CN116680778B - 建筑结构布置生成方法、系统及生成模型的构建方法 - Google Patents

建筑结构布置生成方法、系统及生成模型的构建方法 Download PDF

Info

Publication number
CN116680778B
CN116680778B CN202310477335.1A CN202310477335A CN116680778B CN 116680778 B CN116680778 B CN 116680778B CN 202310477335 A CN202310477335 A CN 202310477335A CN 116680778 B CN116680778 B CN 116680778B
Authority
CN
China
Prior art keywords
data
building
characteristic
design
tensor
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
Application number
CN202310477335.1A
Other languages
English (en)
Other versions
CN116680778A (zh
Inventor
陆新征
顾燚
廖文杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202310477335.1A priority Critical patent/CN116680778B/zh
Publication of CN116680778A publication Critical patent/CN116680778A/zh
Application granted granted Critical
Publication of CN116680778B publication Critical patent/CN116680778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Structural Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种建筑结构布置生成方法、系统及生成模型的构建方法，其中生成方法包括：获取建筑设计图和对应于建筑设计图的设计条件结构化数据；基于由建筑设计图提取的建筑构件特征数据，以及由设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；将输入特征数据输入结构布置生成模型，得到结构布置生成模型输出的目标结构构件的布置特征数据；提取布置特征数据中的建筑结构布置设计数据，生成针对于目标结构构件的建筑结构设计结果。本发明用以解决现有技术中因采用人工依据经验进行建筑结构构件设计，造成的结构构件设计结果不够稳定，既有设计经验难以传承，智能化程度较低的缺陷。

Description

建筑结构布置生成方法、系统及生成模型的构建方法
技术领域
本发明涉及建筑结构设计技术领域，尤其涉及一种建筑结构布置生成方法、系统及生成模型的构建方法。
背景技术
目前，在建筑结构初步设计阶段，主要依靠人工经验进行建筑结构的设计，设计效率较低，同时，设计过程存在很多的主观性判断，导致结构构件设计结果不够稳定，既有设计经验难以传承，智能化程度低。
因此，亟需一种能够快速可靠地完成建筑结构设计的智能化建筑结构设计方法。
发明内容
本发明提供一种建筑结构布置生成方法、系统及生成模型的构建方法，用以解决现有技术中因采用人工依据经验进行建筑结构构件设计，造成的结构构件设计结果不够稳定，既有设计经验难以传承，智能化程度较低的缺陷。
本发明提供一种建筑结构布置生成方法，包括：
获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；
基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；
将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；
提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果。
根据本发明所述的建筑结构布置生成方法，所述基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据，包括：
提取所述建筑设计图中的第一特征数据和第二特征数据，以及提取所述设计条件结构化数据中的设计条件特征数据，所述第一特征数据为所述建筑设计图中所有建筑构件的特征数据，所述第二特征数据为所述建筑设计图中所述目标结构构件的候选布置位置的特征数据；
将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量；
将所述第一特征数据的特征张量和所述设计条件特征数据的特征张量融合，得到建筑特征张量；
基于所述第二特征数据的特征张量，将所述建筑特征张量的相应位置置为高斯噪声，得到输入张量；
将所述输入张量，作为所述输入特征数据。
根据本发明所述的建筑结构布置生成方法，所述将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量，包括：
提取所述建筑构件特征数据中所有所述建筑构件的平面布置特征；
将所述平面布置特征表征为所述建筑构件的构件二阶张量；
将所述构件二阶张量堆叠，得到表征所述建筑构件的三阶张量，作为所述第一特征数据的特征张量；
提取所述第一特征数据的特征张量中的目标构件三阶张量，作为所述第二特征数据的特征张量，所述目标构件三阶张量为所述第一特征数据的特征张量中所述目标结构构件的所述候选布置位置的三阶张量。
根据本发明所述的建筑结构布置生成方法，所述将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量，还包括：
将所述设计条件特征数据表征为条件一阶张量；
将所述条件一阶张量复制扩维为条件三阶张量，作为所述设计条件特征数据的特征张量。
根据本发明所述的建筑结构布置生成方法，所述将所述第一特征数据的特征张量和所述设计条件特征数据的特征张量融合，得到建筑特征张量，包括：
对所述第一特征数据的特征张量和所述设计条件特征数据的特征张量分别进行归一化处理；
将所述归一化处理的处理结果堆叠，得到所述建筑特征张量。
根据本发明所述的建筑结构布置生成方法，所述提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果，包括：
将所述建筑结构布置设计数据表征为结构布置三阶张量；
将所述结构布置三阶张量中的所述建筑特征张量和所述目标结构构件的特征张量采用可视化方法通过仿射变换表达为设计图，作为针对于所述目标结构构件的所述建筑结构设计结果。
本发明还提供一种应用于如上述任一种所述的建筑结构布置生成方法的结构布置生成模型的构建方法，包括：
获取建筑设计图样本，以及对应于所述建筑设计图样本的结构设计图样本和设计条件结构化数据样本；
分别提取所述建筑设计图样本中的建筑构件特征样本数据、所述结构设计图样本中的目标结构构件的特征样本数据，以及所述设计条件结构化数据样本中的设计条件样本数据；
将所述建筑构件特征样本数据、所述目标结构构件的特征样本数据和所述设计条件样本数据融合，得到建筑结构样本数据；
提取所述建筑构件特征样本数据中所述目标结构构件的候选布置位置的所述建筑构件特征样本数据，作为结构构件样本数据；
将添加预设步数高斯噪声的所述建筑结构样本数据，通过所述结构构件样本数据，与添加随机步数所述高斯噪声后的所述建筑结构样本数据进行布尔运算，得到输入特征样本数据，所述随机步数为随机确定的小于所述预设步数的任意步数；
基于所述输入特征样本数据，训练预设神经网络模型，得到所述结构布置生成模型。
本发明还提供一种建筑结构布置生成系统，包括：
获取模块，用于获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；
提取模块，用于基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；
第一处理模块，用于将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；
第二处理模块，用于提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的建筑结构布置生成方法，或如上所述的结构布置生成模型的构建方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的建筑结构布置生成方法，或如上所述的结构布置生成模型的构建方法。
本发明提供的一种建筑结构布置生成方法、系统及生成模型的构建方法，通过获取建筑设计图和对应于建筑设计图的设计条件结构化数据，然后基于由建筑设计图提取的建筑构件特征数据，以及由设计条件结构化数据提取的设计条件特征数据，构建输入特征数据，之后通过将输入特征数据输入基于建筑构件特征样本数据，以及对应于建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的结构布置生成模型中，从而利用结构布置生成模型得到目标结构构件的布置特征数据，最后再提取布置特征数据中的建筑结构布置设计数据，生成针对于目标结构构件的建筑结构设计结果，实现了基于建筑设计图和设计条件结构化数据对目标结构构件的智能设计，不仅避免了采用人工进行建筑结构设计的麻烦，节省了人工成本，还提高了设计效率，并保证了设计结果的稳定性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的一种建筑结构布置生成方法的流程示意图；
