CN117494356A - 一种基于bim技术的装配式施工方法 - Google Patents
一种基于bim技术的装配式施工方法 Download PDFInfo
- Publication number
- CN117494356A CN117494356A CN202311434889.XA CN202311434889A CN117494356A CN 117494356 A CN117494356 A CN 117494356A CN 202311434889 A CN202311434889 A CN 202311434889A CN 117494356 A CN117494356 A CN 117494356A
- Authority
- CN
- China
- Prior art keywords
- assembly
- bim
- bim model
- electromechanical
- network
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 108
- 238000005516 engineering process Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 78
- 239000000463 material Substances 0.000 claims abstract description 36
- 238000009434 installation Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 24
- 238000013508 migration Methods 0.000 claims description 20
- 230000005012 migration Effects 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000009417 prefabrication Methods 0.000 claims description 10
- 238000011900 installation process Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 18
- 238000013135 deep learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及机电装配技术领域，具体涉及一种基于BIM技术的装配式施工方法，包括以下步骤：根据一组第一机电装配BIM模型，通过神经网络学习训练，得到机电装配全专业BIM模型的构建网络；根据装配场景数据，通过机电装配全专业BIM模型的构建网络，得到第二机电装配BIM模型；获取装配物料数据，将装配物料数据利用Revit插件导入至所述第二机电装配BIM模型中，得到所述装配场景数据表征的装配场景下的机电装配加工图。本发明利用BIM技术对复杂的机电安装工程进行管线综合优化，运用BIM技术时，构建机电装配全专业BIM模型的构建网络，提高了机电装配施工出图效率以及提高了施工出图图纸的通用性。
Description
技术领域
本发明涉及机电装配技术领域，具体涉及一种基于BIM技术的装配式施工方法。
背景技术
装配式机电工程在大型民用建筑中成本约占20％-30％，是装配式建筑的有机组成部分。装配式机电工程大致流程为三维模型最初设计，然后把风管，水管，抗震支吊架等图纸模型拿到工厂进行预制化加工，最终拿到现场进行最终组装。装配式机电相对独立、具有独特的技术特点。在建筑物设计方案确定后，结构体系已经定型，空间的主要影响因素是机电管道、设备，空间的舒适性、功能性需要机电维持；建筑寿命周期内的运维成本的70％属于机电损耗；机电设计与安装的质量决定了工程的综合品质。因此大力发展装配式机电将成为今后机电工程的主流。
现有技术中机电装配施工尚无统一标准，装配模块设计划分难度大，同时，前期装配图设计对人员投入大，设计产出比低；预制加工及装配图数量多、出图效率低且图纸通用性差。
发明内容
本发明的目的在于提供一种基于BIM技术的装配式施工方法，以解决现有技术中机电装配施工尚无统一标准，装配模块设计划分难度大，同时，前期装配图设计对人员投入大，设计产出比低；预制加工及装配图数量多、出图效率低且图纸通用性差的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于BIM技术的装配式施工方法，包括以下步骤：
获取装配场景数据，所述装配场景数据至少包含装配工程的土建施工图和装配工程的机电施工图中的至少一种；
根据装配场景数据，在装配数据库中通过场景相似性对比，得到一组第一机电装配BIM模型，所述第一机电装配BIM模型为所述装配场景数据表征的装配场景所属场景类属下的已知机电装配BIM模型，所述装配数据库存储有已完成机电装配的历史装配场景数据，以及历史装配场景数据对应的已知机电装配BIM模型；
根据一组第一机电装配BIM模型，通过神经网络学习训练，得到所述装配场景数据表征的装配场景所属场景类属下的机电装配全专业BIM模型的构建网络；
根据装配场景数据，通过机电装配全专业BIM模型的构建网络，得到第二机电装配BIM模型，所述第二机电装配BIM模型为所述装配场景数据表征的装配场景下的机电装配BIM模型；
获取装配物料数据，将装配物料数据利用Revit插件导入至所述第二机电装配BIM模型中，得到所述装配场景数据表征的装配场景下的机电装配加工图；
根据所述机电装配加工图，进行装配安装过程，得到所述装配场景数据表征的装配场景下的机电装配实体。
作为本发明的一种优选方案，确定第一机电装配BIM模型，包括：
将装配场景数据与装配数据库中历史装配场景数据逐一进行相似性运算，其中，
当装配场景数据与历史装配场景数据的相似性高于或等于预设阈值，则将历史装配场景数据对应的已知机电装配BIM模型作为第一机电装配BIM模型；
当装配场景数据与历史装配场景数据的相似性小于预设阈值，则将历史装配场景数据对应的已知机电装配BIM模型作为非第一机电装配BIM模型。
作为本发明的一种优选方案，所述机电装配全专业BIM模型的构建网络的确定，包括：
