeLoops的<EdgeArrayArray>后,选择其中的Arc的属性Radius的值和属性ApproximateLength的值,将英制单位转换成公制单位,再根据角度制弧长公式L=nπr/180,可得n=180L/πr,其中L=ApproximateLength,r=Radius;
获取厚度的值时:
获取Element属性中Parameters的<ParameterSet>中的“无连接高度”或“厚度”即可,再将英制单位转换成公制单位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043010.2A CN116030231A (zh) | 2023-01-28 | 2023-01-28 | 一种多级分类的bim模型智能轻量化处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043010.2A CN116030231A (zh) | 2023-01-28 | 2023-01-28 | 一种多级分类的bim模型智能轻量化处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116030231A true CN116030231A (zh) | 2023-04-28 |
Family
ID=86079193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310043010.2A Pending CN116030231A (zh) | 2023-01-28 | 2023-01-28 | 一种多级分类的bim模型智能轻量化处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030231A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235609A (zh) * | 2023-11-14 | 2023-12-15 | 中建科工集团有限公司 | Bim构件的归纳分类方法、装置、设备及介质 |
-
2023
- 2023-01-28 CN CN202310043010.2A patent/CN116030231A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117235609A (zh) * | 2023-11-14 | 2023-12-15 | 中建科工集团有限公司 | Bim构件的归纳分类方法、装置、设备及介质 |
CN117235609B (zh) * | 2023-11-14 | 2024-03-01 | 中建科工集团有限公司 | Bim构件的归纳分类方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11113431B2 (en) | MBD-based three-dimensional process designing method and platform for typical automobile machined part | |
CN107609121B (zh) | 基于LDA和word2vec算法的新闻文本分类方法 | |
US11977823B2 (en) | Method for designing high-rigidity blade based on stochastic isogeometric analysis | |
CN111275172B (zh) | 一种基于搜索空间优化的前馈神经网络结构搜索方法 | |
CN106682233A (zh) | 一种基于深度学习与局部特征融合的哈希图像检索方法 | |
CN107683469A (zh) | 一种基于深度学习的产品分类方法及装置 | |
CN105930862A (zh) | 一种基于密度自适应距离的密度峰聚类算法 | |
CN110008853B (zh) | 行人检测网络及模型训练方法、检测方法、介质、设备 | |
CN104240299B (zh) | 基于最大化泊松圆盘采样的重新网格化方法 | |
CN108280236A (zh) | 一种基于LargeVis的随机森林可视化数据分析方法 | |
CN116030231A (zh) | 一种多级分类的bim模型智能轻量化处理方法 | |
CN109740722A (zh) | 一种基于Memetic算法的网络表示学习方法 | |
CN112967296B (zh) | 一种点云动态区域图卷积方法、分类方法及分割方法 | |
CN110781943A (zh) | 一种基于毗邻网格搜索的聚类方法 | |
CN116662628B (zh) | 一种基于复杂薄壁零件的三维cad模型检索方法 | |
CN111797899B (zh) | 一种低压台区kmeans聚类方法及系统 | |
CN112508363A (zh) | 基于深度学习的电力信息系统状态分析方法及装置 | |
CN116798028A (zh) | 三维零件的尺寸自动标注方法 | |
CN113450344B (zh) | 带钢表面缺陷检测方法及系统 | |
CN108520087B (zh) | 一种机械结构异类多目标性能的稳健性度量与均衡优化设计方法 | |
CN115439722A (zh) | 基于图像和属性图融合网络的三维cad模型检索方法 | |
CN111737461B (zh) | 文本的处理方法、装置、电子设备及计算机可读存储介质 | |
CN112579783B (zh) | 基于拉普拉斯图谱的短文本聚类方法 | |
CN114511905A (zh) | 一种基于图卷积神经网络的人脸聚类方法 | |
CN104850716B (zh) | 基于分布式光伏接入设计聚类模型的最优方案选择方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |