CN116258287B - 钢筋下料组合优化方法 - Google Patents
钢筋下料组合优化方法 Download PDFInfo
- Publication number
- CN116258287B CN116258287B CN202310547749.7A CN202310547749A CN116258287B CN 116258287 B CN116258287 B CN 116258287B CN 202310547749 A CN202310547749 A CN 202310547749A CN 116258287 B CN116258287 B CN 116258287B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- database
- steel bar
- reinforcing steel
- 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 43
- 229910001294 Reinforcing steel Inorganic materials 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 title abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 239000002994 raw material Substances 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000011161 development Methods 0.000 claims abstract description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 17
- 239000010959 steel Substances 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000013136 deep learning model Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000003014 reinforcing effect Effects 0.000 claims 1
- 230000002787 reinforcement Effects 0.000 abstract description 13
- 230000008676 import Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 6
- 238000013479 data entry Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Structural Engineering (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于BIM技术结合人工智能算法的钢筋下料组合优化方法，包括以下步骤：第一步、工程实体模型搭建：搭建结构模型和关键部位钢筋模型；通过明细表的词缀快速提取钢筋所需要的关键信息条目；第二步、数据采集：取结构形式相似、施工类型相似的段为样板，进行数据采集，归档后进行清理并作为学习模板进行数学模型的深度学习的素材；第三步、数据库设计与数据清理：设立6大数据库类型，将所有信息进行归类，通过excel进行数据整理与清洗，将数据进行导入；第四步、数学模型搭建与计算：采用python开发语言对钢筋原料录入的信息的条目进行设计和适配，运行后进行机器学习。
Description
技术领域
本发明涉及人工智能和钢筋计算技术领域，具体涉及一种基于BIM技术结合人工智能算法的钢筋下料组合优化方法。
背景技术
钢筋计算领域通常都是以线性规划为准则，现场会根据钢筋下料单凭借有经验的师傅进行原料估算或理论值计算。
现有技术中针对钢筋优化下料研究较多的有一维线性规划法、启发式的遗传算法、混合遗传算法、模拟退火算法等。
其中上述描述的后几种方法对钢筋优化人员专业化要求高，难于在项目实际应用过程中推广。而传统的人工优化下料方法受人为影响因素大，过程繁琐，难以保证能够十分有效地进行钢筋下料优化。
发明内容
本发明旨在提供一种基于BIM技术结合人工智能算法的钢筋下料组合优化方法，以解决如何减少现场材料加工损耗、提高调运准确度和高效施工的问题。
本发明的目的是解决现有技术的不足，提供一种基于BIM技术结合人工智能算法的钢筋下料组合优化方法，包括以下步骤：
第一步、工程实体模型搭建：
通过Revit软件搭建结构模型和关键部位钢筋模型；通过明细表的词缀快速提取钢筋所需要的关键信息条目；
第二步、数据采集：
取结构形式相似、施工类型相似的段为样板，进行数据采集，归档后进行清理并作为学习模板进行数学模型的深度学习的素材；
第三步、数据库设计与数据清理：
设立6大数据库类型，分别是编码数据库、原始数据库、计算模型数据库、基准效率数据库、定额数据库、影响因素数据库；最后将所有信息进行归类，通过excel进行数据整理与清洗，将数据进行导入；
第四步、数学模型搭建与计算：
使用tensorflow中的keras标准数学模型为基准，采用python开发语言对钢筋原料录入的信息的条目进行设计和适配，运行后进行机器学习。
优选地，第一步中所述的关键信息条目包括钢筋型号、形变、钢筋长度、数量和/或所属构件类型。
优选地，第一步在有规律主体中利用钢筋传播的功能快速实现钢筋模型的搭建。
优选地，所述的编码数据库是对“任务单元”的定义与路径识别，是以工程量清单子项的编码为依据，施工工序为对象，钢筋计算应用中所有的数据都与对应的编码关联。
优选地，所述的原始数据库是对钢筋工序的“任务单元”具体数据的全部存储；该原始数据库以大数据的架构进行搭建，并以云服务器进行存储。
优选地，所述的影响因素数据库用于存储钢筋施工工艺的影响因素及其可选项。
优选地，所述的计算模型数据库依据每一个“任务单元”特征设计相应的计算模型，通过人工智能的方式对计算模型进行训练、优化、印证并固化存储。
优选地，所述的基准效率数据库用于存储单项工人效率数据表和单项机械效率数据表。
优选地，所述的定额数据库用于存储单项消耗量定额表和单项机械台班产量定额表。
优选地，利用TenforFlow Playground来对数学模型进行图形化学习展示；能够清晰地看出学习进程与最终优化后的图形化效果。
有益效果
与现有技术相比，本发明的有益效果是：
本发明所述的基于BIM技术结合人工智能算法的钢筋下料组合优化方法是一种通过提取现场实际的影响因子数据（包括损耗、环境影响、操作人员影响等），利用人工智能的学习算法快速找出与现场适配的材料组合，达成减少现场材料加工损耗、提高调运准确度和高效施工的目的而研究的一套方法。
传统方法无论是人工计算还是采用线性规划的数学算法计算，都只是根据图纸去求钢筋的配比最优解，未考虑现场实际情况。
本发明所述的基于BIM技术结合人工智能算法的钢筋下料组合优化方法是提取现场实际的影响因素在大数据学习过程中找到最优解。通过现场的材料记录单反馈回来的数据发现，传统方法常常会存在优化过于极限，用量不足需要补料的情况，材料用量偏差大概在2%左右。而本发明利用人工智能算法可以将材料用量偏差降低到0.2%的区间内，更加符合现场的用料用工情况。
特征提取的要素是本发明所述的方法最先提出的，通过大量施工管理人员的经验进行分析、判断，最终形成了需要的特征数据条目，这部分也是机器算法的核心。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的具体实施方式一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是数据库总体架构示意图。
具体实施方式
在下文中更详细地描述了本发明以有助于对本发明的理解。
本发明所述的基于BIM技术结合人工智能算法的钢筋下料组合优化方法是应用revit2022、Python3、Tensorflow2.0版本进行开发和制作的。
本发明所述的基于BIM技术结合人工智能算法的钢筋下料组合优化方法包括以下步骤：
第一步、工程实体模型搭建：
通过Revit软件搭建结构模型和关键部位钢筋模型；通过明细表的词缀快速提取钢筋所需要的关键信息条目，包括：钢筋型号、形变、钢筋长度、数量、所属构件类型等。
在常规部位、标准段等有规律主体中本发明利用钢筋传播的功能快速实现钢筋模型的搭建。
第二步、数据采集：
在本发明的一个实施例的项目中，1a段、1b段结构形式相似，施工类型相似，所以取1a段为样板，进行数据采集，归档后进行清理并作为学习模板进行数学模型的深度学习的素材。数据采集的结果如表1和表2所示。
表1、钢筋用量表与部位
表2、实际钢筋用量比对
第三步、数据库设计与数据清理：
本发明总体框架设立6大数据库类型，分别是编码数据库、原始数据库、计算模型数据库、基准效率数据库、定额数据库、影响因素数据库。数据库相互间的架构关系如图1所示。
编码数据库：
编码数据库是对“任务单元”的定义与路径识别，是以工程量清单子项的编码为依据，施工工序为对象，钢筋计算应用中所有的数据都与对应的编码关联。
原始数据库：
原始数据库是对钢筋工序的“任务单元”具体数据的全部存储。该数据库以大数据的架构进行搭建，并以云服务器进行存储。
影响因素数据库：
影响因素数据库用于存储钢筋施工工艺的影响因素及其可选项。
计算模型数据库：
依据每一个“任务单元”特征设计相应的计算模型，通过人工智能的方式对计算模型进行训练、优化、印证并固化存储。
基准效率数据库：
基准效率数据库用于存储单项工人效率数据表和单项机械效率数据表。
定额数据库：
定额数据库用于存储单项消耗量定额表和单项机械台班产量定额表。
最后将所有信息进行归类，通过excel进行数据整理与清洗，就可以将数据进行导入了。
第四步、数学模型搭建与计算：
使用tensorflow中的keras标准数学模型为基准，采用python开发语言对钢筋原料录入的信息的条目进行设计、适配，运行后既可进行机器学习。
利用TenforFlow Playground来对数学模型进行图形化学习展示；清晰地可以看出学习进程与最终优化后的图形化效果。
传统方法无论是人工计算还是采用线性规划的数学算法计算，都只是根据图纸去求钢筋的配比最优解，未考虑现场实际情况。
本发明所述的方法是提取现场实际的影响因素在大数据学习过程中找到最优解。
通过现场的材料记录单反馈回来的数据发现，传统方法常常会存在优化过于极限，用量不足需要补料的情况，材料用量偏差大概在2%左右。而本发明利用人工智能算法可以将材料用量偏差降低到0.2%的区间内，更加符合现场的用料用工情况。
特征提取的要素是本发明所述的方法最先提出的，通过大量施工管理人员的经验进行分析、判断，最终形成了需要的特征数据条目，这部分也是机器算法的核心。
本发明所述的基于BIM技术结合人工智能算法的钢筋下料组合优化方法能够解决的技术问题包括：
1、利用revit2022版本以上的钢筋传播功能，可实现将某一类构件（如墙、梁、板、柱）上创建的钢筋按照自定义规则快速扩散到其他构建中，解决钢筋实体创建，快速求导钢筋量的问题，并且钢筋所属主体和钢筋特性的参数指标也会按照自定义进行传递。
通过人工智能算法学习，结合工地实际的耗材情况计算最为合理的钢筋尺寸原料配比。
计算共分为四步工作，首先是数据准备。利用TensorFlow Datasets数据集，导入至TensorFlow机器学习框架中。具体命令为：
import tensorflow.compat.v2 as tf
import tensorflow_datasets as tfds
# Construct a tf.data.Dataset
ds = tfds.load('mnist', split='train', shuffle_files=True)
# Build your input pipeline
ds=ds.shuffle(1024).batch(32).prefetch(tf.data.experimental.AUTOTUNE)for example in ds.take(1):
image, label = example["image"], example["label"]
第二步是构建机器学习模型。
因本发明所设置钢筋原料的组合配比，所涉及的领域为运筹学中的线性规划，故采用tensorflow中KerasAPI搭建深度学习模型。因其模块化的特点，我们可以使用layer中的神经网络快速搭建此模型。具体命令为：
#导入模型
import tensorflow as tf
from tensorflow.keras import layers
from tensorflow.keras.callbacks import EarlyStopping, TensorBoard
import numpy as np
from datetime import datetime
gpu_ok = tf.test.is_gpu_available()
print(tf.__version__)
print(tf.keras.__version__)
print(gpu_ok)
#利用tf.keras.Sequential 模型进行类型层堆叠
model = tf.keras.Sequential()
model.add(layers.Dense(32, activation='relu', input_dim=72))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
model.summary()
第三步是部署模型。
#构建好模型后，通过调用compile方法配置该模型的学习流程：
model = tf.keras.Sequential()
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(32, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
model.compile(optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.categorical_crossentropy,
metrics=[tf.keras.metrics.categorical_accuracy])
将数据集导入模型开始训练。
dataset = tf.data.Dataset.from_tensor_slices((train_x, train_y))
dataset = dataset.batch(32)
dataset = dataset.repeat() #防止循环次数*batch大于数据总量的情况下报错
val_dataset = tf.data.Dataset.from_tensor_slices((val_x, val_y))
val_dataset = val_dataset.batch(32)
val_dataset = val_dataset.repeat()
model.fit(dataset, epochs=10, steps_per_epoch=30,
validation_data=val_dataset, validation_steps=3)
第四步是评估与预测。
使用tf.keras.Model.evaluate和tf.keras.Model.predict方法对数据进行评估与预测：
# 模型评估
test_x = np.random.random((1000, 72))
test_y = np.random.random((1000, 10))
model.evaluate(test_x, test_y, batch_size=32)
test_data = tf.data.Dataset.from_tensor_slices((test_x, test_y))
test_data = test_data.batch(32).repeat()
model.evaluate(test_data, steps=30)
# 模型预测
result = model.predict(test_x, batch_size=32)
print(result)。
以上描述了本发明优选实施方式，然其并非用以限定本发明。本领域技术人员对在此公开的实施方案可进行并不偏离本发明范畴和精神的改进和变化。
Claims (1)
1.一种基于BIM技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，所述的基于BIM技术结合人工智能算法的钢筋下料组合优化方法包括以下步骤：
第一步、工程实体模型搭建：
通过Revit软件搭建结构模型和关键部位钢筋模型；通过明细表的词缀快速提取钢筋所需要的关键信息条目；
第二步、数据采集：
取结构形式相似、施工类型相似的段为样板，进行数据采集，归档后进行清理并作为学习模板进行数学模型的深度学习的素材；
第三步、数据库设计与数据清理：
设立6大数据库类型，分别是编码数据库、原始数据库、计算模型数据库、基准效率数据库、定额数据库、影响因素数据库；最后将所有信息进行归类，通过excel进行数据整理与清洗，将数据进行导入；
第四步、数学模型搭建与计算：
使用tensorflow中的keras标准数学模型为基准，采用python开发语言对钢筋原料录入的信息的条目进行设计和适配，运行后进行机器学习；
所述的编码数据库是对“任务单元”的定义与路径识别，是以工程量清单子项的编码为依据，施工工序为对象，钢筋计算应用中所有的数据都与对应的编码关联；
所述的原始数据库是对钢筋工序的“任务单元”具体数据的全部存储；该原始数据库以大数据的架构进行搭建，并以云服务器进行存储；
所述的计算模型数据库依据每一个“任务单元”特征设计相应的计算模型，通过人工智能的方式对计算模型进行训练、优化、印证并固化存储；
所述的基准效率数据库用于存储单项工人效率数据表和单项机械效率数据表；
所述的定额数据库用于存储单项消耗量定额表和单项机械台班产量定额表；
所述的影响因素数据库用于存储钢筋施工工艺的影响因素；
第一步在有规律主体中利用钢筋传播的功能快速实现钢筋模型的搭建；所述的有规律主体包括常规部位和标准段；
利用TenforFlow Playground来对数学模型进行图形化学习展示；能够清晰地看出学习进程与最终优化后的图形化效果；
第一步中所述的关键信息条目包括钢筋型号、形变、钢筋长度、数量和/或所属构件类型；
通过人工智能算法学习，结合工地实际的耗材情况计算最为合理的钢筋尺寸原料配比：计算共分为四步工作，首先是数据准备，利用TensorFlow Datasets数据集，导入至TensorFlow机器学习框架中；然后构建机器学习模型，采用tensorflow中KerasAPI搭建深度学习模型，或者使用layer中的神经网络快速搭建所述的深度学习模型；然后部署深度学习模型，构建好深度学习模型后，通过调用compile方法配置该深度学习模型的学习流程；将数据集导入该深度学习模型开始训练；最后使用tf.keras.Model.evaluate和tf.keras.Model.predict方法对数据进行评估与预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310547749.7A CN116258287B (zh) | 2023-05-16 | 2023-05-16 | 钢筋下料组合优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310547749.7A CN116258287B (zh) | 2023-05-16 | 2023-05-16 | 钢筋下料组合优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116258287A CN116258287A (zh) | 2023-06-13 |
| CN116258287B true CN116258287B (zh) | 2024-01-26 |
Family
ID=86686556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310547749.7A Active CN116258287B (zh) | 2023-05-16 | 2023-05-16 | 钢筋下料组合优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116258287B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256005A (zh) * | 2017-08-15 | 2017-10-17 | 广东星层建筑科技股份有限公司 | 一种基于bim技术的钢筋数控加工方法及设备 |
| CN108897978A (zh) * | 2018-09-28 | 2018-11-27 | 浙江大境筑科技发展有限公司 | 基于bim的钢筋下料及断料的优化方法 |
| CN109183785A (zh) * | 2018-09-14 | 2019-01-11 | 鼎宸建设科技有限公司 | 一种基于bim的工程桩施工方法 |
| KR20200072176A (ko) * | 2018-12-12 | 2020-06-22 | 주식회사 대성이엔씨 | 효과적인 bim을 이용하기 위한 철근 분류코드 활용시스템 및 활용방법 |
| CN111914326A (zh) * | 2020-07-22 | 2020-11-10 | 中国一冶集团有限公司 | 基于bim技术的钢筋下料匹配方法 |
| CN111922251A (zh) * | 2020-08-06 | 2020-11-13 | 中交第一航务工程局有限公司 | 一种基于bim的钢筋下料优化及自动化加工与管理的成套技术 |
| CN115641162A (zh) * | 2022-10-26 | 2023-01-24 | 佛山市天诚工程造价咨询有限公司 | 一种基于建筑工程造价的预测数据分析系统和方法 |
-
2023
- 2023-05-16 CN CN202310547749.7A patent/CN116258287B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256005A (zh) * | 2017-08-15 | 2017-10-17 | 广东星层建筑科技股份有限公司 | 一种基于bim技术的钢筋数控加工方法及设备 |
| CN109183785A (zh) * | 2018-09-14 | 2019-01-11 | 鼎宸建设科技有限公司 | 一种基于bim的工程桩施工方法 |
| CN108897978A (zh) * | 2018-09-28 | 2018-11-27 | 浙江大境筑科技发展有限公司 | 基于bim的钢筋下料及断料的优化方法 |
| KR20200072176A (ko) * | 2018-12-12 | 2020-06-22 | 주식회사 대성이엔씨 | 효과적인 bim을 이용하기 위한 철근 분류코드 활용시스템 및 활용방법 |
| CN111914326A (zh) * | 2020-07-22 | 2020-11-10 | 中国一冶集团有限公司 | 基于bim技术的钢筋下料匹配方法 |
| CN111922251A (zh) * | 2020-08-06 | 2020-11-13 | 中交第一航务工程局有限公司 | 一种基于bim的钢筋下料优化及自动化加工与管理的成套技术 |
| CN115641162A (zh) * | 2022-10-26 | 2023-01-24 | 佛山市天诚工程造价咨询有限公司 | 一种基于建筑工程造价的预测数据分析系统和方法 |
Non-Patent Citations (5)
| Title |
|---|
| BIM在垃圾电厂全生命周期中的应用;陈凯琦；王建飞；韩达；;中国建设信息化(第06期);68-70 * |
| BIM在垃圾电厂全生命周期中的应用;陈凯琦；王建飞；韩达；;中国建设信息化，第06期;68-70 * |
| BIM技术在智能化钢筋加工中的探索;陆长松;;住宅与房地产(第23期);46-49 * |
| 基于MATLAB的钢筋下料优化算法;漏家俊;;建筑施工(第02期);154-156 * |
| 陆长松 ; .BIM技术在智能化钢筋加工中的探索.住宅与房地产.2018,(第23期),46-49. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116258287A (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ko et al. | GA-based decision support systems for precast production planning | |
| Chi et al. | BIM-enabled structural design: impacts and future developments in structural modelling, analysis and optimisation processes | |
| Lu et al. | Modeling framework for mining lifecycle management | |
| Dehghan et al. | Optimization of overlapping activities in the design phase of construction projects | |
| CN104951590B (zh) | 模具设计与制造的知识服务系统及方法 | |
| Dolšak et al. | Intelligent decision support for structural design analysis | |
| Abualdenien et al. | Consistent management and evaluation of building models in the early design stages | |
| CN104778753A (zh) | 桥梁钢筋的三维建模实现方法 | |
| Dias et al. | Layout and process optimisation: using computer-aided design (CAD) and simulation through an integrated systems design tool | |
| Kumar et al. | A low cost knowledge base system framework for progressive die design | |
| KR20130048868A (ko) | 선박설계 시 형강류 절단도면 자동 생성 및 자재 ｂｏｍ 자동 추출 방법 | |
| JP5582510B2 (ja) | 新規の工業プラント運転準備完了コストを見積もるためのシステム | |
| Mahdavian et al. | Hybrid genetic algorithm and constraint-based simulation framework for building construction project planning and control | |
| WO2020250411A1 (ja) | 生産設計支援装置、生産設計支援方法及び生産設計支援プログラム | |
| CN116258287B (zh) | 钢筋下料组合优化方法 | |
| Ren et al. | Research on cutting stock optimization of rebar engineering based on building information modeling and an improved particle swarm optimization algorithm | |
| Lien et al. | BIM-based steel reinforcing bar detail construction design and picking optimization | |
| CN104794010B (zh) | 一种系统内信息交互优化方法 | |
| CN107194021A (zh) | 箱梁构型的图形调整和实时评估方法 | |
| CN105005210B (zh) | 机电一体化仿真系统及使用其的方法 | |
| Oyarhossein et al. | Identifying barriers of Implementing BIM in Construction | |
| Jiang et al. | Deep reinforcement learning algorithm for solving material emergency dispatching problem | |
| Krishnamoorthy et al. | Optimizing stochastic temporal manufacturing processes with inventories: An efficient heuristic algorithm based on deterministic approximations | |
| CN111667107B (zh) | 基于梯度随机森林的研发管控问题预测方法及装置 | |
| Xiwang et al. | An improved multi-objective scatter search approach for solving selective disassembly optimization problem |
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 |