图2是本发明提供的一种建筑构件特征数据的示意图；
图3是本发明提供的一个生成建筑特征张量和掩码张量的实例的原理示意图；
图4是本发明提供的一个利用结构布置生成模型生成针对于剪力墙结构的建筑结构设计结果的实例的原理示意图；
图5是本发明提供的一种应用于如本发明提供的建筑结构布置生成方法的结构布置生成模型的构建方法的流程示意图；
图6是本发明提供的一个构建结构布置生成模型的实例的流程示意图；
图7是本发明提供的一种建筑结构布置生成系统的结构示意图；
图8是本发明提供的电子设备的结构示意图。
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，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
下面结合图1至图4描述本发明的一种建筑结构布置生成方法，该方法由处理器等电子设备或其中的软件和/或硬件执行。如图1所示，所述方法包括以下步骤：
101、获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；
可以理解的是，建筑设计图中包括建筑的门、窗、建筑隔墙等建筑构件的布置位置等信息，对应于建筑设计图的设计条件结构化数据中包括建筑结构的抗震设防参数、结构构件外形参数，以及场地参数等信息。
102、基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；
具体地，通过基于包括建筑构件的布置信息等的建筑构件特征数据和包括建筑结构的抗震设防参数等信息的设计条件特征数据，构建的输入特征数据，包括了建筑结构设计所需的参数信息。
在一个具体的实施例中，可以基于CAD二次开发API开发的建筑构件特征自动提取程序，来从建筑设计图中提取建筑隔墙、门、窗、栏杆等建筑构件的建筑构件特征数据，而从设计条件结构化数据中提取设计条件特征数据。同时，还可将提取的建筑构件特征数据进行可视化显示，例如：如图2所示为一建筑构件特征数据可视化结果的示例，以便于用户更直观的了解各建筑构件的布置等信息。
更具体地，针对于由设计条件结构化数据提取设计条件特征数据，需要根据设计条件结构化数据的不同结构，来确定设计条件特征数据提取方式，其中，设计条件特征数据提取方式具体可以包括多种，例如：人工特征提取，深度神经网络特征提取等。
进一步地，针对于深度神经网络特征提取，还可以基于下述方式训练得到用于提取设计条件特征数据的深度神经网络特征提取模型，即：
首先收集设计条件结构化样本数据，然后使用自监督训练方法对设计条件结构化样本数据深度聚类，以优化预设神经网络模型参数，直至预设神经网络模型收敛，则将收敛后的预设神经网络模型作为深度神经网络特征提取模型。
103、将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；
具体地，结构布置生成模型为基于建筑构件特征样本数据，以及对应于建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型，因而，在将构建的输入特征数据输入该结构布置生成模型后，结构布置生成模型可以基于输入特征数据所包含的信息，得到与建筑设计图和对应于建筑设计图的设计条件结构化数据匹配的目标结构构件的布置特征数据。
104、提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果。
本发明实施例提供的建筑结构布置生成方法，通过由建筑设计图和设计条件结构化数据中分别提取用于设计目标结构构件的建筑构件特征数据和设计条件特征数据，然后将基于建筑构件特征数据和设计条件特征数据构建的输入特征数据，输入基于大量建筑构件特征样本数据、目标结构构件的特征样本数据和设计条件样本数据训练得到的结构布置生成模型中，使得结构布置生成模型可以输入与建筑设计图以及设计条件结构化数据匹配的目标结构构件的布置特征数据，之后通过提取布置特征数据中的建筑结构布置设计数据，生成针对于目标结构构件的建筑结构设计结果，实现了针对于建筑设计图和对应于建筑设计图的设计条件结构化数据，对目标结构构件的自动设计，有效解决了依靠人工经验进行建筑结构的设计，设计效率较低，同时，设计过程存在很多的主观性判断，导致结构构件设计结果不够稳定，既有设计经验难以传承，智能化程度低的问题。
基于上述实施例的内容，所述基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据，包括：
提取所述建筑设计图中的第一特征数据和第二特征数据，以及提取所述设计条件结构化数据中的设计条件特征数据，所述第一特征数据为所述建筑设计图中所有建筑构件的特征数据，所述第二特征数据为所述建筑设计图中所述目标结构构件的候选布置位置的特征数据；
将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量；
将所述第一特征数据的特征张量和所述设计条件特征数据的特征张量融合，得到建筑特征张量；
基于所述第二特征数据的特征张量，将所述建筑特征张量的相应位置置为高斯噪声，得到输入张量；
将所述输入张量，作为所述输入特征数据。
具体地，以将剪力墙结构作为目标结构构件为例，首先要将从建筑设计图中提取包括门、窗、建筑隔墙等所有建筑构件的特征数据，作为第一特征数据，然后将剪力墙结构在建筑设计图上的可能布置位置的特征数据提取出来，即将剪力墙结构的候选布置位置的特征数据作为第二特征数据。
更具体地，在将第一特征数据、第二特征数据和设计条件特征数据分别表征为特征张量后，将第一特征数据的特征张量和设计条件特征数据的特征张量融合，可以得到对应于建筑设计图中的所有建筑构件的建筑特征张量，之后基于第二特征数据的特征张量，将建筑特征张量的相应位置置为高斯噪声，即可使建筑设计图中所有可能为剪力墙结构的位置被置为高斯噪声，当将这一输入张量作为输入特征数据输入结构布置生成模型后，则可由结构布置生成模型逐步将高斯噪声去除，从而确定出建筑设计图中剪力墙结构应该布置的位置。
