CN116523187A - 一种基于bim的工程进度监控方法及其系统 - Google Patents
一种基于bim的工程进度监控方法及其系统 Download PDFInfo
- Publication number
- CN116523187A CN116523187A CN202211624012.2A CN202211624012A CN116523187A CN 116523187 A CN116523187 A CN 116523187A CN 202211624012 A CN202211624012 A CN 202211624012A CN 116523187 A CN116523187 A CN 116523187A
- Authority
- CN
- China
- Prior art keywords
- project
- engineering
- model
- progress
- modeling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 230000005284 excitation Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 47
- 230000000007 visual effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012800 visualization 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063116—Schedule adjustment for a person or group
-
- 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Structural Engineering (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (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
本发明涉及大型工程,特别是水电工程的工程进度监控方法;本发明还涉及实施工程进度监控方法的系统。考虑到水电工程的复杂性,提出一种新的基于BIM来进行工程进度预测监控方法,同时提供基于该预测监控方法的预测监控系统。通过搭建所监控的工程的BIM模型,搭建人工智能算法模型,使之对比人工智能LSTM算法模型预测,达到确保水电工程的顺利进行,可以对施工环节中存在的各项因素进行判断和预测,避免施工中存在的风险,将影响施工的因素降到最低,确保施工的稳定性。
Description
技术领域
本发明涉及大型工程,特别是水电工程的工程进度监控方法;本发明还涉及实施工程进度监控方法的系统。
背景技术
BIM技术是以建筑工程项目的各项相关信息数据作为基础,通过数字信息仿真模拟建筑物所具有的真实信息,通过三维建筑模型,实现工程监理、物业管理、设备管理、数字化加工、工程化管理等功能。它具有信息完备性、信息关联性、信息一致性、可视化、协调性、模拟性、优化性和可出图性八大特点。
中国专利CN201810141707.2公开了一种基于BIM的工程进度监控系统,包括中央处理器,存储有施工部分以及与之对应的施工完成时的施工完成时间数据库、存储有施工部分以及与之对应完成施工时所匹配的三维可视化模型的施工部分三维可视化模型数据库、采集施工现场中施工部分三维全景数据的三维全景数据的三维全景数据采集装置、存储有施工部分以及对应施工部分经三维全景数据采集装置采集生成的实时三维全景数据的施工部分实时三维全景数据库、转换三维全景数据为三维可视化模型的转换装置,以及存储有施工部分以及对应的监理人员手机号的监理人员手机数据库、短信提示装置;中央处理器调取施工完成数据库中每个施工部分所对应的施工完成时的时间,并以施工完成时的时间的前后顺序依次以对应的施工部分为查询对象,于施工部分三维可视化模型数据库中调取施工完成时所匹配的理论三维可视化模型,同时于实时三维全景数据库调取施工完成时所对应的实时三维全景数据,并将所调取的实时三维全景数据经过转换装置的转换获取实时三维可视化模型;中央处理器以施工部分的理论三维可视化模型与对应施工部分的实时三维可视化模型进行比对,若比对不一致,则中央处理器以对应的施工部分于监理人员手机数据库调取与之匹配的监理人员手机号并以对应的监理人员手机号通过短信提示装置加载相应延期的施工部分于所发送的提示信息。采用上述方案,通过中央处理器、施工部分实时三维全景数据库、转换装置的设置可以将实时三维可视化模型,与理论三维可视化模型进行比对,从而区别比对不一致的施工部分,通过短信提示装置告知于监理人员,方便监理人员获知未按照计划完成的施工部分。
上述文献公开了利用BIM来进行工程进度评估的系统和方法。但是,水电工程的施工涉及施工环节相较一般建筑工程多且复杂,所以在每个环节的施工中都会受到其他因素的影响,为了确保水电工程的顺利进行,需要对施工环节中存在的各项因素进行判断和预测,避免施工中存在的风险,将影响施工的因素降到最低,确保施工的稳定性。
发明内容
本发明的目的是考虑到水电工程的复杂性,提出一种新的基于BIM来进行工程进度预测监控方法,同时提供基于该预测监控方法的预测监控系统。
本发明提供的基于BIM的工程进度监控方法,包括如下步骤:
A.搭建所监控的工程的BIM模型,该模型由多个模块组成,同时包括各项目、建模过程计划时间节点信息ti,j,包括各项目模型的图纸设计和施工,自动计算各节点对应的工作量bi,j;融合区域管控模型的影响,区域管控模型,基于全国管控风险等级区域和项目人员涉及区域,对于不同项目人员所在区域,动态赋予不同的进度系数参数w,低风险,中风险,高风险分别对应取值范围w={1,0.9,0.8};动态输入当前各项目、建模过程的工程进度;其中,第i个项目、建模工程对应的进行时间节点T1,i,T2,i,…Tn,i;分别对应系数w1,i,w2,i,…wn,i;原计划完成时间节点t1,i,t2,i,…tn,i,其中,n表示总项目、建模过程个数;各项目、建模工程对应的完成比例为b1,i,b2,i,…bn,i,其中,i=1,2,…m;bj,i由第i个项目、建模工程的j个时间节点完成工作量除以第i个项目、建模工程的j个时间节点计划完成工作量可得,计算式为
B.搭建人工智能算法模型,通过输入LSTM模型计算,对各项目、建模过程的下步时间节点及最终完成时间节点进行预测,模型预测最终完成时间节点D和各项目下个时间节点T’j,i;
C.qj,i为预测的第j节点加权进度工作量,计算式为
d由多个项目的子节点组成,即dj={q1,j,…,qn,j},此外,将预测的dj+1作为监测指标,输入LSTM(长短时记忆网络)预测模型,为下一个时间节点预测进行模型验证及训练;
D.通过对比人工智能LSTM算法模型预测;
当qj+1,i>bj+1,i,D<tn,m时,工程可控指数高,工程进度管理方实行相应的闭环措施;
当部分qj+1,i>bj,i,部分qj+1,i<bj+1,i,且D<tn,m时,工程可控指数较高,工程进度管理方实行相应的闭环措施,根据不同项目的节点进行有效的激励反馈;
当D>tn,m时,工程可控指数低,工程进度管理方实行相应的严格闭环措施,根据不同项目的节点进行严格的激励反馈;
此外,当D<<tn,m,表示工程工期压缩太多,不能有效保证工程质量。工程节点应严格按照计划节点较为科学合理,故需要执行相应闭环措施,如进行相应的工程质量检查、质量评审等。
本申请技术方案中水电工程BIM模型的搭建,可以依据现有技术中公开的方法。例如网页https://zhuanlan.zhihu.com/p/41312098所公开的具体水电工程设计中如何运用BIM建模;例如网页http://www.chinaqking.com/yc/2018/1528067.html公开了BIM技术在水电工程中的应用。
本发明中根据水电工程的特点,需要重点监控的工程单元进行建模,包括土建结构建模、机电设备建模、管路建模、电缆铺设建模、模型组装及处理、桥架建模及各项目模型的图纸设计和施工。
BIM技术下的图纸设计是三维立体图形,在图纸中可以对建筑项目的所有信息进行查看,在这个基于BIM技术设计的建筑模型,可以从施工前开始使用一直到施工结束,每一个水利水电工程环节都可以在可视化的条件下进行施工。在水电工程的全周期中,每一个环节都有紧密的联系,如果将各个环节分解开,那么水利水电工程就会显得不完整,BIM技术可以将建筑周期紧密相连。在BIM技术背景下设计的模型,每个工程阶段都是紧密相连的,因此BIM技术还具有相互联系性的特点。
正是基于此,本发明相比现有的工程进度监控方法,采用了多节点预测的方法,及在工程施工过程中,选取适当的时间节点,对水电工程实际施工进度进行监控,同时,基于节点之间的关系,更加准确地反映当前工程的状态和后续进度的预测,并提出必要的措施以调整施工进度,保证按时完成工程。
本发明相较现有技术还提出了一个新的进度系数w,并依据某项目人员来自低风险,中风险,高风险等不同地区,分别赋予对应w={1,0.9,0.8}。通过融合区域管控情况,对比分析实际工程进度信息、预测的工程进度信息与计划BIM工程进度。
将模型预测结果作为历史信息输入模型后,更新模型内部参数,以提高模型的预测精度。
利用人工智能算法,对比分析实际工程进度信息、预测的工程进度信息与计划BIM工程进度,结合工程进度信息提示,工程进度管理方做出相应的闭环措施,对项目进度进行有效的把控。
本发明还提供一种基于BIM的工程进度监控系统,包括存储单元、中央处理单元、数据输入端、输出客户端,数据输入端包括数据采集终端、数据采集设备,数据输入端与存储单元、中央处理单元通讯连接,输出客户端提醒工程管理人员并实行相应的闭环措施;其中
存储单元:内储存有第一数据库,所述第一数据库至少由一个工程BIM模型构成;
中央处理单元:搭建人工智能算法模型,对模型进行训练并预测;具有网络通信功能,工程进度预测信息实时反馈至工程管理人员;
数据输入端:包括数据输入设备,模型输入为各项目、建模工程历史时间节点数据T;计划完成时间节点数据;对应区域管控加权系数w;预测的历史加权进度工作量dj
数据输入端还包括数据采集单元,能够对现场工程图像进行采集并处理,获得信息。
输出客户端:与中央处理单元进行通信,将模型输出的预测最终完成时间节点D和计算得到的当前加权进度工作量dj+1,反馈给工程管理人员。
其中引入dj+1也是作为模型监测指标,不断更新模型内部参数,故模型运行前期精度不高。
本发明提供的基于BIM的工程进度监控方法及其系统,通过增加与各项目相关的工程进度节点,优化了预测效果,并能够在工程施工过程中,通过各节点进度,预判总体进度,从而对工程进度进行管理。
附图说明
图1本发明实施例的工程进度结构图;
图2本发明实施例的流程图;
图3LSTM单元结构图
具体实施方式
如图1所示,本实施例以一水电站为样本。
首先进行预期工程进度。在项目开展前将工程进度方案编制进入报告和合同之中,并搭建水电站BIM模型,包括土建结构建模、机电设备建模、管路建模、电缆铺设建模、模型组装及处理、桥架建模等多个模块。将这些建模写入存储单元中,BIM模型融合了这些建模模块的3D设计图纸;
通过数据输入端:包括数据输入设备,输入计划完成时间节点数据tj,i;动态输入对应区域管控加权系数wj,i;动态输入预测的历史加权进度工作量dj;动态输入为各项目、建模工程进行时间节点数据Tj,i;具体管控方法及算法流程如同2所示。
利用中央处理器中的人工智能算法:利用算法模块自动计算完成工作比例bj,i;长短期记忆网络(LSTM)。LSTM是循环神经网络(RNN)比较重要的模型,在时间序列相关的领域有广泛的应用,其结构框架如图3所示。原始RNN的隐藏层只有一个状态,即H,它对于短期的输入非常敏感。再增加一个状态,即C,让它来保存长期的状态,称为单元状态。本文LSTM的输出有两个变量:当前时刻LSTM输出值Hj和当前时刻的单元状态Cj。LSTM的基本原理为
fj=σ(Wf[xj,Hj-1]T+bf) (3)
ij=σ(Wi[xj,Hj-1]T+bi) (4)
oj=σ(Wo[xj,Hj-1]T+bo) (6)
式中,ft、ot分别对应遗忘门、输出门,输入门包含了it、两个状态量;σ、tanh分别对应Sigmoid和tanh激活函数;W和b分别代表了相应的权重矩阵和偏置系数;xj表示LSTM模型单元的输入量;j时刻的LSTM层记忆单元状态Cj、输出信息推导为Hj
Hj=ojtanh(Cj) (8)
Hj+1作为Hj输入后计算的输出变量,包涵预测的最终时间节点D和各项目下个时间节点T’j,i;LSTM预测模型的参数隐藏层大小和学习率影响可以选择经验值。
利用LSTM模型输出的各项目下个时间节点T’j,i结合公式(2)自动计算加权进度工作量。此外,得到的计算结果qj+1组成的dj+1,i为监测指标和下一次模型预测步骤的输入量。对比评价方式如下:
当qj+1,i>bj+1,i,D<tn,m时,工程可控指数高,工程进度管理方实行相应的闭环措施;
当部分qj+1,i>bj,i,部分qj+1,i<bj+1,i,且D<tn,m时,工程可控指数较高,工程进度管理方实行相应的闭环措施,根据不同项目的节点进行有效的激励反馈;
当D>tn,m时,工程可控指数低,工程进度管理方实行相应的严格闭环措施,根据不同项目的节点进行严格的激励反馈。
此外,当D<<tn,m,表示工程工期压缩太多,不能有效保证工程质量。工程节点应严格按照计划节点较为科学合理,故需要执行相应闭环措施,如进行相应的工程质量检查、质量评审等。
对比分析实际工程进度信息与计划BIM工程进度,学习更新工程的进度信息并对其进行预测,同时将预测的工程进度信息融合到BIM模型并对其更新。最后,综合工程进度可控指数,利用工程闭环措施对工程进行闭环可控管理。
Claims (4)
1.一种基于BIM的工程进度监控方法,包括如下步骤:
A.搭建所监控的工程的BIM模型,该模型由多个模块组成,同时包括各项目、建模过程计划时间节点信息ti,j,包括各项目模型的图纸设计和施工,自动计算各节点对应的工作量bi,j;融合区域管控模型的影响,区域管控模型,基于全国管控风险等级区域和项目人员涉及区域,对于不同项目人员所在区域,动态赋予不同的进度系数参数w,低风险,中风险,高风险分别对应取值范围w={1,0.9,0.8};动态输入当前各项目、建模过程的工程进度;其中,第i个项目、建模工程对应的进行时间节点T1,i,T2,i,…Tn,i;分别对应系数w1,i,w2,i,…wn,i;原计划完成时间节点t1,i,t2,i,…tn,i,其中,n表示总项目、建模过程个数;各项目、建模工程对应的完成比例为b1,i,b2,i,…bn,i,其中,i=1,2,…m;bj,i由第i个项目、建模工程的j个时间节点完成工作量除以第i个项目、建模工程的j个时间节点计划完成工作量可得,计算式为
B.搭建人工智能算法模型,通过输入LSTM模型计算,对各项目、建模过程的下步时间节点及最终完成时间节点进行预测,模型预测最终完成时间节点D和各项目下个时间节点T’j,i;
C.qj,i为预测的第j节点加权进度工作量,计算式为
d由多个项目的子节点组成,即dj={q1,j,…,qn,j},此外,将预测的dj+1作为监测指标,输入LSTM预测模型,为下一个时间节点预测进行模型验证及训练;
D.通过对比人工智能LSTM算法模型预测;
当qj+1,i>bj+1,i,D<tn,m时,工程可控指数高,工程进度管理方实行相应的闭环措施;
当部分qj+1,i>bj,i,部分qj+1,i<bj+1,i,且D<tn,m时,工程可控指数较高,工程进度管理方实行相应的闭环措施,根据不同项目的节点进行有效的激励反馈;
当D>tn,m时,工程可控指数低,工程进度管理方实行相应的严格闭环措施,根据不同项目的节点进行严格的激励反馈。
2.根据权利要求1所述的基于BIM的工程进度监控方法,其特征在于当D<<tn,m,表示工程工期压缩太多,不能有效保证工程质量。
3.根据权利要求1所述的基于BIM的工程进度管控方法,其特征在于所述的BIM模型包括土建结构建模、机电设备建模、管路建模、电缆铺设建模、模型组装及处理或/和桥架建模。
4.一种基于BIM的工程进度监控系统,包括存储单元、中央处理单元、数据输入端、输出客户端,数据输入端包括数据采集终端、数据采集设备,数据输入端与存储单元、中央处理单元通讯连接,输出客户端提醒工程管理人员并实行相应的闭环措施;其中
存储单元:内储存有第一数据库,所述第一数据库至少由一个工程BIM模型构成;
中央处理单元:搭建人工智能算法模型,对模型进行训练并预测;具有网络通信功能,工程进度预测信息实时反馈至工程管理人员;
数据输入端:包括数据输入设备,模型输入为各项目、建模工程历史时间节点数据T;计划完成时间节点数据;对应区域管控加权系数w;预测的历史加权进度工作量dj;
数据输入端还包括数据采集单元,能够对现场工程图像进行采集并处理,获得信息;
输出客户端:与中央处理单元进行通信,将模型输出的预测最终完成时间节点D和计算得到的当前加权进度工作量dj+1,反馈给工程管理人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211624012.2A CN116523187A (zh) | 2022-12-15 | 2022-12-15 | 一种基于bim的工程进度监控方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211624012.2A CN116523187A (zh) | 2022-12-15 | 2022-12-15 | 一种基于bim的工程进度监控方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523187A true CN116523187A (zh) | 2023-08-01 |
Family
ID=87399991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211624012.2A Pending CN116523187A (zh) | 2022-12-15 | 2022-12-15 | 一种基于bim的工程进度监控方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523187A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708940A (zh) * | 2023-12-15 | 2024-03-15 | 广东腾安机电安装工程有限公司 | 一种基于bim技术的电缆桥架安装管理方法及系统 |
-
2022
- 2022-12-15 CN CN202211624012.2A patent/CN116523187A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708940A (zh) * | 2023-12-15 | 2024-03-15 | 广东腾安机电安装工程有限公司 | 一种基于bim技术的电缆桥架安装管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousuf et al. | Artificial intelligence models in power system analysis | |
Bayram et al. | Comparison of multi layer perceptron (MLP) and radial basis function (RBF) for construction cost estimation: the case of Turkey | |
CN109478045A (zh) | 使用预测来控制目标系统 | |
Ko et al. | Dynamic prediction of project success using artificial intelligence | |
CN108241964A (zh) | 基于bp人工神经网络模型算法的基建现场管控移动应用平台 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN110232461A (zh) | 基于量子遗传算法优化的多关联向量机水质预测方法 | |
Guo et al. | Deep inverse reinforcement learning for objective function identification in bidding models | |
CN113741216A (zh) | 一种基于人工智能优化算法的生产设备虚拟组合仿真系统及方法 | |
CN115936546A (zh) | 基于数字孪生的装配式建筑绿色施工管理方法及装置 | |
CN116523187A (zh) | 一种基于bim的工程进度监控方法及其系统 | |
Vahdani et al. | Time prediction using a neuro-fuzzy model for projects in the construction industry | |
CN114331041A (zh) | 一种基于信息物理系统架构的智慧电厂成熟度评估方法及系统 | |
CN113807951A (zh) | 一种基于深度学习的交易数据趋势预测方法和系统 | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
KR102579808B1 (ko) | 태양광발전소 건설공정 관리시스템 및 그 제어방법 | |
CN116842841A (zh) | 基于人工智能的沉管隧道服役状态预测方法 | |
CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
Yundra et al. | Hybrid Model Combined Fuzzy Multi-Objective Decision Making with Feed Forward Neural Network (F-MODM-FFNN) For Very Short-Term Load Forecasting Based on Weather Data. | |
JP3354593B2 (ja) | ネットワーク型情報処理装置の学習システム | |
CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
Liu | Research on the Design of Digital Twin System for Construction Safety | |
Liu et al. | Short-Term Wind Speed and Wind Power Prediction Based on Meteorological Model Modification | |
CN117034780B (zh) | 一种基于深度学习的多尺度次季节降水量预测方法 |
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 |