在各个第一机电装配BIM模型，通过差分运算，得到第一机电装配BIM模型中的通用结构，以及专用结构；
将历史装配场景数据与专用结构利用神经网络进行学习训练，得到专用结构构建网络，所述专用结构构建网络的表达式为：
Gz＝neural_network(S)；
式中，Gz为专用结构，S为装配场景数据，neural_network为神经网络；
利用专用结构构建网络依次对历史装配场景数据进行运算，得到每个历史装配场景数据对应的一组专用结构；
在每个历史装配场景数据中，随机选取将多个专用结构分别与通用结构进行组合，得到一组机电装配BIM模型样本；
在每个历史装配场景数据中，将机电装配BIM模型样本与第一机电装配BIM模型进行迁移性评估，得到第一迁移性；
在每个历史装配场景数据中，利用神经网络对专用结构和第一迁移性进行学习训练，得到第一迁移性测算网络，所述第一迁移性测算网络的表达式为：
K＝neural_network(Gz)；
式中，K为第一迁移性，Gz为专用结构，neural_network为神经网络；
在每个历史装配场景数据中，利用第一迁移性测算网络对每个专用结构进行第一迁移性测算，并将第一迁移性最大值对应的专用结构作为历史装配场景数据的最优专用结构；
在每个历史装配场景数据中，将所述最优专用结构与通用结构组合得到历史装配场景数据的最优机电装配BIM模型样本；
在各个历史装配场景数据中，利用神经网络对历史装配场景数据与最优机电装配BIM模型样本进行学习训练，得到机电装配全专业BIM模型的构建网络；
所述机电装配全专业BIM模型的构建网络的确定网络的表达式为：
Gzt＝neural_network(S)；
式中，Gzt为最优机电装配BIM模型，S为装配场景数据，neural_network为神经网络。
作为本发明的一种优选方案，所述通过差分运算，得到第一机电装配BIM模型中的通用结构，以及专用结构，包括：
在各个第一机电装配BIM模型中，依次对任意两个第一机电装配BIM模型进行差分处理，得到一组差分BIM模型；
在一组差分BIM模型中，将每个差分BIM模型中的所有像素点的像素逐一与像素阈值进行比较，其中，
当像素点的像素高于像素阈值，则将像素点标记为差分BIM模型的特异点；
当像素点的像素低于或等于像素阈值，则将像素点标记为差分BIM模型的非特异点；
在每个差分BIM模型中，将所述特异点进行组合得到差分BIM模型的特异性结构；
将各个差分BIM模型的特异性结构进行聚类分析，得到多个特异性结构簇，统计每个特异性结构簇中的特异性结构数量，其中，
当特异性结构数量高于或等于预设数量，则将特异性结构簇对应的像素点映射到第一机电装配BIM模型中，得到第一机电装配BIM模型的专用结构；
当特异性结构数量小于预设数量，则将特异性结构簇对应的像素点映射到第一机电装配BIM模型中，得到第一机电装配BIM模型的非专用结构；
将第一机电装配BIM模型中除专用结构外的像素点进行组合，得到第一机电装配BIM模型的通用结构。
作为本发明的一种优选方案，所述迁移性评估，包括：
将每个机电装配BIM模型样本作为第一连体网络中第一神经网络的输入项，第一连体网络中第一神经网络的输出项输出每个机电装配BIM模型样本的全局结构特征；
将第一机电装配BIM模型作为第一连体网络中第二神经网络的输入项，第一连体网络中第一神经网络的输出项输出第一机电装配BIM模型的全局结构特征；
将每个机电装配BIM模型样本中专用结构作为第二连体网络中第一神经网络的输入项，第二连体网络中第一神经网络的输出项输出每个机电装配BIM模型样本中专用结构的局部结构特征；
将第一机电装配BIM模型中专用结构作为第二连体网络中第二神经网络的输入项，第二连体网络中第二神经网络的输出项输出第一机电装配BIM模型中专用结构的局部结构特征；
将最小化的第一连体网络的损失函数与最大化的第二连体网络的损失函数间的差值作为第一迁移性；
所述第一迁移性的表达式为：
K＝min(Loss2)-max(Loss1)；
Loss1＝sim{CNN11(BIM_1)，CNN12(BIM_demo)}；
Loss2＝sim{CNN21(Gz_BIM_1)，CNN21(Gz_BIM_demo)}；
其中，K为第一迁移性，Loss1为第一连体网络的损失函数，Loss2为第二连体网络的损失函数，min为最小化运算符，max为最大化运算符，CNN11(BIM_1)为第一机电装配BIM模型的全局结构特征，CNN12(BIM_demo)为机电装配BIM模型样本的全局结构特征，CNN21(Gz_BIM_1)为第一机电装配BIM模型中专用结构的局部结构特征，CNN21(Gz_BIM_demo)为机电装配BIM模型样本中专用结构的局部结构特征，sim为相似性运算符，CNN11为第一连体网络中第一神经网络，CNN12为第一连体网络中第二神经网络，CNN21为第二连体网络中第一神经网络，CNN22为第二连体网络中第二神经网络，BIM_1为第一机电装配BIM模型，BIM_demo为机电装配BIM模型样本，Gz_BIM_1为第一机电装配BIM模型中专用结构，Gz_BIM_demo为机电装配BIM模型样本中专用结构。
作为本发明的一种优选方案，所述装配安装包括预制加工、物料安装、竣工移交。
作为本发明的一种优选方案，在所述物料安装过程中，通过RFID物料信息技术对装配物料数据进行存储，并生成溯源二维码，以实现装配物料的物料溯源。
作为本发明的一种优选方案，所述装配场景数据与历史装配场景数据进行归一化处理。
作为本发明的一种优选方案，所述装配数据库中各个第一机电装配BIM模型经过了归一化处理。
作为本发明的一种优选方案，将预制加工、物料安装、竣工移交过程中的数据信息，添加至第二机电装配BIM模型，得到第三机电装配BIM模型中，所述第三机电装配BIM模型为所述装配场景数据表征的装配场景下的竣工机电装配BIM模型，以助力所述机电装配实体的运维。
本发明与现有技术相比较具有如下有益效果：
本发明利用BIM技术对复杂的机电安装工程进行管线综合优化，合理确定各构件尺寸、规格、数量，实现制作、安装一体化装配式施工，以提高集团工程施工机电安装技术水平和效益，同时在运用BIM技术时，构建机电装配全专业BIM模型的构建网络，提高了机电装配施工出图效率以及提高了施工出图图纸的通用性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的基于BIM技术的装配式施工方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