需要说明的是，在本发明实施例提供的建筑结构布置生成方法中，第二特征数据的特征张量用于指导将建筑特征张量的相应位置置为高斯噪声，因而第二特征数据的特征张量的实质为掩码张量。
基于上述实施例的内容，所述将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量，包括：
提取所述建筑构件特征数据中所有所述建筑构件的平面布置特征；
将所述平面布置特征表征为所述建筑构件的构件二阶张量；
将所述构件二阶张量堆叠，得到表征所述建筑构件的三阶张量，作为所述第一特征数据的特征张量；
提取所述第一特征数据的特征张量中的目标构件三阶张量，作为所述第二特征数据的特征张量，所述目标构件三阶张量为所述第一特征数据的特征张量中所述目标结构构件的所述候选布置位置的三阶张量。
具体地，首先从建筑构件特征数据中提取门、窗及建筑隔墙等所有建筑构件的平面布置特征，然后将门、窗及建筑隔墙等建筑构件的平面布置特征分别表征为二阶张量，之后再将所有建筑构件的二阶张量堆叠起来，表征为三阶张量，就可以得到所有建筑构件的三阶张量，即第一特征数据的特征张量。
进一步地，第二特征数据为第一特征数据中目标结构构件的候选布置位置的特征数据，即以目标结构构件为剪力墙结构为例，第一特征数据的特征张量中所有墙体结构的特征张量均有为剪力墙结构的可能，因而，可以通过提取第一特征数据的特征张量中的所有对应于墙体结构的三阶张量，来得到第二特征数据的特征张量。
更具体地，建筑构件的二阶张量通过将建筑构件布置图中存在相应建筑构件的位置置为第一预设数值，例如1，而没有相应建筑构件的位置置为第二预设数值，例如0，来表示各建筑构件在建筑构件布置图上的位置。
基于上述实施例的内容，所述将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量，还包括：
将所述设计条件特征数据表征为条件一阶张量；
将所述条件一阶张量复制扩维为条件三阶张量，作为所述设计条件特征数据的特征张量。
具体地，可以采用将设计条件特征数据中的类别数据采用独热编码表征为条件一阶张量，而将设计条件特征数据中的数值型数据转化为零阶张量，之后再将所有类型的数据堆叠起来，表征为一阶张量，并且复制扩维为条件三阶张量，从而得到设计条件特征数据的特征张量。
可以理解的是，也可采用其他的编码方式将设计条件特征数据中的类别数据表征为条件一阶张量，但考虑到设计条件特征数据中的类别数据属于非偏序关系的变量，而采用独热编码可以使非偏序关系的变量取值不具有偏序性，并且到原点及各自之间都是等距的，因而在本发明实施例提供的建筑结构布置生成方法中，优选采用独热编码将设计条件特征数据中的类别数据表征为条件一阶张量，以提高自动生成的建筑结构设计结果的准确性。
基于上述实施例的内容，所述将所述第一特征数据的特征张量和所述设计条件特征数据的特征张量融合，得到建筑特征张量，包括：
对所述第一特征数据的特征张量和所述设计条件特征数据的特征张量分别进行归一化处理；
将所述归一化处理的处理结果堆叠，得到所述建筑特征张量。
具体地，通过对第一特征数据的特征张量和设计条件特征数据的特征张量分别进行归一化处理，可以消除不同特征张量间的量纲影响，从而在将归一化处理的结果堆叠后，得到建筑特征张量。其中，归一化处理可以采用最值放缩法，即通过线性映射将原始输入映射到[-1,1]的区间中。
综上，以如图2所示的建筑构件特征数据中方框内的建筑构件特征数据作为原始图像为例，通过其和与图2对应的设计条件结构化数据构建建筑特征张量和掩码张量(第二特征数据的特征张量)的原理如图3所示，而将如图3所示的建筑特征张量和掩码张量构建为输入张量，以生成针对于剪力墙结构的建筑结构设计结果的原理如图4所示。
下面以如图4所示的利用结构布置生成模型生成针对于剪力墙结构的建筑结构设计结果为例，具体说明基于本发明实施例提供的结构布置生成模型得到剪力墙结构的布置特征数据，即图4中所示的生成结构特征张量的过程。其中，结构布置生成模型对输入张量的处理思路为：逐步将输入张量消除噪声，达到预先确定的步数后，即得到含有剪力墙结构布置特征数据的生成结构特征张量。
需要说明的是，在示例性实施例中，假设预先确定的步数为T步，输入张量记为yT，则结构布置生成模型基于输入张量可以预测高斯噪声大小，记该值为其中下标T表示这是基于yT预测的噪声大小。进一步地，基于预测的高斯噪声/>可以预测原始图片而基于预测的原始图片/>预测的高斯噪声/>及第T步的输入张量yT，就可以预测第T-1步的图像yT-1。如此迭代，在达到T步时，结构布置生成模型则可以预测到y0，即为如图4所示的含有剪力墙结构布置特征数据的生成结构特征张量。
基于上述实施例的内容，所述提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果，包括：
将所述建筑结构布置设计数据表征为结构布置三阶张量；
将所述结构布置三阶张量中的所述建筑特征张量和所述目标结构构件的特征张量采用可视化方法通过仿射变换表达为设计图，作为针对于所述目标结构构件的所述建筑结构设计结果。
具体地，通过设计图的方式，便于用户得到直观的建筑结构设计结果。
本发明实施例还提供了一种应用于如上述任一实施例提供的建筑结构布置生成方法的结构布置生成模型的构建方法，所述构建方法可以由处理器等电子设备或其中的软件和/或硬件执行。如图5所示，所述构建方法包括以下步骤：
501、获取建筑设计图样本，以及对应于所述建筑设计图样本的结构设计图样本和设计条件结构化数据样本；
502、分别提取所述建筑设计图样本中的建筑构件特征样本数据、所述结构设计图样本中的目标结构构件的特征样本数据，以及所述设计条件结构化数据样本中的设计条件样本数据；
503、将所述建筑构件特征样本数据、所述目标结构构件的特征样本数据和所述设计条件样本数据融合，得到建筑结构样本数据；
504、提取所述建筑构件特征样本数据中所述目标结构构件的候选布置位置的所述建筑构件特征样本数据，作为结构构件样本数据；
505、将添加预设步数高斯噪声的所述建筑结构样本数据，通过所述结构构件样本数据，与添加随机步数所述高斯噪声后的所述建筑结构样本数据进行布尔运算，得到输入特征样本数据，所述随机步数为随机确定的小于所述预设步数的任意步数；
