CN116861543B - 基于bim模型的脚手架力学分析方法及系统 - Google Patents
基于bim模型的脚手架力学分析方法及系统 Download PDFInfo
- Publication number
- CN116861543B CN116861543B CN202311126445.XA CN202311126445A CN116861543B CN 116861543 B CN116861543 B CN 116861543B CN 202311126445 A CN202311126445 A CN 202311126445A CN 116861543 B CN116861543 B CN 116861543B
- Authority
- CN
- China
- Prior art keywords
- scaffold
- analysis
- vector
- target
- model
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 362
- 239000013598 vector Substances 0.000 claims abstract description 220
- 230000004927 fusion Effects 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 70
- 238000000547 structure data Methods 0.000 claims abstract description 44
- 230000003068 static effect Effects 0.000 claims abstract description 41
- 238000006243 chemical reaction Methods 0.000 claims abstract description 33
- 238000010276 construction Methods 0.000 claims abstract description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 44
- 238000004422 calculation algorithm Methods 0.000 description 30
- 238000004364 calculation method Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域,公开了一种基于BIM模型的脚手架力学分析方法及系统,用于提高脚手架力学分析的准确率以及提高脚手架的稳定性。方法包括:对脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据脚手架布局数据和脚手架墙柱数据,对目标脚手架进行脚手架模型构建,得到脚手架BIM模型;对脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;对第一分析指标集合和第二分析指标集合进行向量转换,得到目标融合向量;将目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到目标脚手架的稳定性分析结果。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于BIM模型的脚手架力学分析方法及系统。
背景技术
随着建筑业的不断发展,建筑工程中使用的脚手架越来越普遍,对其力学性能和稳定性的分析和评估变得更加重要。目前,国内外对脚手架力学分析方法的研究主要集中在传统有限元分析和实验测试上。然而,这些方法存在繁琐和周期长、成本高昂、实验结果不准确等缺点。因此,开发一种基于BIM模型的脚手架力学分析方法成为必要的需求。
现有传统脚手架力学分析方法存在多个缺陷,其分析过程繁琐而且周期长:传统有限元分析需要进行大量的计算和参数设置才能得到合适的结果,进而导致现有方案的准确率较低。
发明内容
本发明提供了一种基于BIM模型的脚手架力学分析方法及系统,用于提高脚手架力学分析的准确率以及提高脚手架的稳定性。
本发明第一方面提供了一种基于BIM模型的脚手架力学分析方法,所述基于BIM模型的脚手架力学分析方法包括:
基于预置的图像采集终端对目标脚手架进行多角度图像扫描,得到原始脚手架图像数据集;
根据所述原始脚手架图像数据集,对所述目标脚手架进行脚手架空间结构数据提取,得到脚手架空间结构数据;
对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据所述脚手架布局数据和所述脚手架墙柱数据,对所述目标脚手架进行脚手架模型构建,得到所述目标脚手架的脚手架BIM模型;
对所述脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对所述脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;
对所述第一分析指标集合进行向量转换,得到第一分析向量,并对所述第二分析指标集合进行向量转换,得到第二分析向量,以及对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量;
将所述目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到所述目标脚手架的稳定性分析结果,其中,所述脚手架稳定性分析模型包括:第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络。
结合第一方面,在本发明第一方面的第一实施方式中,所述根据所述原始脚手架图像数据集,对所述目标脚手架进行脚手架空间结构数据提取,得到脚手架空间结构数据,包括:
对所述原始脚手架图像数据集进行图像特征点提取,得到特征点数据集群;
根据所述特征点数据集群,对所述图像采集终端进行姿态估计,得到相机姿态估算值;
对所述相机姿态估算值进行三角化处理和密集匹配,输出脚手架空间结构数据。
结合第一方面,在本发明第一方面的第二实施方式中,所述对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据所述脚手架布局数据和所述脚手架墙柱数据,对所述目标脚手架进行脚手架模型构建,得到所述目标脚手架的脚手架BIM模型,包括:
基于预设的属性信息,对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据;
根据所述脚手架布局数据和所述脚手架墙柱数据,生成多个子脚手架模型;
对所述多个子脚手架模型进行模型融合,生成初始模型;
对所述初始模型进行模型信息标注,得到所述目标脚手架的脚手架BIM模型。
结合第一方面,在本发明第一方面的第三实施方式中,所述对所述脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对所述脚手架BIM模型进行动力有限元分析,得到第二分析指标集合,包括:
对所述脚手架BIM模型进行网格划分和载荷设置,生成目标有限元模型;
对所述目标有限元模型进行静力有限元分析,得到第一分析指标集合,其中,所述第一分析指标集合包括:静态位移指标以及静态应力指标;
对所述目标有限元模型进行动力有限元分析,得到第二分析指标集合,其中,所述第二分析指标集合包括:动态位移指标、动态应力指标以及振动频率指标。
结合第一方面,在本发明第一方面的第四实施方式中,所述对所述第一分析指标集合进行向量转换,得到第一分析向量,并对所述第二分析指标集合进行向量转换,得到第二分析向量,以及对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量,包括:
对所述第一分析指标集合进行数值映射,得到第一数值集合,以及对所述第二分析指标集合进行数值映射,得到第二数值集合;
对所述第一数值集合进行向量转换,生成第一分析向量,并对所述第二数值集合进行向量转换,生成第二分析向量;
对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量。
结合第一方面,在本发明第一方面的第五实施方式中,所述将所述目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到所述目标脚手架的稳定性分析结果,包括:
将所述目标融合向量输入预置的脚手架稳定性分析模型,其中,所述脚手架稳定性分析模型包括:第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络;
通过所述脚手架稳定性分析模型对所述目标融合向量进行脚手架稳定性分析,得到目标预测概率值;
根据所述目标预测概率值,匹配所述目标脚手架的稳定性分析结果。
结合第一方面,在本发明第一方面的第六实施方式中,所述基于BIM模型的脚手架力学分析方法还包括:
基于所述稳定性分析结果,对所述目标脚手架进行构件参数采集,得到目标构件参数数据;
基于所述目标构件参数数据,构建所述目标脚手架的目标构件参数曲线,并对所述目标构件参数曲线进行可视化展示,生成可视化稳定性响应图;
基于所述目标构件参数曲线,对所述目标脚手架进行结构优化,生成脚手架结构优化方案。
本发明第二方面提供了一种基于BIM模型的脚手架力学分析系统,所述基于BIM模型的脚手架力学分析系统包括:
扫描模块,用于基于预置的图像采集终端对目标脚手架进行多角度图像扫描,得到原始脚手架图像数据集;
提取模块,用于根据所述原始脚手架图像数据集,对所述目标脚手架进行脚手架空间结构数据提取,得到脚手架空间结构数据;
构建模块,用于对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据所述脚手架布局数据和所述脚手架墙柱数据,对所述目标脚手架进行脚手架模型构建,得到所述目标脚手架的脚手架BIM模型;
分析模块,用于对所述脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对所述脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;
融合模块,用于对所述第一分析指标集合进行向量转换,得到第一分析向量,并对所述第二分析指标集合进行向量转换,得到第二分析向量,以及对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量;
输出模块,用于将所述目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到所述目标脚手架的稳定性分析结果,其中,所述脚手架稳定性分析模型包括:第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络。
本发明第三方面提供了一种基于BIM模型的脚手架力学分析设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于BIM模型的脚手架力学分析设备执行上述的基于BIM模型的脚手架力学分析方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于BIM模型的脚手架力学分析方法。
本发明提供的技术方案中,对脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据脚手架布局数据和脚手架墙柱数据,对目标脚手架进行脚手架模型构建,得到脚手架BIM模型;对脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;对第一分析指标集合和第二分析指标集合进行向量转换,得到目标融合向量;将目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到目标脚手架的稳定性分析结果,本发明通过分别对目标脚手架的静态力和动态力分析,得到目标脚手架两种状态下的分析指标集合,进而通过人工智能的稳定性分析模型进行稳定性预测,从而提高力脚手架力学分析的准确率,并且提高力脚手架的稳定性。
附图说明
图1为本发明实施例中基于BIM模型的脚手架力学分析方法的一个实施例示意图;
图2为本发明实施例中脚手架模型构建的流程图;
图3为本发明实施例中有限元分析的流程图;
图4为本发明实施例中向量转换的流程图;
图5为本发明实施例中基于BIM模型的脚手架力学分析系统的一个实施例示意图;
图6为本发明实施例中基于BIM模型的脚手架力学分析设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于BIM模型的脚手架力学分析方法及系统,用于提高脚手架力学分析的准确率以及提高脚手架的稳定性。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于BIM模型的脚手架力学分析方法的一个实施例包括:
S101、基于预置的图像采集终端对目标脚手架进行多角度图像扫描,得到原始脚手架图像数据集;
可以理解的是,本发明的执行主体可以为基于BIM模型的脚手架力学分析系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器具体的,服务器在进行多角度图像扫描之前,预置的图像采集终端需要准备就绪,首先,预先检查设备是否正常工作,检查设备是否具有足够的存储空间来存储原始图像数据集,以及确保设备已经连接到目标脚手架的图像采集系统。并对目标脚手架进行定位和标记,通过使用目标探测器或外部位置跟踪系统来实现。定位和标记可以确保获得的原始图像数据集与脚手架的实际形状和位置相吻合,当图像采集终端就绪并定位好目标脚手架后,可以通过使用图像采集终端的软件工具来配置扫描参数,如图像分辨率,扫描角度,扫描速度等,并开始进行多角度图像扫描。在扫描过程中,图像采集终端将自动记录每一帧图像数据,并将其保存到存储设备中,在完成多角度图像扫描后,对原始图像数据集进行处理和后处理。处理过程可能包括对图像进行去除噪声、平滑处理或增强处理,以提高图像质量和清晰度。后处理过程可能包括对图像进行分类、归档或导出,以便进行后续的分析和处理。需要注意的是,在本发明实施例中,进行多角度图像扫描时,可能需要特别关注以下方面:图像质量要求:多角度图像扫描需要采集大量的图像数据,这些数据将不可避免地包含一些噪声和失真。因此,需要关注如何提高图像质量和清晰度,并确保图像数据集具有足够的准确性和可靠性。扫描速度和角度:多角度图像扫描需要进行长时间的扫描,并且需要涵盖不同的角度和视角。在设置扫描参数时,需要考虑扫描速度和角度,以确保扫描过程快速而准确。数据存储和管理:多角度图像扫描将产生大量的图像数据,需要考虑如何管理和存储这些数据,并确保能够快速而准确地获取所需的图像数据集。
S102、根据原始脚手架图像数据集,对目标脚手架进行脚手架空间结构数据提取,得到脚手架空间结构数据;
具体的,服务器在开始脚手架空间结构数据提取之前,对原始脚手架图像数据集进行图像处理,以提高图像质量。包括但不限于去除噪声、图像增强和图像分割等处理。对于脚手架空间结构数据提取,从图像中提取有关脚手架结构的特征。包括识别脚手架的支撑结构、管道和设备等。这个过程可能涉及到图像解析度的调整和各种图像处理技术的使用,在获得脚手架空间结构数据后,将需要对数据进行处理以确保数据准确性和可靠性。数据处理过程包括数据清洗、数据拼接、数据归档和质量控制等。在经过图像处理和数据处理之后,可以开始进行脚手架空间结构数据提取。这可能涉及到各种图像处理和计算机视觉技术(如机器学习算法或图像分割算法)的使用,以从图像中提取所需的结构信息。例如,在机器学习过程中,使用神经网络或深度学习算法对图像中的空间结构进行标记识别和分类,最终得到脚手架空间结构数据。
