CN117632098B - 一种基于aigc的建筑智能设计系统 - Google Patents
一种基于aigc的建筑智能设计系统 Download PDFInfo
- Publication number
- CN117632098B CN117632098B CN202410104947.0A CN202410104947A CN117632098B CN 117632098 B CN117632098 B CN 117632098B CN 202410104947 A CN202410104947 A CN 202410104947A CN 117632098 B CN117632098 B CN 117632098B
- Authority
- CN
- China
- Prior art keywords
- design
- building
- user
- building design
- 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
- 238000013461 design Methods 0.000 title claims abstract description 229
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000003993 interaction Effects 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000013480 data collection Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000014509 gene expression Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000013515 script Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 2
- 239000002344 surface layer Substances 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 18
- 230000000694 effects Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000010410 layer Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000004566 building material Substances 0.000 description 4
- 238000013479 data entry Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005714 functional activity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于AIGC的建筑智能设计系统,属于建筑设计技术领域,解决了现有的智能设计方法存在缺乏对于建筑设计实质内容、设计内容流于外观表层因素的问题。本发明技术方案主要包括:数据收集模块,用于获取建筑设计知识;微调模块,与获取建筑设计知识以输入预训练模型进行微调以获得建筑设计生成模型;数据库模块,用于获取并存储建筑设计知识,以供建筑设计生成模型调用建筑设计知识;交互模块,交互模块用于与用户进行交互,获取用户的设计需求并将设计需求输入建筑设计生成模型,并接收来自建筑设计生成模型的反馈案例以向用户展示,设计需求包括用户输入的需求语言、图像和用户对于反馈案例的选择操作。
Description
技术领域
本发明属于建筑设计技术领域,具体而言涉及一种基于AIGC的建筑智能设计系统。
背景技术
目前AIGC技术在市场上刚刚兴起,在各大行业及专业领域均有初步探索与应用。其中包括了建筑行业。但建筑行业目前的AIGC应用更多集中于设计效果的呈现,最常见是根据设计草图或创作收稿,在预设的风格下渲染生成海量的建筑效果图。此做法虽在一定程度上帮助建筑师提升效率,但解决问题的出发点却略显局限。
综上,现有的智能设计方法存在缺乏对于建筑设计实质内容、设计内容流于外观表层因素的问题。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种基于AIGC的建筑智能设计系统,用以解决现有的智能设计方法存在缺乏对于建筑设计实质内容、设计内容流于外观表层因素的问题。
基于AIGC的建筑智能设计系统包括:
数据收集模块,用于获取建筑设计知识,建筑设计知识至少包括基础理论、设计策略、工程信息、标准规范以及实践案例;
微调模块,与所述数据收集模块电性连接,获取所述建筑设计知识以输入预训练模型进行微调以获得建筑设计生成模型;
数据库模块,与所述数据收集模块和所述建筑设计语言模型分别电性连接,用于获取并存储所述建筑设计知识,以供所述建筑设计生成模型调用所述建筑设计知识;
交互模块,与所述建筑设计语言模型电性连接,所述交互模块用于与用户进行交互,获取用户的设计需求并将所述设计需求输入所述建筑设计生成模型,并接收来自建筑设计生成模型的反馈案例以向用户展示,所述设计需求包括用户输入的需求语言、图像和用户对于所述反馈案例的选择操作。
在一些实施例中,所述建筑设计生成模型的训练方法包括:
获取所述建筑设计知识和预训练模型;
对所述建筑设计知识进行第一预处理,所述第一预处理包括去除HTML标签和特殊字符、进行数据清洗以及去除停用词;
对预处理后的所述建筑设计知识进行分词处理,以提取所述建筑设计知识中的关键词、短语或者行业术语;
将所述关键词、短语和行业术语进行去重之后加入所述预训练模型的词汇表中;
获取自定义建筑设计数据集,包括对建筑设计知识进行第二预处理以使得所述建筑设计知识满足所述预训练模型的输入格式,进而形成所述自定义建筑设计数据集;
根据选定损失函数和优化器,基于所述自定义建筑设计数据集对所述预训练模型进行微调,以更新所述预训练模型的网络权重和所述词汇表中词汇对应的词向量,获得所述建筑设计生成模型,所述建筑设计生成模型用于基于用户输入的设计需求匹配对应的实践案例。
在一些实施例中,所述建筑设计知识还包括视觉素材和技术做法,所述视觉素材包括建筑材质贴图、建筑表现风格或动画脚本中的一种或者多种的组合,所述技术做法包括建筑设计中的构造细部内容。
在一些实施例中,所述基础理论包括建筑学的空间组合论以及专业术语。
在一些实施例中,所述建筑设计知识还包括连接设计策略和实践案例之间的映射关系;
所述建筑设计知识还包括基于所述映射关系提取的关键词标签;
所述实践案例包括案例文档和案例模型。
在一些实施例中,所述数据收集模块还包括映射泛化模型,所述映射泛化模型是通过设计策略连接的多个实践案例和若干对应的映射关系对神经网络模型进行训练;
所述映射泛化模型用于根据设计策略向所述数据库模块中的建筑设计知识搜索对应的实践案例。
在一些实施例中,所述交互模块部署于web端或者APP端。
在一些实施例中,所述建筑设计生成模块用于获取来自交互模块的用户设计条件,并根据用户设计条件匹配设计策略,匹配到的所述设计策略被输入所述映射泛化模型以获取对应的实践案例并传输至交互模块以作为对用户的反馈案例。
在一些实施例中,所述工程信息包括建筑信息模型中的结构形式、材料、造价和机电系统;
所述交互模块还包括辅助计算模块,所述辅助计算模块根据用户选定的反馈案例包含的工程信息计算工程造价。
在一些实施例中,所述交互模块包括案例推荐模式选择模块,所述案例推荐模式选择模块具有第一模式和第二模式供用户选择;
采用第一模式时,交互模块根据用户设定的限制条件基于辅助计算模块计算用户选定的反馈案例的工程造价;
采用第二模块式时,交互模块获取用户的设定限价,根据设定限价和反馈案例对应的工程造价向用户展示符合设定限价的反馈案例。
本发明实施例至少具有以下有益效果:
1、通过前端数据收集模块录入建筑创作所需的策略方法、视觉素材、工程信息、实践案例、标准规范和技术做法等内容;通过后端数据库模块,用于数据的解析、存储与反馈。通过终端交互模块与用户进行多次交互以帮助设计者在建筑设计前期更加高质高效、有的放矢地完成建筑创作。
2、可以为建筑行业建立高质量的建筑创作数据库,不断地丰富、筛选、提炼数据库内容,更好地引导设计创作。
附图说明
为了更清楚地说明本说明书实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于AIGC的建筑智能设计系统架构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合、分离、互换和/或重新布置。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。
这里使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
现行的建筑方针是“适用、经济、绿色、美观”,而目前市场上大量基于AIGC的建筑创作应用均只停留在“美观”层面,无法在其他更为关键的层面给予设计者更多的技术支撑与设计引导。
本发明旨在提供基于AIGC的建筑智能设计系统,用以解决现有的智能设计方法存在缺乏对于建筑设计实质内容、设计内容流于外观表层因素的问题。
如图1所示,本发明实施例方案主要包括:
数据收集模块1,用于获取建筑设计知识,建筑设计知识至少包括基础理论、设计策略、工程信息、标准规范以及实践案例;
微调模块2,与所述数据收集模块1电性连接,获取所述建筑设计知识以输入预训练模型进行微调以获得建筑设计生成模型3;
数据库模块4,与所述数据收集模块1和所述建筑设计语言模型分别电性连接,用于获取并存储所述建筑设计知识,以供所述建筑设计生成模型3调用所述建筑设计知识;
交互模块5,与所述建筑设计语言模型电性连接,所述交互模块5用于与用户进行交互,获取用户的设计需求并将所述设计需求输入所述建筑设计生成模型3,并接收来自建筑设计生成模型3的反馈案例以向用户展示,所述设计需求包括用户输入的需求语言、图像和用户对于所述反馈案例的选择操作。
本发明提供的设计系统包括前端数据收集模块1、后端数据库模块4和终端交互模块5,以及用于实现建筑设计语言交互的微调模块2,用以训练建筑设计生成模型3。前端数据收集模块1,用于录入建筑创作所需的策略方法、视觉素材、工程信息、实践案例、标准规范和技术做法等内容。后端数据库模块4,用于数据的解析、存储与反馈,此数据库运行、运算均基于云端完成,并具有可成长、可学习的系统特性;终端交互模块5,考虑到建筑设计对PC的依赖,因此终端应用的布署应基于PC端浏览器完成,通过在Web界面输入设计条件(建筑类型、气候区、自然条件、地貌、建筑高度、用地红线图、周边环境图等),后端在接收到信息后会对数据库中已有数据进行信息筛选、结构化和答案匹配,在终端Web界面给出“反馈答案”,此过程可能会重复多次,当“反馈答案”被用户确认后,会进行“答案输出”。基于以上逻辑,在AIGC+BIM的数据驱动下,引导建筑创作的高效率、高质量实施。为了便于描述,反馈案例也可以通过“反馈答案”代替描述。
本发明针对目前市场现状,基于AIGC已有的能力以及所具备的潜力,结合BIM、绿色建筑、建筑材料和建筑经济等专业知识,创造出一种可在建筑创作阶段结合具体需求进行设计指引与辅助建模的系统,以此衍生出一套全新的设计方法与工作流,为建筑行业的高质量、可持续发展提效赋能。
终端交互内容均来源于数据库中已有的数据,通过筛选、结构化之后将答案反馈至用户。而数据库中的内容均来源于前端的数据录入,因此,此数据收集模块1是整套系统的起始点。数据录入的工作由系统管理员与前端使用者共同完成,他们统称为数据录入者。数据的录入可以分为多个维度,其中包括:基础理论、策略方法、视觉素材、工程信息、实践案例、标准规范和技术做法等,下面将针对以上所提到的多个维度进行一定的展开。
在一些实施例中,所述建筑设计生成模型的训练方法包括:
获取所述建筑设计知识和预训练模型;
对所述建筑设计知识进行第一预处理,所述第一预处理包括去除HTML标签和特殊字符、进行数据清洗以及去除停用词;
数据清洗的一般过程包括:1、数据采集;2、数据整理:填补缺失值、格式化数据等;3、数据校验:比如长度校验、值域校验、相关性校验等;4、数据筛选:根据业务需求筛选正确的数据;5、数据转换:进行数据提炼、归一化等转换。对于文本数据,常用的清洗方法是:删除空格和换行符;更正拼写错误;归一化大小写;去掉标点符号等。对数字数据,常用的方法是:去除异常值;插补缺失值;校准不同量纲的数据等。数据清洗结束后,需要进行数据校验,以确保数据的质量。常用的校验方法有:与原始数据源进行对比,校验清洗过程是否产生新的错误;抽样调查清洗后的数据,核验其准确性;专业人员审核部分清洗结果等。
