CN117634006B - 基于bim技术的套管预埋工程管理系统及方法 - Google Patents
基于bim技术的套管预埋工程管理系统及方法 Download PDFInfo
- Publication number
- CN117634006B CN117634006B CN202410112126.1A CN202410112126A CN117634006B CN 117634006 B CN117634006 B CN 117634006B CN 202410112126 A CN202410112126 A CN 202410112126A CN 117634006 B CN117634006 B CN 117634006B
- Authority
- CN
- China
- Prior art keywords
- embedded
- sleeve
- training
- scheme
- topology
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 125
- 238000007726 management method Methods 0.000 claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 100
- 239000013598 vector Substances 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 33
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000011179 visual inspection Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 7
- 239000000306 component Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于BIM技术的套管预埋工程管理系统及方法。其首先获取套管预埋BIM模型,接着,从所述套管预埋BIM模型提取各个预埋点的预埋信息,然后,对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵,最后,基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常。这样,可以识别套管预埋方案中的异常情况,减少人工测量和目测的工作量,提高套管预埋工程管理的效率。
Description
技术领域
本申请涉及套管预埋工程管理领域,且更为具体地,涉及一种基于BIM技术的套管预埋工程管理系统及方法。
背景技术
水处理厂主要用于将原水进行净化和处理,以供给城市、工业和农业用水。水池的预留预埋工作是在水池施工前,在水池结构中预留或预埋一些管线、设备或构件,以便后续的管线布置、设备安装等工作。预留预埋工作的质量直接影响后期管线施工和处理工艺,因此通常需要对套管预埋方案进行合理的分析和检查。
传统的判断套管预埋方案是否存在异常的方式通常是依靠人工检查和经验判断。工程人员会根据设计图纸和施工要求,对套管预埋方案进行目测和测量,以确定是否存在异常情况,如位置错误、偏移、错位等。这种方式存在以下问题:1.主要依赖人工检查,容易受到人为因素和主观判断的影响,缺乏客观性和准确性;2.难以全面覆盖套管预埋方案的所有细节和特征,可能遗漏一些隐藏的异常情况。
BIM技术(Building Information Modeling)是一种基于数字模型的建筑信息化技术。它通过整合建筑设计、施工和运营过程中的各种信息,实现对建筑物全生命周期的可视化和协同管理。随着BIM技术在工程管理中的发展与应用,为优化套管预埋工程管理方案提供了一种新的思路。
发明内容
有鉴于此,本申请提出了一种基于BIM技术的套管预埋工程管理系统及方法,其可以提高套管预埋工程管理的效率。
根据本申请的一方面,提供了一种基于BIM技术的套管预埋工程管理方法,其包括:获取套管预埋BIM模型;从所述套管预埋BIM模型提取各个预埋点的预埋信息;对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵;以及基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常。
在上述的基于BIM技术的套管预埋工程管理方法中,对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵,包括:提取所述各个预埋点的预埋信息的语义信息以得到预埋点预埋信息编码特征向量的序列;提取所述各个预埋点之间的空间拓扑关联信息以得到空间拓扑特征矩阵;以及将所述空间拓扑特征矩阵和所述预埋点预埋信息编码特征向量的序列通过基于图神经网络模型的套管预埋方案图编码器以得到所述套管预埋方案语义理解特征矩阵。
在上述的基于BIM技术的套管预埋工程管理方法中,提取所述各个预埋点的预埋信息的语义信息以得到预埋点预埋信息编码特征向量的序列,包括:使用基于全连接层的编码器对所述各个预埋点的预埋信息进行编码以得到所述预埋点预埋信息编码特征向量的序列。
在上述的基于BIM技术的套管预埋工程管理方法中,提取所述各个预埋点之间的空间拓扑关联信息以得到空间拓扑特征矩阵,包括:构建所述各个预埋点之间的空间拓扑矩阵;以及利用深度学习网络模型对所述空间拓扑矩阵进行特征提取以得到所述空间拓扑特征矩阵。
在上述的基于BIM技术的套管预埋工程管理方法中,所述空间拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个预埋点之间的空间距离。