S103、对脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据脚手架布局数据和脚手架墙柱数据,对目标脚手架进行脚手架模型构建,得到目标脚手架的脚手架BIM模型;
具体的,服务器在获得脚手架空间结构数据后,首先将数据进行集划分,以便进一步的处理和分析。数据集划分主要可以划分为脚手架布局数据和脚手架墙柱数据两部分,其中脚手架布局数据包括脚手架整体的平面和格子,而脚手架墙柱数据指的是脚手架内部的支撑柱、墙板等设备,在获得脚手架布局和脚手架墙柱数据后,对这些数据进行处理,以便使用它们来构建脚手架BIM模型。数据处理的具体步骤包括数据清洗、数据拼合、数据归档和数据质量控制等,在进行数据处理后,使用这些数据来进行脚手架模型构建。脚手架模型构建可分为二维和三维两部分,其中二维模型是基于脚手架布局数据来构建的,而三维模型是基于脚手架墙柱数据来构建的。脚手架模型构建的过程主要包括建模、布局、提取地图、构建零件、创建构件及车载标识等步骤。在完成脚手架模型构建后,通过其来生成脚手架BIM模型。脚手架BIM模型主要用于可视化展示脚手架三维结构,提供基于构件的细节信息和构件一致性保证等。在生成脚手架BIM模型的过程中,通过各种软件工具,如AutoCAD、Revit和SolidWorks等。
S104、对脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;
具体的,若要对脚手架BIM模型进行静力有限元分析并得到第一分析指标集合,首先要对原始模型进行前处理,其中,涉及到对模型进行一些几何调整和修正,以便能够使用适当的有限元软件程序 对其进行分析。一般而言,可以使用一些工具比如AutoCAD,Revit,Rhino等软件,将模型转换为需要的标准格式,从而得到符合要求的有限元模型。处理后的模型将会包括节点、单元和材料设定等基本信息,并且这些信息将会存储在一个同意的格式文件中,以便有限元分析软件能够读取和使用。在执行静力有限元分析过程中,有限元分析软件通常会使用数学方法来模拟呈现给定结构的动态行为。在这里,它将通过离散化和求解微分方程来预测结构的应变和应力。由于脚手架BIM模型通常包含大量单元,在执行有限元分析之前,需要利用服务器已经预装好的相应软件工具,先进行离散化,将结构划分为许多更小的子区间。然后,使用节点和单元的数据,在有限元分析软件中建立有限元模型,然后,使用相应的求解器对模型进行静力分析。这个过程中,求解器将会根据输入的信息,计算出模型在给定外力作用下的应力和变形情况。最后,有限元分析软件将会输出一组针对该模型的第一分析指标集合,而这些指标可能包括应力、变形、振动等等,进而,对脚手架BIM模型进行动力有限元分析,以获得第二分析指标集合。与静力分析类似,动力分析的前处理阶段包括几何建模和模型转换。通过将模型离散化,将结构划分为许多更小的子区间,并在有限元分析软件中建立有限元模型。
需要说明的是,动力有限元分析的主要区别在于它模拟的是结构在受到外部干扰或自身运动和扭曲所引起的振动特性。在执行动力有限元分析过程中,将动态载荷(如风荷载或地震载荷)或者结构自身的振动特征作为初始条件输入到模型中。求解器将会考虑这些初始条件,并将模型随时间的推移而演化。通过这种方式,可以得到模型在给定外部载荷或自身振动特性下的动态响应,最终得到对应的第二分析指标集合。
S105、对第一分析指标集合进行向量转换,得到第一分析向量,并对第二分析指标集合进行向量转换,得到第二分析向量,以及对第一分析向量和第二分析向量进行向量融合,得到目标融合向量;
具体的,服务器针对第一分析指标集合,将其转换为向量。假设指标集合包含m个不同的指标,可以按如下步骤操作:对于每个指标,首先需要定义一些特征,例如平均值、方差、最大值、最小值等等。这些特征会成为这个指标对应的向量中的元素。然后,选择一个模型来对这些特征进行转换。常用的模型有PCA、TSNE、KMeans等。可以使用其中一个模型将每个指标的特征转换为一个向量表示。最终,将所有指标对应的向量组成的矩阵作为第一分析向量。针对第二分析指标集合,也需要将其转换为向量。假设的指标集合包含n个不同的指标,可以按如下步骤操作:对于每个指标,同样定义一些特征,例如平均值、方差、最大值、最小值等等。这些特征会成为这个指标对应的向量中的元素。然后,同样需要使用一个模型来对这些特征进行转换。比如,可以使用PCA模型将每个指标的特征转换为一个向量表示。最终,将所有指标对应的向量组成的矩阵作为第二分析向量。进而,将第一分析向量和第二分析向量进行向量融合。这个过程如下:首先将两个向量进行归一化处理,以便它们在融合时具有相同的比重。然后,可以将两个向量进行加权平均。其中,加权系数可以通过实验和调整来确定。常用的加权系数有50%:50%、70%:30%等等。最终,将得到一个融合向量,即目标融合向量。该向量包含了第一分析向量和第二分析向量的信息。
S106、将目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到目标脚手架的稳定性分析结果,其中,脚手架稳定性分析模型包括:第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络。
具体的,首先,下载和安装预置的脚手架稳定性分析模型。这个模型一般会包含多个文件,包括网络结构、权重参数、以及辅助工具等。确保模型的正确安装是保证模型效果的关键。进而,将目标融合向量输入到模型中。通常情况下,这需要依靠某些编程语言和框架来实现。常用的框架有TensorFlow、PyTorch、Keras等。可以使用其中一个框架来构建模型并进行预测。输入目标融合向量后,模型会对其进行处理,并输出一个稳定性分析结果。这个结果可以是二元分类结果(如“稳定”和“不稳定”),也可以是数值型结果(如倾斜度、扭转度等)。需要注意的是,在模型输出结果之前,确保向量符合模型的输入要求,包括维度、数据类型等。如果不符合要求,输出结果可能会不准确。最后,将稳定性分析结果返回给用户。根据具体情况,结果可能需要进行后续的解释和处理。例如,如果结果为“不稳定”,用户需要查找具体的原因并采取相应的措施来提高脚手架的稳定性。
本发明实施例中,对脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据脚手架布局数据和脚手架墙柱数据,对目标脚手架进行脚手架模型构建,得到脚手架BIM模型;对脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;对第一分析指标集合和第二分析指标集合进行向量转换,得到目标融合向量;将目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到目标脚手架的稳定性分析结果。在本发明中,将脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,可以从更细粒度的角度对目标脚手架进行分析和处理。这个过程可以提高脚手架稳定性分析的精度和准确度。基于脚手架布局数据和脚手架墙柱数据,对目标脚手架进行脚手架模型构建,得到脚手架BIM模型。这个模型可以展现目标脚手架的三维空间情况,从而更好地帮助工程师和技术人员对脚手架进行分析和优化。对脚手架BIM模型进行静力有限元分析,可以获得第一分析指标集合。这个集合可以对脚手架进行强度和刚度等方面的分析和评估,判断其是否符合安全要求。这个过程可以提高分析结果的可靠性和准确度。对脚手架BIM模型进行动力有限元分析,可以得到第二分析指标集合。这个集合可以对脚手架进行振动和稳定性方面的分析和评估,判断其是否满足实际使用场景的要求。这个过程可以提高分析结果的全面性和可靠性。对第一分析指标集合和第二分析指标集合进行向量转换,可以得到目标融合向量,可以对脚手架进行综合分析和评估,既考虑了静力分析的结果,同时也考虑了动力分析的结果。这个过程可以提高分析结果的科学性和全面性。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)对原始脚手架图像数据集进行图像特征点提取,得到特征点数据集群;
