CN116307566A - 大型房屋建筑工程施工组织方案动态设计系统 - Google Patents

Abstract

本发明公开了大型房屋建筑工程施工组织方案动态设计系统，包括数据收录及预处理模块、数据分析及知识库建立模块、施组方案多维优化生成模块、以及施工过程方案动态优化模块。本发明用于各类工程建设中的施工组织方案生成，在施工过程中，结合施工状态的感知和评估，可以实现施工方案的动态优化。利用了多目标优化求解方法，实现了工期、经费组合目标的优化，解决了既有的但目标优化手段存在的不足。在划分了分项工程的基础上提出了部件、最小工序的划分方法，可以更加细致的指导施工作业。同时以经费和工期为双目标优化，能够更加科学全面的考虑资源间的配置，降低由于运筹调度考虑不全面引起的资源浪费，节省资金。

Description

大型房屋建筑工程施工组织方案动态设计系统

技术领域

本发明属于建筑施工技术领域，具体涉及大型房屋建筑工程施工组织方案动态设计系统。

背景技术

施工组织设计是建筑工程建设过程中的一项关键工作，是对施工活动实行科学管理的重要手段。随着经济社会的发展，房屋建筑工程体量需求逐年增大，对施工组织科学性和最优性的要求也越来越高，目前的施工组织主要由工程技术人员在结合法律法规的基础上依照经验开展设计。

在进度计划方面，采用传统甘特图法、关键路线法，只能将经费、工期其中之一作为目标进行优化设计，无法实现经费、工期双目标的最优解，且约束条件考虑不足、调整成本高，在大体量工程中导致的效率低下问题日益突出；在施工组织文本信息方面，目前未能建立高效的知识库，对于具体待建项目的文本信息主要采用人工和经验检索，效率低下；在施工过程中施组优化方面，目前未能实现基于施工状态的施工组织动态优化，对于施工过程中进度超前和滞后施工组织方案调整周期长，效率低下。

为此，本发明提出了一种智能施工组织设计系统，利用人工智能、知识库等技术，实现了施工组织进度方案智能优化生成、施工组织文本信息知识库智能检索生成、施工过程中施工组织方案实时动态优化。规避了传统施工组织设计方法在施工组织进度方案生成过程中优化目标单一、施组文本检索效率低、施工过程施组优化周期长等问题。

发明内容

本发明的目的在于针对现有技术中存在的上述问题，提供大型房屋建筑工程施工组织方案动态设计系统。

本发明的上述目的通过以下技术方案实现：

大型房屋建筑工程施工组织方案动态设计系统，包括数据收录及预处理模块，其特征在于，还包括数据分析及知识库建立模块、施组方案多维优化生成模块、以及施工过程方案动态优化模块，

数据收录及预处理模块，用于对案例数据、项目数据和施工数据进行收录及储存，其中，案例数据包括施工组织设计书，施工组织设计书文本划分为案例特征数据、工艺工法数据、最小工序资源数据、以及施组文本数据；项目数据包括待建项目多维特征数据，待建项目多维特征数据包括工程设计图纸和地质勘查报告；施工数据包括传感设备数据和管理信息数据；

数据分析及知识库建立模块，用于对案例数据进行信息抽取和知识加工，建立基于知识图谱的工程信息知识库；还用于对项目数据进行指标化表达；还用于将基于传感数据获取的施工进度实时感知数据、基于管理信息数据的施工进度周期性感知数据进行融合分析，并生成对全方位施工进度状态的感知；

施组方案多维优化生成模块，用于输入项目数据，利用工程信息知识库检索，在项目层级生成各分部工程单元；在分部工程层级对应各分部工程单元生成子分部工程单元集；在子分部工程层级对应各子分部工程单元生成多种分项工程单元集；在分项工程层级对应各分项工程单元生成多种部件单元集；在部件层级对应各部件单元内生成多种若干最小工序单元集；还用于进行第一类优化：优化选择相关层级最优工艺工法和优化生成最小工序有向连接；还用于进行第二类优化：优化生成工程各最小工序的有向连接图，生成最优进度图，生成项目经费及人材机预算，利用工程信息知识库，检索生成施工组织设计书中文本部分，生成完整的施工组织设计方案；

施工过程方案动态优化模块，用于将已经完成工序作业的最小工序单元剔除，保留未进行施工的最小工序单元，在保留的最小工序单元间进行第二类优化，根据优化结果产生新的最小工序单元有向连接，生成新的接续施工进度方案。

如上所述数据分析及知识库建立模块中对案例数据进行信息抽取包括：

对于案例特征数据，抽取生成工程特征指标作为“属性”，其数值为“值”，工程项目作为“实体”，将“事实”以“实体-属性-值”的形式表达生成案例特征信息；

对于工艺工法数据，抽取多层级工艺工法关系，并根据具体案例工艺工法特征从上到下按层级以“实体-关系-实体”的形式表达生成工艺工法信息；

对于最小工序资源数据，将资源种类作为“属性”，其数值作为“值”，并把最小工序作为“实体”，以“实体-属性-值”的形式表达生成最小工序资源信息；

对于施组文本数据，将文本具体条文作为“值”，施工组织设计书中的章节为“属性”，项目为“实体”描述，以“实体-属性-值”的形式表达生成施组文本数据。

如上所述数据分析及知识库建立模块中知识加工包括：对具有相近特征的最小工序进行聚类分析，基于聚类结果对最小工序属性的人、材、机、工期、经费等五类指标进行关联关系分析，获得人、材、机、工期、经费的关联关系，基于3个不同的神经网络模型通过深度学习的方法分别获取人-材-机映射关系、人材机-工期映射关系、人材机-经费映射关系，将此3种映射关系对应的神经网络模型作为“值”，以“实体-属性-值”的形式与最小工序“实体”建立联系。

如上所述最小工序单元包含5类信息矩阵：表示最小工序索引、人材机、工期、经费的基本信息特征矩阵Ψ；用于索引人-材-机、人材机-工期、人材机-经费关联关系的索引矩阵λ；表示各最小工序间层级关系的层级矩阵Ω；表示各层级对应施工工法的工法矩阵Δ；用于表示各最小工序单元间有向连接关系的邻接矩阵Φ。

如上所述第一类优化包括：

在第1次优化过程中，对各部件单元的对应的待选最小工序单元按部件的施工工艺工法进行优化选取，通过对各部件生成的不同最小工序集，以该部件的总工期和总经费作为目标，进行优化求解，选取部件层级的各最优最小工序集，

在第2次优化过程中，对分项工程层级对应的待选部件单元按分项工程的施工工艺工法进行优化选取，通过对各分项工程生成的不同部件集，以该分项工程的总工期和总经费作为目标，进行优化求解，选取分项工程层级的各最优部件集，

将经过第一类优化的所有有效的最小工序单元的基本信息特征矩阵Ψ中的人材机数据清空，更换为该基本信息特征矩阵初始生成的人材机取值范围。

如上所述第二类优化包括：

依据工程建设流程，生成约束条件，基于GNSGA-II优化算法，以项目总工期和总经费为目标，对有效最小工序单元的邻接特征进行优化计算，建立最优有向连接，在约束条件中找最优约束条件，建立工程各最小工序的有向连接图，生成最优进度图，生成项目经费及人材机预算，利用工程信息知识库，检索生成施工组织设计书中文本部分，生成完整的施工组织设计方案。

如上所述约束条件基于以下步骤生成：

按照各高层级单元在时序上的前后关系，对低层级单元进行先后关系约束，最终对最小工序单元建立有向连接提供约束，使有向连接在工程进度上符合实际施工前后关系，生成各最小工序的层级矩阵Ω定量约束条件；

提取基本信息特征矩阵Ψ中涵盖了人材机取值范围作为各最小工序的人材机取值约束条件。

本发明相对于现有技术，具有以下有益效果：

本发明为一种智能施工组织方案优化生成系统。

本发明用于各类工程建设中的施工组织方案生成，包括施工进度方案、施工组织设计书文本等内容的智能生成；同时，在施工过程中，结合施工状态的感知和评估，可以实现施工方案的动态优化。