在上述的基于BIM技术的套管预埋工程管理方法中,所述深度学习网络模型为基于卷积神经网络模型的预埋点拓扑空间分布特征提取器;其中,所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器包括输入层、卷积层、激活层、池化层和输出层。
在上述的基于BIM技术的套管预埋工程管理方法中,利用深度学习网络模型对所述空间拓扑矩阵进行特征提取以得到所述空间拓扑特征矩阵,包括:将所述空间拓扑矩阵通过所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器以得到所述空间拓扑特征矩阵。
在上述的基于BIM技术的套管预埋工程管理方法中,基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常,包括:将所述套管预埋方案语义理解特征矩阵通过分类器以得到分类结果,所述分类结果用于表示套管预埋方案是否存在异常。
在上述的基于BIM技术的套管预埋工程管理方法中,还包括训练步骤:对所述基于全连接层的编码器、所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器、所述基于图神经网络模型的套管预埋方案图编码器和所述分类器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括训练套管预埋BIM模型,套管预埋方案是否存在异常的真实值;从所述训练套管预埋BIM模型提取各个预埋点的训练预埋信息;使用所述基于全连接层的编码器对所述各个预埋点的训练预埋信息进行编码以得到训练预埋点预埋信息编码特征向量的序列;构建所述各个预埋点之间的训练空间拓扑矩阵,其中,所述训练空间拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个预埋点之间的空间距离;将所述训练空间拓扑矩阵通过所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器以得到训练空间拓扑特征矩阵;将所述训练空间拓扑特征矩阵和所述训练预埋点预埋信息编码特征向量的序列通过所述基于图神经网络模型的套管预埋方案图编码器以得到训练套管预埋方案语义理解特征矩阵;将所述训练套管预埋方案语义理解特征矩阵通过所述分类器以得到分类损失函数值;计算所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列的特定损失函数值;以及以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于全连接层的编码器、所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器、所述基于图神经网络模型的套管预埋方案图编码器和所述分类器进行训练。
根据本申请的另一方面,提供了一种基于BIM技术的套管预埋工程管理系统,其包括:模型获取模块,用于获取套管预埋BIM模型;预埋信息提取模块,用于从所述套管预埋BIM模型提取各个预埋点的预埋信息;图编码模块,用于对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵;以及异常分析模块,用于基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常。
在本申请中,其首先获取套管预埋BIM模型,接着,从所述套管预埋BIM模型提取各个预埋点的预埋信息,然后,对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵,最后,基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常。这样,可以识别套管预埋方案中的异常情况,减少人工测量和目测的工作量,提高套管预埋工程管理的效率。
根据下面参考附图对本申请的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的基于BIM技术的套管预埋工程管理方法的流程图。
图2示出根据本申请的实施例的基于BIM技术的套管预埋工程管理方法的架构示意图。
图3示出根据本申请的实施例的基于BIM技术的套管预埋工程管理方法的子步骤S130的流程图。
图4示出根据本申请的实施例的基于BIM技术的套管预埋工程管理方法的子步骤S132的流程图。
图5示出根据本申请的实施例的基于BIM技术的套管预埋工程管理系统的框图。
图6示出根据本申请的实施例的基于BIM技术的套管预埋工程管理方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
针对上述技术问题,本申请的技术构思为利用BIM建模技术和深度学习算法,提取套管预埋BIM模型中每个预埋点的预埋信息,并进行基于图结构编码的特征提取,以捕捉套管预埋BIM模型中的预埋语义属性信息和各个预埋点之间的空间拓扑特征信息,从而识别套管预埋方案中的异常情况,减少人工测量和目测的工作量,提高套管预埋工程管理的效率。
基于此,图1示出根据本申请的实施例的基于BIM技术的套管预埋工程管理方法的流程图。图2示出根据本申请的实施例的基于BIM技术的套管预埋工程管理方法的架构示意图。如图1和图2所示,根据本申请实施例的基于BIM技术的套管预埋工程管理方法,包括步骤:S110,获取套管预埋BIM模型;S120,从所述套管预埋BIM模型提取各个预埋点的预埋信息;S130,对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵;以及,S140,基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常。
应可以理解,在步骤S110中,获取的套管预埋工程相关的BIM模型数据,包括建筑结构、管道系统等信息。在步骤S120中,通过对套管预埋BIM模型进行解析,提取出各个预埋点的预埋信息,如预埋点的坐标、材料、尺寸等。在步骤S130中,根据预埋点的位置关系和拓扑结构,对预埋信息进行编码处理,生成套管预埋方案的语义理解特征矩阵,这个特征矩阵可以用于后续的异常检测和冲突分析。在步骤S140中,利用套管预埋方案的语义理解特征矩阵,进行异常检测和冲突分析,通过比对预埋方案与规范要求或者其他相关标准,确定套管预埋方案是否存在异常情况,如预埋位置不准确、尺寸偏差过大等。通过以上步骤,可以实现对套管预埋工程的全过程管理和控制,提高工程的质量和效率。
具体地,在本申请的技术方案中,首先获取套管预埋BIM模型;并从所述套管预埋BIM模型提取各个预埋点的预埋信息。其中,所述套管预埋BIM模型包含了水池结构中预留或预埋的管线、设备或构件的位置和属性信息,这些信息对于套管预埋工程管理方案的评估和优化非常重要。在本申请的技术方案中,从套管预埋BIM模型中提取各个预埋点的预埋信息的目的是为了获取每个预埋点的具体位置和属性信息。预埋信息可以包括预埋点的坐标、材料、尺寸等。更具体地,在本申请的实施例中,从设计团队或相关部门获取水处理厂的套管预埋BIM模型,并使用BIM软件或相关工具对套管预埋BIM模型进行解析,提取出预留预埋的管线、设备或构件的位置和属性信息,再根据预埋点的标识或属性,从解析后的数据中提取出各个预埋点的预埋信息,如预埋点的坐标、材料、尺寸等。
接着,使用基于全连接层的编码器对所述各个预埋点的预埋信息进行编码以得到预埋点预埋信息编码特征向量的序列。也就是,将所述各个预埋点的预埋信息转化为具有语义含义的向量表示,以表征预埋信息中的复杂语义关系。然后,构建所述各个预埋点之间的空间拓扑矩阵,其中,所述空间拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个预埋点之间的空间距离;再将所述空间拓扑矩阵通过基于卷积神经网络模型的预埋点拓扑空间分布特征提取器以得到空间拓扑特征矩阵。也就是,通过构建各个预埋点之间的空间拓扑矩阵以将各个预埋点之间的空间关系和相对位置信息进行表征和刻画,并利用卷积神经网络模型构架所述预埋点拓扑空间分布特征提取器来捕捉套管预埋点的空间拓扑关联关系,以理解套管预埋方案的布局思路和预埋点分布特征。值得一提的是,经所述预埋点拓扑空间分布特征提取器处理后得到的所述空间拓扑特征矩阵包含重要的空间特征信息,这些特征可以包括预埋点的分布模式、集中程度、空间对称性等,有助于对套管预埋方案进行更深入的分析和理解。
进一步地,将所述空间拓扑特征矩阵和所述预埋点预埋信息编码特征向量的序列通过基于图神经网络模型的套管预埋方案图编码器以得到套管预埋方案语义理解特征矩阵。也就是,将预埋点之间的空间拓扑关联关系和预埋点的语义属性信息结合起来,实现对套管预埋方案的语义理解和特征表达。
在本申请的实际应用场景中,套管预埋方案中的预埋点之间存在复杂的关系,包括空间关系和连接关系等。而图神经网络模型可以有效地建模和处理这些复杂的关系,通过节点和边的特征传递和聚合,实现对套管预埋方案的全局理解和特征提取。同时,图神经网络模型能够通过节点和边的上下文关系建模,考虑每个预埋点与其周围预埋点的相互作用和影响。这可以帮助理解套管预埋方案中预埋点之间的相对位置、连接方式和布局模式等,提高对套管预埋方案的理解和评估能力。
相应地,在步骤S130中,如图3所示,对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵,包括:S131,提取所述各个预埋点的预埋信息的语义信息以得到预埋点预埋信息编码特征向量的序列;S132,提取所述各个预埋点之间的空间拓扑关联信息以得到空间拓扑特征矩阵;以及,S133,将所述空间拓扑特征矩阵和所述预埋点预埋信息编码特征向量的序列通过基于图神经网络模型的套管预埋方案图编码器以得到所述套管预埋方案语义理解特征矩阵。
应可以理解,在步骤S131中,从每个预埋点的预埋信息中提取出具有语义意义的信息,例如预埋点的用途、功能、属性等,并将其编码为特征向量的序列,这样可以将预埋点的具体信息进行编码,为后续的分析和处理提供基础。步骤S132中,分析预埋点之间的空间位置关系,提取出它们之间的拓扑关联信息,例如距离、相对位置、连接关系等,并将其表示为空间拓扑特征矩阵,这样可以捕捉到预埋点之间的空间关系,为后续的分析和处理提供基础。步骤S133中,将空间拓扑特征矩阵和预埋点预埋信息编码特征向量的序列输入到基于图神经网络模型的套管预埋方案图编码器中,通过图神经网络的学习和推理,将输入的信息转化为套管预埋方案的语义理解特征矩阵,这样可以将预埋点的语义信息和空间关系进行综合分析,得到更全面和准确的套管预埋方案的语义理解特征矩阵。通过以上步骤,可以对套管预埋方案进行全面的语义理解和特征提取,为后续的异常检测和冲突分析提供更可靠的依据。
其中,在步骤S131中,提取所述各个预埋点的预埋信息的语义信息以得到预埋点预埋信息编码特征向量的序列,包括:使用基于全连接层的编码器对所述各个预埋点的预埋信息进行编码以得到所述预埋点预埋信息编码特征向量的序列。值得一提的是,全连接层是一种常用的神经网络层类型,也称为稠密层。在全连接层中,每个神经元与上一层的所有神经元相连接,其输出由上一层神经元的输出加权和经过激活函数处理得到。全连接层的主要作用是将上一层的特征进行组合和变换,提取出更高层次的抽象特征。在步骤S131中,具体而言,将每个预埋点的预埋信息作为输入,通过全连接层对其进行线性变换和非线性激活,得到预埋点预埋信息的编码特征向量。全连接层可以将预埋点的具体信息进行维度变换和特征提取,使得每个预埋点的信息可以以更紧凑和有意义的方式表示。通过使用全连接层作为编码器,可以将预埋点的预埋信息映射到一个低维的特征向量空间,捕捉到预埋点的重要特征。这样可以减少数据的维度,提取出更具有代表性和可解释性的特征向量序列,为后续的分析和处理提供更好的输入。
其中,在步骤S132中,如图4所示,提取所述各个预埋点之间的空间拓扑关联信息以得到空间拓扑特征矩阵,包括:S1321,构建所述各个预埋点之间的空间拓扑矩阵;以及,S1322,利用深度学习网络模型对所述空间拓扑矩阵进行特征提取以得到所述空间拓扑特征矩阵。
具体地,在步骤S1321中,所述空间拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个预埋点之间的空间距离。应可以理解,空间拓扑特征矩阵是一个矩阵,其中的元素表示不同预埋点之间的空间关系,通常是通过计算预埋点之间的距离或相对位置得到的。空间拓扑特征矩阵的作用是提供了预埋点之间的空间关系信息。通过构建空间拓扑矩阵,可以捕捉到不同预埋点之间的距离和相对位置,进而描述了它们之间的空间拓扑关联。这样可以在套管预埋方案的管理和分析中,更全面地考虑预埋点之间的空间布局和相互影响。
具体地,在步骤S1322中,所述深度学习网络模型为基于卷积神经网络模型的预埋点拓扑空间分布特征提取器;其中,所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器包括输入层、卷积层、激活层、池化层和输出层。
更具体地,利用深度学习网络模型对所述空间拓扑矩阵进行特征提取以得到所述空间拓扑特征矩阵,包括:将所述空间拓扑矩阵通过所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器以得到所述空间拓扑特征矩阵。
应可以理解,卷积神经网络(Convolutional Neural Network,CNN)是一种常用的深度学习网络模型,主要用于图像识别和处理任务。卷积神经网络模型通过卷积层、激活层、池化层和全连接层等组件,可以有效地提取输入数据的特征,并进行分类、识别等任务。在步骤S1322中,所述深度学习网络模型为基于卷积神经网络模型的预埋点拓扑空间分布特征提取器。该模型利用卷积神经网络的特性来提取空间拓扑矩阵的特征。其具体结构包括输入层、卷积层、激活层、池化层和输出层。卷积层是卷积神经网络的核心组件,通过卷积操作对输入的空间拓扑矩阵进行特征提取。卷积层的参数包括卷积核的大小和数量,用于在不同位置上提取不同的特征。激活层则引入非线性变换,增加网络的表达能力。池化层则用于对特征图进行下采样,减少参数数量,提高模型的鲁棒性。通过基于卷积神经网络模型的预埋点拓扑空间分布特征提取器,可以对空间拓扑矩阵进行特征提取,得到更具有代表性和可解释性的空间拓扑特征矩阵。这样可以将复杂的空间关系转化为更简洁和有意义的特征表示,为套管预埋方案的管理和分析提供更好的输入。卷积神经网络模型的强大特征提取能力使得它在图像处理、模式识别和特征学习等领域得到广泛应用。
综合来说,空间拓扑特征矩阵可以提供预埋点之间的空间关系信息,通过深度学习网络的特征提取,可以将这些信息转化为更具有代表性和可解释性的特征矩阵,为套管预埋方案的管理和分析提供更全面和准确的基础。
继而,将所述套管预埋方案语义理解特征矩阵通过分类器以得到分类结果,所述分类结果用于表示套管预埋方案是否存在异常。
相应地,基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常,包括:将所述套管预埋方案语义理解特征矩阵通过分类器以得到分类结果,所述分类结果用于表示套管预埋方案是否存在异常。
具体地,将所述套管预埋方案语义理解特征矩阵通过分类器以得到分类结果,所述分类结果用于表示套管预埋方案是否存在异常,包括:将所述套管预埋方案语义理解特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括套管预埋方案存在异常(第一标签),以及,套管预埋方案不存在异常(第二标签),其中,所述分类器通过软最大值函数来确定所述套管预埋方案语义理解特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“套管预埋方案是否存在异常”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为1。因此,套管预埋方案是否存在异常的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“套管预埋方案是否存在异常”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM(支持向量机)等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的基于BIM技术的套管预埋工程管理方法,其还包括训练步骤:对所述基于全连接层的编码器、所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器、所述基于图神经网络模型的套管预埋方案图编码器和所述分类器进行训练。应可以理解,训练步骤在基于BIM技术的套管预埋工程管理方法中的作用如下:1.对基于全连接层的编码器进行训练:编码器用于将输入的套管预埋工程数据进行特征提取和编码,训练编码器可以提高其特征提取能力,使其能够更好地捕捉套管预埋工程的关键特征。2.对基于卷积神经网络模型的预埋点拓扑空间分布特征提取器进行训练:预埋点拓扑空间分布特征提取器用于提取套管预埋点在空间上的分布特征,训练该模型可以使其能够更准确地提取套管预埋点的分布特征,为后续的套管预埋方案图编码提供更准确的输入。3.对基于图神经网络模型的套管预埋方案图编码器进行训练:套管预埋方案图编码器用于将套管预埋方案图进行特征编码,训练该模型可以提高其编码能力,使其能够更好地捕捉套管预埋方案图的关键特征。4.对分类器进行训练:分类器用于对套管预埋工程进行分类,训练分类器可以提高其分类准确性,使其能够更准确地对套管预埋工程进行分类,为后续的套管预埋工程管理提供准确的分类结果。通过训练步骤,可以提高各个模型的特征提取和分类能力,使整个基于BIM技术的套管预埋工程管理方法能够更准确地进行套管预埋工程的管理和分类。
其中,在一个具体示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括训练套管预埋BIM模型,套管预埋方案是否存在异常的真实值;从所述训练套管预埋BIM模型提取各个预埋点的训练预埋信息;使用所述基于全连接层的编码器对所述各个预埋点的训练预埋信息进行编码以得到训练预埋点预埋信息编码特征向量的序列;构建所述各个预埋点之间的训练空间拓扑矩阵,其中,所述训练空间拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个预埋点之间的空间距离;将所述训练空间拓扑矩阵通过所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器以得到训练空间拓扑特征矩阵;将所述训练空间拓扑特征矩阵和所述训练预埋点预埋信息编码特征向量的序列通过所述基于图神经网络模型的套管预埋方案图编码器以得到训练套管预埋方案语义理解特征矩阵;将所述训练套管预埋方案语义理解特征矩阵通过所述分类器以得到分类损失函数值;计算所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列的特定损失函数值;以及,以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于全连接层的编码器、所述基于卷积神经网络模型的预埋点拓扑空间分布特征提取器、所述基于图神经网络模型的套管预埋方案图编码器和所述分类器进行训练。
在上述技术方案中,所述训练预埋点预埋信息编码特征向量的序列中的每个训练预埋点预埋信息编码特征向量表达相应预埋点的训练预埋信息的单样本空间全源域关联编码特征,而将所述训练空间拓扑特征矩阵和所述训练预埋点预埋信息编码特征向量的序列通过基于图神经网络模型的套管预埋方案图编码器后,可以进一步提取单样本空间编码特征在各个预埋点的空间拓扑特征下的拓扑关联表示,而这也会引起所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列之间具有不同的特征群密度表示,这样,在模型整体训练时,所述基于全连接层的编码器与所述基于图神经网络模型的套管预埋方案图编码器之间就会存在迭代不均衡,影响模型的整体训练效率。
因此,本申请的申请人考虑提升所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列的特征群密度表示一致性,从而进一步引入了针对所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列的特定损失函数。
相应地,在一个示例中,计算所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列的特定损失函数值,包括:以如下特定损失计算公式计算所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列的特定损失函数值;其中,所述特定损失计算公式为:其中,/>是所述训练套管预埋方案语义理解特征矩阵展开后得到的第一特征向量, />是所述训练预埋点预埋信息编码特征向量的序列级联后得到的第二特征向量,所述第一特征向量/>和所述第二特征向量具有相同长度/>,且/>表示向量的二范数的平方,/>是所述第一特征向量的特征值,/>是所述第二特征向量的特征值,/>表示向量减法,/>表示数值的指数运算,所述数值的指数运算表示计算以所述数值为幂的自然指数函数值,/>是特定损失函数值。
这里,所述损失函数基于特征群密度来进行群计数注意力,其通过将群计数作为输出特征群密度的递归映射,来进行所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型,可以使得模型针对所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列的特征分布下的不同密度模式来避免过估计和欠估计,并学习特征值分布与群密度分布之间的对应关系,从而实现具有不同特征密度的所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列之间的特征群密度表示一致性优化,以提升模型的整体训练效率。
综上,基于本申请实施例的基于BIM技术的套管预埋工程管理方法,其可以识别套管预埋方案中的异常情况,减少人工测量和目测的工作量,提高套管预埋工程管理的效率。
图5示出根据本申请的实施例的基于BIM技术的套管预埋工程管理系统100的框图。如图5所示,根据本申请实施例的基于BIM技术的套管预埋工程管理系统100,包括:模型获取模块110,用于获取套管预埋BIM模型;预埋信息提取模块120,用于从所述套管预埋BIM模型提取各个预埋点的预埋信息;图编码模块130,用于对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵;以及,异常分析模块140,用于基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常。
在一种可能的实现方式中,所述图编码模块130,用于:提取所述各个预埋点的预埋信息的语义信息以得到预埋点预埋信息编码特征向量的序列;提取所述各个预埋点之间的空间拓扑关联信息以得到空间拓扑特征矩阵;以及,将所述空间拓扑特征矩阵和所述预埋点预埋信息编码特征向量的序列通过基于图神经网络模型的套管预埋方案图编码器以得到所述套管预埋方案语义理解特征矩阵。
这里,本领域技术人员可以理解,上述基于BIM技术的套管预埋工程管理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于BIM技术的套管预埋工程管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于BIM技术的套管预埋工程管理系统100可以实现在各种无线终端中,例如具有基于BIM技术的套管预埋工程管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于BIM技术的套管预埋工程管理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于BIM技术的套管预埋工程管理系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于BIM技术的套管预埋工程管理系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于BIM技术的套管预埋工程管理系统100与该无线终端也可以是分立的设备,并且该基于BIM技术的套管预埋工程管理系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6示出根据本申请的实施例的基于BIM技术的套管预埋工程管理方法的应用场景图。如图6所示,在该应用场景中,首先,获取套管预埋BIM模型(例如,图6中所示意的D),然后,将所述套管预埋BIM模型输入至部署有基于BIM技术的套管预埋工程管理算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述基于BIM技术的套管预埋工程管理算法对所述套管预埋BIM模型进行处理以得到用于表示套管预埋方案是否存在异常的分类结果。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器,上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本申请可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (3)
1.一种基于BIM技术的套管预埋工程管理方法,其特征在于,包括:获取套管预埋BIM模型;从所述套管预埋BIM模型提取各个预埋点的预埋信息;对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵;以及基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常;
其中,对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵,包括:提取所述各个预埋点的预埋信息的语义信息以得到预埋点预埋信息编码特征向量的序列;提取所述各个预埋点之间的空间拓扑关联信息以得到空间拓扑特征矩阵;以及将所述空间拓扑特征矩阵和所述预埋点预埋信息编码特征向量的序列通过基于图神经网络模型的套管预埋方案图编码器以得到所述套管预埋方案语义理解特征矩;
其中,提取所述各个预埋点的预埋信息的语义信息以得到预埋点预埋信息编码特征向量的序列,包括:使用基于全连接层的编码器对所述各个预埋点的预埋信息进行编码以得到所述预埋点预埋信息编码特征向量的序列;
其中,提取所述各个预埋点之间的空间拓扑关联信息以得到空间拓扑特征矩阵,包括:构建所述各个预埋点之间的空间拓扑矩阵;以及利用深度学习网络模型对所述空间拓扑矩阵进行特征提取以得到所述空间拓扑特征矩阵;
其中,所述空间拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个预埋点之间的空间距离;
其中,所述深度学习网络模型为基于卷积神经网络模型的预埋点拓空间分布特征提取器;其中,所述基于卷积神经网络模型的预埋点拓空间分布特征提取器包括输入层、卷积层、激活层、池化层和输出层;
其中,利用深度学习网络模型对所述空间拓扑矩阵进行特征提取以得到所述空间拓扑特征矩阵,包括:将所述空间拓扑矩阵通过所述基于卷积神经网络模型的预埋点拓空间分布特征提取器以得到所述空间拓扑特征矩阵;
其中,基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常,包括:将所述套管预埋方案语义理解特征矩阵通过分类器以得到分类结果,所述分类结果用于表示套管预埋方案是否存在异常。
2.根据权利要求1所述的基于BIM技术的套管预埋工程管理方法,其特征在于,还包括训练步骤:对所述基于全连接层的编码器、所述基于卷积神经网络模型的预埋点拓空间分布特征提取器、所述基于图神经网络模型的套管预埋方案图编码器和所述分类器进行训练;其中,所述训练步骤,包括:获取训练数据,所述训练数据包括训练套管预埋BIM模型,套管预埋方案是否存在异常的真实值;从所述训练套管预埋BIM模型提取各个预埋点的训练预埋信息;使用所述基于全连接层的编码器对所述各个预埋点的训练预埋信息进行编码以得到训练预埋点预埋信息编码特征向量的序列;构建所述各个预埋点之间的训练空间拓扑矩阵,其中,所述训练空间拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个预埋点之间的空间距离;将所述训练空间拓扑矩阵通过所述基于卷积神经网络模型的预埋点拓空间分布特征提取器以得到训练空间拓扑特征矩阵;将所述训练空间拓扑特征矩阵和所述训练预埋点预埋信息编码特征向量的序列通过所述基于图神经网络模型的套管预埋方案图编码器以得到训练套管预埋方案语义理解特征矩阵;将所述训练套管预埋方案语义理解特征矩阵通过所述分类器以得到分类损失函数值;计算所述训练套管预埋方案语义理解特征矩阵和所述训练预埋点预埋信息编码特征向量的序列的特定损失函数值;以及以所述分类损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于全连接层的编码器、所述基于卷积神经网络模型的预埋点拓空间分布特征提取器、所述基于图神经网络模型的套管预埋方案图编码器和所述分类器进行训练。
3.一种基于BIM技术的套管预埋工程管理系统,使用权利要求1所述的基于BIM技术的套管预埋工程管理方法,其特征在于,包括:模型获取模块,用于获取套管预埋BIM模型;预埋信息提取模块,用于从所述套管预埋BIM模型提取各个预埋点的预埋信息;图编码模块,用于对所述各个预埋点的预埋信息进行基于拓扑分析的图编码处理以得到套管预埋方案语义理解特征矩阵;以及异常分析模块,用于基于所述套管预埋方案语义理解特征矩阵,确定套管预埋方案是否存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112126.1A CN117634006B (zh) | 2024-01-26 | 2024-01-26 | 基于bim技术的套管预埋工程管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112126.1A CN117634006B (zh) | 2024-01-26 | 2024-01-26 | 基于bim技术的套管预埋工程管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117634006A CN117634006A (zh) | 2024-03-01 |
CN117634006B true CN117634006B (zh) | 2024-04-26 |
Family
ID=90016760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410112126.1A Active CN117634006B (zh) | 2024-01-26 | 2024-01-26 | 基于bim技术的套管预埋工程管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634006B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818056A (zh) * | 2022-04-06 | 2022-07-29 | 深圳市同鑫科技有限公司 | 基于bim技术的交通数据集成方法、装置、设备及介质 |
CN115293751A (zh) * | 2022-10-08 | 2022-11-04 | 深圳市地铁集团有限公司 | 一种轨道交通bim模型数据的处理方法、系统及设备 |
CN115545426A (zh) * | 2022-09-19 | 2022-12-30 | 浙江大学 | 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 |
WO2023096579A2 (en) * | 2021-11-26 | 2023-06-01 | Nanyang Technological University | Method and system for building information modeling (bim) reconstruction for a piping system |
CN116561879A (zh) * | 2023-07-12 | 2023-08-08 | 中铁水利信息科技有限公司 | 基于bim的水利工程信息管理系统及其方法 |
CN116643989A (zh) * | 2023-06-02 | 2023-08-25 | 湖州师范学院 | 一种采用图结构进行深层语义理解的缺陷预测方法 |
CN116756832A (zh) * | 2023-07-13 | 2023-09-15 | 深圳市华阳国际工程造价咨询有限公司 | 一种基于bim技术工程造价管控系统及方法 |
CN116796406A (zh) * | 2023-06-21 | 2023-09-22 | 江苏腾源智能科技有限公司 | 基于人工神经网络和bim的建筑能耗优化方法 |
-
2024
- 2024-01-26 CN CN202410112126.1A patent/CN117634006B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023096579A2 (en) * | 2021-11-26 | 2023-06-01 | Nanyang Technological University | Method and system for building information modeling (bim) reconstruction for a piping system |
CN114818056A (zh) * | 2022-04-06 | 2022-07-29 | 深圳市同鑫科技有限公司 | 基于bim技术的交通数据集成方法、装置、设备及介质 |
CN115545426A (zh) * | 2022-09-19 | 2022-12-30 | 浙江大学 | 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 |
CN115293751A (zh) * | 2022-10-08 | 2022-11-04 | 深圳市地铁集团有限公司 | 一种轨道交通bim模型数据的处理方法、系统及设备 |
CN116643989A (zh) * | 2023-06-02 | 2023-08-25 | 湖州师范学院 | 一种采用图结构进行深层语义理解的缺陷预测方法 |
CN116796406A (zh) * | 2023-06-21 | 2023-09-22 | 江苏腾源智能科技有限公司 | 基于人工神经网络和bim的建筑能耗优化方法 |
CN116561879A (zh) * | 2023-07-12 | 2023-08-08 | 中铁水利信息科技有限公司 | 基于bim的水利工程信息管理系统及其方法 |
CN116756832A (zh) * | 2023-07-13 | 2023-09-15 | 深圳市华阳国际工程造价咨询有限公司 | 一种基于bim技术工程造价管控系统及方法 |
Non-Patent Citations (2)
Title |
---|
BIM与人工智能融合应用研究进展;盖彤彤;于德湖;孙宝娣;杨淑娟;;建筑科学;20200615(第06期);全文 * |
基于BP网络-BIM模型的深基坑工程风险量化研究;郭柯兰;陈帆;;建筑经济;20200905(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117634006A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sajedi et al. | Uncertainty‐assisted deep vision structural health monitoring | |
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
US11475307B2 (en) | Systems and methods for automating information extraction from piping and instrumentation diagrams | |
CN111353983B (zh) | 缺陷检测识别方法、装置、计算机可读介质及电子设备 | |
Xu et al. | Recognition of rust grade and rust ratio of steel structures based on ensembled convolutional neural network | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112926642B (zh) | 一种多源域自适应智能机械故障诊断方法及系统 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN115995056A (zh) | 一种基于深度学习的桥梁病害自动识别方法 | |
CN117784710B (zh) | 数控机床远程状态监控系统及其方法 | |
CN116758360B (zh) | 土地空间用途管理方法及其系统 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN117634006B (zh) | 基于bim技术的套管预埋工程管理系统及方法 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
CN114550460B (zh) | 轨道交通异常检测方法、装置及存储介质 | |
CN116007937A (zh) | 一种机械设备传动部件智能故障诊断方法及装置 | |
CN115359484A (zh) | 图像处理方法、装置、设备及存储介质 | |
Bi et al. | CASA-Net: a context-aware correlation convolutional network for scale-adaptive crack detection | |
CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
Malik et al. | Automated system for concrete damage classification identification using Naïve-Bayesian classifier | |
Priya et al. | An Enhanced Animal Species Classification and Prediction Engine using CNN | |
CN117575485B (zh) | 一种基于可视化的智慧调度方法、系统及存储介质 | |
CN114239753B (zh) | 可迁移的图像识别方法及装置 | |
CN117079056A (zh) | 渐进式训练多尺度信息检索网络的图像场景分类方法 | |
CN115761268A (zh) | 一种基于局部纹理增强网络的杆塔关键部件缺陷识别方法 |
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 |