(2)根据特征点数据集群,对图像采集终端进行姿态估计,得到相机姿态估算值;
(3)对相机姿态估算值进行三角化处理和密集匹配,输出脚手架空间结构数据。
具体的,服务器针对原始脚手架图像数据集,进行图像特征点提取。这个过程可以通过SIFT、SURF、ORB等算法来实现。这些算法会将图像中的特征点提取出来,并生成对应的特征描述子。这些特征点和描述子可以用于后续的姿态估计和结构重建。进而,根据提取出来的特征点数据集群来估算相机的姿态。这个过程可以分为两个步骤:首先,对特征点进行匹配,也就是找到不同图像之间的对应点;其次,通过这些对应点来估算相机的姿态。姿态估计可以通过PnP算法、EPnP算法等来实现。在得到相机姿态估算值后,还需要进行三角化处理和密集匹配,以输出脚手架空间结构数据。三角化过程可以将相机姿态估算值和特征点数据映射回三维空间,从而恢复脚手架的三维位置信息。密集匹配可以通过立体匹配算法等来实现,通过计算不同图像之间对应点的深度值,从而得到脚手架空间结构的详细信息。最终,可以将输出的脚手架空间结构数据进行可视化和分析。例如,可以使用三维点云库(如Open3D)来展示脚手架的三维结构,并进行一些点云分析。也可以使用CAD软件对脚手架进行进一步的设计和优化。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、基于预设的属性信息,对脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据;
S202、根据脚手架布局数据和脚手架墙柱数据,生成多个子脚手架模型;
S203、对多个子脚手架模型进行模型融合,生成初始模型;
S204、对初始模型进行模型信息标注,得到目标脚手架的脚手架BIM模型。
具体的,服务器对原始脚手架图像数据集进行图像特征点提取,得到特征点数据集群,对于原始脚手架图像数据集,首先进行图像特征点提取。这个过程可以通过一些计算机视觉算法来实现,常用的算法有SIFT、SURF、ORB、AKAZE等。可以选择其中一个算法,将图像中的特征点提取出来,并生成对应的特征描述子。这些特征点和描述子将被用于后续的姿态估计和结构重建。具体的,对于SIFT算法,图像特征点通常表示为关键点,其中每个关键点都有一个位置、尺度和方向信息。SIFT算法可以通过检测DoG(差分高斯)极值点来寻找这些关键点。在检测完关键点后,SIFT算法还会为每个关键点计算一个128维的特征描述向量。这些向量可以用于后续的特征匹配和坐标估计。其他算法的实现方式也有类似之处。根据特征点数据集群,对图像采集终端进行姿态估计,得到相机姿态估算值
需要说明的是,在完成特征点提取之后,进行相机姿态估计。姿态估计的目的是将特征点从2D图像坐标系映射到3D相机坐标系,并计算相机在3D空间中的位置和旋转角度。这个过程主要包含以下步骤:
(1)特征匹配:将不同图像之间的对应特征点进行匹配,找到它们之间的对应关系。
(2)坐标计算:根据特征点在2D图像坐标系和3D相机坐标系中对应的位置,计算相机在3D空间坐标系中的位置和旋转角度。
其中,常用的姿态估计算法包括PnP算法、EPnP算法、Direct lineartransformation (DLT)、Iterative Closest Point(ICP)等。这些算法可以根据特征点数据和相机参数进行姿态计算。其中,PnP算法和EPnP算法专门用于求解2D-3D点对的姿态,而DLT和ICP算法则更加通用。
对相机姿态估算值进行三角化处理和密集匹配,输出脚手架空间结构数据在估算相机姿态之后,将像素坐标系上的特征点转换成相机坐标系上的三维点。这可以通过三角化处理来实现。三角化的基本思想是,将不同视角下拍摄到的多个图像中的特征点进行匹配,根据这些关键点在相机坐标系下的三维坐标计算目标物体在三维空间中的坐标信息。三角化处理的基础是相机"外参数",即相机在世界坐标系下的位置和姿态。三角化处理有两种方法:基于投影矩阵的方法和基于线性方程组的方法。基于投影矩阵的方法使用多个相机的投影矩阵来计算三维空间中的点,这种方法可以处理非线性的相机模型。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、对脚手架BIM模型进行网格划分和载荷设置,生成目标有限元模型;
S302、对目标有限元模型进行静力有限元分析,得到第一分析指标集合,其中,第一分析指标集合包括:静态位移指标以及静态应力指标;
S303、对目标有限元模型进行动力有限元分析,得到第二分析指标集合,其中,第二分析指标集合包括:动态位移指标、动态应力指标以及振动频率指标。
具体的,服务器对脚手架BIM模型进行网格划分和载荷设置,生成目标有限元模型。在有限元模拟中,目标物体需要被离散成一系列的有限元网格,这个过程称为网格划分。网格的划分需要考虑到模型的准确度,精度与计算成本之间的平衡,一般情况下,划分出的网格越精细,计算成本越高,消耗的时间也会越长,而划分出的网格越简单,计算成本越低,时间消耗也越少。载荷是在有限元模型中对受力物体施加负荷,如自重、外力等,并且,根据需要进行赋值和划分,包括方向、大小和集中。这些载荷信息需要被准确地设置在相应的网格节点上。对目标有限元模型进行静力有限元分析,得到第一分析指标集合,其中,第一分析指标集合包括:静态位移指标以及静态应力指标。静力有限元分析是对目标物体进行受力分析和力学特性分析的方法。在静力有限元分析中,题需要将建立的网格有限元模型放入有限元模拟软件中,输入载荷和边界条件,然后运用数学模型进行有限元分析求解。在有限元分析中,可以得到一系列的分析指标,其中包括静态位移指标和静态应力指标。静态位移指标可以描述在静态荷载作用下结构变形的情况,而静态应力指标则可以描述在静态荷载作用下材料发生的应力和形变情况。对目标有限元模型进行动力有限元分析,得到第二分析指标集合,其中,第二分析指标集合包括:动态位移指标、动态应力指标以及振动频率指标。
动力有限元分析主要用于分析目标物体在动态加载作用下的力学响应,包括自然频率、振型、振幅等。动力有限元分析需要根据实际情况建立合适的数学模型,且需要考虑到材料动力学和结构动力学等因素。在有限元分析中,动态位移指标可以描述材料在运动下改变的位移情况,动态应力指标可以描述目标物体在动态荷载作用下的应力和形变情况。振动频率指标用于表示结构的动态特性,比如自然频率、振型等。综上所述,物体的有限元分析一般分为建模、载荷、网格划分、求解、和分析等步骤。该分析方法可以提供非常详细的物体受力变形信息,同时,还可以检测结构的可靠性和设计缺陷。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、对第一分析指标集合进行数值映射,得到第一数值集合,以及对第二分析指标集合进行数值映射,得到第二数值集合;
S402、对第一数值集合进行向量转换,生成第一分析向量,并对第二数值集合进行向量转换,生成第二分析向量;
S403、对第一分析向量和第二分析向量进行向量融合,得到目标融合向量。
具体的,服务器对第一分析指标集合进行数值映射,得到第一数值集合,以及对第二分析指标集合进行数值映射,得到第二数值集合。在有限元分析的过程中,得到了第一分析指标集合和第二分析指标集合。这两个指标集合可以通过数值映射转换成第一数值集合和第二数值集合。这个过程可以通过一系列的数学运算实现。数值映射的目的是将指标集合中的各个指标转换为数字,以便进行后续的分析、统计和对比。在进行数值映射时,会首先对指标数据进行处理,例如去除异常数据、标准化等预处理操作。接着,可以使用线性或非线性的映射模型,将指标数据转换为数字。对第一数值集合进行向量转换,生成第一分析向量,并对第二数值集合进行向量转换,生成第二分析向量,在得到第一数值集合和第二数值集合后,需要将它们转换为向量。这个过程可以通过使用数学计算中的向量化方法来实现。向量转换的目的是将数据集合转化为向量,以便于后续的处理和分析。
在向量转换中,通常会将每个数据点排列成一个向量中的元素,然后使用向量运算来创建一个非常大的向量空间。在这个向量空间中,每个向量表示一个数据点或数据集合。这个过程中会涉及到一些线性代数的基本知识,例如向量的加减、内积、外积等。对第一分析向量和第二分析向量进行向量融合,得到目标融合向量。经过前两步的处理,得到了第一分析向量和第二分析向量。对于这两个向量,需要对它们进行向量融合,以便得到一个目标融合向量。向量融合的目的是将这两个向量中的信息整合到一起,以便更好地进行后续分析和处理。在向量融合中,通常会采用线性或非线性的方法将这两个向量进行合并。在线性方法中,通常会使用加权平均等算法来计算两个向量的加权和。在非线性方法中,通常会使用卷积神经网络(CNN)、自组织神经网络(SOM)等算法,以便更好地提取向量特征。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)将目标融合向量输入预置的脚手架稳定性分析模型,其中,脚手架稳定性分析模型包括:第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络;
(2)通过脚手架稳定性分析模型对目标融合向量进行脚手架稳定性分析,得到目标预测概率值;
(3)根据目标预测概率值,匹配目标脚手架的稳定性分析结果。
具体的,第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络。在获得了目标融合向量之后,将其输入到一个预置的脚手架稳定性分析模型中,该模型包括两个双向长短时记忆网络和两层全连接网络。双向长短时记忆网络(Bi-LSTM)是在传统的LSTM模型基础上进行改进的,可以更好地应对多方向的输入数据,在稳定性分析中得到了广泛应用。两层全连接网络是对Bi-LSTM得到的特征进行进一步处理和分析。其中,第一双向长短时记忆网络包括256个LSTM单元,第二双向长短时记忆网络包括256个LSTM单元。在一个双向LSTM网络中,每个LSTM单元的计算涉及以下公式:输入门:输入门控制要更新细胞状态的程度,根据当前时间步的输入和前一个时间步的隐藏状态来决定,公式为:。遗忘门:遗忘门决定要从细胞状态中删除多少信息,遗忘门考虑当前输入和前一个隐藏状态,公式为:/>。细胞状态更新:细胞状态更新考虑输入和前一个隐藏状态的权重,以及通过输入门计算得出的候选细胞状态变化,公式为:/>,/>。输出门:输出门决定当前时间步的隐藏状态,考虑了输入和前一个隐藏状态,以及通过细胞状态更新计算得出的细胞状态,公式为:/> 。其中,/>是当前时间步的输入特征向量,/>是前一个时间步的隐藏状态,/>是输入门的输出,/>是遗忘门的输出,/>是候选细胞状态,/>是当前时间步的细胞状态,/>是输出门的输出,/>是当前时间步的隐藏状态。一个双向LSTM网络由两个方向的LSTM层组成,一个从前往后(前向LSTM),另一个从后往前(后向LSTM)。每个LSTM层的参数(权重和偏差)都是根据模型训练得到的,是学习参数,这些参数在训练过程中进行优化,以使LSTM单元能够学习适合特定任务的权重,/>是偏差项,是在训练过程中学习的参数,用于调整LSTM单元的输出。在每层双向LSTM网络中,这些参数会分别存在于前向和后向的LSTM层中。双向LSTM网络通过一系列门控机制和权重来对输入数据进行处理,从而实现对时序特征的捕捉和学习。每个LSTM单元都涉及上述的输入门、遗忘门、细胞状态更新和输出门计算。在每个方向的LSTM层中,会根据具体的输入数据和前一个时间步的隐藏状态计算出当前时间步的隐藏状态。其中,两层全连接层采用ReLU函数(第一层全连接层)和sigmiod函数(第二层全连接层),第一层全连接层的计算公式为:D1=tanh(Wd1(gt1+gt2)+bd1),D1表示第一层全连接层的输出结果,tanh表示双曲正切函数,gt1为第一双向长短时记忆网络的输出向量,gt2为第二双向长短时记忆网络的输出向量,Wd1、bd1为训练参数;第二层全连接层采用第二层全连接层的计算公式为:D2=σ(Wd2D1+bd2),D2表示第二层全连接层的输出结果(目标预测概率值),σ表示sigmoid函数,Wd2、bd2为训练参数,D2的输出值范围为(0,1)。
进一步地,第一双向长短时记忆网络:负责从目标融合向量中捕捉关于脚手架稳定性的时序特征。第一双向长短时记忆网络接受目标融合向量作为输入,然后通过前向和后向的LSTM层来学习融合向量中的时间序列信息,这些信息包含关于脚手架在不同时间点的状态变化、载荷变化等。这两个方向的LSTM层能够分别捕捉前后的上下文信息,帮助提取更全面的时序特征。第二双向长短时记忆网络:进一步在目标融合向量的基础上,加强对时序特征的捕捉和分析,为后续的预测提供更丰富的信息。第二双向长短时记忆网络同样具有前向和后向的LSTM层,它们在更高层次上对目标融合向量的时序信息进行整合。这有助于更深入地理解目标融合向量中的关键模式和趋势,为稳定性预测提供更准确的输入。两层全连接网络:用于从捕获的时序特征中学习更高级的表示,并将这些表示映射到最终的稳定性预测概率值。全连接网络的第一层将来自两个双向LSTM网络的时序特征进行整合,生成更高级的特征表示。第二层将这些特征映射到预测脚手架稳定性所需的输出空间,最终得到目标脚手架的稳定性预测概率值。第一双向LSTM网络将目标融合向量输入,得到第一个双向LSTM网络的输出向量。第二双向LSTM网络接收第一个双向LSTM网络的输出向量,进一步分析时序特征,得到第二个双向LSTM网络的输出向量。两层全连接网络接收第一个双向LSTM网络的输出向量和第二个双向LSTM网络的输出向量,将它们结合,并映射到预测稳定性的概率空间,得到最终的稳定性预测概率值,即目标预测概率值。
通过脚手架稳定性分析模型对目标融合向量进行脚手架稳定性分析,得到目标预测概率值。在输入了目标融合向量之后,脚手架稳定性分析模型会对其进行处理和分析,得到目标的预测概率值。脚手架稳定性分析模型会根据训练数据进行学习和调整,以便更准确地预测目标脚手架的稳定性。与此相应,该过程中的预测概率值需要经过一定的阈值处理和筛选,以确保其准确度和可靠性。根据目标预测概率值,匹配目标脚手架的稳定性分析结果。最后,可以根据目标的预测概率值,对目标脚手架的稳定性分析结果进行分类和筛选。这个过程通常利用统计学的方法对预测结果进行分析和处理。例如,可以设定不同的阈值,将预测概率值划分为不同的区间。然后,可以对分类后的预测结果进行统计,得到不同概率值区间的占比和分布情况。接下来,可以将这些区间信息匹配到不同的稳定性分析结果中。通过这个方法,可以更准确地分析目标脚手架的稳定性,并且判断其是否符合应用场景和安全要求。
在一具体实施例中,执行基于BIM模型的脚手架力学分析方法还包括如下步骤:
(1)基于稳定性分析结果,对目标脚手架进行构件参数采集,得到目标构件参数数据;
(2)基于目标构件参数数据,构建目标脚手架的目标构件参数曲线,并对目标构件参数曲线进行可视化展示,生成可视化稳定性响应图;
(3)基于目标构件参数曲线,对目标脚手架进行结构优化,生成脚手架结构优化方案。
具体的,基于稳定性分析结果,对目标脚手架进行构件参数采集,得到目标构件参数数据。在进行稳定性分析后,得到了目标脚手架的稳定性分析结果。此时,根据分析结果提取目标脚手架中的各个构件参数,例如梁杆长度、截面积、材料强度等。这个过程通常通过程序自动化实现。通过程序,可以对目标脚手架中的所有构件进行扫描和识别,从而得到目标构件参数数据。基于目标构件参数数据,构建目标脚手架的目标构件参数曲线,并对目标构件参数曲线进行可视化展示,生成可视化稳定性响应图。在得到目标构件参数数据后,对这些数据进行整合和分析,以构建目标脚手架的目标构件参数曲线。目标构件参数曲线可以反映目标脚手架各个构件参数的变化趋势。因此,该曲线对于进一步分析和优化目标脚手架具有重要意义。在构建目标曲线后,可以对其进行可视化展示,生成可视化稳定性响应图。这个过程通常涉及到绘图和数据可视化技术,以便更直观地展示目标构件参数曲线中的各个参数变化趋势。基于目标构件参数曲线,对目标脚手架进行结构优化,生成脚手架结构优化方案。在得到目标构件参数曲线后,可以对其进行分析,并通过结构优化算法对目标脚手架进行优化。结构优化的目的是使目标脚手架在满足稳定性要求的同时,具有更好的力学性能和经济性能。在进行结构优化时,通常会采用一些基于人工智能和机器学习的算法,例如遗传算法、粒子群算法、模拟退火算法等。这些算法可以自动调整目标构件参数曲线中各个参数的取值,以寻求最优解。
上面对本发明实施例中基于BIM模型的脚手架力学分析方法进行了描述,下面对本发明实施例中基于BIM模型的脚手架力学分析系统进行描述,请参阅图5,本发明实施例中基于BIM模型的脚手架力学分析系统一个实施例包括:
扫描模块501,用于基于预置的图像采集终端对目标脚手架进行多角度图像扫描,得到原始脚手架图像数据集;
提取模块502,用于根据所述原始脚手架图像数据集,对所述目标脚手架进行脚手架空间结构数据提取,得到脚手架空间结构数据;
构建模块503,用于对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据所述脚手架布局数据和所述脚手架墙柱数据,对所述目标脚手架进行脚手架模型构建,得到所述目标脚手架的脚手架BIM模型;
分析模块504,用于对所述脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对所述脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;
融合模块505,用于对所述第一分析指标集合进行向量转换,得到第一分析向量,并对所述第二分析指标集合进行向量转换,得到第二分析向量,以及对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量;
输出模块506,用于将所述目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到所述目标脚手架的稳定性分析结果,其中,所述脚手架稳定性分析模型包括:第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络。
通过上述各个组成部分的协同合作,对脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据脚手架布局数据和脚手架墙柱数据,对目标脚手架进行脚手架模型构建,得到脚手架BIM模型;对脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;对第一分析指标集合和第二分析指标集合进行向量转换,得到目标融合向量;将目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到目标脚手架的稳定性分析结果。在本发明中,将脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,可以从更细粒度的角度对目标脚手架进行分析和处理。这个过程可以提高脚手架稳定性分析的精度和准确度。基于脚手架布局数据和脚手架墙柱数据,对目标脚手架进行脚手架模型构建,得到脚手架BIM模型。这个模型可以展现目标脚手架的三维空间情况,从而更好地帮助工程师和技术人员对脚手架进行分析和优化。对脚手架BIM模型进行静力有限元分析,可以获得第一分析指标集合。这个集合可以对脚手架进行强度和刚度等方面的分析和评估,判断其是否符合安全要求。这个过程可以提高分析结果的可靠性和准确度。对脚手架BIM模型进行动力有限元分析,可以得到第二分析指标集合。这个集合可以对脚手架进行振动和稳定性方面的分析和评估,判断其是否满足实际使用场景的要求。这个过程可以提高分析结果的全面性和可靠性。对第一分析指标集合和第二分析指标集合进行向量转换,可以得到目标融合向量,可以对脚手架进行综合分析和评估,既考虑了静力分析的结果,同时也考虑了动力分析的结果。这个过程可以提高分析结果的科学性和全面性。
上面图5从模块化功能实体的角度对本发明实施例中的基于BIM模型的脚手架力学分析系统进行详细描述,下面从硬件处理的角度对本发明实施例中基于BIM模型的脚手架力学分析设备进行详细描述。
图6是本发明实施例提供的一种基于BIM模型的脚手架力学分析设备的结构示意图,该基于BIM模型的脚手架力学分析设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于BIM模型的脚手架力学分析设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于BIM模型的脚手架力学分析设备600上执行存储介质630中的一系列指令操作。
基于BIM模型的脚手架力学分析设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的基于BIM模型的脚手架力学分析设备结构并不构成对基于BIM模型的脚手架力学分析设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于BIM模型的脚手架力学分析设备,所述基于BIM模型的脚手架力学分析设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于BIM模型的脚手架力学分析方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于BIM模型的脚手架力学分析方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以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全部或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(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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)
1.一种基于BIM模型的脚手架力学分析方法,其特征在于,所述基于BIM模型的脚手架力学分析方法包括:
基于预置的图像采集终端对目标脚手架进行多角度图像扫描,得到原始脚手架图像数据集;
根据所述原始脚手架图像数据集,对所述目标脚手架进行脚手架空间结构数据提取,得到脚手架空间结构数据;
对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据所述脚手架布局数据和所述脚手架墙柱数据,对所述目标脚手架进行脚手架模型构建,得到所述目标脚手架的脚手架BIM模型;
对所述脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对所述脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;
对所述第一分析指标集合进行向量转换,得到第一分析向量,并对所述第二分析指标集合进行向量转换,得到第二分析向量,以及对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量;
将所述目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到所述目标脚手架的稳定性分析结果;具体包括:将所述目标融合向量输入预置的脚手架稳定性分析模型,其中,所述脚手架稳定性分析模型包括:第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络;通过所述脚手架稳定性分析模型对所述目标融合向量进行脚手架稳定性分析,得到目标预测概率值;根据所述目标预测概率值,匹配所述目标脚手架的稳定性分析结果;其中,第一双向长短时记忆网络:负责从目标融合向量中捕捉关于脚手架稳定性的时序特征,第一双向长短时记忆网络接受目标融合向量作为输入,然后通过前向和后向的LSTM层来学习融合向量中的时间序列信息,得到第一个双向LSTM网络的输出向量;第二双向LSTM网络接收第一个双向LSTM网络的输出向量,进一步分析时序特征,得到第二个双向LSTM网络的输出向量;两层全连接网络接收第一个双向LSTM网络的输出向量和第二个双向LSTM网络的输出向量,将它们结合,并映射到预测稳定性的概率空间,得到最终的稳定性预测概率值,即目标预测概率值。
2.根据权利要求1所述的基于BIM模型的脚手架力学分析方法,其特征在于,所述根据所述原始脚手架图像数据集,对所述目标脚手架进行脚手架空间结构数据提取,得到脚手架空间结构数据,包括:
对所述原始脚手架图像数据集进行图像特征点提取,得到特征点数据集群;
根据所述特征点数据集群,对所述图像采集终端进行姿态估计,得到相机姿态估算值;
对所述相机姿态估算值进行三角化处理和密集匹配,输出脚手架空间结构数据。
3.根据权利要求1所述的基于BIM模型的脚手架力学分析方法,其特征在于,所述对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据所述脚手架布局数据和所述脚手架墙柱数据,对所述目标脚手架进行脚手架模型构建,得到所述目标脚手架的脚手架BIM模型,包括:
基于预设的属性信息,对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据;
根据所述脚手架布局数据和所述脚手架墙柱数据,生成多个子脚手架模型;
对所述多个子脚手架模型进行模型融合,生成初始模型;
对所述初始模型进行模型信息标注,得到所述目标脚手架的脚手架BIM模型。
4.根据权利要求1所述的基于BIM模型的脚手架力学分析方法,其特征在于,所述对所述脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对所述脚手架BIM模型进行动力有限元分析,得到第二分析指标集合,包括:
对所述脚手架BIM模型进行网格划分和载荷设置,生成目标有限元模型;
对所述目标有限元模型进行静力有限元分析,得到第一分析指标集合,其中,所述第一分析指标集合包括:静态位移指标以及静态应力指标;
对所述目标有限元模型进行动力有限元分析,得到第二分析指标集合,其中,所述第二分析指标集合包括:动态位移指标、动态应力指标以及振动频率指标。
5.根据权利要求1所述的基于BIM模型的脚手架力学分析方法,其特征在于,所述对所述第一分析指标集合进行向量转换,得到第一分析向量,并对所述第二分析指标集合进行向量转换,得到第二分析向量,以及对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量,包括:
对所述第一分析指标集合进行数值映射,得到第一数值集合,以及对所述第二分析指标集合进行数值映射,得到第二数值集合;
对所述第一数值集合进行向量转换,生成第一分析向量,并对所述第二数值集合进行向量转换,生成第二分析向量;
对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量。
6.根据权利要求1所述的基于BIM模型的脚手架力学分析方法,其特征在于,所述基于BIM模型的脚手架力学分析方法还包括:
基于所述稳定性分析结果,对所述目标脚手架进行构件参数采集,得到目标构件参数数据;
基于所述目标构件参数数据,构建所述目标脚手架的目标构件参数曲线,并对所述目标构件参数曲线进行可视化展示,生成可视化稳定性响应图;
基于所述目标构件参数曲线,对所述目标脚手架进行结构优化,生成脚手架结构优化方案。
7.一种基于BIM模型的脚手架力学分析系统,其特征在于,所述基于BIM模型的脚手架力学分析系统包括:
扫描模块,用于基于预置的图像采集终端对目标脚手架进行多角度图像扫描,得到原始脚手架图像数据集;
提取模块,用于根据所述原始脚手架图像数据集,对所述目标脚手架进行脚手架空间结构数据提取,得到脚手架空间结构数据;
构建模块,用于对所述脚手架空间结构数据进行数据集划分,得到脚手架布局数据和脚手架墙柱数据,并根据所述脚手架布局数据和所述脚手架墙柱数据,对所述目标脚手架进行脚手架模型构建,得到所述目标脚手架的脚手架BIM模型;
分析模块,用于对所述脚手架BIM模型进行静力有限元分析,得到第一分析指标集合,并对所述脚手架BIM模型进行动力有限元分析,得到第二分析指标集合;
融合模块,用于对所述第一分析指标集合进行向量转换,得到第一分析向量,并对所述第二分析指标集合进行向量转换,得到第二分析向量,以及对所述第一分析向量和所述第二分析向量进行向量融合,得到目标融合向量;
输出模块,用于将所述目标融合向量输入预置的脚手架稳定性分析模型进行脚手架稳定性分析,得到所述目标脚手架的稳定性分析结果;具体包括:将所述目标融合向量输入预置的脚手架稳定性分析模型,其中,所述脚手架稳定性分析模型包括:第一双向长短时记忆网络、第二双向长短时记忆网络以及两层全连接网络;通过所述脚手架稳定性分析模型对所述目标融合向量进行脚手架稳定性分析,得到目标预测概率值;根据所述目标预测概率值,匹配所述目标脚手架的稳定性分析结果;其中,第一双向长短时记忆网络:负责从目标融合向量中捕捉关于脚手架稳定性的时序特征,第一双向长短时记忆网络接受目标融合向量作为输入,然后通过前向和后向的LSTM层来学习融合向量中的时间序列信息,得到第一个双向LSTM网络的输出向量;第二双向LSTM网络接收第一个双向LSTM网络的输出向量,进一步分析时序特征,得到第二个双向LSTM网络的输出向量;两层全连接网络接收第一个双向LSTM网络的输出向量和第二个双向LSTM网络的输出向量,将它们结合,并映射到预测稳定性的概率空间,得到最终的稳定性预测概率值,即目标预测概率值。
8.一种基于BIM模型的脚手架力学分析设备,其特征在于,所述基于BIM模型的脚手架力学分析设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于BIM模型的脚手架力学分析设备执行如权利要求1-6中任一项所述的基于BIM模型的脚手架力学分析方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述的基于BIM模型的脚手架力学分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126445.XA CN116861543B (zh) | 2023-09-04 | 2023-09-04 | 基于bim模型的脚手架力学分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126445.XA CN116861543B (zh) | 2023-09-04 | 2023-09-04 | 基于bim模型的脚手架力学分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116861543A CN116861543A (zh) | 2023-10-10 |
CN116861543B true CN116861543B (zh) | 2023-11-17 |
Family
ID=88228951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311126445.XA Active CN116861543B (zh) | 2023-09-04 | 2023-09-04 | 基于bim模型的脚手架力学分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861543B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455895A (zh) * | 2023-11-27 | 2024-01-26 | 朋友电力科技有限公司 | 一种用于实现线夹的制备装置及制备方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460231A (zh) * | 2018-03-23 | 2018-08-28 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁建养全过程智能监测评估预警决策系统及方法 |
CN112685807A (zh) * | 2020-11-19 | 2021-04-20 | 中国一冶集团有限公司 | 一种基于bim技术的脚手架施工过程应用方法及系统 |
CN114925438A (zh) * | 2022-06-14 | 2022-08-19 | 重庆大学 | 一种抗风型脚手架设计方法及结构 |
CN115828376A (zh) * | 2022-11-15 | 2023-03-21 | 中建一局集团第二建筑有限公司 | 一种基于bim的脚手架设计方法 |
-
2023
- 2023-09-04 CN CN202311126445.XA patent/CN116861543B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460231A (zh) * | 2018-03-23 | 2018-08-28 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种桥梁建养全过程智能监测评估预警决策系统及方法 |
CN112685807A (zh) * | 2020-11-19 | 2021-04-20 | 中国一冶集团有限公司 | 一种基于bim技术的脚手架施工过程应用方法及系统 |
CN114925438A (zh) * | 2022-06-14 | 2022-08-19 | 重庆大学 | 一种抗风型脚手架设计方法及结构 |
CN115828376A (zh) * | 2022-11-15 | 2023-03-21 | 中建一局集团第二建筑有限公司 | 一种基于bim的脚手架设计方法 |
Non-Patent Citations (3)
Title |
---|
升降式防密门扇静力与动力有限元分析;刘垚;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第1期);C038-722 * |
基于MSC.Patran/Nastran的超高附着式脚手架有限元分析;王宇飞;谷立臣;;《建筑机械》(第07期);84-89 * |
基于多源信息融合和WOA-CNN-LSTM的外脚手架隐患分类预警研究;赵江平 等;《西安建筑科技大学资源工程学院》;1-11 * |
Also Published As
Publication number | Publication date |
---|---|
CN116861543A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dimitrov et al. | Vision-based material recognition for automated monitoring of construction progress and generating building information modeling from unordered site image collections | |
Landry et al. | CELLO-3D: Estimating the Covariance of ICP in the Real World | |
CN106133756B (zh) | 过滤、分割和识别对象的系统、方法及非暂时性计算机可读介质 | |
CN109740588B (zh) | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 | |
Brilakis et al. | Toward automated generation of parametric BIMs based on hybrid video and laser scanning data | |
WO2020077858A1 (zh) | 基于神经网络的视频描述生成方法、介质、终端及装置 | |
US9323886B2 (en) | Performance predicting apparatus, performance predicting method, and program | |
JP5361664B2 (ja) | 画像処理装置、画像処理方法 | |
CN116861543B (zh) | 基于bim模型的脚手架力学分析方法及系统 | |
JP2019045894A (ja) | 検索プログラム、検索方法、及び、検索プログラムが動作する情報処理装置 | |
JP6248593B2 (ja) | 姿勢検出装置、姿勢検出方法および姿勢検出プログラム | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
CN107480627B (zh) | 行为识别方法、装置、存储介质和处理器 | |
CN117854011B (zh) | 一种智能ai摄像头识别对比方法及系统 | |
US11030767B2 (en) | Imaging apparatus and imaging system | |
CN115797419A (zh) | 点云配准方法、设备及介质 | |
CN116258937A (zh) | 基于注意力机制的小样本分割方法、装置、终端及介质 | |
Park et al. | Point cloud information modeling (PCIM): An innovative framework for as-is information modeling of construction sites | |
CN118071805A (zh) | 一种基于深度学习的工业场景点云多模态配准方法及系统 | |
CN112634174B (zh) | 一种图像表示学习方法及系统 | |
Guo et al. | Safety monitoring in construction site based on unmanned aerial vehicle platform with computer vision using transfer learning techniques | |
CN117372604A (zh) | 一种3d人脸模型生成方法、装置、设备及可读存储介质 | |
CN116728162A (zh) | 金属件自动加工方法及其系统 | |
CN113658274B (zh) | 用于灵长类动物种群行为分析的个体间距自动计算方法 | |
US20220156416A1 (en) | Techniques for comparing geometric styles of 3d cad objects |
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 |