506、基于所述输入特征样本数据，训练预设神经网络模型，得到所述结构布置生成模型。
具体地，仍以目标结构构件为剪力墙结构为例，在结构布置生成模型的构建过程中，首先需要构建数据集，即可以通过获取剪力墙结构的建筑的建筑设计图样本、结构设计的设计图样本，例如：CAD图纸样本，以及相应的设计条件结构化数据样本，然后对图纸样本中建筑构件和结构构件进行提取，获得建筑构件特征样本数据，以及剪力墙结构的特征样本数据，从设计条件结构化数据样本中提取设计条件特征样本数据。之后将建筑构件特征样本数据、剪力墙结构的特征样本数据和设计条件特征样本数据融合为建筑结构样本数据，而将建筑构件特征样本数据中的剪力墙结构可能布置位置的建筑构件特征样本数据，即建筑构件特征样本数据中的建筑隔墙的建筑构件特征样本数据提取，作为结构构件样本数据，就得到了训练数据集。
进一步地，在得到了训练数据集后，通过将添加预设步数例如T步高斯噪声的建筑结构样本数据，通过结构构件样本数据，与添加随机步数，例如t(0<t<T)步高斯噪声后的建筑结构样本数据进行布尔运算，可以得到输入特征样本数据，在得到了输入特征样本数据后，则可基于输入特征样本数据，使用扩散方法训练预设神经网络模型，即完成了结构布置生成模型的构建。
可以理解的是，针对于结构布置生成模型的构建，需要包括数据集创建、模型训练和模型测试三个过程。
下面以一个针对于剪力墙结构的具体的实施例来说明本发明实施例提供的结构布置生成模型的构建方法，该构建方法的原理如图6所示。
需要说明的是，下述方法仅为为了方便理解本发明技术方案所提供的一个示例，而并非本发明实施例可以完成结构生成模型的构建的唯一方法。
其中，数据集构建部分包括：
第一步：由从建筑设计图样本中提取出的建筑结构设计样本数据中提取门、窗及建筑隔墙等建筑构件的平面布置特征。
第二步：将门、窗及建筑隔墙等建筑构件的平面布置特征分别表征为二阶张量。并将所有建筑构件的二阶张量堆叠起来，表征为三阶张量，得到建筑构件特征张量样本。
需要说明的是，该二阶张量表示布置图中该位置是否有对应构件，如有对应构件，则值为1，否则为0。
第三步：由从对应于建筑设计图样本的结构设计图样本中提取出的结构构件特征样本数据中提取剪力墙的平面布置特征，并将剪力墙平面布置特征表征为三阶张量，得到结构构件特征张量样本；
第四步：将从对应于建筑设计图样本的设计条件结构化数据样本中提取出的设计条件特征数据样本表征为一阶张量，并且复制扩维为三阶张量，得到设计条件特征张量样本。
例如：可将设计条件特征数据样本中的类别数据采用独热编码表征为一阶张量，设计条件特征数据样本中的数值型数据转化为零阶张量。此后将所有类型的数据堆叠起来，表征为一阶张量，并且复制扩维为三阶张量，得到设计条件特征张量样本。
第五步：将得到的建筑构件特征张量样本、结构构件特征张量样本和设计条件特征张量样本分别进行归一化处理，并将归一化处理结果进行堆叠，得到建筑结构特征张量样本。
第六步：提取建筑构件特征张量样本中剪力墙结构的候选布置位置的建筑构件特征张量样本，作为结构构件样本数据的特征张量样本，也即掩码张量样本。
将建筑结构特征张量样本及掩码张量样本随机划分为训练集和测试集，完成数据集创建。
结构布置生成模型的训练部分包括：
第一步、构建预设神经网络模型，其中，预设的神经网络模型选用U-Net+Attention神经网络结构。
第二步、将训练集中建筑结构特征张量样本逐步添加共计T步高斯噪声；
第三步、将添加T步高斯噪声后特征张量样本通过掩码张量样本与添加t(1<t<T)步高斯噪声后的特征张量样本进行布尔运算，得到模型输入张量样本；
第四步、将模型输入张量样本输入预先构建的U-Net+Attention神经网络模型，得到预设神经网络模型输出的T步高斯噪声样本；
第五步、计算U-Net+Attention神经网络模型输出的T步高斯噪声样本与标签值T步高斯噪声样本之间的损失值，并作为噪声预测损失值；
第六步、基于噪声预测损失值，优化U-Net+Attention神经网络模型的参数，直至U-Net+Attention神经网络模型收敛。
第七步、将收敛后的U-Net+Attention神经网络模型作为结构布置生成模型。
结构布置生成模型的测试部分包括：
第一步、根据掩码张量样本将建筑结构特征张量样本对应位置置为高斯噪声，得到模型输入张量样本；
第二步、利用训练得到的结构布置生成模型逐步将模型输入张量样本消除噪声，达到预先确定的步数后，得到含有剪力墙结构布置特征数据的生成结构特征张量样本，进而得到建筑结构布置设计数据；
第三步、计算由训练得到的结构布置生成模型得到的建筑结构布置设计数据与测试集中的实际建筑结构布置数据间的损失值；
第四步、基于损失值，判断训练后的结构布置生成模型是否合格。
下面结合图7对本发明提供的一种建筑结构布置生成系统进行描述，下文描述的一种建筑结构布置生成系统与上文描述的一种建筑结构布置生成方法可相互对应参照。
本发明提供的一种建筑结构布置生成系统，如图7所示，包括：获取模块710、提取模块720、第一处理模块730和第二处理模块740；其中，
获取模块710用于获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；
提取模块720用于基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；
第一处理模块730用于将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；
第二处理模块740用于提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果。
本发明实施例提供的建筑结构布置生成系统，通过获取建筑设计图和对应于建筑设计图的设计条件结构化数据，然后基于由建筑设计图提取的建筑构件特征数据，以及由设计条件结构化数据提取的设计条件特征数据，构建输入特征数据，之后通过将输入特征数据输入基于建筑构件特征样本数据，以及对应于建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的结构布置生成模型中，从而利用结构布置生成模型得到目标结构构件的布置特征数据，最后再提取布置特征数据中的建筑结构布置设计数据，生成针对于目标结构构件的建筑结构设计结果，实现了基于建筑设计图和设计条件结构化数据对目标结构构件的智能设计，不仅避免了采用人工进行建筑结构设计的麻烦，节省了人工成本，还提高了设计效率，并保证了设计结果的稳定性。
可选地，提取模块720具体用于：
提取所述建筑设计图中的第一特征数据和第二特征数据，以及提取所述设计条件结构化数据中的设计条件特征数据，所述第一特征数据为所述建筑设计图中所有建筑构件的特征数据，所述第二特征数据为所述建筑设计图中所述目标结构构件的候选布置位置的特征数据；将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量；将所述第一特征数据的特征张量和所述设计条件特征数据的特征张量融合，得到建筑特征张量；基于所述第二特征数据的特征张量，将所述建筑特征张量的相应位置置为高斯噪声，得到输入张量；将所述输入张量，作为所述输入特征数据。
可选地，提取模块720更具体用于：
提取所述建筑构件特征数据中所有所述建筑构件的平面布置特征；将所述平面布置特征表征为所述建筑构件的构件二阶张量；将所述构件二阶张量堆叠，得到表征所述建筑构件的三阶张量，作为所述第一特征数据的特征张量；提取所述第一特征数据的特征张量中的目标构件三阶张量，作为所述第二特征数据的特征张量，所述目标构件三阶张量为所述第一特征数据的特征张量中所述目标结构构件的所述候选布置位置的三阶张量。
可选地，提取模块720进一步具体用于：
将所述设计条件特征数据表征为条件一阶张量；将所述条件一阶张量复制扩维为条件三阶张量，作为所述设计条件特征数据的特征张量。
可选地，提取模块720还具体用于：
对所述第一特征数据的特征张量和所述设计条件特征数据的特征张量分别进行归一化处理；将所述归一化处理的处理结果堆叠，得到所述建筑特征张量。
可选地，第二处理模块740具体用于：
将所述建筑结构布置设计数据表征为结构布置三阶张量；将所述结构布置三阶张量中的所述建筑特征张量和所述目标结构构件的特征张量采用可视化方法通过仿射变换表达为设计图，作为针对于所述目标结构构件的所述建筑结构设计结果。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行建筑结构布置生成方法或结构布置生成模型的构建方法，其中，建筑结构布置生成方法包括：获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果。结构布置生成模型的构建方法包括：获取建筑设计图样本，以及对应于所述建筑设计图样本的结构设计图样本和设计条件结构化数据样本；分别提取所述建筑设计图样本中的建筑构件特征样本数据、所述结构设计图样本中的目标结构构件的目标结构构件特征样本数据，以及所述设计条件结构化数据样本中的设计条件样本数据；将所述建筑构件特征样本数据、所述目标结构构件特征样本数据和所述设计条件样本数据融合，得到建筑结构样本数据；提取所述建筑构件特征样本数据中所述目标结构构件的候选布置位置的所述建筑构件特征样本数据，作为结构构件样本数据；将添加预设步数高斯噪声的所述建筑结构样本数据，通过所述结构构件样本数据，与添加随机步数所述高斯噪声后的所述建筑结构样本数据进行布尔运算，得到输入特征样本数据，所述随机步数为随机确定的小于所述预设步数的任意步数；基于所述输入特征样本数据，训练预设神经网络模型，得到所述结构布置生成模型。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的建筑结构布置生成方法或结构布置生成模型的构建方法，其中，建筑结构布置生成方法包括：获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果。结构布置生成模型的构建方法包括：获取建筑设计图样本，以及对应于所述建筑设计图样本的结构设计图样本和设计条件结构化数据样本；分别提取所述建筑设计图样本中的建筑构件特征样本数据、所述结构设计图样本中的目标结构构件的目标结构构件特征样本数据，以及所述设计条件结构化数据样本中的设计条件样本数据；将所述建筑构件特征样本数据、所述目标结构构件特征样本数据和所述设计条件样本数据融合，得到建筑结构样本数据；提取所述建筑构件特征样本数据中所述目标结构构件的所述候选布置位置的所述建筑构件特征样本数据，作为结构构件样本数据；将添加预设步数高斯噪声的所述建筑结构样本数据，通过所述结构构件样本数据，与添加随机步数所述高斯噪声后的所述建筑结构样本数据进行布尔运算，得到输入特征样本数据，所述随机步数为随机确定的小于所述预设步数的任意步数；基于所述输入特征样本数据，训练预设神经网络模型，得到所述结构布置生成模型。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法提供的建筑结构布置生成方法或结构布置生成模型的构建方法，其中，建筑结构布置生成方法包括：获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果。结构布置生成模型的构建方法包括：获取建筑设计图样本，以及对应于所述建筑设计图样本的结构设计图样本和设计条件结构化数据样本；分别提取所述建筑设计图样本中的建筑构件特征样本数据、所述结构设计图样本中的目标结构构件的目标结构构件特征样本数据，以及所述设计条件结构化数据样本中的设计条件样本数据；将所述建筑构件特征样本数据、所述目标结构构件特征样本数据和所述设计条件样本数据融合，得到建筑结构样本数据；将所述建筑构件特征样本数据中所述目标结构构件的候选布置位置的所述建筑构件特征样本数据，作为结构构件样本数据；将添加预设步数高斯噪声的所述建筑结构样本数据，通过所述结构构件样本数据，与添加随机步数所述高斯噪声后的所述建筑结构样本数据进行布尔运算，得到输入特征样本数据，所述随机步数为随机确定的小于所述预设步数的任意步数；基于所述输入特征样本数据，训练预设神经网络模型，得到所述结构布置生成模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种建筑结构布置生成方法，其特征在于，包括：
获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；
基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；
将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；