对预处理后的所述建筑设计知识进行分词处理,以提取所述建筑设计知识中的关键词、短语或者行业术语;
在一些实施例中,所述分词处理包括采用文本处理工具对所述包装设计用语数据进行分词处理以获得分词结果,所述文本处理工具包括jieba分词或者THULAC。
较佳地,这里先对分词结果去除停用词,去除文本中的常见停用词,如“的”、“和”等,留下有实际意义的词汇,方便后续的关键词提取。
所述关键词的提取方法包括基于BERT的TextRank或者BERT关键词抽取库从所述分词结果中提取所述关键词,所述BERT关键词抽取库包括Bert-extractive-keywords。
所述短语和所述行业术语的提取包括,通过词性标注工具对所述分词结果进行词性分析,通过组合不同词性的词汇提取包含实际意义的短语和行业术语,所述词性标注工具包括jieba词性标注或者LTP。
将所述关键词、短语和行业术语进行去重之后加入所述预训练模型的词汇表中;
应当理解的是,关键词、短语和行业术语构成了该建筑设计领域的关键性词语,可以更好的表达建筑设计语言之中的重点和主题,有利于模型理解用户的输入。常用的方法有:统计方法,如TF-IDF,提取高频词的短语;语义方法,利用词与词之间的关系提取代表意思的词和短语;专家知识方法,聘请领域专家根据专利内容提取关键词。
具体地,将提取出的关键词、短语和行业术语集合起来,创建一个词汇表。可以将这些词汇排序并去重,保证词汇表的唯一性和准确性。将新创建的词汇表中的词汇添加到预训练模型的词汇表中。这样,预训练模型在处理包装设计相关任务时,可以更好地识别和理解行业相关术语,提高模型在该领域应用的表现。
通过以上过程,可以有效地对文本数据进行分词处理,并提取关键词、短语及行业术语,进而将这些术语添加到预训练语言模型的词汇表中,为后续任务提供更准确的行业领域信息。
然后需要使用收集到的专业数据对预训练语言模型进行微调。微调过程包括导入预训练语言模型权重,并使用面向建筑设计行业的自定义数据集和损失函数对模型进行逐步优化。在优化过程中,可调整不同的超参数以达到最佳性能。包括:
获取自定义建筑设计数据集,包括对建筑设计知识进行第二预处理以使得所述建筑设计知识满足所述预训练模型的输入格式,进而形成所述自定义建筑设计数据集;
根据选定损失函数和优化器,基于所述自定义建筑设计数据集对所述预训练模型进行微调,以更新所述预训练模型的网络权重和所述词汇表中词汇对应的词向量,获得所述建筑设计生成模型,所述建筑设计生成模型用于基于用户输入的设计需求匹配对应的实践案例。
应当理解的是,上述的最初的预训练模型为基于深度学习的Transformer架构,并在自然语言处理任务中表现出优越性能的生成式预训练式Transformer(OpenAI GPT系列)或者双向Transformer(例如BERT系列)模型。在一些实施例中,预训练语言模型直接使用已经训练好的上述模型即可,也可以是采用通过以下方法训练的预训练语言模型。但是在数据收集的过程中,预训练模型也可以是已经经过微调生成的建筑升级生成模型,通过后来的建筑设计知识对其进行更新,也是微调模块2的任务。
其中,预训练语言模型权重是指在训练好的神经网络模型中,各层神经元之间连接的数值。这些权重经过大量数据的训练,得到了对输入数据进行有效表示和学习任务的能力。在预训练语言模型中,权重通常包括两个部分:词嵌入权重和Transformer网络权重。词嵌入权重:词嵌入权重用于将文本数据中的每个词汇映射为一个固定长度的向量(通常称为词向量)。这些向量可以捕捉词之间的语义关系,如相似词在向量空间中的距离较近。预训练语言模型的词嵌入权重是经过大量数据训练得到的,具有较好的语义表达能力。Transformer网络权重:Transformer网络权重包含多层的自注意力机制和位置前馈神经网络。这些权重在训练过程中不断地调整,以学习输入文本数据的复杂关系和结构。预训练语言模型的Transformer网络权重已经学习到了一定程度的文本表示,可以直接用于解决一些自然语言处理任务。
在没有形成建筑设计生成模型时采用的最初预训练模型是现有的语言模型。最初预训练模型的训练过程概括:首先根据任务特性收集大量相关数据,然后将数据集对选定的Transformer模型中进行模型训练,然后通过测试集在训练好的模型上做推理查看模型的表现是否符合预期来决定超参数优化的策略,最后将微调后的模型用于最终的推理应用。
预训练模型的训练过程包括:
数据收集,首先,收集大量与本发明相关的数据,包括文本、图像等。为了构建高质量数据集,可以从多个来源搜集数据,例如行业论坛、设计博客、学术论文等。
数据预处理,对收集到的数据进行预处理,包括去除无关元素、转换图片格式、分词、标注等。数据预处理的目的是将原始数据转化为神经网络适合输入的格式。
选定Transformer模型,选择一个适用于本发明的生成式预训练Transformer模型,例如OpenAI GPT系列。这些模型在自然语言处理任务中表现出优越性能,有利于本发明的实现。
模型训练,将预处理过的数据集划分为训练集和验证集。将训练集数据送入选定的Transformer模型中,进行多轮训练。在训练过程中,可以适时调整学习速率、模型参数等超参数以优化模型表现。
模型验证,使用验证集对训练好的模型进行验证。通过验证集上的损失函数值、准确率等指标,评估模型的表现。如果模型验证结果不佳,需要返回至超参数调整环节优化模型。
以上完成预训练模型的训练之后需要对模型进行微调,当模型在验证集上的表现符合预期时,可以对模型进行微调。微调通常通过继续在针对性的数据上训练模型实现,例如本发明中收集的专业建筑设计相关数据。这可以使模型更好地适应具体任务,提高最终推理应用的表现。
模型测试,在模型微调后,使用之前留出的测试集对模型进行最终测试。评估模型在各项指标上的表现,确认是否符合实际应用场景的需求。
模型部署,将训练和微调好的模型部署到实际应用环境,如API、嵌入式系统等。此时模型可以用于生成包装设计描述、解答设计相关问题等任务,实现本发明的目标。
具体地,本发明实施例选用现有的预训练模型,在确定预训练模型之后,先收集与包装设计行业密切相关的文本数据,本实施例中对此称作包装设计用语数据。这些数据包括但不限于包装设计论坛、博客、教程、行业文章等内容。通过网络爬虫技术和API技术从网站、社交平台、在线论坛等来源爬取数据。
在一些实施例中,所述建筑设计知识还包括视觉素材和技术做法,所述视觉素材包括建筑材质贴图、建筑表现风格或动画脚本中的一种或者多种的组合,所述技术做法包括建筑设计中的构造细部内容。
视觉素材包括了建筑材质贴图、建筑表现风格和动画脚本等内容。此类素材的录入主要是为了在已有建模模型的基础上,做更深入的设计效果推敲和项目沟通准备,这些工作都是建筑创作过程中的重要内容,在AIGC的辅助下,可以大幅提升生产效率。
技术做法的录入包括了建筑设计中的构造细部等内容。如:建筑保温、耐火、防水、排水等。但此类内容通常不会在创作初期影响建筑设计的表达。加入此项录入内容主要是为了初步说明此系统在设计全过程所具备的拓展性与可能性,此处不做展开。
标准规范的录入包括了建筑设计中常用的会影响建筑前期创作表达的规范。最具代表性的就是建筑防火规范,规范对建筑层高、防火间距、消防车道与消防扑救面设置等问题均有明确要求,此类要求会直接影响建筑创作表达,必须在“反馈答案”中统筹考虑,并在建筑模型的表达中规避掉相关问题。如:防火规范中规定两栋单体之间的防火间距不能小于6m,那么此条规则就会作为默认的创作逻辑之一,被纳入AIGC的“反馈答案”考量。基于此逻辑所生成的模型,任意两栋单体间的防火间距都一定大于6m。当然,根据用户所输入的条件不同,其涉及的标准规范内容也不尽相同,若用户所输入条件并不涉及任何会影响创作表达的规范内容,那么在最终的“反馈答案”中,也不会有类似的层高、间距等设计限制。
实践案例的录入包括了网络公开资料、涉及知识产权的案例文本和其他与设计团队、建设单位相关的资源整合内容。此类信息的录入主要是为了方便设计创作的前期案例调研,通过案例调研可以更好地激发设计者的创作灵感,是所有建筑创作的必经过程。
在一些实施例中,所述基础理论包括建筑学的空间组合论以及专业术语。
建筑基础理论的录入包括了建筑学最基本的空间组合论以及专业术语。空间组合论方面,需要让AIGC理解多样的建筑类型、以及不同类型建筑所对应的常用设计数值、模数等。如:公共民用建筑中最常用的轴网模数为8.4米x8.4米;科研实验类高校建筑中较为常用的轴网模数为10米x10米。诸如此类的数值有很多,包括开间、进深、层高等,此处不做过度展开。专业术语方面,需要让AIGC理解建筑专业常用的语言表达方式以及其所代表的含义。如:生态廊道、生态本底、基底面积、土方填挖等。只有让AIGC精准理解用户使用交互中所输入的条件内容,才能准确地做出答案反馈。
工程信息的录入与建筑信息模型(BIM)应用有关,主要针对在建筑创作过程中所涉及的所有非几何信息。如:结构形式、材料、造价、机电系统等。此类信息的录入主要是为了在已有建筑模型的基础上,辅助设计者初步预估工程造价,快速判断AIGC所生成不同创作方向的可行性。
在一些实施例中,所述建筑设计知识还包括连接设计策略和实践案例之间的映射关系;
所述建筑设计知识还包括基于所述映射关系提取的关键词标签;
所述实践案例包括案例文档和案例模型。
在一些实施例中,所述数据收集模块1还包括映射泛化模型,所述映射泛化模型是通过设计策略连接的多个实践案例和若干对应的映射关系对神经网络模型进行训练;
所述映射泛化模型用于根据设计策略向所述数据库模块4中的建筑设计知识搜索对应的实践案例。
本发明目的是更好地引导建筑创作工作,因此,设计策略与方法的录入是前端数据收集的重中之重。此工作可分为三步实施,分别为:建立策略方法文字与反馈答案间的逻辑映射关系、针对此策略的创作标签提炼以及针对此策略底层逻辑与规则的建筑形式泛化训练。
在一些具体的实施例中,设计策略相关的信息的录入包括:
S1.2.1建立策略方法文字与反馈答案间的映射关系:此处以一条具体的建筑创作策略举例——“围绕生态廊道营造开放性功能活动空间”,数据录入者会录入一条“反馈答案”,所录入答案可以为“案例”,也可以是“模型”。至此,AIGC已经在一条正确的建筑创作策略与其所对应的反馈答案(案例文档或模型)之间建立了初步的映射关系。
S1.2.2针对此策略的创作标签提炼:在完成S1.2.1步骤后,需要在系统中赋予“反馈答案”一些关键词标签,例如,S1.2.1中答案可被赋予的标签为:生态廊道、空间布局。此标签会作为将数据内容结构化的重要依据,在未来交互端用户输入条件时,系统会根据条件内容中的关键字,在后端数据库中进行关联度匹配。比如交互端用户所提出的条件中是涉及生态廊道的,那么数据库所给出的答案就会从所有带有“生态廊道”标签的答案终进行筛选,此时筛选出的答案可能是非常多的,例如有100条。然后,随着条件输入的具体化,不仅涉及生态廊道、还可能涉及空间布局等其他标签,所需在数据库中对应的标签数量也就越多,满足需要的答案也就越少,具体的,对应一个标签可能有100个结果,对应两个标签可能就只剩50个,对应三个标签可能只剩10个,最终的反馈结果也就越接近于用户所需要的答案。
S1.2.3针对此策略底层逻辑与规则的建筑形式泛化训练:在S1.2.1中,我们已经为一条具体的策略创建了一条“反馈答案”,但此时的因果关系是具有单一指向性的,AIGC并没有理解所得出答案背后所存在的底层逻辑与规则到底是什么,所以我们需要通过创建更多答案去引导AIGC理解此策略所表达的核心逻辑所在,以此才能让AIGC在未来的交互中举一反三。还是以“围绕生态廊道营造开放性功能活动空间”这一策略举例,我们继续给出更多的“反馈答案”,此时会分为以下两种情况:
S1.2.3.1第一种情况:以案例作为“反馈答案”,那需要向AIGC阐释我们是基于什么原因判断此案例与S1.2.1中的策略方法有关。此原因是多样的,有可能是因为此案例文案中提到了有关“生态廊道”的介绍描述;也有可能是此案例的图片中有明显的水景、河流、林地等中心景观,并且建筑布局均围绕中心景观展开,此类图像识别技术目前已有成熟技术支撑,在本发明中不做赘述。
S1.2.3.2第二种情况:以模型作为“反馈答案”,那需要通个多个不同形式的模型创建向AIGC阐释为什么多个模型都可以对应同一条策略,重要的并不是答案的对应关系,而是背后的逻辑关系。比如可以通过以下几条逻辑规则引导AIGC学习:1)获取用户输入的“用地红线图”与“周边环境图”中的图像数据并进行判定,当成功判定用户所输入的图像中存在生态廊道时,建筑模型生成应符合后续规则;2)建筑体量应拆散,不可出现单一大体量,与其他体量尺度失衡;3)体量拆散后,建筑布局应优先顺应等高线走向布局;4)体量布局应避开生态廊道中的重要景观树、土丘等。以上四条即为S1.2.1中所提策略方法所对应的底层逻辑,在此逻辑引导下,可以通过多个不同形式模型创建,让AIGC更加深刻地理解此逻辑,进而在未来的用户使用交互中做到举一反三。