现有技术中机电装配施工尚无统一标准，装配模块设计划分难度大，同时，前期装配图设计对人员投入大，设计产出比低；预制加工及装配图数量多、出图效率低且图纸通用性差。因此本发明提供一种基于BIM技术的装配式施工方法，在运用BIM技术时，构建机电装配全专业BIM模型的构建网络，提高了机电装配施工出图效率以及提高了施工出图图纸的通用性。
如图1所示，本发明提供了一种基于BIM技术的装配式施工方法，包括以下步骤：
获取装配场景数据，装配场景数据至少包含装配工程的土建施工图和装配工程的机电施工图中的至少一种；
根据装配场景数据，在装配数据库中通过场景相似性对比，得到一组第一机电装配BIM模型，第一机电装配BIM模型为装配场景数据表征的装配场景所属场景类属下的已知机电装配BIM模型，装配数据库存储有已完成机电装配的历史装配场景数据，以及历史装配场景数据对应的已知机电装配BIM模型；
根据一组第一机电装配BIM模型，通过神经网络学习训练，得到装配场景数据表征的装配场景所属场景类属下的机电装配全专业BIM模型的构建网络；
根据装配场景数据，通过机电装配全专业BIM模型的构建网络，得到第二机电装配BIM模型，第二机电装配BIM模型为装配场景数据表征的装配场景下的机电装配BIM模型；
获取装配物料数据，将装配物料数据利用Revit插件导入至第二机电装配BIM模型中，得到装配场景数据表征的装配场景下的机电装配加工图；
根据机电装配加工图，进行装配安装过程，得到装配场景数据表征的装配场景下的机电装配实体。
本发明在机电装配中结合BIM技术，构建机电装配BIM模型，获得机电装配施工图，对复杂的机电安装工程进行管线综合优化，合理确定各构件尺寸、规格、数量等，实现制作、安装一体化装配式施工，以提高集团工程施工机电安装技术水平和效益。
本发明为了在构建机电装配BIM模型中，避免装配图BIM设计对人员投入大，设计产出比低，出图效率低且图纸通用性差的缺陷，通过神经网络进行深度学习，获得机电装配全专业BIM模型的构建网络，统一装配设计标准，提高装配设计的客观性以及通用性，减少人员设计的主观性和局限性，提高了施工出图图纸的通用性，同时神经网络自动化进行装配图设计输出，提高了机电装配施工出图效率。
本发明为了得到机电装配全专业BIM模型的构建网络，获得适用于各种装配场景的BIM模型，或称全专业BIM模型，通用性更强，依据历史先验知识，利用神经网络进行深度学习历史装配场景数据，以及历史装配场景数据对应的已知机电装配BIM模型，掌握BIM模型与装配场景数据的适配规律，抽象BIM模型的生成标准封装至神经网络中，得到的机电装配全专业BIM模型的构建网络，可实现通过装配场景数据自动化输出机电装配BIM模型，快速根据统一标准完成场景装配信息适配，效率高且标准化程度高。
进一步的，本发明为了提高机电装配全专业BIM模型的构建网络的客观准确性，将已知机电装配BIM模型中蕴含的先验知识进行分结构分析，分为通用结构和专用结构，其中，专用结构决定了机电装配BIM模型对装配场景的适配准确性，决定机电装配BIM模型的生成准确性，决定了最终该场景下机电装配的效果，同时通用结构属于直接在装配场景中可复用的局部结构，决定的机电装配BIM模型的可迁移性，决定了机电装配BIM模型的生成效率。
本发明通过对专用结构和通用结构的先验知识进行深度学习，得到的机电装配全专业BIM模型的构建网络，期望达到在不同装配场景下，构建出的BIM模型能够最大程度的识别出装配场景下的通用场景部分，使得在通用场景部分对通用结构进行最大程度的复用，最大程度的提高BIM模型的生成效率，以及期望达到在不同的装配场景下，构建出BIM模型能够最大程度的识别出装配场景下的专用场景部分，使得在专用场景部分对专用结构进行最准确的重新规划，最大程度的提高BIM模型的装配准确性。因此，本发明根据上述期望，利用连体网络对上述期望进行数学运算抽象，具体的：
本发明将通用结构利用第一连体网络进行差异程度量化，以第一连体网络的损失函数进行数学具象化表达，确定出机电装配全专业BIM模型的构建网络深度学习出的通用结构与先验知识中通用结构之间的差异程度，并对第一连体网络的损失函数进行最小化处理，反映出在不同装配场景下，构建出的BIM模型能够最大程度的识别出装配场景下的通用场景部分，使得在通用场景部分对通用结构进行最大程度的复用，最大程度的提高BIM模型的生成效率，达到机电装配全专业BIM模型的构建网络的一个构建期望；
同样的，本发明将专用结构利用第二连体网络进行差异程度量化，以第二连体网络的损失函数进行数学具象化表达，确定出机电装配全专业BIM模型的构建网络深度学习出的专用结构与先验知识中专用结构之间的差异程度，并对第二连体网络的损失函数进行最大化处理，反映出在不同的装配场景下，构建出BIM模型能够最大程度的识别出装配场景下的专用场景部分，使得在专用场景部分对专用结构进行最准确的重新规划，最大程度的提高BIM模型的装配准确性，达到机电装配全专业BIM模型的构建网络的另一个构建期望；
将两个构建期望进行最小化组合，作为深度学习出机电装配全专业BIM模型的构建网络的目标函数(即第一迁移性)，基于该目标函数，能够使得深度学习出机电装配全专业BIM模型的构建网络，生成的BIM模型具有最准确的场景适配性，以及最高效的场景适配性，提高了机电装配全专业BIM模型的构建网络的模型生成标准化程度和场景灵敏度，对应的基于BIM模型得到装配图，也能达到最准确的场景适配性，以及最高效的场景适配性。
本发明还在实施过程中，各阶段、各层次对信息需求不一致，且会产生大量新信息，带来的信息管理难度大、可追溯性差。项目团队研发二维码云计算平台，“一码”识别多源信息，实现扫码后不同权限信息的查看、编辑、上传，构件信息的双向追溯。同时开发出基于BIM的建筑信息管理系统，通过RFID无线射频技术，实现设计到运维的全过程信息跟踪管理，提高了管理效率和信息的可追溯性。
本发明为了得到机电装配全专业BIM模型的构建网络，获得适用于各种装配场景的BIM模型，或称全专业BIM模型，通用性更强，需要历史先验知识的获取，具体如下：
确定第一机电装配BIM模型，包括：