本发明利用了多目标优化求解方法，实现了工期、经费组合目标的优化，解决了既有的但目标优化手段存在的不足。

本发明进一步将工程建设项目进行细化，在划分了分项工程的基础上提出了部件、最小工序的划分方法，可以更加细致的指导施工作业。

本发明提出了以最小工序单元为对象的工程建设项目施工组织方案优化方法，更加细化的考虑施工过程中的资源流动；同时，以经费和工期为双目标优化，能够更加科学全面的考虑资源间的配置，降低由于运筹调度考虑不全面引起的资源浪费，节省资金。

附图说明

图1为本发明的模块结构示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

大型房屋建筑工程施工组织方案动态设计系统，包括数据收录及预处理模块、数据分析及知识库建立模块、施组方案多维优化生成模块、以及施工过程方案动态优化模块。

数据收录及预处理模块，用于收录海量工程案例数据、待施工项目的各项特征数据、以及施工过程中反映进度的各类施工数据。该模块的作用在于收录数据，为后续提供分析基础。

数据分析及知识库建立模块，用于对前述收录数据做进一步分析，根据智能施工组织设计的需要建立工程信息知识库；对待施工项目的各类特征进行指标化表达，为后续检索信息提供基础；对项目正式开工后的工地进度数据进行分析，智能判断各工序施工状态，为后续优化方案提供基础。

施组方案多维优化生成模块，用于检索生成待优化工序单元，并利用改进的基于图的多目标优化算法优化生成最优施组进度方案；同时基于工程信息知识库检索生成施组文本信息，生成完整施工组织设计方案。

施工过程方案动态优化模块，用于施工过程中应对工地各类不确定因素引起的施工进度提前或滞后，通过感知工序的进度状态，对施工组织方案实时动态优化。

模块1：数据收录及预处理模块

大型房屋建筑工程在建设过程中需处理海量数据，此外为了实现智能化施工组织设计，需要对案例数据、项目数据、施工数据等多重数据进行收录及储存。上述数据具有较强的多源异构特征，并且数量庞大，须根据数据结构建立分类数据库用于储存。

具体地，按照数据库建立的一般流程，建立用于储存结构化数据的MySQL数据库，建立储存有向图数据的Neo4j数据库，建立储存图纸、文本数据的Redis数据库。

具体包括下面几个方面的数据。

案例数据：

案例数据指的是海量大型房屋建筑工程施工组织设计案例数据，主要为施工组织设计书，由于施工组织设计书为文本化的非结构数据，需预处理，根据组成成分将其分类储存，为后续的分析提供基础。

具体地，将施工组织设计书文本划分为案例特征数据、工艺工法数据、最小工序资源数据、以及施组文本数据。案例特征数据是文本中对该工程案例的工程种类、工程算量、地质环境、气候环境等多维度特征描述的部分。工艺工法数据是文本中对案例中工艺工法描述部分，包括分项工程划分逻辑、施工网络图等信息。最小工序资源数据是施工网络图中对应的最小工序在施工过程中需要消耗的人材机、工期、经费、工序算量等信息。施组文本数据是对施工组织设计书中除上述内容外，以文本形式呈现的其他内容。

项目数据：

项目数据指的是智能施工组织设计的待建项目多维特征数据，此类数据来源于工程设计图纸、地质勘查报告等非结构化数据的图纸、文本数据，通过多源异构数据融合技术预处理，抽取项目特征数据。

具体地，利用目标检测、卷积神经网络等方法，对工程设计图纸进行分类；对工程设计图纸进行读取识别，将结构按照部件进行拆分，统计生成结构部件信息数据，包括尺寸、位置、材料等信息。对地质勘察报告进行预处理，提取施工场地范围内的地质、气候、环境等信息数据。

施工数据：

在工地广泛分布有各类力学、视频、环境等传感设备，这些传感设备会对工地状态实时感知，产生传感数据，此外项目部对工地的各项管理工作也会周期性生成海量的管理信息数据。

具体地，针对工地既有的各类传感设备，依据其功能分类，收录能够反映施工进度状态的传感数据。针对结构化数据，利用统计分析方法对其所反映的特征指标状态进行评价，形成以结构化数据表示的状态数据；针对半结构化和非结构化数据，利用目标检测、深度学习等方法对其所反映的特征指标状态进行评价，形成以结构化数据表示的状态数据。