较佳地,通过设计策略匹配反馈案例时,判定优先级应基于“建筑类型>气候区>自然条件>地貌>层高>周边环境图>用地红线图”的顺序。比如,当系统通过气候区(例如夏热冬冷地区)判定策略时,筛选出100条;通过自然条件判定策略时,100条可能只剩80条,这是因为同样的气候区,自然条件不同那策略也会有明显不同,比如甲地和乙地在气候区划分上都属于夏热冬冷地区,但自然条件中的日照条件有明显区别。甲地少阳光直射、多雨,年太阳辐射总量为90千卡/平方厘米;乙地日照条件较好,全年的太阳辐射总量为120千卡/平方厘米。这反映在建筑策略上,甲地就不宜采用建筑光伏系统,但乙地就可以采用建筑光伏系统。这也解释了为什么气候区的判定权重要高于自然条件的原因。同理,当把地貌、建筑类型、层高、周边环境图、用地红线图等条件全部纳入考量后,之前通过气候区判定所筛选的100条策略,最后可能只剩下10条,而这10条所对应的“反馈答案”,就是终端用户在此次交互中希望得到的结果。
在一些实施例中,所述建筑设计生成模型3的训练方法包括:
获取所述建筑设计知识和预训练模型;
对所述建筑设计知识进行第一预处理,所述第一预处理包括去除HTML标签和特殊字符、进行数据清洗以及去除停用词;
对预处理后的所述建筑设计知识进行分词处理,以提取所述建筑设计知识中的关键词、短语或者行业术语;
将所述关键词、短语和行业术语进行去重之后加入所述预训练模型的词汇表中;
获取自定义建筑设计数据集,包括对建筑设计知识进行第二预处理以使得所述建筑设计知识满足所述预训练模型的输入格式,进而形成所述自定义建筑设计数据集;
根据选定损失函数和优化器,基于所述自定义建筑设计数据集对所述预训练模型进行微调,以更新所述预训练模型的网络权重和所述词汇表中词汇对应的词向量,获得所述建筑设计生成模型3,所述建筑设计生成模型3用于基于用户输入的设计需求匹配对应的实践案例。
在一些实施例中,所述建筑设计生成模块用于获取来自交互模块5的用户设计条件,并根据用户设计条件匹配设计策略,匹配到的所述设计策略被输入所述映射泛化模型以获取对应的实践案例并传输至交互模块5以作为对用户的反馈案例。
本发明实施例系统在前端完成多个维度的数据收集后,传输到后端数据库,当终端发出交互请求时,数据库通过数据筛选、结构化等操作步骤,将答案反馈至用户。由此可见,数据库是整套系统运行、承上启下的核心。数据的解析、存储以及反馈,均需要在后端的数据库中完成。数据库的布署是基于云端模式,具有可成长、可学习的两大特性。针对此两大特性,具体说明如下:
一是成长性,在系统算力与存储允许的前提下,前端数据录入是可以不断积累的,不仅如此,当数据积累量足够大时,结合S1.2.2中所提到的创作标签内容,数据库根据不同的标签内容,形成特定的知识体系。如:“绿色建筑”知识体系、“智慧建筑”知识体系。知识体系的建立,可以在终端的使用交互过程中,形成更加系统地引导,更加有助于用户创作能力与业务能力的提升。
二是学习型,需要特别指出的是,录入数据库的数据,只是理论正确的数据,其合理性与实践参考价值是可以被修正的,这涉及到一套在终端交互中已存在的答案评分与推荐机制。根据此套机制,系统所“反馈答案”中,被采纳和被否定的次数引导这系统的自我学习和进化,系统会将那些更容易被采纳的“反馈答案”认定为合理的、具有实践参考价值的更优解,并在此基础上不断地修正、优化数据内容和知识体系。除此之外,系统还可以在和用户的交互过程中,记住每一位用户对“反馈答案”的选择偏好,进而判断出针对此用户的更优解,以此创造更加人性化、更加友好的交互使用体验。此处可做具体说明,比如:若用户在终端的使用交互中,多次在模型中选择曲面体量、不规则体量,那系统即会判定用户更偏爱异形建筑体,在未来的“反馈答案”中,会减少规则建筑创作推荐,增加异形建筑创作推荐。
在一些实施例中,关于答案评分与推荐机制包括:当终端用户发起交互请求,即设计条件输入后,后端数据库根据限定条件进行答案反馈时,所有的反馈答案都会有自己的初始“评分”,所有“反馈答案”的初始评分都是0分。当用户在面对“反馈答案”界面时,会出现下面三种情况:
当用户认为“反馈答案”正确,并选择答案“输出”时,每被选择输出一次,此类答案的评分都会“+1”分;
当用户认为“反馈答案”与心理预期不符,但并不涉及正确或错误的判断,对反馈答案不做任何操作,直接进行设计条件的再输入或解释,此类答案的评分不会变化;
当用户认为“反馈答案”在逻辑性或策略性方面存在错误,是错误答案。此时用户可选择答案“退回”,每被用户选择退回一次,词类答案的评分都会“-1”分。
基于以上的评分逻辑,随着长时间的使用、数据积累,所有反馈答案都会拥有自己的评分分值,系统会根据此分值,从高到低的向用户推荐“反馈答案”。评分过低的“错误”答案,系统会将此“反馈答案”拉入黑名单,不再向用户推荐。
在一些实施例中,所述交互模块5部署于web端或者APP端。
在一些实施例中,所述工程信息包括建筑信息模型中的结构形式、材料、造价和机电系统;
所述交互模块5还包括辅助计算模块51,所述辅助计算模块51根据用户选定的反馈案例包含的工程信息计算工程造价。
在一些实施中,所述交互模块5包括案例推荐模式选择模块52,所述案例推荐模式选择模块52具有第一模式和第二模式供用户选择;
采用第一模式时,交互模块5根据用户设定的限制条件基于辅助计算模块51计算用户选定的反馈案例的工程造价;
采用第二模块式时,交互模块5获取用户的设定限价,根据设定限价和反馈案例对应的工程造价向用户展示符合设定限价的反馈案例。
考虑到建筑创作对PC端的依赖性,此终端交互&成果输出模块的布署与交互均应基于Web端完成。用户需在Web端发起提问,输入设计条件,此需求可能会包括1)建筑类型;2)气候区;3)自然条件;4)地貌;5)建筑高度;6)用地红线图(CAD文件);7)周边环境图(图片文件)等多个维度。
应当理解的是,与AIGC的交互是一种基于自然语言的交互,终端用户的提问更像是和系统在聊天,而不是传统人工智能定向提问的逻辑,所谓定向提问,就是用户的问题或关键字必须在后端数据库提前有对应的答案匹配才能做出回答,如果用户的提问方式缺少技巧,或者对系统不熟悉,即使系统中存在答案,但因为用户没有精准触发系统作答的关键字或语句,那系统也无法给出准确回答,甚至无法回答。而用户与AIGC的交互就可以完美解决此类问题。具体以下用户和系统的对话模拟。另外,在终端用户和系统的交互过程中,用户并不需要对所有维度都做出条件输入。只要有任何一个维度的条件输入,并在后端数据库中形成关联匹配,用户可以随时终止提问,并要求系统基于目前的条件内容给出“反馈答案”。具体的对话模拟如下:
用户:我想做一个建筑创作,你能帮我吗?