提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果；
所述基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据，包括：
提取所述建筑设计图中的第一特征数据和第二特征数据，以及提取所述设计条件结构化数据中的设计条件特征数据，所述第一特征数据为所述建筑设计图中所有建筑构件的特征数据，所述第二特征数据为所述建筑设计图中所述目标结构构件的候选布置位置的特征数据；
将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量；
将所述第一特征数据的特征张量和所述设计条件特征数据的特征张量融合，得到建筑特征张量；
基于所述第二特征数据的特征张量，将所述建筑特征张量的相应位置置为高斯噪声，得到输入张量；
将所述输入张量，作为所述输入特征数据。
2.根据权利要求1所述的建筑结构布置生成方法，其特征在于，所述将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量，包括：
提取所述建筑构件特征数据中所有所述建筑构件的平面布置特征；
将所述平面布置特征表征为所述建筑构件的构件二阶张量；
将所述构件二阶张量堆叠，得到表征所述建筑构件的三阶张量，作为所述第一特征数据的特征张量；
提取所述第一特征数据的特征张量中的目标构件三阶张量，作为所述第二特征数据的特征张量，所述目标构件三阶张量为所述第一特征数据的特征张量中所述目标结构构件的所述候选布置位置的三阶张量。
3.根据权利要求2所述的建筑结构布置生成方法，其特征在于，所述将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量，还包括：
将所述设计条件特征数据表征为条件一阶张量；
将所述条件一阶张量复制扩维为条件三阶张量，作为所述设计条件特征数据的特征张量。
4.根据权利要求1所述的建筑结构布置生成方法，其特征在于，所述将所述第一特征数据的特征张量和所述设计条件特征数据的特征张量融合，得到建筑特征张量，包括：
对所述第一特征数据的特征张量和所述设计条件特征数据的特征张量分别进行归一化处理；
将所述归一化处理的处理结果堆叠，得到所述建筑特征张量。
5.根据权利要求1所述的建筑结构布置生成方法，其特征在于，所述提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果，包括：
将所述建筑结构布置设计数据表征为结构布置三阶张量；
将所述结构布置三阶张量中的所述建筑特征张量和所述目标结构构件的特征张量采用可视化方法通过仿射变换表达为设计图，作为针对于所述目标结构构件的所述建筑结构设计结果。
6.一种应用于如权利要求1至5任一项所述的建筑结构布置生成方法的结构布置生成模型的构建方法，其特征在于，包括：
获取建筑设计图样本，以及对应于所述建筑设计图样本的结构设计图样本和设计条件结构化数据样本；
分别提取所述建筑设计图样本中的建筑构件特征样本数据、所述结构设计图样本中的目标结构构件的特征样本数据，以及所述设计条件结构化数据样本中的设计条件样本数据；
将所述建筑构件特征样本数据、所述目标结构构件的特征样本数据和所述设计条件样本数据融合，得到建筑结构样本数据；
提取所述建筑构件特征样本数据中所述目标结构构件的候选布置位置的所述建筑构件特征样本数据，作为结构构件样本数据；
将添加预设步数高斯噪声的所述建筑结构样本数据，通过所述结构构件样本数据，与添加随机步数所述高斯噪声后的所述建筑结构样本数据进行布尔运算，得到输入特征样本数据，所述随机步数为随机确定的小于所述预设步数的任意步数；
基于所述输入特征样本数据，训练预设神经网络模型，得到所述结构布置生成模型。
7.一种建筑结构布置生成系统，其特征在于，包括：
获取模块，用于获取建筑设计图和对应于所述建筑设计图的设计条件结构化数据；
提取模块，用于基于由所述建筑设计图提取的建筑构件特征数据，以及由所述设计条件结构化数据提取的设计条件特征数据，构建输入特征数据；
第一处理模块，用于将所述输入特征数据输入结构布置生成模型，得到所述结构布置生成模型输出的目标结构构件的布置特征数据，其中，所述结构布置生成模型为基于建筑构件特征样本数据，以及对应于所述建筑构件特征样本数据的目标结构构件的特征样本数据和设计条件样本数据，使用扩散方法对神经网络模型进行训练得到的扩散模型；
第二处理模块，用于提取所述布置特征数据中的建筑结构布置设计数据，生成针对于所述目标结构构件的建筑结构设计结果；
提取模块具体用于：
提取所述建筑设计图中的第一特征数据和第二特征数据，以及提取所述设计条件结构化数据中的设计条件特征数据，所述第一特征数据为所述建筑设计图中所有建筑构件的特征数据，所述第二特征数据为所述建筑设计图中所述目标结构构件的候选布置位置的特征数据；将所述第一特征数据、所述第二特征数据和所述设计条件特征数据分别表征为特征张量；将所述第一特征数据的特征张量和所述设计条件特征数据的特征张量融合，得到建筑特征张量；基于所述第二特征数据的特征张量，将所述建筑特征张量的相应位置置为高斯噪声，得到输入张量；将所述输入张量，作为所述输入特征数据。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的建筑结构布置生成方法，或如权利要求6所述的结构布置生成模型的构建方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的建筑结构布置生成方法，或如权利要求6所述的结构布置生成模型的构建方法。
CN202310477335.1A 2023-04-27 2023-04-27 建筑结构布置生成方法、系统及生成模型的构建方法 Active CN116680778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310477335.1A CN116680778B (zh) 2023-04-27 2023-04-27 建筑结构布置生成方法、系统及生成模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310477335.1A CN116680778B (zh) 2023-04-27 2023-04-27 建筑结构布置生成方法、系统及生成模型的构建方法

Publications (2)

Publication Number Publication Date
CN116680778A CN116680778A (zh) 2023-09-01
CN116680778B true CN116680778B (zh) 2024-03-12

Family

ID=87788052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310477335.1A Active CN116680778B (zh) 2023-04-27 2023-04-27 建筑结构布置生成方法、系统及生成模型的构建方法

Country Status (1)

Country Link
CN (1) CN116680778B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993048B (zh) * 2023-12-27 2024-09-17 清华大学 基于扩散模型的建筑结构构件尺寸的设计方法及系统
CN117993049B (zh) * 2023-12-27 2024-09-17 清华大学 基于图像-图谱多模态融合扩散模型的建筑结构设计方法
CN117993051A (zh) * 2023-12-27 2024-05-07 清华大学 基于扩散模型生成-优化-再学习的建筑设计方法及组件

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021238113A1 (zh) * 2020-05-25 2021-12-02 清华大学 基于对抗生成网络的剪力墙结构布置方法和装置
CN113779675A (zh) * 2021-09-02 2021-12-10 清华大学 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置
WO2022016867A1 (zh) * 2020-07-20 2022-01-27 浙江商汤科技开发有限公司 三维网格模型的重建方法及其装置、设备、存储介质
CN114417464A (zh) * 2021-12-31 2022-04-29 清华大学 多模态数据驱动的建筑结构构件的生成方法及装置
CN114741766A (zh) * 2022-04-25 2022-07-12 清华大学 基于联合结构优化神经网络的建筑结构设计方法和装置
CN114880741A (zh) * 2022-04-25 2022-08-09 清华大学 一种嵌入领域知识的建筑结构构件尺寸设计方法和装置
CN115797962A (zh) * 2023-01-13 2023-03-14 深圳市大乐装建筑科技有限公司 基于装配式建筑ai设计的墙柱识别方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021238113A1 (zh) * 2020-05-25 2021-12-02 清华大学 基于对抗生成网络的剪力墙结构布置方法和装置
WO2022016867A1 (zh) * 2020-07-20 2022-01-27 浙江商汤科技开发有限公司 三维网格模型的重建方法及其装置、设备、存储介质
CN113779675A (zh) * 2021-09-02 2021-12-10 清华大学 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置
WO2023029432A1 (zh) * 2021-09-02 2023-03-09 清华大学 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置
CN114417464A (zh) * 2021-12-31 2022-04-29 清华大学 多模态数据驱动的建筑结构构件的生成方法及装置
CN114741766A (zh) * 2022-04-25 2022-07-12 清华大学 基于联合结构优化神经网络的建筑结构设计方法和装置
CN114880741A (zh) * 2022-04-25 2022-08-09 清华大学 一种嵌入领域知识的建筑结构构件尺寸设计方法和装置
CN115797962A (zh) * 2023-01-13 2023-03-14 深圳市大乐装建筑科技有限公司 基于装配式建筑ai设计的墙柱识别方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"从基于模拟到基于人工智能的建筑结构设计方法研究进展";陆新征，廖文杰，顾栋炼;《工程力学》;全文 *
Intelligent design method for beam and slab of shear wall structure based on deep learning;Pengju Zhao;ELSEVIER;全文 *
Intelligent generative structural design method for shear wall building based on "fused-text-image-to-image" generative adversarial networks;Wenjie Liao;ELSEVIER;全文 *
一种三维建筑物模型与数据组织方法;孟耀伟;孙毅中;;测绘科学;20170920(第09期);全文 *

Also Published As

Publication number Publication date
CN116680778A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116680778B (zh) 建筑结构布置生成方法、系统及生成模型的构建方法
CN111340233B (zh) 机器学习模型的训练方法及装置、样本处理方法及装置
CN111444677A (zh) 基于大数据的阅读模型优化方法、装置、设备及介质
CN111488904A (zh) 基于对抗分布训练的图像分类方法及系统
CN116186824B (zh) 基于图像嵌入图神经网络模型的建筑结构布置方法
CN111985620A (zh) 一种神经网络模型知识蒸馏方法、系统、设备及介质
CN111198897A (zh) 科研热点主题分析方法、装置与电子设备
JP2020086566A (ja) 知識補完プログラム、知識補完方法および知識補完装置
CN111241843B (zh) 基于复合神经网络的语义关系推断系统和方法
CN118052036A (zh) 建筑模型的确定方法、装置、电子设备和存储介质
CN111832610A (zh) 一种3d打印组织预测的方法、系统、介质以及终端设备
CN116385821A (zh) 基于扩散模型的图文相关多分布采样方法和装置
CN116306777A (zh) 模型精度损失定位方法、装置和电子设备
CN113792189B (zh) 群智软件开发贡献效率评估方法、装置、设备及介质
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
CN117993049B (zh) 基于图像-图谱多模态融合扩散模型的建筑结构设计方法
CN114357160A (zh) 基于生成传播结构特征的早期谣言检测方法及装置
CN111160487A (zh) 人脸图像数据集的扩充方法和装置
CN117993050B (zh) 一种基于知识增强扩散模型的建筑设计方法及系统
CN117993048B (zh) 基于扩散模型的建筑结构构件尺寸的设计方法及系统
CN117494119B (zh) 一种基于群智能优化算法的模型构建方法及装置
CN115222149A (zh) 资源转换参数管理方法、装置、设备及存储介质
CN117992478A (zh) 一种对基数估计模型攻击的方法及装置
CN116524308A (zh) 基于生成对抗网络的图像处理方法及装置
CHO et al. Testing for the mixture hypothesis of geometric distributions

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