将装配场景数据与装配数据库中历史装配场景数据逐一进行相似性运算(对应于欧氏距离、余弦相似度、相关系数等相似性运算)，其中，
当装配场景数据与历史装配场景数据的相似性高于或等于预设阈值，则将历史装配场景数据对应的已知机电装配BIM模型作为第一机电装配BIM模型；
当装配场景数据与历史装配场景数据的相似性小于预设阈值，则将历史装配场景数据对应的已知机电装配BIM模型作为非第一机电装配BIM模型。
本发明为了提高机电装配全专业BIM模型的构建网络的客观准确性，将已知机电装配BIM模型中蕴含的先验知识进行分结构分析，具体如下：
机电装配全专业BIM模型的构建网络的确定，包括：
在各个第一机电装配BIM模型，通过差分运算，得到第一机电装配BIM模型中的通用结构，以及专用结构；
将历史装配场景数据与专用结构利用神经网络进行学习训练，得到专用结构构建网络，专用结构构建网络的表达式为：
Gz＝neural_network(S)；
式中，Gz为专用结构，S为装配场景数据，neural_network为神经网络；
利用专用结构构建网络依次对历史装配场景数据进行运算，得到每个历史装配场景数据对应的一组专用结构；
在每个历史装配场景数据中，随机选取将多个专用结构分别与通用结构进行组合，得到一组机电装配BIM模型样本；
在每个历史装配场景数据中，将机电装配BIM模型样本与第一机电装配BIM模型进行迁移性评估，得到第一迁移性；
在每个历史装配场景数据中，利用神经网络对专用结构和第一迁移性进行学习训练，得到第一迁移性测算网络，第一迁移性测算网络的表达式为：
K＝neural_network(Gz)；
式中，K为第一迁移性，Gz为专用结构，neural_network为神经网络；
在每个历史装配场景数据中，利用第一迁移性测算网络对每个专用结构进行第一迁移性测算，并将第一迁移性最大值对应的专用结构作为历史装配场景数据的最优专用结构；
在每个历史装配场景数据中，将最优专用结构与通用结构组合得到历史装配场景数据的最优机电装配BIM模型样本；
在各个历史装配场景数据中，利用神经网络对历史装配场景数据与最优机电装配BIM模型样本进行学习训练，得到机电装配全专业BIM模型的构建网络；
机电装配全专业BIM模型的构建网络的确定网络的表达式为：
Gzt＝neural_network(S)；
式中，Gzt为最优机电装配BIM模型，S为装配场景数据，neural_network为神经网络。
通过差分运算，得到第一机电装配BIM模型中的通用结构，以及专用结构，包括：
在各个第一机电装配BIM模型中，依次对任意两个第一机电装配BIM模型进行差分处理，得到一组差分BIM模型；
在一组差分BIM模型中，将每个差分BIM模型中的所有像素点的像素逐一与像素阈值进行比较，其中，
当像素点的像素高于像素阈值，则将像素点标记为差分BIM模型的特异点；
当像素点的像素低于或等于像素阈值，则将像素点标记为差分BIM模型的非特异点；
在每个差分BIM模型中，将特异点进行组合得到差分BIM模型的特异性结构；
将各个差分BIM模型的特异性结构进行聚类分析，得到多个特异性结构簇，统计每个特异性结构簇中的特异性结构数量，其中，
当特异性结构数量高于或等于预设数量，则将特异性结构簇对应的像素点映射到第一机电装配BIM模型中，得到第一机电装配BIM模型的专用结构；
当特异性结构数量小于预设数量，则将特异性结构簇对应的像素点映射到第一机电装配BIM模型中，得到第一机电装配BIM模型的非专用结构；
将第一机电装配BIM模型中除专用结构外的像素点进行组合，得到第一机电装配BIM模型的通用结构。
迁移性评估，包括：
将每个机电装配BIM模型样本作为第一连体网络中第一神经网络的输入项，第一连体网络中第一神经网络的输出项输出每个机电装配BIM模型样本的全局结构特征；
将第一机电装配BIM模型作为第一连体网络中第二神经网络的输入项，第一连体网络中第一神经网络的输出项输出第一机电装配BIM模型的全局结构特征；
将每个机电装配BIM模型样本中专用结构作为第二连体网络中第一神经网络的输入项，第二连体网络中第一神经网络的输出项输出每个机电装配BIM模型样本中专用结构的局部结构特征；
将第一机电装配BIM模型中专用结构作为第二连体网络中第二神经网络的输入项，第二连体网络中第二神经网络的输出项输出第一机电装配BIM模型中专用结构的局部结构特征；
将最小化的第一连体网络的损失函数与最大化的第二连体网络的损失函数间的差值作为第一迁移性；
第一迁移性的表达式为：
K＝min(Loss2)-max(Loss1)；
Loss1＝sim{CNN11(BIM_1)，CNN12(BIM_demo)}；
Loss2＝sim{CNN21(Gz_BIM_1)，CNN21(Gz_BIM_demo)}；
其中，K为第一迁移性，Loss1为第一连体网络的损失函数，Loss2为第二连体网络的损失函数，min为最小化运算符，max为最大化运算符，CNN11(BIM_1)为第一机电装配BIM模型的全局结构特征，CNN12(BIM_demo)为机电装配BIM模型样本的全局结构特征，CNN21(Gz_BIM_1)为第一机电装配BIM模型中专用结构的局部结构特征，CNN21(Gz_BIM_demo)为机电装配BIM模型样本中专用结构的局部结构特征，sim为相似性运算符(对应于欧氏距离、余弦相似度、相关系数等相似性运算)，CNN11为第一连体网络中第一神经网络，CNN12为第一连体网络中第二神经网络，CNN21为第二连体网络中第一神经网络，CNN22为第二连体网络中第二神经网络，BIM_1为第一机电装配BIM模型，BIM_demo为机电装配BIM模型样本，Gz_BIM_1为第一机电装配BIM模型中专用结构，Gz_BIM_demo为机电装配BIM模型样本中专用结构。
本发明通过对专用结构和通用结构的先验知识进行深度学习，得到的机电装配全专业BIM模型的构建网络，期望达到在不同装配场景下，构建出的BIM模型能够最大程度的识别出装配场景下的通用场景部分，使得在通用场景部分对通用结构进行最大程度的复用，最大程度的提高BIM模型的生成效率，以及期望达到在不同的装配场景下，构建出BIM模型能够最大程度的识别出装配场景下的专用场景部分，使得在专用场景部分对专用结构进行最准确的重新规划，最大程度的提高BIM模型的装配准确性。因此，本发明根据上述期望，利用连体网络对上述期望进行数学运算抽象，具体的：
本发明将通用结构利用第一连体网络进行差异程度量化，以第一连体网络的损失函数进行数学具象化表达，确定出机电装配全专业BIM模型的构建网络深度学习出的通用结构与先验知识中通用结构之间的差异程度，并对第一连体网络的损失函数进行最小化处理，反映出在不同装配场景下，构建出的BIM模型能够最大程度的识别出装配场景下的通用场景部分，使得在通用场景部分对通用结构进行最大程度的复用，最大程度的提高BIM模型的生成效率，达到机电装配全专业BIM模型的构建网络的一个构建期望；
同样的，本发明将专用结构利用第二连体网络进行差异程度量化，以第二连体网络的损失函数进行数学具象化表达，确定出机电装配全专业BIM模型的构建网络深度学习出的专用结构与先验知识中专用结构之间的差异程度，并对第二连体网络的损失函数进行最大化处理，反映出在不同的装配场景下，构建出BIM模型能够最大程度的识别出装配场景下的专用场景部分，使得在专用场景部分对专用结构进行最准确的重新规划，最大程度的提高BIM模型的装配准确性，达到机电装配全专业BIM模型的构建网络的另一个构建期望；
将两个构建期望进行最小化组合，作为深度学习出机电装配全专业BIM模型的构建网络的目标函数(即第一迁移性)，基于该目标函数，能够使得深度学习出机电装配全专业BIM模型的构建网络，生成的BIM模型具有最准确的场景适配性，以及最高效的场景适配性，提高了机电装配全专业BIM模型的构建网络的模型生成标准化程度和场景灵敏度，对应的基于BIM模型得到装配图，也能达到最准确的场景适配性，以及最高效的场景适配性。
装配安装包括预制加工、物料安装、竣工移交，具体的：
预制加工：对预制厂商技术负责人、预制工人进行生产交底，厂商按机电装配图进行生产，出厂前按BIM模型进行预拼装，并通过精确地测量设备复核模块外形尺寸、管道法兰对接对孔位置是否准确，确保在现场能够顺利安装，不出现返工；复核完成后，对于加工偏差比较大的管道模块，需重新加工整改合格后通知施工现场。
物料安装：根据各专业管线工程施工进度，实时通知原材料及构配件运抵施工现场，通过RFID物料信息技术进行预制管段加工安装信息储存，实现设备、预制管组、预制泵组、阀部件等物资的信息可追溯。材料验收合格后根据提前制定好的装配顺序进行合理的堆放，确保施工环节“随装随取”，实现物料的高效运转。作业班组根据拼装详图进行管线组装，确保运输至现场后工人扫描二维码就能确定管道安装位置以及安装时的注意事项，避免不必要的二次周转，达到合格标准后交工验收。
竣工移交：将预制厂商加工、预拼装，材料运输、材料进场验收，施工过程，最终工序验收等相关信息添加进原始机电装配BIM模型中，形成竣工BIM模型，随工程竣工资料一并移交给建设(使用)单位，可助力相关单位的智慧运营和维护。
在物料安装过程中，通过RFID物料信息技术对装配物料数据进行存储，并生成溯源二维码，以实现装配物料的物料溯源。
装配场景数据与历史装配场景数据进行归一化处理。
装配数据库中各个第一机电装配BIM模型经过了归一化处理。
将预制加工、物料安装、竣工移交过程中的数据信息，添加至第二机电装配BIM模型，得到第三机电装配BIM模型中，第三机电装配BIM模型为装配场景数据表征的装配场景下的竣工机电装配BIM模型，以助力机电装配实体的运维。
本发明利用BIM技术对复杂的机电安装工程进行管线综合优化，合理确定各构件尺寸、规格、数量，实现制作、安装一体化装配式施工，以提高集团工程施工机电安装技术水平和效益，同时在运用BIM技术时，构建机电装配全专业BIM模型的构建网络，提高了机电装配施工出图效率以及提高了施工出图图纸的通用性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种基于BIM技术的装配式施工方法，其特征在于，包括以下步骤：
获取装配场景数据，所述装配场景数据至少包含装配工程的土建施工图和装配工程的机电施工图中的至少一种；
根据装配场景数据，在装配数据库中通过场景相似性对比，得到一组第一机电装配BIM模型，所述第一机电装配BIM模型为所述装配场景数据表征的装配场景所属场景类属下的已知机电装配BIM模型，所述装配数据库存储有已完成机电装配的历史装配场景数据，以及历史装配场景数据对应的已知机电装配BIM模型；
根据一组第一机电装配BIM模型，通过神经网络学习训练，得到所述装配场景数据表征的装配场景所属场景类属下的机电装配全专业BIM模型的构建网络；
根据装配场景数据，通过机电装配全专业BIM模型的构建网络，得到第二机电装配BIM模型，所述第二机电装配BIM模型为所述装配场景数据表征的装配场景下的机电装配BIM模型；
获取装配物料数据，将装配物料数据利用Revit插件导入至所述第二机电装配BIM模型中，得到所述装配场景数据表征的装配场景下的机电装配加工图；
根据所述机电装配加工图，进行装配安装过程，得到所述装配场景数据表征的装配场景下的机电装配实体。
2.根据权利要求1所述的一种基于BIM技术的装配式施工方法，其特征在于：确定第一机电装配BIM模型，包括：
将装配场景数据与装配数据库中历史装配场景数据逐一进行相似性运算，其中，
当装配场景数据与历史装配场景数据的相似性高于或等于预设阈值，则将历史装配场景数据对应的已知机电装配BIM模型作为第一机电装配BIM模型；
当装配场景数据与历史装配场景数据的相似性小于预设阈值，则将历史装配场景数据对应的已知机电装配BIM模型作为非第一机电装配BIM模型。
3.根据权利要求2所述的一种基于BIM技术的装配式施工方法，其特征在于：所述机电装配全专业BIM模型的构建网络的确定，包括：
在各个第一机电装配BIM模型，通过差分运算，得到第一机电装配BIM模型中的通用结构，以及专用结构；
将历史装配场景数据与专用结构利用神经网络进行学习训练，得到专用结构构建网络，所述专用结构构建网络的表达式为：
Gz＝neural_network(S)；
式中，Gz为专用结构，S为装配场景数据，neural_network为神经网络；
利用专用结构构建网络依次对历史装配场景数据进行运算，得到每个历史装配场景数据对应的一组专用结构；
在每个历史装配场景数据中，随机选取将多个专用结构分别与通用结构进行组合，得到一组机电装配BIM模型样本；
在每个历史装配场景数据中，将机电装配BIM模型样本与第一机电装配BIM模型进行迁移性评估，得到第一迁移性；
在每个历史装配场景数据中，利用神经网络对专用结构和第一迁移性进行学习训练，得到第一迁移性测算网络，所述第一迁移性测算网络的表达式为：
K＝neural_network(Gz)；
式中，K为第一迁移性，Gz为专用结构，neural_network为神经网络；
在每个历史装配场景数据中，利用第一迁移性测算网络对每个专用结构进行第一迁移性测算，并将第一迁移性最大值对应的专用结构作为历史装配场景数据的最优专用结构；
在每个历史装配场景数据中，将所述最优专用结构与通用结构组合得到历史装配场景数据的最优机电装配BIM模型样本；
在各个历史装配场景数据中，利用神经网络对历史装配场景数据与最优机电装配BIM模型样本进行学习训练，得到机电装配全专业BIM模型的构建网络；
所述机电装配全专业BIM模型的构建网络的确定网络的表达式为：
Gzt＝neural_network(S)；
式中，Gzt为最优机电装配BIM模型，S为装配场景数据，neural_network为神经网络。
4.根据权利要求3所述的一种基于BIM技术的装配式施工方法，其特征在于：通过差分运算，得到第一机电装配BIM模型中的通用结构，以及专用结构，包括：
在各个第一机电装配BIM模型中，依次对任意两个第一机电装配BIM模型进行差分处理，得到一组差分BIM模型；
在一组差分BIM模型中，将每个差分BIM模型中的所有像素点的像素逐一与像素阈值进行比较，其中，
当像素点的像素高于像素阈值，则将像素点标记为差分BIM模型的特异点；
当像素点的像素低于或等于像素阈值，则将像素点标记为差分BIM模型的非特异点；
在每个差分BIM模型中，将所述特异点进行组合得到差分BIM模型的特异性结构；
将各个差分BIM模型的特异性结构进行聚类分析，得到多个特异性结构簇，统计每个特异性结构簇中的特异性结构数量，其中，
当特异性结构数量高于或等于预设数量，则将特异性结构簇对应的像素点映射到第一机电装配BIM模型中，得到第一机电装配BIM模型的专用结构；
当特异性结构数量小于预设数量，则将特异性结构簇对应的像素点映射到第一机电装配BIM模型中，得到第一机电装配BIM模型的非专用结构；
将第一机电装配BIM模型中除专用结构外的像素点进行组合，得到第一机电装配BIM模型的通用结构。
5.根据权利要求3所述的一种基于BIM技术的装配式施工方法，其特征在于：所述迁移性评估，包括：
将每个机电装配BIM模型样本作为第一连体网络中第一神经网络的输入项，第一连体网络中第一神经网络的输出项输出每个机电装配BIM模型样本的全局结构特征；
将第一机电装配BIM模型作为第一连体网络中第二神经网络的输入项，第一连体网络中第一神经网络的输出项输出第一机电装配BIM模型的全局结构特征；
将每个机电装配BIM模型样本中专用结构作为第二连体网络中第一神经网络的输入项，第二连体网络中第一神经网络的输出项输出每个机电装配BIM模型样本中专用结构的局部结构特征；
将第一机电装配BIM模型中专用结构作为第二连体网络中第二神经网络的输入项，第二连体网络中第二神经网络的输出项输出第一机电装配BIM模型中专用结构的局部结构特征；
将最小化的第一连体网络的损失函数与最大化的第二连体网络的损失函数间的差值作为第一迁移性；
所述第一迁移性的表达式为：
K＝min(Loss2)-max(Loss1)；
Loss1＝sim{CNN11(BIM_1)，CNN12(BIM_demo)}；
Loss2＝sim{CNN21(Gz_BIM_1)，CNN21(Gz_BIM_demo)}；
其中，K为第一迁移性，Loss1为第一连体网络的损失函数，Loss2为第二连体网络的损失函数，min为最小化运算符，max为最大化运算符，CNN11(BIM_1)为第一机电装配BIM模型的全局结构特征，CNN12(BIM_demo)为机电装配BIM模型样本的全局结构特征，CNN21(Gz_BIM_1)为第一机电装配BIM模型中专用结构的局部结构特征，CNN21(Gz_BIM_demo)为机电装配BIM模型样本中专用结构的局部结构特征，sim为相似性运算符，CNN11为第一连体网络中第一神经网络，CNN12为第一连体网络中第二神经网络，CNN21为第二连体网络中第一神经网络，CNN22为第二连体网络中第二神经网络，BIM_1为第一机电装配BIM模型，BIM_demo为机电装配BIM模型样本，Gz_BIM_1为第一机电装配BIM模型中专用结构，Gz_BIM_demo为机电装配BIM模型样本中专用结构。
6.根据权利要求1所述的一种基于BIM技术的装配式施工方法，其特征在于：所述装配安装包括预制加工、物料安装、竣工移交。
7.根据权利要求6所述的一种基于BIM技术的装配式施工方法，其特征在于：在所述物料安装过程中，通过RFID物料信息技术对装配物料数据进行存储，并生成溯源二维码，以实现装配物料的物料溯源。
8.根据权利要求2所述的一种基于BIM技术的装配式施工方法，其特征在于：所述装配场景数据与历史装配场景数据进行归一化处理。
9.根据权利要求2所述的一种基于BIM技术的装配式施工方法，其特征在于：所述装配数据库中各个第一机电装配BIM模型经过了归一化处理。
10.根据权利要求1所述的一种基于BIM技术的装配式施工方法，其特征在于：将预制加工、物料安装、竣工移交过程中的数据信息，添加至第二机电装配BIM模型，得到第三机电装配BIM模型中，所述第三机电装配BIM模型为所述装配场景数据表征的装配场景下的竣工机电装配BIM模型，以助力所述机电装配实体的运维。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311434889.XA CN117494356B (zh) | 2023-10-31 | 2023-10-31 | 一种基于bim技术的装配式施工方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311434889.XA CN117494356B (zh) | 2023-10-31 | 2023-10-31 | 一种基于bim技术的装配式施工方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494356A true CN117494356A (zh) | 2024-02-02 |
| CN117494356B CN117494356B (zh) | 2024-06-18 |
Family
ID=89682077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311434889.XA Active CN117494356B (zh) | 2023-10-31 | 2023-10-31 | 一种基于bim技术的装配式施工方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494356B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543233A (zh) * | 2018-10-26 | 2019-03-29 | 中交第航务工程局有限公司 | 一种基于bim技术的机电管线装配式施工方法 |
| CN112241623A (zh) * | 2020-09-17 | 2021-01-19 | 华中科技大学 | 一种接触网施工技术文档内容自动生成装置及方法 |
| CN112613097A (zh) * | 2020-12-15 | 2021-04-06 | 中铁二十四局集团江苏工程有限公司 | 一种基于计算机视觉的bim快速化建模方法 |
| CN112733230A (zh) * | 2020-12-31 | 2021-04-30 | 江苏美城建筑规划设计院有限公司 | 一种基于bim技术的建筑机电管线综合优化方法 |
| CN112948913A (zh) * | 2021-01-26 | 2021-06-11 | 柳州工学院 | 一种基于bim技术的机电管线装配式施工方法 |
| CN113032868A (zh) * | 2021-03-08 | 2021-06-25 | 万翼科技有限公司 | 预制构件管理方法、装置、电子设备及存储介质 |
| WO2022036867A1 (zh) * | 2020-08-21 | 2022-02-24 | 广东电网有限责任公司清远供电局 | 变电站三维模型重构方法 |
| WO2022083536A1 (zh) * | 2020-10-21 | 2022-04-28 | 华为技术有限公司 | 一种神经网络构建方法以及装置 |
| CN114417466A (zh) * | 2022-01-05 | 2022-04-29 | 中冶集团武汉勘察研究院有限公司 | 基于bim的机电系统装配及管理方法、系统、存储介质及设备 |
| CN114840908A (zh) * | 2022-06-10 | 2022-08-02 | 常熟古建园林股份有限公司 | 一种基于bim和神经网络模型的仿古建筑节能优化方法 |
| CN114840900A (zh) * | 2022-05-18 | 2022-08-02 | 滁州学院 | 一种基于i-GBDT技术的衍生式BIM构件自动生成方法 |
| CN115097974A (zh) * | 2022-07-06 | 2022-09-23 | 成都建工第四建筑工程有限公司 | 一种bim模型智能辅助会审系统及方法 |
| CN115130164A (zh) * | 2022-02-22 | 2022-09-30 | 河北建材职业技术学院 | 基于bim的建筑施工设备、施工管理系统以及管理方法 |
| CN115630433A (zh) * | 2022-12-20 | 2023-01-20 | 江苏航运职业技术学院 | 一种基于机器学习和bim技术的建筑设计方法及系统 |
| WO2023094271A1 (en) * | 2021-11-24 | 2023-06-01 | XYZ Reality Limited | Using a neural network scene representation for mapping |
-
2023
- 2023-10-31 CN CN202311434889.XA patent/CN117494356B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543233A (zh) * | 2018-10-26 | 2019-03-29 | 中交第航务工程局有限公司 | 一种基于bim技术的机电管线装配式施工方法 |
| WO2022036867A1 (zh) * | 2020-08-21 | 2022-02-24 | 广东电网有限责任公司清远供电局 | 变电站三维模型重构方法 |
| CN112241623A (zh) * | 2020-09-17 | 2021-01-19 | 华中科技大学 | 一种接触网施工技术文档内容自动生成装置及方法 |
| WO2022083536A1 (zh) * | 2020-10-21 | 2022-04-28 | 华为技术有限公司 | 一种神经网络构建方法以及装置 |
| CN112613097A (zh) * | 2020-12-15 | 2021-04-06 | 中铁二十四局集团江苏工程有限公司 | 一种基于计算机视觉的bim快速化建模方法 |
| CN112733230A (zh) * | 2020-12-31 | 2021-04-30 | 江苏美城建筑规划设计院有限公司 | 一种基于bim技术的建筑机电管线综合优化方法 |
| CN112948913A (zh) * | 2021-01-26 | 2021-06-11 | 柳州工学院 | 一种基于bim技术的机电管线装配式施工方法 |
| CN113032868A (zh) * | 2021-03-08 | 2021-06-25 | 万翼科技有限公司 | 预制构件管理方法、装置、电子设备及存储介质 |
| WO2023094271A1 (en) * | 2021-11-24 | 2023-06-01 | XYZ Reality Limited | Using a neural network scene representation for mapping |
| CN114417466A (zh) * | 2022-01-05 | 2022-04-29 | 中冶集团武汉勘察研究院有限公司 | 基于bim的机电系统装配及管理方法、系统、存储介质及设备 |
| CN115130164A (zh) * | 2022-02-22 | 2022-09-30 | 河北建材职业技术学院 | 基于bim的建筑施工设备、施工管理系统以及管理方法 |
| CN114840900A (zh) * | 2022-05-18 | 2022-08-02 | 滁州学院 | 一种基于i-GBDT技术的衍生式BIM构件自动生成方法 |
| CN114840908A (zh) * | 2022-06-10 | 2022-08-02 | 常熟古建园林股份有限公司 | 一种基于bim和神经网络模型的仿古建筑节能优化方法 |
| CN115097974A (zh) * | 2022-07-06 | 2022-09-23 | 成都建工第四建筑工程有限公司 | 一种bim模型智能辅助会审系统及方法 |
| CN115630433A (zh) * | 2022-12-20 | 2023-01-20 | 江苏航运职业技术学院 | 一种基于机器学习和bim技术的建筑设计方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 李晓宇;刘强;: "基于BIM与BP神经网络的绿色建筑全生命周期风险管理", 项目管理技术, no. 04, 10 April 2017 (2017-04-10), pages 14 - 19 * |
| 盖彤彤;于德湖;孙宝娣;杨淑娟;: "BIM与人工智能融合应用研究进展", 建筑科学, no. 06, 15 June 2020 (2020-06-15), pages 119 - 126 * |
| 赵小飞;李浩;陈业;桂勇刚;: "基于BIM技术在机电装配式施工中的应用", 工程建设与设计, no. 19, 10 October 2020 (2020-10-10), pages 173 - 174 * |
| 陈壮壮;: "基于BIM技术的装配式建筑研究", 建筑技术开发, no. 07, 15 April 2020 (2020-04-15), pages 1 - 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494356B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111581804B (zh) | 一种基于实测模型的零件最小修配方案生成方法 | |
| CN111191714A (zh) | 桥梁外观损伤病害智能识别方法 | |
| CN114580851B (zh) | 一种基于全生命周期碳排放计算的既有建筑改造数字化设计方法 | |
| CN107992643A (zh) | 一种基于三维扫描点云数据及人工智能识别与计算的建筑业构部件生产与安装精度控制工艺 | |
| CN113408034B (zh) | 一种基于bim建筑三维模型技术的工程施工智能云管理平台 | |
| CN114840900B (zh) | 一种基于i-GBDT技术的衍生式BIM构件自动生成方法 | |
| CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
| CN115294294A (zh) | 基于深度图像和点云的管线bim模型重建方法及系统 | |
| CN111724130A (zh) | 一种配网机巡作业管理系统及管理方法 | |
| CN112252548A (zh) | 一种基于bim的幕墙干挂预制加工方法 | |
| Begić et al. | Digitalization and automation in construction project's life-cycle: a review. | |
| CN117494356B (zh) | 一种基于bim技术的装配式施工方法 | |
| US20220383231A1 (en) | Generating status of construction site based on hierarchical modeling that standardizes physical relationships of elements of a structure | |
| CN110502771B (zh) | 一种基于粒子群算法的预制构件点云自动合模方法 | |
| CN111858583A (zh) | 一种基于倾斜摄影和bim技术的建筑及地下管线管理方法 | |
| CN105157564A (zh) | 一种网架单元拼装精度快速自动化摄影测量方法 | |
| Ye et al. | Ec-sfm: Efficient covisibility-based structure-from-motion for both sequential and unordered images | |
| CN112069445A (zh) | 一种2d slam算法评估及量化方法 | |
| CN116772883A (zh) | 一种基于位置服务的水表信息采集方法和系统 | |
| CN115545426A (zh) | 一种基于bim和三维激光扫描的预制构件生产进度分析系统 | |
| Xie et al. | Smart building materials of BIM and RFID in lifecycle management of steel structure | |
| CN114710742A (zh) | 一种基于多链插值构建指纹地图的室内定位方法 | |
| CN112802191A (zh) | 一种城市规划实时模拟展示系统 | |
| Roggeri et al. | SCAN-TO-BIM EFFICIENT APPROACH TO EXTRACT BIM MODELS FROM HIGH PRODUCTIVE INDOOR MOBILE MAPPING SURVEY | |
| Jayasena et al. | Economies of off-site concrete construction with BIM |
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 |