系统:当然可以,请问您想做一种什么类型的建筑呢?建筑类型有很多种类,比如:文化博览建筑、科研办公建筑、工业建筑等等。
用户:我想做一个会议中心。
系统:没问题!会议中心属于会展类建筑,请问您这个建筑用地所在的气候区是哪里呢?
用户:现在不需要那么具体,我只是想头脑风暴一下,所有和会议中心创作有关的资料我都想知道。
系统:明白,那我就把所有相关的内容给您罗列出来,出以下几种方向的创作建议。(配合此文字,Web端会同步出现“反馈答案”)。
若终端用户并没有很清晰的创作思路,对系统也不熟悉,可能会发生的对话模拟情况如下:
用户:我想做一个建筑创作,你能帮我吗?
系统:当然可以,请问您想做一种什么类型的建筑呢?建筑类型有很多种类,比如:文化博览建筑、科研办公建筑、工业建筑等等。
用户:我想做一个大学,主要是做科学实验用,会有很多实验室在里面。
系统:明白,这应该属于属于科研建筑分类里的科研类高校。请问您这个建筑用地所在的气候区是哪里呢?
用户:气候区啥意思,我不懂。
系统:那您能告诉我这个建筑的建设用地在哪吗?
用户:重庆
系统:好的,重庆属于夏热冬冷地区,少阳光直射、少风且多雨。而且重庆的地貌地势变化很大,不知道建设用地内的地貌是怎样的呢?
用户:用地里的地貌比较复杂,不是平地。
系统:是有土丘吗?或者现状有山体?或者是崖壁?
用户:应该是崖壁吧,是之前开发时挖出来的断崖。
系统:明白,那您的建筑打算做多高呢?
用户:我还没想好。
系统:没关系,那这个建筑的周边环境图、还有用地红线图您有吗?
用户:红线没有,但我有用地周边环境的航拍图。
系统:好的,那请您把航拍图通过web端传给我,我先学习一下可以吗?
用户:(上传周边环境的航拍图)
系统:(图像识别,后端数据库做关联匹配,此过程大概需要3-10s)
系统:抱歉让您久等了,根据您上述所说的情况,我可以给出以下几种方向的创作建议。(配合此文字,Web端会同步出现“反馈答案”)。
根据用户的创作能力和对此系统的熟悉程度不同,他提问的方式和次数会有非常多的可能性。以下举例是针对一个创作能力较强,而且较为熟悉此系统的用户举例。
一个终端用户在Web端发起提问,他提问的内容中包括上述7个条件中的所有内容。从1)——7)依次为:1)文化博览建筑;2)夏热冬暖地区;3)多雨、少风、少阳光直射;4)崖壁;5)15米;6)dwg格式的用地红线文件;7)场地及周边环境的航拍图、全景图等。其中,第六项内容所提供的具体数据为建设用地的面积和形状依据;第七项内容所提供的具体数据为建筑周边环境所构成的图底关系。在以上所有条件(七项内容只是举例,实际的条件输入可能远不止七项)的限定下,后端数据库会检索所有的“设计创作标签”,调用所有标签内容与输入条件有关联的设计策略方法,系统会基于一套权重判定逻辑,对以上七项内容对应的所有策略方法取交集,取交集后最终得出的策略方法,即是该项目在建筑创作过程中所应采用的策略方法,这些策略方法都对应着自身的“反馈答案”(案例和模型),这些反馈答案就是终端用户在此次交互中希望得到的结果(注意,“反馈答案”并不是最终结果,因为这些答案只是枚举,若想最终形成答案输出,还需要经过用户的筛选、甚至更多轮次的Web端交互)。此处会分为情况3.1和情况3.2两种情况讨论:
情况3.1用户认为“反馈答案”部分符合心理预期。具体举例:系统共生成了10条“反馈答案”,用户认为其中七条都符合要求,其它三条不符合,此处会分为情况3.1.1~3.1.3三种情况讨论:
情况3.1.1在七条符合答案中,直接选择最符合用户心理预期的答案(可能是三条,也可能是全部)“输出”,输出后,用户即可得到此次交互的结果。答案分为两部分,案例文档和模型:
案例文档中可分为以下四种答案类型:1)公开网页链接:用户可自行访问网页进行浏览;2)案例详解文本:更加详细的案例资料,其中可能涉及知识产权部分需要付费,这里存在一定的商业转化机会,此发明中不做展开;3)设计团队接洽:如果使用此系统的是建设方,那么他在找到此答案中符合自己需求的案例时,一定希望知道是哪个团队完成的作品,这里存在一定的商业转化机会,此发明中不做展开;4)项目实地考察:对某些用户来说,此系统提供的答案可以变成一种旅游指引或者课题实地调研的目的地,那么案例项目的运营方就可能存在商务接待或企业宣传的机会,这里存在一定的商业转化机会,此发明中不做展开。
模型中可分为以下三种类型:1)可视化表达:基于AIGC生成的体块模型,可通过“视觉素材”的选择,快速生成建筑效果图、立面图和漫游视频等,用于建筑创作前期的方案沟通和汇报;2)模型输出:可以直接输出skp、rh或rvt等格式的建筑模型文件,用于建筑创作的深化和延续,也可生成对应方案的分析图、PPT等,用于方案沟通和汇报,这里存在一定的商业转化机会,此发明中不做展开;3)工程深化:可通过“工程信息”的选择,辅助项目进行造价预估和限价设计。比如:在一种选定的创作方案下,通过设定此方案的结构形式、主要建筑材料等信息,可初步估计项目的造价,以快速判断方案创作的可实施性;反之,也可在一种选定的创作方案下,设置希望控制的工程总价(如:2亿),在AIGC和BIM的共同作用下,系统可给出项目的结构形式、主要建筑选材建议,这在建筑创作的前期非常有意义,可以减少很多因后期的造价失控而带来的设计返工问题。
情况3.1.2在三条不符合答案中,用户可能会发现系统所反馈的答案中有“错误”答案。注意此错误并不是说系统反馈的答案匹配度不够高,而是会对建筑创作产生负面引导的错误、建筑常识的错误、逻辑性的错误等。此时,用户可以选择答案“退回”。之后可根据自身需求与系统继续交互。
情况3.1.3在三条不符合答案中,处“错误”答案外,剩余的就是匹配度不高的答案。此类答案用户可以直接忽略,不在系统中完成任何操作,也不会影响用户与系统接下来的交互。
情况3.2用户认为“反馈答案”全部不符合心理预期。发生此种情况时,第一种可能是用户的输入条件出现问题,此时需要用户再次检查与系统间的交互对话内容,若存在错误需修正并在之后的交互中向系统说明;第二种情况是系统中匹配不到用户所提出的输入条件内容,这种情况发生的概率极低;第三种情况是系统给出的“反馈答案”只达到了用户心理预期的一部分,比如只满足了用户30%的心理预期,但用户希望的是80%以上,这种情况需要用户进一步地和系统之间进行交互对话,尽量详尽的阐述设计条件和设计创作要求,以便在后端数据库中形成更加精准的关联匹配。
通过本发明实施例可以帮助设计者在创作前期更加高质高效、有的放矢地完成建筑创作;可以为建筑行业建立高质量的建筑创作数据库,不断地丰富、筛选、提炼数据库内容,更好地引导设计创作;通过引导的方式,帮助设计者建立正确的设计价值观和思维逻辑,在辅助完成设计的同时,提升设计者本身的业务能力。