模块2：数据分析及知识库建立模块

对于大型房建工程，主要包括：同类型工程海量的案例数据、多维特征的待建项目的项目数据、实施过程中的施工数据等。在本模块将对上述数据做进一步处理，同时建立工程信息知识库。

为方便对建筑工程描述，根据其特点，对工程种类、工程算量、地质环境、气候环境等多维度特征，利用关联分析、分类分析、聚类分析等方法，基于敏感性分析和主成因分析提出多尺度描述的工程特征指标体系，形成工程关键特征的表示方法，用于对各项工程指标化表征。

表1工程特征指标体系

(1)对案例数据分析处理：

利用数据收录及预处理模块储存的案例数据，根据施工组织设计需求建立工程信息知识库，其中工程信息知识库以构建知识图谱为核心。

具体地，根据知识图谱构建一般流程，按照数据采集、信息抽取、知识融合、知识加工、知识更新等步骤建立。

以下内容需要说明：

数据采集步骤：

数据收录及预处理模块储存的案例数据已经对原始的海量工程案例施工组织计划书进行了预处理并储存，包括案例特征数据、工艺工法数据、最小工序资源数据、施组文本数据，上述数据类型目前仍为非结构化数据，须进一步进行信息抽取。

信息抽取步骤：

对于案例特征数据，利用知识自动抽取方法，抽取生成工程特征指标作为“属性”，其数值为“值”，工程项目作为“实体”，将“事实”以“实体-属性-值”的形式表达生成案例特征信息。

对于工艺工法数据，利用知识自动抽取方法，抽取多层级工艺工法关系，并根据具体案例工艺工法特征从上到下按层级以“实体-关系-实体”的形式表达生成工艺工法信息。

对于最小工序资源数据，利用知识自动抽取方法，将资源种类作为“属性”，其数值作为“值”，并把最小工序作为“实体”，以“实体-属性-值”的形式表达生成最小工序资源信息。

对于施组文本数据，采用半自动化及人工的方法抽取，将文本具体条文作为“值”，施工组织设计书中的章节为“属性”，项目为“实体”描述，以“实体-属性-值”的形式表达生成施组文本数据。

知识加工步骤：

利用复杂网络分析、图神经网络等方法，对具有相近特征的最小工序进行聚类分析，基于聚类结果对最小工序属性的人、材、机、工期、经费等五类指标进行关联关系分析，获得人、材、机、工期、经费的关联关系，基于3个不同的神经网络模型通过深度学习的方法分别获取人-材-机映射关系、人材机-工期映射关系、人材机-经费映射关系，此外将此3种映射关系对应的神经网络模型作为“值”，以“实体-属性-值”的形式与最小工序“实体”建立联系。

最终建立基于知识图谱的工程信息知识库，实现对收录的各类信息检索、提取的功能。

((2)对项目数据分析处理：

经数据收录及预处理模块处理后，将原始项目数据进行了处理，抽取获得了结构部件信息数据以及施工场地范围内的地质、气候、环境等数据。进一步的，在本模块利用工程特征指标体系，对工程项目的原始项目数据进行指标化表达，使其能够满足后续对项目特征检索的需求。

((3)对施工数据分析处理：

经数据收录及预处理模块处理后，实现原始施工数据的初步识别。进而将基于传感数据获取的施工进度实时感知数据、基于管理信息数据的施工进度周期性感知数据进行融合分析，并生成对全方位施工进度状态的感知。

依据施工进度状态，结合进度计划，对施工状态动态评价，从而判断是否需要对后续进度进行优化。

模块3：施组方案多维优化生成模块

输入项目数据，利用工程信息知识库检索，在项目层级生成各分部工程单元；在分部工程层级对应各分部工程单元生成子分部工程单元集；在子分部工程层级对应各子分部工程单元生成多种分项工程单元集(考虑不同工艺工法影响下分项工程单元划分组合不同)；在分项工程层级对应各分项工程单元生成多种部件单元集(考虑不同工艺工法影响下部件单元划分组合不同)；在部件层级对应各部件单元内生成多种若干最小工序单元集(考虑不同工艺工法影响下最小工序单元划分组合不同)。

最小工序单元包含5类信息矩阵：表示最小工序索引、人材机、工期、经费的基本信息特征矩阵Ψ，用于索引人-材-机、人材机-工期、人材机-经费关联关系的索引矩阵λ，表示各最小工序间层级关系的层级矩阵Ω、表示各层级对应施工工法的工法矩阵Δ、用于表示各最小工序单元间有向连接关系的邻接矩阵Φ。

对于基本信息特征矩阵Ψ。包含对最小工序的索引信息，还包括人、材、机三要素描述，还包括工期经费信息的特征指标集。根据最小工序工程算量，利用工程信息知识库，获取人材机成本、检索生成人材机具体特征指标的取值范围。上述信息依据相关现有逻辑算法生成基本信息特征矩阵Ψ，此处不具体描述该算法逻辑。

对于索引矩阵λ。根据最小工序种类及工程算量，利用工程信息知识库，智能检索最小工序相匹配的人-材-机、人材机-工期、人材机-经费关联关系，形成索引矩阵，为后续优化计算调用。

对于层级矩阵Ω。依据工程信息知识库生成的多层级工程结构关系，对具体最小工序进行多维多尺度层级描述，包括前后部件关系、前后分项工程关系、前后子分部工程关系、前后分部工程关系。上述信息依据相关现有逻辑算法生成层级矩阵Ω，此处不具体描述该算法逻辑。

对于工法矩阵Δ。依据工程信息知识库生成的各层级(项目层级、分部工程层级、子分部工程层级、分项工程层级、部件层级)工程的工艺工法，对所有最小工序进行标签，使得具体分项工程、部件、最小工序单元在其所处层级只属于该层级中的一种工艺工法，避免在优化过程中出现同一层级的不同工艺工法对应的单元出现交叉连接，保证在后续优化过程中能够优化选取出合适的工艺工法单元集组合。此处的最小工序单元和前面知识图谱里面的最小工序是描述同一对象，在知识图谱里面最小工序的特征是“属性-值”来描述的，在此处，就是把“属性-值”转化成了各种不同的矩阵，涵盖了比知识图谱里面更加丰富的特征信息。

对于邻接矩阵Φ。该矩阵采用有向图矩阵进行表达，在初始生成时是空集，释义各最小工序间均无连接，通过后续优化过程，选取合适的最小工序建立有向连接，根据不同的优化过程生成层级内的最优有向连接、整个项目的各最小工序间的有向连接。

共计进行2类优化：

第一类优化：优化选择相关层级最优工艺工法

在各高层级生成过程中，根据工程信息知识库检索结果，高层级单元可能产生多组低层级工艺工法组合，层层递进，因而初始生成的最小工序单元数量极多，这为进一步的优化过程带了巨大的计算量。为了避免不同层级中工艺工法带来的过多优化成本，通过分层级优化工艺工法，优化选取或者人工选取对应层级的层级最优工艺工法，从而更加合理的布局优化计算成本。

在第1次优化过程中，对各部件单元的对应的待选最小工序单元按部件的施工工艺工法进行优化选取。通过对各部件生成的不同最小工序集，以该部件的总工期和总经费作为目标，进行优化求解，选取部件层级的各最优最小工序集。

在第2次优化过程中，对分项工程层级对应的待选部件单元按分项工程的施工工艺工法进行优化选取。通过对各分项工程生成的不同部件集，以该分项工程的总工期和总经费作为目标，进行优化求解，选取分项工程层级的各最优部件集。

通过优化选择各层级最优工艺工法，分级实现了对初始生成的全局最小工序单元进行了筛选，仅保留了该项目全流程的所有有效最小工序单元。但由于上述2次优化过程已经确定了全部施工工序以及施工总经费，该总经费为各层级局部最优解叠加生成的全局解，并非是全局最优解。

因此为了获取全局最优解，此时将经过第一类优化的所有有效的最小工序单元的基本信息特征矩阵Ψ中的人材机数据清空，更换为该基本信息特征矩阵初始生成的人材机取值范围，进行第二类优化，进行进一步的优化过程获取全局最优经费及工期解。

第二类优化：优化生成各最小工序的有向连接图，生成最优进度图

依据工程建设流程，生成约束条件：

1、按照各高层级单元在时序上的前后关系，对低层级单元进行先后关系约束，层层递进，最终对最小工序单元建立有向连接提供约束，使其有向连接在工程进度上符合实际施工前后关系，并利用现有逻辑算法生成各最小工序的层级矩阵Ω定量约束条件，此处对该算法不做具体描述。

2、此外在基本信息特征矩阵Ψ中涵盖了人材机取值范围，通过编辑逻辑算法，将该范围数值提取为最小工序单元的约束条件，并利用现有逻辑算法生成各最小工序的人材机取值约束条件，此处对该算法不做具体描述。

进一步的，通过对NSGA-II多目标优化算法进行改进，使其能够对有向图进行多目标优化求解，此处不具体描述该改进算法逻辑，后续简称该改进算法为GNSGA-II。基于GNSGA-II优化算法，以项目总工期和总经费为目标，对有效最小工序单元的邻接特征(邻接矩阵Φ和基本信息特征矩阵Ψ)进行优化计算，建立最优有向连接。上述优化过程就是在约束条件中找最优约束条件。

提取最终优化的结果，包括邻接矩阵Φ和基本信息特征矩阵Ψ，利用复杂网络分析，建立该工程各具体最小工序的有向连接图，生成最优进度图；生成项目经费及人材机预算，实现施工组织进度方案智能优化生成。

进一步利用工程信息知识库，检索生成施工组织设计书中文本部分，实现施工组织文本信息知识库智能检索生成，进而生成完整的施工组织设计方案。

模块4：施工过程方案动态优化

通过前序模块对施工数据处理，实现对施工进度动态感知，基于施工优化必要性分析后，对需要进行优化调整的情况进行优化。

将已经完成工序作业的最小工序单元剔除，保留未进行施工的最小工序单元。在保留的最小工序单元间进行第二类优化，根据优化结果产生新的最小工序单元有向连接，生成新的接续施工进度方案，从而实现施工过程中施工组织方案实时动态优化。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.大型房屋建筑工程施工组织方案动态设计系统，包括数据收录及预处理模块，其特征在于，还包括数据分析及知识库建立模块、施组方案多维优化生成模块、以及施工过程方案动态优化模块，

数据收录及预处理模块，用于对案例数据、项目数据和施工数据进行收录及储存，其中，案例数据包括施工组织设计书，施工组织设计书文本划分为案例特征数据、工艺工法数据、最小工序资源数据、以及施组文本数据；项目数据包括待建项目多维特征数据，待建项目多维特征数据包括工程设计图纸和地质勘查报告；施工数据包括传感设备数据和管理信息数据；

数据分析及知识库建立模块，用于对案例数据进行信息抽取和知识加工，建立基于知识图谱的工程信息知识库；还用于对项目数据进行指标化表达；还用于将基于传感数据获取的施工进度实时感知数据、基于管理信息数据的施工进度周期性感知数据进行融合分析，并生成对全方位施工进度状态的感知；

施组方案多维优化生成模块，用于输入项目数据，利用工程信息知识库检索，在项目层级生成各分部工程单元；在分部工程层级对应各分部工程单元生成子分部工程单元集；在子分部工程层级对应各子分部工程单元生成多种分项工程单元集；在分项工程层级对应各分项工程单元生成多种部件单元集；在部件层级对应各部件单元内生成多种若干最小工序单元集；还用于进行第一类优化：优化选择相关层级最优工艺工法和优化生成最小工序有向连接；还用于进行第二类优化：优化生成工程各最小工序的有向连接图，生成最优进度图，生成项目经费及人材机预算，利用工程信息知识库，检索生成施工组织设计书中文本部分，生成完整的施工组织设计方案；

施工过程方案动态优化模块，用于将已经完成工序作业的最小工序单元剔除，保留未进行施工的最小工序单元，在保留的最小工序单元间进行第二类优化，根据优化结果产生新的最小工序单元有向连接，生成新的接续施工进度方案。

2.根据权利要求1所述的大型房屋建筑工程施工组织方案动态设计系统，其特征在于，所述数据分析及知识库建立模块中对案例数据进行信息抽取包括：

对于案例特征数据，抽取生成工程特征指标作为“属性”，其数值为“值”，工程项目作为“实体”，将“事实”以“实体-属性-值”的形式表达生成案例特征信息；

对于工艺工法数据，抽取多层级工艺工法关系，并根据具体案例工艺工法特征从上到下按层级以“实体-关系-实体”的形式表达生成工艺工法信息；

对于最小工序资源数据，将资源种类作为“属性”，其数值作为“值”，并把最小工序作为“实体”，以“实体-属性-值”的形式表达生成最小工序资源信息；

对于施组文本数据，将文本具体条文作为“值”，施工组织设计书中的章节为“属性”，项目为“实体”描述，以“实体-属性-值”的形式表达生成施组文本数据。

3.根据权利要求2所述的大型房屋建筑工程施工组织方案动态设计系统，其特征在于，所述数据分析及知识库建立模块中知识加工包括：对具有相近特征的最小工序进行聚类分析，基于聚类结果对最小工序属性的人、材、机、工期、经费等五类指标进行关联关系分析，获得人、材、机、工期、经费的关联关系，基于3个不同的神经网络模型通过深度学习的方法分别获取人-材-机映射关系、人材机-工期映射关系、人材机-经费映射关系，将此3种映射关系对应的神经网络模型作为“值”，以“实体-属性-值”的形式与最小工序“实体”建立联系。

4.根据权利要求3所述的大型房屋建筑工程施工组织方案动态设计系统，其特征在于，所述最小工序单元包含5类信息矩阵：表示最小工序索引、人材机、工期、经费的基本信息特征矩阵Ψ；用于索引人-材-机、人材机-工期、人材机-经费关联关系的索引矩阵λ；表示各最小工序间层级关系的层级矩阵Ω；表示各层级对应施工工法的工法矩阵Δ；用于表示各最小工序单元间有向连接关系的邻接矩阵Φ。

5.根据权利要求4所述的大型房屋建筑工程施工组织方案动态设计系统，其特征在于，所述第一类优化包括：

在第1次优化过程中，对各部件单元的对应的待选最小工序单元按部件的施工工艺工法进行优化选取，通过对各部件生成的不同最小工序集，以该部件的总工期和总经费作为目标，进行优化求解，选取部件层级的各最优最小工序集，

在第2次优化过程中，对分项工程层级对应的待选部件单元按分项工程的施工工艺工法进行优化选取，通过对各分项工程生成的不同部件集，以该分项工程的总工期和总经费作为目标，进行优化求解，选取分项工程层级的各最优部件集，

将经过第一类优化的所有有效的最小工序单元的基本信息特征矩阵Ψ中的人材机数据清空，更换为该基本信息特征矩阵初始生成的人材机取值范围。

6.根据权利要求5所述的大型房屋建筑工程施工组织方案动态设计系统，其特征在于，所述第二类优化包括：

依据工程建设流程，生成约束条件，基于GNSGA-II优化算法，以项目总工期和总经费为目标，对有效最小工序单元的邻接特征进行优化计算，建立最优有向连接，在约束条件中找最优约束条件，建立工程各最小工序的有向连接图，生成最优进度图，生成项目经费及人材机预算，利用工程信息知识库，检索生成施工组织设计书中文本部分，生成完整的施工组织设计方案。

7.根据权利要求6所述的大型房屋建筑工程施工组织方案动态设计系统，其特征在于，所述约束条件基于以下步骤生成：

按照各高层级单元在时序上的前后关系，对低层级单元进行先后关系约束，最终对最小工序单元建立有向连接提供约束，使有向连接在工程进度上符合实际施工前后关系，生成各最小工序的层级矩阵Ω定量约束条件；

提取基本信息特征矩阵Ψ中涵盖了人材机取值范围作为各最小工序的人材机取值约束条件。

Images