CN116596321B - 基于神经网络的建筑风险监测与评估方法和系统 - Google Patents
基于神经网络的建筑风险监测与评估方法和系统 Download PDFInfo
- Publication number
- CN116596321B CN116596321B CN202310855285.6A CN202310855285A CN116596321B CN 116596321 B CN116596321 B CN 116596321B CN 202310855285 A CN202310855285 A CN 202310855285A CN 116596321 B CN116596321 B CN 116596321B
- Authority
- CN
- China
- Prior art keywords
- building
- risk
- super
- model
- risk monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 139
- 238000011160 research Methods 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 230000009466 transformation Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011049 filling Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 239000010410 layer Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 11
- 238000011176 pooling Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012792 core layer Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 210000002435 tendon Anatomy 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Structural Engineering (AREA)
Abstract
本发明公开了一种基于神经网络的建筑风险监测与评估方法和系统，所述方法包括如下步骤：划定监测区域并采集研究数据，构建GIS模块，获得风险监测建筑集合；针对每一风险监测建筑构建超椭圆模型；基于超椭圆模型构建建筑超矩阵；采集建筑状态信息和图像数据并从中提取风险信息，以更新建筑超矩阵；构建神经网络模块并训练，将建筑超矩阵作为输入，提取每个风险监测建筑的风险信息，并通过数值模拟的方法进行模拟，获得建筑风险时空演变图并展示和评估。本技术降低了建筑模型的数据处理量，提高了处理效率和更新效率，获得了较好的经济效益和社会效益。
Description
技术领域
本发明涉及基于人工智能的风险挖掘技术，尤其是基于神经网络的建筑风险监测与评估方法。
背景技术
建筑风险监测是指对建筑物的结构、功能、安全等方面进行实时或定期的检测和评估，以发现和预防可能导致建筑物损坏、倒塌或人员伤亡的风险因素，保障建筑物的安全使用和城市安全发展。建筑风险监测具有重要的社会意义和经济价值，是城市安全管理的重要组成部分。
现有的建筑风险监测方法主要包括两类：传统的人工巡检方法和现代的智能监测方法。人工巡检方法是指通过专业人员对建筑物进行定期或不定期的视觉观察、仪器测量、试验检测等方式，获取建筑物的形变、裂缝、位移、应力等数据，并进行分析判断。人工巡检方法效率低、成本高、精度差，且受人为因素影响大，难以实现对大规模、复杂或高层建筑物的全面覆盖。
智能监测方法是指通过部署各种传感器和设备，如光纤光栅、应变计、倾角计、加速度计、GPS等，实时或动态地采集建筑物的结构响应数据和环境数据，并通过云端服务器或本地计算机进行数据处理、分析和预警，一般采用BP神经网络、LSTM网络或CNN网络来实现。智能监测方法虽然能够提高监测效率和精度，但也面临着诸如传感器类型繁多，造成信息处理困难，建筑物模型和数据量庞大和数据质量不稳定，造成数据处理速度慢等问题。上述问题制约着智能监测技术的商业化应用。
总之，当前有必要借助人工智能等新技术，对现有的建筑风险监测方法进行创新和优化，提高监测效能和水平。
发明内容
发明目的：提供一种基于神经网络的建筑风险监测与评估方法，以解决本申请在研究过程中发现的新问题，包括现有建筑模型或图像数据量庞大，计算速度慢，监测数据来源多造成的处理困难，以及神经网络模块训练和预测过程中存在的问题。
技术方案：根据本申请的一个方面，基于神经网络的建筑风险监测与评估方法，包括如下步骤：
步骤S1、划定监测区域并采集研究数据，构建GIS模块，以研究数据作为输入，基于预配置的规则从监测区域中提取至少一个风险监测建筑，形成风险监测建筑集合；
步骤S2、依序读取风险监测建筑集合中每一风险监测建筑，构建每一风险监测建筑的超椭圆模型或读取风险监测建筑的BIM模型转换为超椭圆模型；基于超椭圆模型构建建筑超矩阵；
步骤S3、针对每一风险监测建筑布设至少一组传感器，每隔预定的周期采集建筑状态信息并通过无人机或摄像头获取风险监测建筑的图像数据；从建筑状态信息和图像数据中提取风险信息，并更新建筑超矩阵，形成至少N个时刻的建筑超矩阵集合；N为大于1的自然数；
步骤S4、构建神经网络模块并训练，将建筑超矩阵作为输入，提取每个风险监测建筑的风险信息，并通过数值模拟的方法进行模拟，获得建筑风险时空演变图并展示和评估。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、基于建筑风险的类型、范围和影响程度，划定研究区域，并对研究区域进行聚类，形成至少一类待监测区域；
步骤S12、采集研究区域的地理信息和基础设施信息，形成研究数据并映射至每类待监测区域；
步骤S13、基于ArcGIS或QGIS构建GIS模块，以研究数据作为输入数据，基于山川河流或交通路网作为分界线，将每个待监测区域划分为至少一个监测单元，每个监测单元包括至少一个风险监测建筑，形成风险监测建筑集合。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、依序读取风险监测建筑集合中的每一风险监测建筑，判断是否存在BIM模型，若不存在，则查找该风险监测建筑的结构形式，根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型；
所述结构形式包括：框架结构、剪力墙结构、框架剪力墙结构、板柱剪力墙结构、筒体结构、框架核心筒结构和筒中筒结构；
步骤S22、若存在BIM模型，则将每一风险监测建筑对应的BIM模型转换为超椭圆模型；
步骤S23、将超椭圆模型转换为超椭圆矩阵，并构建与超椭圆矩阵同型的位姿变换矩阵、物化参数矩阵和风险系数矩阵；
步骤S24、将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵相乘，得到建筑超矩阵。
根据本申请的一个方面，所述步骤S21进中根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型的过程一步为：
步骤S211、从数据库中查找该风险监测建筑对应的结构形式并读取风险监测建筑的基础信息，根据结构形式对风险监测建筑进行结构分解，获得将建筑构件分成P类，每类包括Q个型号尺寸不同的构件单元，提取构件单元的柱截面参数以及位姿和尺寸数据；
步骤S212、构建具有P个转换接口的模型生成器，依序将构件单元转化为超椭圆表示形式，形成超椭圆形式的构件单元集合；
步骤S213、读取超椭圆形式的构件单元集合，并构造超椭圆形式的风险监测建筑模型，判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出；P、Q为自然数。
根据本申请的一个方面，所述步骤S22进一步为：
步骤S221、读取风险监测建筑的BIM模型，并抽取风险监测建筑的各个构件单元，获取构件单元部分节点的坐标参数，形成关键节点数据集；
步骤S222、通过关键节点数据集计算超椭圆模型参数，获得构件单元的超椭圆模型；
步骤S223、基于构建的超椭圆模型，重新生成风险监测建筑的结构模型并判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出。
根据本申请的一个方面，所述步骤S211中，当风险监测建筑的基础信息包含摄像头或无人机采集的点云图像时，对图像进行点云配准预处理：
步骤S211a、读取点云图像集合并进行预处理，所述预处理至少包括条件滤波、去重和缺失值填充；
步骤S211b、调用基于共面特征点的S4PCS点云匹配模块，选择两个点云图像作为第一点云和第二点云，并从第一点云中随机选择四个共面点并计算第一共面参数，遍历第二点云中所有可能得四个共面点，并计算第二共面参数；
步骤S211c、查找点云图像中的构件单元，获取构建单元的类型数据，查找类型数据对应的待定参数的超椭圆模型，并基于第二点云的坐标求解各个构件单元的超椭圆模型；
步骤S211d、计算从第一共面参数到第二共面参数的变换矩阵，并采用变换矩阵将第一点云变换到第二点云的坐标系中；计算变换后的第一点云的坐标是否有M个位于超椭圆模型中；M位自然数；若有，结束计算，输出构件单元对应的超椭圆模型；否则，进入下一步；
步骤S211e、计算变换后的第一点云与第二点云之间的匹配对数，并记录最大匹配对数及其对应的变换矩阵，作为最优变换矩阵；然后返回步骤S211d。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、读取每一风险监测建筑的位置，并筛选布点位置，形成监测点位图；基于点位图布设至少两种类型的传感器，每种传感器至少包括一组传感器；所述传感器包括：振动传感器、静力水准仪、加速度计、应变传感器、倾角仪、位移计和温湿度传感器；
步骤S32、通过物联网系统定期收集各个传感器的数据，同时通过摄像头或无人机获取风险监测建筑的图像数据，形成建筑状态信息，并进行分类，形成至少三类风险信息；
步骤S33、基于三类风险信息分别更新对应构件单元的位姿变换矩阵、物化参数矩阵和风险系数矩阵，形成更新后的建筑超矩阵集合。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、构建包含至少三个子模块的LSTM神经网络模块和训练集；
步骤S42、采用训练好的神经网络模块一建筑超矩阵集合作为输入，提取每个风险监测建筑的风险信息，并分类输出，获得每类风险信息的时空分布数据；
步骤S43、周期性选取至少两个时刻的建筑超矩阵数据，构建数值模拟方法并模拟后续时刻的建筑超矩阵模拟数据，并计算与该时刻建筑超矩阵实测数据的差值；直至数值模拟方法的预测精度符合预期。
根据本申请的另一个方面，一种基于神经网络的建筑风险监测与评估系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于神经网络的建筑风险监测与评估方法。
有益效果：通过超椭圆模型构建建筑模型，并形成建筑超矩阵，大大减小了当前建筑模型的体积，而且可以对超矩阵的子矩阵进行独立更新，提高了训练和预测速度，也解决了监测数据来源多造成的数据处理困难，在实际项目中，获得了较好的经济价值和社会价值。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
具体实施方式
为了更加清楚的表述本申请的发明构思，首先对超椭圆的知识进行描述，当然这些内容可以参考现有的文献，比如数学、建筑、设计领域的论文或专利。在本申请中，超椭圆是用来描述三维的建筑构件，但是为了简化描述，便于理解，可以采用二维的超椭圆结构来描述，然后根据现有的理论知识，可以扩展到三维空间。
在建筑构件中，现有的构件基本可以分为梁、柱、管、板和筋。其中，柱一般分为圆柱和方柱。现有的BIM模型采用CAD建模方法，具有较多的参数，模型数据量很大，在模型转化或数据更新的时候，相对非常麻烦，需要消耗很高的计算和存储资源。经过本申请的研究，给出了如下的新思路。即采用超椭圆对各种类型的建筑构件进行建模，代替现有的建模方法，从而简化模型数量，为后续的训练、更新等提供方便。
以二维超椭圆结构为例，如果abs（x）+abs（y）=1，则为实心方柱的横截面，因此通过旋转角度，例如姿态旋转矩阵，即可调整方柱的位置和方向，如果调整上述公式的系数，则可以形成矩形柱或菱形柱，通过限定xy的范围，则可以形成多边形柱或空心柱。因此如果是三维的柱体，它显然可以通过二维柱体沿中心线的运动形成。例如形成直线型的柱体或者弧形的柱体。换句话说该截面在三维空间中沿某条线运动预定的距离，即可形成三维的超椭圆结构，而这些过程，都可以通过坐标系变换来实现。例如，如果是(abs(x))4+(abs(y))4=1，则为圆角柱体。如果(abs(x))2+(abs(y))2=1，则为圆柱体。如果(abs(x/8))40+(abs(y))40=1，则为板状结构。因此可以表示柱、筋、梁、板等结构。
显然，在数学上，三维超椭圆也具有上述二维超椭圆的优良性质。具体而言，所述三维超椭圆模型的基本形式为：（abs（x/a））n+（abs（y/b））m+（abs（z/c ））k=1；n、m、k为实数，x、y、z表示坐标系。或者z=（abs（x/a ））n+（abs（y/b ））m，Z1≤z≤Z2或者（abs（x/a ））n+（abs（y/b ））m=1，abs（z ）≤M；当然也可以采用非直角坐标系、参数形式或者极坐标形式来表示。abs为绝对值的符号。x、y、z的取值范围可根据所要表示的建筑构建形状进行限定。在本文中，无论是二维超椭圆在三维空间中延展形成，还是通过三维坐标系或极坐标系来表示，都是属于超椭圆模型。
如图1所示，根据本申请的一个方面，基于神经网络的建筑风险监测与评估方法，包括如下步骤：
步骤S1、划定监测区域并采集研究数据，构建GIS模块，以研究数据作为输入，基于预配置的规则从监测区域中提取至少一个风险监测建筑，形成风险监测建筑集合。
在本步骤中主要目的是通过GIS技术对研究区域进行划分、聚类、映射等操作，由于不同区域，比如低洼地区，地下有地铁的区域，以及地质比较稳定的区域，相应的建筑风险程度和类型是不同的，通过从海量的建筑模型或图像数据中快速识别出需要监测的建筑，并形成风险监测建筑集合，能够根据不同的风险类型、范围和影响程度动态调整研究区域和待监测区域，提高了风险监测的灵活性和针对性。
步骤S2、依序读取风险监测建筑集合中每一风险监测建筑，构建每一风险监测建筑的超椭圆模型或读取风险监测建筑的BIM模型转换为超椭圆模型；基于超椭圆模型构建建筑超矩阵。
基于上文的描述，本步骤主要通过超椭圆的基本方法构建建筑模型，替代当前的模型。为后续的处理打下基础。利用超椭圆模型和超矩阵的形式对风险监测建筑进行简化表示，保留了建筑的结构特征和风险信息，降低了数据维度和复杂度。该步骤可以有效地压缩数据量，提高数据处理效率，同时保证数据的完整性和可靠性。
步骤S3、针对每一风险监测建筑布设至少一组传感器，每隔预定的周期采集建筑状态信息并通过无人机或摄像头获取风险监测建筑的图像数据；从建筑状态信息和图像数据中提取风险信息，并更新建筑超矩阵，形成至少N个时刻的建筑超矩阵集合；N为大于1的自然数。
在该步骤中，利用多种类型的传感器和图像数据采集建筑状态信息，并实时更新超矩阵，提高了风险监测的准确性和实时性。例如，在某个实施例中，可以获取建筑的振动、位移、倾斜、应变、温湿度等信息，并从中提取风险信息，如裂缝、变形、倒塌等。该步骤可以实时反映建筑的状态变化，并及时更新超矩阵中的位姿变换矩阵、物化参数矩阵和风险系数矩阵，形成不同时刻的建筑超矩阵集合，为后续的风险分析和预测提供数据支持。由于采用了建筑超矩阵，因此可以对各个子矩阵进行数据更新，而无需读取所有的信息，因此大大加快了数据更新速度。
步骤S4、构建神经网络模块并训练，将建筑超矩阵作为输入，提取每个风险监测建筑的风险信息，并通过数值模拟的方法进行模拟，获得建筑风险时空演变图并展示和评估。
在本步骤中，通过LSTM神经网络模块对超矩阵进行风险信息提取和分类，利用数值模拟方法进行风险预测，实现了风险监测的智能化和自动化。该步骤可以利用LSTM神经网络模块的长期记忆能力和时间序列分析能力，从超矩阵中提取风险信息，并根据风险类型和等级进行分类输出，获得每类风险信息的时空分布数据。另外，该步骤可以利用数值模拟方法，根据已有的超矩阵数据，模拟后续时刻的建筑超矩阵数据，并计算与实测数据的差值，不断优化模拟参数，提高预测精度。该步骤可以实现风险监测的全过程自动化，无需人工干预，提高了风险监测的效率和准确性。
总之，在本实施例中，首先通过GIS模块对区域进行划分，对风险区域的建筑进行快速筛选，给建筑划分不同的风险类型，从而更有针对性。利用多种类型的传感器和图像数据采集建筑状态信息，并实时更新超矩阵，提高了风险监测的准确性和实时性；利用LSTM神经网络模块对超矩阵进行风险信息提取和分类，利用数值模拟方法进行风险预测，实现了风险监测的智能化和自动化；通过时空演变图展示和评估风险监测结果，提供了直观和可靠的参考依据，为风险防控和应急救援提供了科学支撑。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、基于建筑风险的类型、范围和影响程度，划定研究区域，并对研究区域进行聚类，形成至少一类待监测区域。
例如，如果是博物馆，周围有地铁等建筑，则需要测量沉降或位移。如果建筑风险的类型是火灾，范围是某个城市，影响程度是中等，那么可以根据城市规划和建筑密度划定研究区域，并根据火灾发生概率和损失程度对研究区域进行聚类，形成不同等级的待监测区域。
具体过程为：根据已有的建筑风险分类标准，确定不同类型的建筑风险。根据研究目的和资源限制，选择合适的研究区域。对选定的研究区域进行地理边界划定，并考虑相关因素（如地质条件、气候特点、交通网等）。将研究区域中相似特征的地理单元进行聚类分析，形成待监测区域。
步骤S12、采集研究区域的地理信息和基础设施信息，形成研究数据并映射至每类待监测区域；
在某个实施例中，具体过程可以是：收集与研究区域相关的地理信息数据，包括地形、土壤、水文等方面。收集与基础设施相关的信息数据，包括建筑物、道路、桥梁等方面。对采集到的数据进行整理和处理，确保数据的准确性和完整性。将处理后的数据根据待监测区域的聚类结果，映射至每个待监测区域。
例如，可以采集研究区域的地形、地质、气候、人口、经济等地理信息，以及建筑物的位置、结构、功能、材料、年代等基础设施信息，形成研究数据；然后利用GIS软件或平台将研究数据导入并可视化，再根据上述步骤的聚类结果将研究数据映射至每类待监测区域，为后续分析提供数据支撑。
步骤S13、基于ArcGIS或QGIS构建GIS模块，以研究数据作为输入数据，基于山川河流或交通路网作为分界线，将每个待监测区域划分为至少一个监测单元，每个监测单元包括至少一个风险监测建筑，形成风险监测建筑集合。
在某个实施例中，可以通过如下过程实现：在ArcGIS或QGIS软件中创建新项目，并导入研究数据作为输入数据。根据山川河流或交通路网等地理要素作为分界线，在软件中进行区域划分操作。根据划分后的区域边界和待监测区域的位置信息，在软件中创建相应的监测单元。根据建筑风险类型和范围，在每个监测单元内选择至少一个风险监测建筑，并将其添加到相应的集合中。
在另一些实施例中，可以利用ArcGIS或QGIS提供的空间分析工具和算法，根据山川河流或交通路网的分布和特征作为分界线，将每个待监测区域划分为若干个监测单元；利用ArcGIS或QGIS提供的属性查询和空间选择功能，从每个监测单元中筛选出至少一个风险监测建筑，即具有较高风险等级或较大风险影响的建筑物；利用ArcGIS或QGIS提供的图层管理和符号化功能，将每个风险监测建筑在地图上标注出来，并根据其风险等级或影响程度进行颜色或大小的区分，形成风险监测建筑集合。
如图3所示，根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、依序读取风险监测建筑集合中的每一风险监测建筑，判断是否存在BIM模型，若不存在，则查找该风险监测建筑的结构形式，根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型；
所述结构形式包括：框架结构、剪力墙结构、框架剪力墙结构、板柱剪力墙结构、筒体结构、框架核心筒结构和筒中筒结构；
建筑的结构形式决定了梁柱板筋的用量和特点，包括如层数、平面尺寸、柱间距、梁高、柱截面等，因此查找风险监测建筑对应的建筑结构形式，是提高处理速度的重要方式。
步骤S22、若存在BIM模型，则将每一风险监测建筑对应的BIM模型转换为超椭圆模型；在某个实施例中，如果风险监测建筑是一栋剪力墙结构的商业综合体，而且有BIM模型，那么可以利用BIM软件或平台，如Revit或Navisworks等，将该建筑的BIM模型导出为IFC格式或其他通用格式；可以利用构建的超椭圆模型转换器（Superellipse Model Converter）软件或平台，根据IFC格式或其他通用格式的BIM模型数据，提取其几何信息和拓扑信息，并将其转换为超椭圆模型。
步骤S23、将超椭圆模型转换为超椭圆矩阵，并构建与超椭圆矩阵同型的位姿变换矩阵、物化参数矩阵和风险系数矩阵；
在某个实施例中，将超椭圆模型转换为超椭圆矩阵，其中每个元素表示相应位置的结构特征。构建与超椭圆矩阵同型的位姿变换矩阵，用于描述建筑在空间中的位置和方向。构建与超椭圆矩阵同型的物化参数矩阵，用于描述材料性质和物理特性。构建与超椭圆矩阵同型的风险系数矩阵，用于描述不同部位或组件对风险的敏感程度。
在另一个实施例中，过程如下：
利用超椭圆矩阵生成器（Superellipse Matrix Generator）软件或平台，根据超椭圆模型的方程和参数，将其转换为一个二维数组或列表，即超椭圆矩阵。利用构建的位姿变换矩阵生成器（Pose Transformation Matrix Generator）软件或平台，根据每个风险监测建筑在地理坐标系下的位置和方向信息，生成一个与超椭圆矩阵同型的二维数组或列表，即位姿变换矩阵；利用构建的物化参数矩阵生成器（Materialization ParameterMatrix Generator）软件或平台，根据每个风险监测建筑的物理属性和材料特性信息，生成一个与超椭圆矩阵同型的二维数组或列表，即物化参数矩阵；利用构建的风险系数矩阵生成器（Risk Coefficient Matrix Generator）软件或平台，根据每个风险监测建筑的风险类型、等级和影响信息，生成一个与超椭圆矩阵同型的二维数组或列表，即风险系数矩阵。
步骤S24、将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵相乘，得到建筑超矩阵。具体地，将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵按元素相乘。将相乘结果得到的每个元素累加，得到建筑超矩阵。
在某个实施例中，利用构建的建筑超矩阵生成器（Building SupermatrixGenerator）软件或平台，根据矩阵乘法的规则，将每个风险监测建筑的超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵按顺序相乘，得到一个综合了几何、拓扑、物理、材料和风险信息的二维数组或列表，即建筑超矩阵。
在这个实施例中，需要注意的是，首先通过查找建筑的结构形式，获取梁柱板筋的信息，然后建立梁柱板筋的超椭圆模型，接着通过位姿变换矩阵，将建筑搭建起来，形成建筑模型，然后将构件的相关信息构建成同型的矩阵，最终形成超椭圆矩阵。这个矩阵是可以分解的，因此后续在对物化参数、位姿参数和风险系数参数进行更新时，可以直接对子矩阵进行更新。
根据本申请的一个方面，所述步骤S21进中根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型的过程一步为：
步骤S211、从数据库中查找该风险监测建筑对应的结构形式并读取风险监测建筑的基础信息，根据结构形式对风险监测建筑进行结构分解，获得将建筑构件分成P类，每类包括Q个型号尺寸不同的构件单元，提取构件单元的柱截面参数以及位姿和尺寸数据。
例如风险监测建筑是一栋框架剪力墙结构的办公楼，那么按照上文的描述，从数据库中查找该建筑的结构形式为框架剪力墙结构，并读取该建筑的基础信息，如层数、平面尺寸、柱间距、梁高、柱截面等。将该建筑的构件分成两类，即框架构件和剪力墙构件，每类包括若干个型号尺寸不同的构件单元，如框架构件包括不同截面形状和尺寸的柱和梁，剪力墙构件包括不同厚度和高度的墙。提取每个构件单元的柱截面参数，如截面形状、宽度、高度、厚度等，以及位姿和尺寸数据，如位置坐标、方向角度、长度、宽度、高度等。
步骤S212、构建具有P个转换接口的模型生成器，依序将构件单元转化为超椭圆表示形式，形成超椭圆形式的构件单元集合；
在某个实施例中，具体实现过程可以是：构建具有P个转换接口的模型生成器，每个接口对应一类构件。依次遍历每个构件单元，并使用相应的转换接口将其转化为超椭圆表示形式。将转化后的超椭圆形式的构件单元添加到超椭圆形式的构件单元集合中。
在某个实施例中，可以利用模型生成器（Model Generator）软件或平台，根据P的值，即两类构件，构建具有两个转换接口的模型生成器。利用第一个转换接口，根据框架构件单元的柱截面参数以及位姿和尺寸数据，将其转化为超椭圆表示形式，即用一个或多个超椭圆方程描述其几何形状和位置。利用第二个转换接口，根据剪力墙构件单元的柱截面参数以及位姿和尺寸数据，将其转化为超椭圆表示形式，即用一个或多个超椭圆方程描述其几何形状和位置。
步骤S213、读取超椭圆形式的构件单元集合，并构造超椭圆形式的风险监测建筑模型，判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出；P、Q为自然数。
在某个实施例中，在读取超椭圆形式的构件单元集合后，根据集合中的构件单元信息，进行组装和连接操作，构造超椭圆形式的风险监测建筑模型。判断是否存在结构冲突，即检查是否有重叠、交叉或不稳定等问题。若不存在结构冲突，则该风险监测建筑符合要求，并将其作为输出的超椭圆模型。
在某个实施例中利用构建的模型构造器（Model Constructor）软件或平台，读取超椭圆形式的构件单元集合，并根据其方程和参数，将其组合成一个整体模型，即超椭圆形式的风险监测建筑模型；利用模型检测器（Model Detector）软件或平台，判断超椭圆形式的风险监测建筑模型是否存在结构冲突，即是否有构件单元之间的重叠或相交等，如果不存在结构冲突，那么说明该模型符合要求，可以将其作为风险监测建筑的超椭圆模型输出；如果存在结构冲突，那么说明该模型不符合要求，需要重新调整构件单元的参数或转换接口的设置，直到消除结构冲突为止。
根据本申请的一个方面，所述步骤S22进一步为：
步骤S221、读取风险监测建筑的BIM模型，并抽取风险监测建筑的各个构件单元，获取构件单元部分节点的坐标参数，形成关键节点数据集。
如果风险监测建筑是一栋筒中筒结构的酒店，那么可以利用BIM软件或平台，如Revit或Navisworks等，读取该建筑的BIM模型，并抽取该建筑的各个构件单元，如内筒、外筒、楼板、梁柱等；然后利用BIM软件或平台提供的节点选择和坐标提取功能，获取每个构件单元部分节点的坐标参数，如内筒的上下底面中心点、外筒的四个角点、楼板的四个角点等，并将其存储在一个数据集中，即关键节点数据集。
步骤S222、通过关键节点数据集计算超椭圆模型参数，获得构件单元的超椭圆模型。
例如以利用构建的超椭圆模型参数计算器（Superellipse Model ParameterCalculator）软件或平台，根据关键节点数据集中的坐标参数，计算每个构件单元的超椭圆模型参数，如半轴长度、形状参数、位置参数等；利用超椭圆模型参数计算器提供的公式和算法，根据不同构件单元的几何特征和拓扑关系，确定其对应的超椭圆方程和参数，如内筒对应一个竖直方向的超椭圆柱体，外筒对应一个水平方向的超椭圆环面，楼板对应一个水平方向的超椭圆平面等。
步骤S223、基于构建的超椭圆模型，重新生成风险监测建筑的结构模型并判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出。
例如，可以利用构建的超椭圆模型生成器（Superellipse Model Generator）软件或平台，根据超椭圆模型参数数据集中的方程和参数，重新生成每个构件单元的超椭圆表示形式，并将其组合成一个整体模型，即超椭圆形式的风险监测建筑模型；利用构建的模型检测器（Model Detector）软件或平台，判断超椭圆形式的风险监测建筑模型是否存在结构冲突，即是否有构件单元之间的重叠或相交；如果不存在结构冲突，那么说明该模型符合要求，可以将其作为风险监测建筑的超椭圆模型输出；如果存在结构冲突，那么说明该模型不符合要求，需要重新调整关键节点数据集或超椭圆模型参数计算器的设置，直到消除结构冲突为止。
根据本申请的一个方面，所述步骤S211中，当风险监测建筑的基础信息包含摄像头或无人机采集的点云图像时，对图像进行点云配准预处理：
步骤S211a、读取点云图像集合并进行预处理，所述预处理至少包括条件滤波、去重和缺失值填充。
条件滤波是指根据一定的条件对点云数据进行筛选，去除噪声点、异常点等不符合要求的数据。去重是指删除点云数据中的重复点，即坐标相同或相近的点。缺失值填充是指对点云数据中的空洞或缺失区域进行补充，使得点云数据更加完整和连续。
在一些实施例中，还可以包括归一化过程。归一化是指将点云数据的坐标值转换到一个统一的范围内，例如[0，1]或[-1，1]，以便于后续的计算和处理。
步骤S211b、调用基于共面特征点的S4PCS（Super4PCS）点云匹配模块，选择两个点云图像作为第一点云和第二点云，并从第一点云中随机选择四个共面点并计算第一共面参数，遍历第二点云中所有可能得四个共面点，并计算第二共面参数。
例如，如果在建筑的修建过程中，在涂装前和涂装后各进行了一次扫描，我们可以使用S4PCS算法找到这两个扫描中的共面点，以确定涂装对整个结构的影响。
步骤S211c、查找点云图像中的构件单元，获取构建单元的类型数据，查找类型数据对应的待定参数的超椭圆模型，并基于第二点云的坐标求解各个构件单元的超椭圆模型。
步骤S211d、计算从第一共面参数到第二共面参数的变换矩阵，并采用变换矩阵将第一点云变换到第二点云的坐标系中；计算变换后的第一点云的坐标是否有M个位于超椭圆模型中；M位自然数；若有，结束计算，输出构件单元对应的超椭圆模型；否则，进入下一步；
步骤S211e、计算变换后的第一点云与第二点云之间的匹配对数，并记录最大匹配对数及其对应的变换矩阵，作为最优变换矩阵；然后返回步骤S211d。
需要注意的是，这个步骤中，通过首先构建超椭圆模型并进行坐标计算，将点云匹配到超椭圆上，然后可以快速得到构件的三维模型，无需复杂的点云匹配过程。降低了点云匹配的计算量。
如图4所示，根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、读取每一风险监测建筑的位置，并筛选布点位置，形成监测点位图；基于点位图布设至少两种类型的传感器，每种传感器至少包括一组传感器；所述传感器包括：振动传感器、静力水准仪、加速度计、应变传感器、倾角仪、位移计和温湿度传感器；
步骤S32、通过物联网系统定期收集各个传感器的数据，同时通过摄像头或无人机获取风险监测建筑的图像数据，形成建筑状态信息，并进行分类，形成至少三类风险信息；
步骤S33、基于三类风险信息分别更新对应构件单元的位姿变换矩阵、物化参数矩阵和风险系数矩阵，形成更新后的建筑超矩阵集合。基于三类风险信息更新对应构件单元的超矩阵是指利用结构风险信息更新位姿变换矩阵，利用环境风险信息更新物化参数矩阵，利用功能风险信息更新风险系数矩阵，使得超矩阵能够反映最新的建筑状态和风险情况。建筑物的沉降、倾斜、位移等可以体现在位姿矩阵中，建筑物的变形、老化等体现在物化参数矩阵的参数中。因此可以分别对子矩阵（三类矩阵）进行计算和更新。
换句话说，建筑物的位移、沉降和倾斜等信息可以通过位姿矩阵计算得到。比如在某个时刻与在前时刻的位姿矩阵的参数之差超过阈值，则说明该建筑构件存在位移，因此可以快速进行计算。
同样需要注意的是，在本实施例中，也是将信息进行分类，然后分别对超矩阵中的子矩阵进行信息更新，因此大大提高了更新的效率，为后续计算也提供了方便。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、构建包含至少三个子模块的LSTM神经网络模块和训练集；利用训练集和验证集训练仿神经网络模型，监测训练过程中的损失和精度，根据需要进行调整和优化。为了防止过拟合，可以使用早停策略（当训练误差持续升高时停止训练）、正则化技术、Dropout等技术提高模型的泛化能力。
步骤S42、采用训练好的神经网络模块一建筑超矩阵集合作为输入，提取每个风险监测建筑的风险信息，并分类输出，获得每类风险信息的时空分布数据；分类可以基于softmax函数，将网络输出转换为每种风险等级的概率分布。
步骤S43、周期性选取至少两个时刻的建筑超矩阵数据，构建数值模拟方法并模拟后续时刻的建筑超矩阵模拟数据，并计算与该时刻建筑超矩阵实测数据的差值；直至数值模拟方法的预测精度符合预期。
网络结构是指神经网络模块包含多少层、每层包含多少个神经元、每层之间如何连接等。参数是指神经网络模块中每个连接的权重和偏置等。根据不同的输入和输出特点，可以选择不同的网络结构和参数。数据集是指包含了建筑超矩阵和风险信息的样本集合。数据集可以来自于历史数据或仿真数据，也可以通过人工标注或专家评估等方式生成。数据集需要进行划分，一般分为训练集、验证集和测试集。训练集用于训练网络参数，验证集用于验证网络泛化能力，测试集用于测试网络预测精度。训练神经网络模块是指通过反向传播算法等优化方法，调整网络参数，使得网络输出与真实值之间的误差最小化。具体地，对于每个训练样本，首先通过前向传播计算网络输出，然后通过损失函数计算输出与真实值之间的误差，再通过后向传播计算误差对每个参数的梯度，最后通过优化算法更新每个参数。这个过程重复多次，直到达到预设的迭代次数或误差阈值。
本实施例中，输入是建筑超矩阵，输出是风险信息。建筑超矩阵是一个三维的张量，包含了每个风险监测建筑的几何形状、拓扑结构、传感器数据和图像特征向量等信息。风险信息是一个一维的向量，包含了风险等级、风险因子、风险指数等指标。
在某些实施例中，还可以采用卷积神经网络，其基本结构包括卷积层、池化层、全连接层等。卷积层是用于提取图像特征的核心层，它通过一个滑动窗口（卷积核）在输入图像上进行滑动，计算窗口内的元素与卷积核内的元素的加权和，得到一个输出图像（特征图）。池化层是用于降低图像维度和增强图像鲁棒性的辅助层，它通过一个固定大小的窗口在输入图像上进行滑动，计算窗口内的元素的最大值或平均值，得到一个输出图像（池化图）。全连接层是用于将图像特征转换为分类或回归结果的输出层，它将输入图像展平为一个一维向量，并通过一个线性变换和一个激活函数，得到一个输出向量（预测值）。具体地，某个神经网络模块包含了两个卷积层、两个池化层、两个全连接层。第一个卷积层使用了16个3x3x3大小的卷积核，第二个卷积层使用了32个3x3x16大小的卷积核。第一个池化层使用了2x2x2大小的最大池化窗口，第二个池化层使用了2x2x2大小的平均池化窗口。第一个全连接层使用了256个神经元，第二个全连接层使用了4个神经元，分别对应风险等级、风险因子、风险指数和风险概率。激活函数使用了ReLU函数，损失函数使用了均方误差函数，优化算法使用了随机梯度下降算法。
根据本申请的另一个方面，一种基于神经网络的建筑风险监测与评估系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的基于神经网络的建筑风险监测与评估方法。
将上述方法配置成软件模块，然后部署即可。相关方法为现有技术，因此不再详细描述。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (5)
1.基于神经网络的建筑风险监测与评估方法，其特征在于，包括如下步骤：
步骤S1、划定监测区域并采集研究数据，构建GIS模块，以研究数据作为输入，基于预配置的规则从监测区域中提取至少一个风险监测建筑，形成风险监测建筑集合；
步骤S2、依序读取风险监测建筑集合中每一风险监测建筑，构建每一风险监测建筑的超椭圆模型或读取风险监测建筑的BIM模型转换为超椭圆模型；基于超椭圆模型构建建筑超矩阵；
步骤S3、针对每一风险监测建筑布设至少一组传感器，每隔预定的周期采集建筑状态信息并通过无人机或摄像头获取风险监测建筑的图像数据；从建筑状态信息和图像数据中提取风险信息，并更新建筑超矩阵，形成至少N个时刻的建筑超矩阵集合；N为大于1的自然数；
步骤S4、构建神经网络模块并训练，将建筑超矩阵作为输入，提取每个风险监测建筑的风险信息，并通过数值模拟的方法进行模拟，获得建筑风险时空演变图并展示和评估；
所述步骤S1进一步为：
步骤S11、基于建筑风险的类型、范围和影响程度，划定研究区域，并对研究区域进行聚类，形成至少一类待监测区域；
步骤S12、采集研究区域的地理信息和基础设施信息，形成研究数据并映射至每类待监测区域；
步骤S13、基于ArcGIS或QGIS构建GIS模块，以研究数据作为输入数据，基于山川河流或交通路网作为分界线，将每个待监测区域划分为至少一个监测单元，每个监测单元包括至少一个风险监测建筑，形成风险监测建筑集合；
所述步骤S2进一步为：
步骤S21、依序读取风险监测建筑集合中的每一风险监测建筑，判断是否存在BIM模型，若不存在，则查找该风险监测建筑的结构形式，根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型；
所述结构形式包括：框架结构、剪力墙结构、框架剪力墙结构、板柱剪力墙结构、筒体结构、框架核心筒结构和筒中筒结构；
步骤S22、若存在BIM模型，则将每一风险监测建筑对应的BIM模型转换为超椭圆模型；
步骤S23、将超椭圆模型转换为超椭圆矩阵，并构建与超椭圆矩阵同型的位姿变换矩阵、物化参数矩阵和风险系数矩阵；
步骤S24、将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵相乘，得到建筑超矩阵；
所述步骤S21中根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型的过程一步为：
步骤S211、从数据库中查找该风险监测建筑对应的结构形式并读取风险监测建筑的基础信息，根据结构形式对风险监测建筑进行结构分解，获得将建筑构件分成P类，每类包括Q个型号尺寸不同的构件单元，提取构件单元的柱截面参数以及位姿和尺寸数据；
步骤S212、构建具有P个转换接口的模型生成器，依序将构件单元转化为超椭圆表示形式，形成超椭圆形式的构件单元集合；
步骤S213、读取超椭圆形式的构件单元集合，并构造超椭圆形式的风险监测建筑模型，判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出；P、Q为自然数；
所述步骤S22进一步为：
步骤S221、读取风险监测建筑的BIM模型，并抽取风险监测建筑的各个构件单元，获取构件单元部分节点的坐标参数，形成关键节点数据集；
步骤S222、通过关键节点数据集计算超椭圆模型参数，获得构件单元的超椭圆模型；
步骤S223、基于构建的超椭圆模型，重新生成风险监测建筑的结构模型并判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出。
2.如权利要求1所述的基于神经网络的建筑风险监测与评估方法，其特征在于，所述步骤S211中，当风险监测建筑的基础信息包含摄像头或无人机采集的点云图像时，对图像进行点云配准预处理：
步骤S211a、读取点云图像集合并进行预处理，所述预处理至少包括条件滤波、去重和缺失值填充；
步骤S211b、调用基于共面特征点的S4PCS点云匹配模块，选择两个点云图像作为第一点云和第二点云，并从第一点云中随机选择四个共面点并计算第一共面参数，遍历第二点云中所有可能得四个共面点，并计算第二共面参数；
步骤S211c、查找点云图像中的构件单元，获取构建单元的类型数据，查找类型数据对应的待定参数的超椭圆模型，并基于第二点云的坐标求解各个构件单元的超椭圆模型；
步骤S211d、计算从第一共面参数到第二共面参数的变换矩阵，并采用变换矩阵将第一点云变换到第二点云的坐标系中；计算变换后的第一点云的坐标是否有M个位于超椭圆模型中；M位自然数；若有，结束计算，输出构件单元对应的超椭圆模型；否则，进入下一步；
步骤S211e、计算变换后的第一点云与第二点云之间的匹配对数，并记录最大匹配对数及其对应的变换矩阵，作为最优变换矩阵；然后返回步骤S211d。
3.如权利要求2所述的基于神经网络的建筑风险监测与评估方法，其特征在于，所述步骤S3进一步为：
步骤S31、读取每一风险监测建筑的位置，并筛选布点位置，形成监测点位图；基于点位图布设至少两种类型的传感器，每种传感器至少包括一组传感器；所述传感器包括：振动传感器、静力水准仪、加速度计、应变传感器、倾角仪、位移计和温湿度传感器；
步骤S32、通过物联网系统定期收集各个传感器的数据，同时通过摄像头或无人机获取风险监测建筑的图像数据，形成建筑状态信息，并进行分类，形成至少三类风险信息；
步骤S33、基于三类风险信息分别更新对应构件单元的位姿变换矩阵、物化参数矩阵和风险系数矩阵，形成更新后的建筑超矩阵集合。
4.如权利要求1所述的基于神经网络的建筑风险监测与评估方法，其特征在于，所述步骤S4进一步为：
步骤S41、构建包含至少三个子模块的LSTM神经网络模块和训练集；
步骤S42、采用训练好的神经网络模块一建筑超矩阵集合作为输入，提取每个风险监测建筑的风险信息，并分类输出，获得每类风险信息的时空分布数据；
步骤S43、周期性选取至少两个时刻的建筑超矩阵数据，构建数值模拟方法并模拟后续时刻的建筑超矩阵模拟数据，并计算与该时刻建筑超矩阵实测数据的差值；直至数值模拟方法的预测精度符合预期。
5. 一种基于神经网络的建筑风险监测与评估系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1~4任一项所述的基于神经网络的建筑风险监测与评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310855285.6A CN116596321B (zh) | 2023-07-13 | 2023-07-13 | 基于神经网络的建筑风险监测与评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310855285.6A CN116596321B (zh) | 2023-07-13 | 2023-07-13 | 基于神经网络的建筑风险监测与评估方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116596321A CN116596321A (zh) | 2023-08-15 |
| CN116596321B true CN116596321B (zh) | 2023-09-26 |
Family
ID=87606563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310855285.6A Active CN116596321B (zh) | 2023-07-13 | 2023-07-13 | 基于神经网络的建筑风险监测与评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116596321B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777679B (zh) * | 2023-08-21 | 2023-11-21 | 北京中昌工程咨询有限公司 | 一种基于bim模型的工程量计算方法及系统 |
| CN117540174B (zh) * | 2024-01-09 | 2024-03-26 | 江苏省建筑工程质量检测中心有限公司 | 基于神经网络的建筑结构多源异构数据智能分析系统及方法 |
| CN117874903B (zh) * | 2024-03-13 | 2024-05-28 | 江苏省建筑工程质量检测中心有限公司 | 融合物联网与人工智能的工程质量评估诊断方法和系统 |
| CN118133695B (zh) * | 2024-05-08 | 2024-07-05 | 南京江北新区建设和交通工程质量安全监督站(南京江北新区建设和交通工程安装管理站、南京江北新区建设和交通工程质量检测中心) | 基于大数据处理和神经网络的地铁站火灾温度场模拟系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103384898A (zh) * | 2010-06-21 | 2013-11-06 | 约翰·吉利斯 | 计算机实现的工具箱系统和方法 |
| CN106170784A (zh) * | 2013-11-18 | 2016-11-30 | 杰尼坎普贝埃尔公司 | 用于分析、存储和再生信息的方法和系统 |
| CN116049929A (zh) * | 2022-10-26 | 2023-05-02 | 马培峰 | 一种城市建筑物风险等级InSAR评估和预测方法 |
-
2023
- 2023-07-13 CN CN202310855285.6A patent/CN116596321B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103384898A (zh) * | 2010-06-21 | 2013-11-06 | 约翰·吉利斯 | 计算机实现的工具箱系统和方法 |
| CN106170784A (zh) * | 2013-11-18 | 2016-11-30 | 杰尼坎普贝埃尔公司 | 用于分析、存储和再生信息的方法和系统 |
| CN116049929A (zh) * | 2022-10-26 | 2023-05-02 | 马培峰 | 一种城市建筑物风险等级InSAR评估和预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116596321A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116596321B (zh) | 基于神经网络的建筑风险监测与评估方法和系统 | |
| CN113806978B (zh) | 基于bim-fem的桥梁结构数字孪生体及方法 | |
| Al-shalabi et al. | Modelling urban growth evolution and land-use changes using GIS based cellular automata and SLEUTH models: the case of Sana’a metropolitan city, Yemen | |
| CN112446559B (zh) | 一种基于深度学习的大范围地面沉降时空预测方法和系统 | |
| García-Macías et al. | Metamodel-based pattern recognition approach for real-time identification of earthquake-induced damage in historic masonry structures | |
| CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
| CN113610301B (zh) | 一种表征地面沉降时序演变的预测算法 | |
| CN116975576B (zh) | 基于关键信息统计的山区公路地质灾害危险性评价方法 | |
| CN116843845A (zh) | 一种应用于数字孪生城市的空间数据集成方法及系统 | |
| CN110533239A (zh) | 一种智慧城市空气品质高精度测量方法 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN115471679A (zh) | 一种天然河道水位流量同步同化方法及智能系统 | |
| Fekete et al. | Tree segmentation and change detection of large urban areas based on airborne LiDAR | |
| CN117252863A (zh) | 一种地理信息异常数据快速检测分析方法 | |
| Tariq et al. | Structural health monitoring installation scheme using utility computing model | |
| Wong et al. | Using geometry-based metrics as part of fitness-for-purpose evaluations of 3D city models | |
| CN114463932A (zh) | 非接触式施工安全距离主动动态识别预警系统及方法 | |
| CN117932721A (zh) | 基于三维场模型的煤矿安全预测模型的构建与应用 | |
| CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| CN111080080B (zh) | 一种村镇地质灾害风险预估方法及系统 | |
| Liu et al. | Road density analysis based on skeleton partitioning for road generalization | |
| Fotia et al. | Geomatics and Soft Computing Techniques for Road Infrastructure Monitoring | |
| CN117236518B (zh) | 一种地铁沿线地质形变的预测方法 | |
| CN114281911B (zh) | 一种地理信息与大数据的信息交换平台 |
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 |