专业人员应该还可以进一步意识到,模块的运行属于现有技术的协议或者程序即可实现,不依托于新的计算机程序本身。结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于AIGC的建筑智能设计系统,其特征在于,包括:
数据收集模块,用于获取建筑设计知识,建筑设计知识至少包括基础理论、设计策略、工程信息、标准规范以及实践案例;
微调模块,与所述数据收集模块电性连接,获取所述建筑设计知识以输入预训练模型进行微调以获得建筑设计生成模型;
数据库模块,与所述数据收集模块和所述建筑设计语言模型分别电性连接,用于获取并存储所述建筑设计知识,以供所述建筑设计生成模型调用所述建筑设计知识;
交互模块,与所述建筑设计语言模型电性连接,所述交互模块用于与用户进行交互,获取用户的设计需求并将所述设计需求输入所述建筑设计生成模型,并接收来自建筑设计生成模型的反馈案例以向用户展示,所述设计需求包括用户输入的需求语言、图像和用户对于所述反馈案例的选择操作;
所述建筑设计知识还包括连接设计策略和实践案例之间的映射关系;
所述建筑设计知识还包括基于所述映射关系提取的关键词标签;
所述实践案例包括案例文档和案例模型;
所述数据收集模块还包括映射泛化模型,所述映射泛化模型是通过设计策略连接的多个实践案例和若干对应的映射关系对神经网络模型进行训练;
所述映射泛化模型用于根据设计策略向所述数据库模块中的建筑设计知识搜索对应的实践案例;
设计策略的录入包括:建立策略方法文字与反馈答案间的逻辑映射关系、针对此策略的创作标签提炼以及针对此策略底层逻辑与规则的建筑形式泛化训练。
2.根据权利要求1所述的基于AIGC的建筑智能设计系统,其特征在于:所述建筑设计生成模型的训练方法包括:
获取所述建筑设计知识和预训练模型;
对所述建筑设计知识进行第一预处理,所述第一预处理包括去除HTML标签和特殊字符、进行数据清洗以及去除停用词;
对预处理后的所述建筑设计知识进行分词处理,以提取所述建筑设计知识中的关键词、短语或者行业术语;
将所述关键词、短语和行业术语进行去重之后加入所述预训练模型的词汇表中;
获取自定义建筑设计数据集,包括对建筑设计知识进行第二预处理以使得所述建筑设计知识满足所述预训练模型的输入格式,进而形成所述自定义建筑设计数据集;
根据选定损失函数和优化器,基于所述自定义建筑设计数据集对所述预训练模型进行微调,以更新所述预训练模型的网络权重和所述词汇表中词汇对应的词向量,获得所述建筑设计生成模型,所述建筑设计生成模型用于基于用户输入的设计需求匹配对应的实践案例。
3.根据权利要求1所述的基于AIGC的建筑智能设计系统,其特征在于:所述建筑设计知识还包括视觉素材和技术做法,所述视觉素材包括建筑材质贴图、建筑表现风格或动画脚本中的一种或者多种的组合,所述技术做法包括建筑设计中的构造细部内容。
4.根据权利要求1所述的基于AIGC的建筑智能设计系统,其特征在于:所述基础理论包括建筑学的空间组合论以及专业术语。
5.根据权利要求1所述的基于AIGC的建筑智能设计系统,其特征在于:所述交互模块部署于web端或者APP端。
6.根据权利要求1所述的基于AIGC的建筑智能设计系统,其特征在于:所述建筑设计生成模块用于获取来自交互模块的用户设计条件,并根据用户设计条件匹配设计策略,匹配到的所述设计策略被输入所述映射泛化模型以获取对应的实践案例并传输至交互模块以作为对用户的反馈案例。
7.根据权利要求1所述的基于AIGC的建筑智能设计系统,其特征在于:所述工程信息包括建筑信息模型中的结构形式、材料、造价和机电系统;
所述交互模块还包括辅助计算模块,所述辅助计算模块根据用户选定的反馈案例包含的工程信息计算工程造价。
8.根据权利要求7所述的基于AIGC的建筑智能设计系统,其特征在于:所述交互模块包括案例推荐模式选择模块,所述案例推荐模式选择模块具有第一模式和第二模式供用户选择;
采用第一模式时,交互模块根据用户设定的限制条件基于辅助计算模块计算用户选定的反馈案例的工程造价;
采用第二模块式时,交互模块获取用户的设定限价,根据设定限价和反馈案例对应的工程造价向用户展示符合设定限价的反馈案例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410104947.0A CN117632098B (zh) | 2024-01-25 | 2024-01-25 | 一种基于aigc的建筑智能设计系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410104947.0A CN117632098B (zh) | 2024-01-25 | 2024-01-25 | 一种基于aigc的建筑智能设计系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117632098A CN117632098A (zh) | 2024-03-01 |
CN117632098B true CN117632098B (zh) | 2024-04-23 |
Family
ID=90018460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410104947.0A Active CN117632098B (zh) | 2024-01-25 | 2024-01-25 | 一种基于aigc的建筑智能设计系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117632098B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118014072A (zh) * | 2024-04-10 | 2024-05-10 | 中国电建集团昆明勘测设计研究院有限公司 | 水利水电工程用知识图谱的构建方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101641831B1 (ko) * | 2015-04-29 | 2016-07-22 | 한양대학교 산학협력단 | 지식정보기반 건축 설계 지원 시스템 프레임워크 |
CN116011456A (zh) * | 2023-03-17 | 2023-04-25 | 北京建筑大学 | 基于提示学习的中文建筑规范文本实体识别方法及系统 |
CN116402067A (zh) * | 2023-04-06 | 2023-07-07 | 哈尔滨工业大学 | 面向多语种文字风格保持的跨语言自监督生成方法 |
CN116541911A (zh) * | 2023-07-05 | 2023-08-04 | 大家智合(北京)网络科技股份有限公司 | 一种基于人工智能的包装设计系统 |
CN116663113A (zh) * | 2023-05-30 | 2023-08-29 | 嘉兴孪数光线科技有限公司 | 一种基于aigc技术的空间设计生成式方法 |
CN117351325A (zh) * | 2023-12-06 | 2024-01-05 | 浙江省建筑设计研究院 | 一种模型训练方法、建筑效果图生成方法、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766417B (zh) * | 2018-11-30 | 2020-11-24 | 浙江大学 | 一种基于知识图谱的文学编年史问答系统的构建方法 |
-
2024
- 2024-01-25 CN CN202410104947.0A patent/CN117632098B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101641831B1 (ko) * | 2015-04-29 | 2016-07-22 | 한양대학교 산학협력단 | 지식정보기반 건축 설계 지원 시스템 프레임워크 |
CN116011456A (zh) * | 2023-03-17 | 2023-04-25 | 北京建筑大学 | 基于提示学习的中文建筑规范文本实体识别方法及系统 |
CN116402067A (zh) * | 2023-04-06 | 2023-07-07 | 哈尔滨工业大学 | 面向多语种文字风格保持的跨语言自监督生成方法 |
CN116663113A (zh) * | 2023-05-30 | 2023-08-29 | 嘉兴孪数光线科技有限公司 | 一种基于aigc技术的空间设计生成式方法 |
CN116541911A (zh) * | 2023-07-05 | 2023-08-04 | 大家智合(北京)网络科技股份有限公司 | 一种基于人工智能的包装设计系统 |
CN117351325A (zh) * | 2023-12-06 | 2024-01-05 | 浙江省建筑设计研究院 | 一种模型训练方法、建筑效果图生成方法、设备及介质 |
Non-Patent Citations (3)
Title |
---|
AIGC 技术下的建筑生成设计方法初探——以Prompt 关键词生成建筑意象的整体设计过程为例;黄龑枫 等;《城市建筑》;20230831;第205-206页的第3节 * |
From concept to space: a new perspective on AIGC-involved attribute translation;Kaiyu Cheng 等;《Digital Creativity》;20230818;全文 * |
自然语言预训练模型知识增强方法综述;孙毅 等;《中文信息学报》;20210731;第11-23页的引言,第1至第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN117632098A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7421604B2 (ja) | モデル事前訓練方法および装置、テキスト生成方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
CN108984745B (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN107133211B (zh) | 一种基于注意力机制的作文评分方法 | |
CN107766324B (zh) | 一种基于深度神经网络的文本一致性分析方法 | |
EP3683724A1 (en) | Training method for image-text matching model, bidirectional search method, and related apparatus | |
CN103782291B (zh) | 定制自然语言处理引擎 | |
CN104050160B (zh) | 一种机器与人工翻译相融合的口语翻译方法和装置 | |
CN117632098B (zh) | 一种基于aigc的建筑智能设计系统 | |
JP2017534956A (ja) | 多言語画像質問応答 | |
CN109947915B (zh) | 一种基于知识管理系统的人工智能专家系统及其构建方法 | |
CN108415977A (zh) | 一个基于深度神经网络及强化学习的生成式机器阅读理解方法 | |
CN107369443A (zh) | 基于人工智能的对话管理方法及装置 | |
CN106202010A (zh) | 基于深度神经网络构建法律文本语法树的方法和装置 | |
CN109948158A (zh) | 基于环境元嵌入和深度学习的情感倾向性分析方法 | |
CN107766320A (zh) | 一种中文代词消解模型建立方法及装置 | |
CN111339765B (zh) | 文本质量评估方法、文本推荐方法及装置、介质及设备 | |
CN112148890A (zh) | 基于网络群体智能的教学知识点图谱系统 | |
CN113297370A (zh) | 基于多交互注意力的端到端多模态问答方法及系统 | |
CN110991290A (zh) | 基于语义指导与记忆机制的视频描述方法 | |
Narayan et al. | Deep learning approaches to text production | |
CN110489554A (zh) | 基于位置感知互注意力网络模型的属性级情感分类方法 | |
US20230351655A1 (en) | Automatic design-creating artificial neural network device and method, using ux-bits | |
CN111710428A (zh) | 一种建模全局和局部上下文交互的生物医学文本表示方法 | |
CN114972848A (zh) | 基于细粒度视觉信息控制网络的图像语义理解及文本生成 | |
CN114564768A (zh) | 一种基于深度学习的端到端智能平面设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |