CN117852155A - 应用于人工智能的钢筋施工状态模拟方法及系统 - Google Patents
应用于人工智能的钢筋施工状态模拟方法及系统 Download PDFInfo
- Publication number
- CN117852155A CN117852155A CN202410241463.0A CN202410241463A CN117852155A CN 117852155 A CN117852155 A CN 117852155A CN 202410241463 A CN202410241463 A CN 202410241463A CN 117852155 A CN117852155 A CN 117852155A
- Authority
- CN
- China
- Prior art keywords
- bim
- state
- mechanical
- steel bar
- construction
- 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 398
- 238000000034 method Methods 0.000 title claims abstract description 155
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 238000004088 simulation Methods 0.000 title claims description 193
- 229910001294 Reinforcing steel Inorganic materials 0.000 title claims description 27
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 146
- 239000010959 steel Substances 0.000 claims abstract description 146
- 239000013598 vector Substances 0.000 claims description 156
- 238000013139 quantization Methods 0.000 claims description 124
- 238000012549 training Methods 0.000 claims description 86
- 238000003384 imaging method Methods 0.000 claims description 80
- 230000008859 change Effects 0.000 claims description 78
- 230000002787 reinforcement Effects 0.000 claims description 56
- 238000005457 optimization Methods 0.000 claims description 30
- 238000013135 deep learning Methods 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 abstract description 95
- 238000004458 analytical method Methods 0.000 description 31
- 230000006870 function Effects 0.000 description 23
- 238000013461 design Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000009435 building construction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001687 destabilization Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请实施例涉及人工智能技术领域,具体涉及应用于人工智能的钢筋施工状态模拟方法及系统,钢筋施工状态模拟系统通过运用先进的目标钢筋施工状态模拟网络,能够将复杂的钢筋施工任务图像数据转化为数字化的表示形式,并进行深入的模拟分析。这个过程不仅提高了施工方案的准确性和可行性,还为确保建筑结构的稳固性和安全性提供了有力的技术保障。
Description
技术领域
本申请涉及人工智能技术领域,更具体地,涉及一种应用于人工智能的钢筋施工状态模拟方法及系统。
背景技术
在建筑工程领域,钢筋作为核心的结构材料,其施工状态对整个工程的质量、安全性和稳定性具有至关重要的影响。随着建筑信息模型(BIM)技术的发展,钢筋施工状态的模拟与优化已成为提升工程效率和质量的重要手段。然而,传统的BIM模拟方法往往基于固定的规则和参数,难以全面、准确地反映复杂多变的实际施工情况。
发明内容
为改善相关技术中存在的技术问题,本申请提供了一种应用于人工智能的钢筋施工状态模拟方法及系统。
第一方面,本申请实施例提供了一种应用于人工智能的钢筋施工状态模拟方法,应用于钢筋施工状态模拟系统,所述方法包括:
将拟进行状态模拟的钢筋施工任务图像数据录入完成调试的目标钢筋施工状态模拟网络;
依据所述完成调试的目标钢筋施工状态模拟网络,获取所述拟进行状态模拟的钢筋施工任务图像数据的第一BIM空间结构量化向量,并依据所述第一BIM空间结构量化向量,获得所述拟进行状态模拟的钢筋施工任务图像数据针对状态模拟指令的结构容忍状态模型结果与BIM力学传导变化信息。
结合第一方面,在第一方面的一种可能的实现方式中,所述目标钢筋施工状态模拟网络的调试方法包括:
基于调试学习示例集对待调试的钢筋施工状态模拟网络进行最少一次调试;
其中,每个调试学习示例包含:钢筋施工任务图像学习数据、最少一个先验训练注释及相应的BIM力学状态趋势数据集,所述最少一个先验训练注释至少包含正确训练注释,所述正确训练注释表征所述钢筋施工任务图像学习数据针对状态模拟指令的结构容忍状态认证结果,每个BIM力学状态趋势数据集包含最少一个BIM力学状态趋势数据,每个BIM力学状态趋势数据包括对应的先验训练注释与所述钢筋施工任务图像学习数据之间的BIM力学状态趋势特征;
其中,在一次调试中,实施如下步骤:
基于筛选出的各钢筋施工任务图像学习数据的第一BIM空间结构量化向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果;
分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的第一BIM空间结构量化向量,生成相应正确训练注释对应的BIM力学传导变化信息;
分别依据所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集的第三BIM空间结构量化向量集,对相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据的置信权重进行判别和整理,得到所述各钢筋施工任务图像学习数据各自对应的判别整理结果;
基于各结构容忍状态模型结果、各BIM力学传导变化信息和各判别整理结果,进行网络变量优化。
结合第一方面,在第一方面的一种可能的实现方式中,每个BIM力学状态趋势数据由最少一个图像化状态要素构成,所述BIM力学状态趋势数据的第二BIM空间结构量化向量包含所述BIM力学状态趋势数据中各图像化状态要素的第二BIM空间结构量化向量,每个BIM力学传导变化信息表征相应的一个BIM力学状态趋势数据中的各个图像化状态要素的确定可能性;
每个BIM力学传导变化信息中的各个图像化状态要素的确定可能性是通过以下步骤分别得到的:
如果当前获取的确定可能性为所述一个BIM力学状态趋势数据中的第一个图像化状态要素的确定可能性,则依据所述一个BIM力学状态趋势数据所对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量,获取所述第一个图像化状态要素的确定可能性;
如果当前获取的确定可能性为所述一个BIM力学状态趋势数据中的非第一个图像化状态要素的确定可能性,则依据所述一个BIM力学状态趋势数据所对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量,以及所述一个BIM力学状态趋势数据中,当前图像化状态要素之前的剩余图像化状态要素所对应的第二BIM空间结构量化向量,获取所述非第一个图像化状态要素的确定可能性。
结合第一方面,在第一方面的一种可能的实现方式中,每个BIM力学状态趋势数据由最少一个图像化状态要素构成,所述分别依据所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集的第三BIM空间结构量化向量集,对相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据的置信权重进行判别和整理,包括:
依据所述钢筋施工状态模拟网络,分别对所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集中的各个BIM力学状态趋势数据进行BIM属性向量挖掘,获得各BIM力学状态趋势数据集各自对应的第三BIM空间结构量化向量集;每个第三BIM空间结构量化向量集中包含相应BIM力学状态趋势数据集中各BIM力学状态趋势数据对应的第三BIM空间结构量化向量;
分别基于各BIM力学状态趋势数据集各自对应的第三BIM空间结构量化向量集,结合相应的第一BIM空间结构量化向量,识别相应BIM力学状态趋势数据集中各BIM力学状态趋势数据各自包含的各个图像化状态要素的确定可能性;
分别依据所述各BIM力学状态趋势数据集各自包含的各BIM力学状态趋势数据中,各个图像化状态要素的确定可能性,对相应BIM力学状态趋势数据集对应的各BIM力学状态趋势数据的置信权重进行判别和整理。
结合第一方面,在第一方面的一种可能的实现方式中,每个BIM力学状态趋势数据的置信权重是基于如下步骤所得的:
获取所述BIM力学状态趋势数据中,各个图像化状态要素所对应的确定可能性的权重指标;
基于各个权重指标,与所述BIM力学状态趋势数据所包含的图像化状态要素的个数,得到所述BIM力学状态趋势数据的置信权重,所述各个权重指标与所述BIM力学状态趋势数据的置信权重具有第一量化关系,所述图像化状态要素的个数与所述BIM力学状态趋势数据的置信权重具有第二量化关系。
结合第一方面,在第一方面的一种可能的实现方式中,每个BIM力学传导变化信息表征相应的一个BIM力学状态趋势数据中的各个图像化状态要素的确定可能性,所述基于各结构容忍状态模型结果、各BIM力学传导变化信息和各判别整理结果,进行网络变量优化,包括:
基于各判别整理结果与对应真实先验训练注释之间的区别获取结构容忍状态区别误差;
获取各BIM力学传导变化信息各自包含的各个图像化状态要素的确定可能性,并基于各确定可能性获取识别训练误差,所述确定可能性与所述识别训练误差具有第二量化关系;
基于各判别整理结果与相应的先验整理结果之间的区别获取整理训练误差;
依据所述结构容忍状态区别误差、所述识别训练误差与所述整理训练误差对所述钢筋施工状态模拟网络进行网络变量优化。
结合第一方面,在第一方面的一种可能的实现方式中,所述先验整理结果是将相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据录入至预先调试好的深度学习网络中得到的。
结合第一方面,在第一方面的一种可能的实现方式中,所述各钢筋施工任务图像学习数据各自对应的第一BIM空间结构量化向量包含:相应钢筋施工任务图像学习数据的全局施工图像描述向量,以及相应钢筋施工任务图像学习数据中,各BIM图像块的前后序图像描述子;
所述基于筛选出的各钢筋施工任务图像学习数据的第一BIM空间结构量化向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果,包括:依据所述钢筋施工状态模拟网络对筛选出的各钢筋施工任务图像学习数据分别进行BIM属性向量挖掘,获得各钢筋施工任务图像学习数据的第一BIM空间结构量化向量;以及基于各第一BIM空间结构量化向量中的各全局施工图像描述向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果;
所述分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的第一BIM空间结构量化向量,生成相应正确训练注释对应的BIM力学传导变化信息,包括:依据所述钢筋施工状态模拟网络对所述各正确训练注释各自对应的一个BIM力学状态趋势数据分别进行BIM属性向量挖掘,获得所述各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量;分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的全局施工图像描述向量与相应各BIM图像块的前后序图像描述子,生成相应的正确训练注释对应的BIM力学传导变化信息。
第二方面,本申请还提供了一种钢筋施工状态模拟系统,包括:存储器,用于存储程序指令和数据;处理器,用于与存储器耦合,执行所述存储器中的指令,以实现如上述的方法。
第三方面,本申请还提供了一种计算机存储介质,包含指令,当所述指令在处理器上执行时,实现上述的方法。
本申请通过钢筋施工状态模拟系统的运用,实现了对钢筋施工任务图像数据的快速处理和分析,提供了结构容忍状态模型结果与BIM力学传导变化信息等重要数据支持,为建筑施工过程中的结构优化、工艺改进和安全监控提供了有力的技术保障。这不仅提高了施工效率,还降低了潜在的安全风险,具有显著的经济效益和社会效益。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种应用于人工智能的钢筋施工状态模拟方法的流程示意图。
图2是本申请实施例提供的一种钢筋施工状态模拟系统300的结构框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与本申请的一些方面相一致的装置和方法的例子。
需要说明的是,本申请的说明书及上述附图中的术语“第一”、“第二”等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。
本申请实施例所提供的方法实施例可以在钢筋施工状态模拟系统、计算机设备或者类似的运算装置中执行。以运行在钢筋施工状态模拟系统上为例,钢筋施工状态模拟系统可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述钢筋施工状态模拟系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述钢筋施工状态模拟系统的结构造成限定。例如,钢筋施工状态模拟系统还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本申请实施例中的一种应用于人工智能的钢筋施工状态模拟方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至钢筋施工状态模拟系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括钢筋施工状态模拟系统的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本申请实施例所提供的一种应用于人工智能的钢筋施工状态模拟方法的流程示意图,该方法应用于钢筋施工状态模拟系统,进一步可以包括S110-S120。
S110、钢筋施工状态模拟系统将拟进行状态模拟的钢筋施工任务图像数据录入完成调试的目标钢筋施工状态模拟网络。
S120、钢筋施工状态模拟系统依据所述完成调试的目标钢筋施工状态模拟网络,获取所述拟进行状态模拟的钢筋施工任务图像数据的第一BIM空间结构量化向量,并依据所述第一BIM空间结构量化向量,获得所述拟进行状态模拟的钢筋施工任务图像数据针对状态模拟指令的结构容忍状态模型结果与BIM力学传导变化信息。
为便于理解,下面通过三个不同的应用场景来对上述技术方案进行举例介绍。
应用场景1:商业综合体施工项目
在某大型商业综合体的施工项目中,钢筋施工状态模拟系统的应用尤为突出。以下是该系统在此项目中的一个具体应用场景:
首先,钢筋施工状态模拟系统使用高清相机对即将进行的钢筋施工任务进行全方位的拍摄,确保图像数据的完整性和准确性。这些图像数据包括了钢筋的规格、布置方式、连接细节等关键信息。
随后,钢筋施工状态模拟系统将这些图像数据导入到已经完成调试的钢筋施工状态模拟网络中。这个模拟网络是基于深度学习技术构建的,它能够对输入的图像数据进行高效处理和分析。
在处理过程中,模拟网络首先会根据图像数据生成一个第一BIM(BuildingInformationModeling,建筑信息模型)空间结构量化向量。这个向量是一个高维的数据结构,它编码了钢筋施工任务在三维空间中的位置、方向、尺寸等关键信息。
接下来,模拟系统会利用这个BIM空间结构量化向量来进行进一步的分析和计算。它会结合力学原理和施工工艺,模拟出在不同施工状态下,钢筋结构的受力情况和变形趋势。这些模拟结果会以结构容忍状态模型的形式呈现出来,帮助工程师直观地了解钢筋施工任务在不同阶段的安全性和稳定性。
此外,模拟系统还会根据BIM空间结构量化向量和模拟结果,生成BIM力学传导变化信息。这些信息反映了施工过程中钢筋结构内部应力的变化和传递路径,对于优化施工方案、预防潜在的安全隐患具有重要意义。
最终,可以根据这些模拟结果和信息,对施工方案进行调整和优化,确保钢筋施工任务能够安全、高效地进行。同时,还可以利用这些模拟数据对施工人员进行培训和指导,提高施工技能和安全意识。
通过这个应用场景的介绍,可以看到钢筋施工状态模拟系统在提升建筑施工质量、效率和安全性方面的重要作用。
应用场景2:城市地铁隧道钢筋支撑结构施工模拟
在城市地铁建设的过程中,隧道的稳定性和安全性至关重要。为确保隧道内部支撑结构--特别是钢筋骨架--能够承受地下压力和施工过程中的各种应力,施工团队决定采用钢筋施工状态模拟系统来优化施工方案。
施工团队首先使用高精度的三维扫描仪对隧道施工现场进行扫描,获取准确的隧道空间结构和地质数据。这些数据包括隧道的形状、尺寸、岩石类型、地下水状况等。同时,他们还使用无人机和高清相机拍摄了钢筋骨架的施工图纸和现场照片,确保图像数据的完整性。这些数据随后被导入到钢筋施工状态模拟系统中,形成一个完整的数字模型。
钢筋施工状态模拟系统内置了一个经过调试的深度学习网络,专门用于处理和分析这类复杂的施工数据。该网络接收输入的数据后,开始自动解析和计算,生成一个精确的BIM空间结构量化向量。
这个向量不仅包含了钢筋骨架的三维坐标、尺寸和连接方式等基本信息,还融合了地质数据、施工条件等外部因素,形成了一个全面反映施工状态的高维数据模型。
基于BIM空间结构量化向量,模拟系统开始进行多轮次的力学分析和结构模拟。它考虑了地下压力、施工荷载、温度变化等多种因素,计算出钢筋骨架在不同施工阶段的受力情况和变形趋势。
这些模拟结果以可视化的形式呈现给工程师,帮助他们直观地了解施工过程中的潜在风险和优化空间。例如,系统可能会指出某些部位的钢筋连接方式需要改进,或者某些区域的支撑密度需要增加。
根据模拟系统的分析结果,施工团队对原施工方案进行了调整和优化。他们改进了钢筋的连接方式,增强了关键区域的支撑结构,并优化了施工顺序和工艺参数。
这些改进措施显著提高了隧道支撑结构的稳定性和安全性,降低了施工过程中的风险。同时,模拟系统还帮助团队预测了施工进度和成本,为项目管理提供了有力支持。
通过这个应用场景的介绍,可以看到钢筋施工状态模拟系统在复杂地下工程中的重要作用。它不仅能够提升施工质量和安全性,还能帮助团队优化施工方案,提高项目管理的效率和准确性。
应用场景3:高层建筑钢筋结构施工模拟与优化
随着城市化的快速发展,高层建筑的建设日益增多。高层建筑的钢筋结构作为其主要承重体系,其施工质量和精度要求极高。为确保施工过程的顺利进行和建筑结构的稳固性,施工团队决定采用钢筋施工状态模拟系统来辅助施工方案的制定和优化。
在开始施工之前,施工团队首先使用高精度的测量设备对施工现场进行勘测,获取准确的地形、地貌和地质数据。同时,他们根据建筑设计图纸和施工方案,详细记录了钢筋的规格、布置方式、连接细节等关键信息,并使用高清相机拍摄了施工图纸和现场实景照片。这些数据被整理后导入到钢筋施工状态模拟系统中,形成一个完整的数字模型,为后续的模拟分析提供了基础。
钢筋施工状态模拟系统内置的深度学习网络接收录入的数据后,开始进行高效的分析和计算。它结合建筑结构力学原理和施工工艺要求,模拟出在不同施工阶段下,钢筋结构的受力情况和变形趋势。
通过多轮次的模拟分析,系统生成了详细的BIM空间结构量化向量,这些向量包含了钢筋结构在三维空间中的精确位置、方向、尺寸以及力学性能等关键信息。
模拟系统将这些分析结果以可视化的形式展现给工程师,帮助他们直观地了解钢筋结构在不同施工状态下的性能和潜在风险。系统还根据模拟结果提供了优化建议,指出可能存在的问题和改进措施。
例如,系统可能会发现某些部位的钢筋连接方式存在安全隐患,建议采用更可靠的连接方式;或者发现某些区域的钢筋布置过于稀疏,建议增加钢筋密度以增强结构的稳固性。
根据模拟系统的分析结果和优化建议,施工团队对原施工方案进行了相应的调整。他们改进了钢筋的连接方式,优化了钢筋布置方案,并加强了对关键区域的支撑和加固措施。
调整后的施工方案不仅提高了高层建筑钢筋结构的施工质量和安全性,还有效缩短了工期和降低了成本。同时,模拟系统还为施工过程中的监控和管理提供了有力支持,确保了施工过程的顺利进行。
通过这个应用场景的介绍,可以看到钢筋施工状态模拟系统在高层建筑建设中的重要作用。它能够帮助施工团队准确预测和分析钢筋结构在不同施工状态下的性能和风险,为制定和优化施工方案提供科学依据,从而提高施工质量和效率,确保建筑结构的稳固性和安全性。
在S110中,拟进行状态模拟的钢筋施工任务图像数据指的是在实际进行钢筋施工之前,为了预测、分析或优化施工过程而收集的具体施工任务的图像信息。这些图像数据可能包括施工图纸、现场照片、三维扫描图像等,它们详细记录了钢筋的规格、布置、连接方式等关键施工信息。这些数据将被输入到模拟系统中,用于构建和验证施工过程的数字模型,从而帮助工程师更好地理解和控制施工状态。例如,在某桥梁建设项目中,工程师可能会使用高清相机拍摄桥梁钢筋骨架的施工照片,这些照片详细展示了钢筋的交错编织、焊接点和支撑结构等细节。这些图像数据随后被用于模拟系统中,以预测在不同施工条件下的结构稳定性和潜在风险。
目标钢筋施工状态模拟网络是指专门设计用于模拟和分析钢筋施工状态的计算机网络或算法模型。这个网络通常基于深度学习、有限元分析或其他先进的计算技术构建,能够接收施工任务图像数据作为输入,并通过复杂的数学运算和模拟过程,输出关于施工状态的各种预测结果和分析信息。例如,一个目标钢筋施工状态模拟网络可能会利用神经网络算法来分析输入的图像数据,结合物理力学原理和施工工艺要求,模拟出钢筋结构在不同施工阶段的受力分布、变形情况以及潜在的结构缺陷。这样的模拟网络对于优化施工方案、预防施工事故和提高施工质量具有重要意义。通过反复训练和调试,这个网络可以不断提高其模拟分析的准确性和效率,成为工程师进行钢筋施工状态模拟的可靠工具。
在S120中,第一BIM空间结构量化向量是指在钢筋施工状态模拟过程中,通过特定算法将BIM(BuildingInformationModeling,建筑信息模型)中的空间结构信息转换为可以被计算机系统理解和分析的数学表示形式。这个量化向量包含了钢筋构件在三维空间中的位置、方向、尺寸、连接关系等关键数据,以数值或向量的形式精确描述了施工任务的空间结构特征。这一转化过程使得模拟系统能够更准确地模拟和分析钢筋施工在不同阶段的状态变化。
结构容忍状态模型结果是指在钢筋施工状态模拟中,通过对钢筋结构在不同施工条件下的受力分析、变形预测等计算,得出的关于结构安全性能的一种评估结果。这个结果通常包括了结构在不同施工阶段的应力分布、变形量、稳定性指标等关键信息,以及可能存在的风险点和优化建议。这些模型结果为工程师提供了重要的决策依据,有助于优化施工方案、确保施工安全和提高结构稳定性。
BIM力学传导变化信息是指在钢筋施工状态模拟过程中,利用BIM技术结合力学原理,分析施工任务在不同阶段力学传导路径和变化规律的信息。这些信息反映了施工过程中钢筋结构内部应力的传递、分散和变化过程,以及这些变化对结构整体性能和稳定性的影响。通过这些信息,工程师可以更深入地了解施工过程中的力学行为,为优化结构设计、改进施工工艺和提高施工质量提供有力支持。同时,这些信息也为施工过程中的安全监控和风险评估提供了重要依据。
对于S120而言,钢筋施工状态模拟系统依赖于经过精心调试的目标钢筋施工状态模拟网络来工作。这个网络的核心任务是接收和处理拟进行状态模拟的钢筋施工任务图像数据。当这些数据被输入到系统中时,模拟网络会启动其强大的分析能力,将这些图像数据转化为第一BIM空间结构量化向量。
这个第一BIM空间结构量化向量,可以看作是一个钢筋施工任务在数字世界中的精确映射。它不仅包含了钢筋构件在三维空间中的精确位置、方向和尺寸信息,还编码了它们之间的复杂连接关系。这个向量是模拟系统理解和分析钢筋施工状态的关键。
一旦获得了第一BIM空间结构量化向量,模拟系统就能够根据它来进行深入的模拟分析。这个过程中,系统会结合物理力学原理和施工工艺要求,模拟出在不同施工阶段下钢筋结构的受力情况和变形趋势。这些模拟结果会以结构容忍状态模型结果的形式呈现出来,为工程师提供关于结构安全性能的重要评估依据。
同时,模拟系统还会根据第一BIM空间结构量化向量,分析施工过程中力学传导路径的变化规律。这些变化信息被称为BIM力学传导变化信息,它们揭示了施工过程中钢筋结构内部应力的传递、分散和变化过程,以及这些变化对结构整体性能和稳定性的影响。这些信息对于优化结构设计、改进施工工艺和提高施工质量具有重要的指导意义。
综上所述,钢筋施工状态模拟系统通过运用先进的目标钢筋施工状态模拟网络,能够将复杂的钢筋施工任务图像数据转化为数字化的表示形式,并进行深入的模拟分析。这个过程不仅提高了施工方案的准确性和可行性,还为确保建筑结构的稳固性和安全性提供了有力的技术保障。
以一个示例性的钢筋梁施工任务为例,该任务包含两根主要钢筋,每根钢筋的直径为20mm,两根钢筋之间的距离为150mm,梁的总长度为3000mm。将使用钢筋施工状态模拟系统来模拟这个任务,并提取相关的BIM信息。
对于上述的钢筋梁施工任务,其第一BIM空间结构量化向量可以表示为:
钢筋直径:20mm;
钢筋间距:150mm;
梁长度:3000mm。
这些数值被编码为一个向量,例如[20,150,3000],这个向量被输入到模拟系统中。
结构容忍状态模型结果:基于第一BIM空间结构量化向量,模拟系统会分析在不同施工条件下(如温度变化、荷载作用等)钢筋梁的受力情况和变形趋势。比如在模拟中,考虑了一个标准荷载作用在梁的中部,模拟结果可能包括:
最大应力值:180MPa(在允许应力范围内,表示结构是安全的);
最大挠度值:5mm(梁的变形量,用于评估结构的刚度)。
这些结果构成了结构容忍状态模型结果,它们提供了关于结构安全性能和变形性能的重要信息。
BIM力学传导变化信息:在模拟过程中,系统还会分析力学传导路径的变化规律。对于上述的钢筋梁,当荷载作用在梁的中部时,力学传导路径主要是通过两根主要钢筋传递的。模拟系统可以计算出每根钢筋在不同施工阶段所承受的应力和应变值,以及这些值的变化趋势。例如:第一根钢筋在施工阶段1的应力值为90MPa,在施工阶段2的应力值为120MPa;第二根钢筋在施工阶段1的应变值为0.002(无量纲),在施工阶段2的应变值为0.003(无量纲)。
这些信息揭示了施工过程中力学传导路径的变化以及钢筋的应力和应变分布情况,对于优化结构设计和改进施工工艺具有重要意义。
综上所述,通过具体的数值示例,可以更加直观地理解钢筋施工状态模拟系统如何获取和处理钢筋施工任务图像数据的第一BIM空间结构量化向量,并基于该向量获得结构容忍状态模型结果和BIM力学传导变化信息。这些信息为工程师提供了全面的施工状态分析和优化依据。
应用上述S110-S120,首先,通过S110步骤,钢筋施工状态模拟系统能够高效地将拟进行状态模拟的钢筋施工任务图像数据录入完成调试的目标钢筋施工状态模拟网络。这一步骤实现了图像数据与模拟网络的有效对接,为后续的状态模拟提供了准确且全面的数据基础。
其次,在S120步骤中,钢筋施工状态模拟系统能够依据完成调试的目标钢筋施工状态模拟网络,快速获取拟进行状态模拟的钢筋施工任务图像数据的第一BIM空间结构量化向量。这一向量的获取,不仅精确地描述了钢筋施工任务在三维空间中的结构特征,还为后续的结构分析和力学模拟提供了重要的量化依据。
进一步地,根据第一BIM空间结构量化向量,钢筋施工状态模拟系统能够获得针对状态模拟指令的结构容忍状态模型结果与BIM力学传导变化信息。这些信息全面反映了在不同施工条件下钢筋结构的受力情况、变形趋势以及力学传导路径的变化规律,为工程师提供了科学的评估和优化依据,有助于提高施工质量和安全性能。
综上所述,本申请通过钢筋施工状态模拟系统的运用,实现了对钢筋施工任务图像数据的快速处理和分析,提供了结构容忍状态模型结果与BIM力学传导变化信息等重要数据支持,为建筑施工过程中的结构优化、工艺改进和安全监控提供了有力的技术保障。这不仅提高了施工效率,还降低了潜在的安全风险,具有显著的经济效益和社会效益。
在一些优选的实施例中,所述目标钢筋施工状态模拟网络的调试方法包括:基于调试学习示例集对待调试的钢筋施工状态模拟网络进行最少一次调试。
其中,每个调试学习示例包含:钢筋施工任务图像学习数据、最少一个先验训练注释及相应的BIM力学状态趋势数据集,所述最少一个先验训练注释至少包含正确训练注释,所述正确训练注释表征所述钢筋施工任务图像学习数据针对状态模拟指令的结构容忍状态认证结果,每个BIM力学状态趋势数据集包含最少一个BIM力学状态趋势数据,每个BIM力学状态趋势数据包括对应的先验训练注释与所述钢筋施工任务图像学习数据之间的BIM力学状态趋势特征。
进一步地,在一次调试中,实施如下S210-S240。
S210、基于筛选出的各钢筋施工任务图像学习数据的第一BIM空间结构量化向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果。
S220、分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的第一BIM空间结构量化向量,生成相应正确训练注释对应的BIM力学传导变化信息。
S230、分别依据所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集的第三BIM空间结构量化向量集,对相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据的置信权重进行判别和整理,得到所述各钢筋施工任务图像学习数据各自对应的判别整理结果。
S240、基于各结构容忍状态模型结果、各BIM力学传导变化信息和各判别整理结果,进行网络变量优化。
在一些优选的实施例中,钢筋施工状态模拟系统的目标钢筋施工状态模拟网络的调试方法被详细规定。这种方法主要基于调试学习示例集来对待调试的钢筋施工状态模拟网络进行至少一次的调试。每个调试学习示例都包含几个关键部分:钢筋施工任务图像学习数据、至少一个先验训练注释,以及与这些数据相对应的BIM力学状态趋势数据集。
这里的先验训练注释中,至少包含一个被称为“正确训练注释”的元素。这个正确训练注释实际上是对钢筋施工任务图像学习数据针对状态模拟指令的结构容忍状态的认证结果。换句话说,它提供了一个标准或参考,用来判断模拟网络在处理类似任务时的准确性。
而BIM力学状态趋势数据集则包含了至少一个BIM力学状态趋势数据。这些数据详细描述了先验训练注释与钢筋施工任务图像学习数据之间的BIM力学状态趋势特征。简单来说,它们提供了在不同施工条件下,钢筋结构可能展现出的力学行为模式。
在一次完整的调试过程中,系统会按照以下步骤进行操作:首先,系统会基于筛选出的各个钢筋施工任务图像学习数据的第一BIM空间结构量化向量,来分别获得这些图像数据针对状态模拟指令的结构容忍状态模型结果。这个过程可以理解为系统在使用模拟网络对输入的图像数据进行初步处理和分析,以得到关于结构容忍状态的基本判断。接下来,系统会基于每个正确训练注释所对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合之前提到的第一BIM空间结构量化向量,来生成与这个正确训练注释相对应的BIM力学传导变化信息。这一步实际上是在进一步挖掘和分析图像数据与力学状态之间的内在联系。然后,系统会根据每个钢筋施工任务图像学习数据所对应的至少一个BIM力学状态趋势数据集的第三BIM空间结构量化向量集,来对这些图像数据对应的各个BIM力学状态趋势数据的置信权重进行判别和整理。这个过程旨在评估和优化每个力学状态趋势数据在模拟过程中的重要性和准确性。最后,基于前面步骤得到的所有结构容忍状态模型结果、BIM力学传导变化信息以及判别整理结果,系统会进行网络变量的优化。这一步是整个调试过程的核心,它通过对模拟网络内部参数和结构的调整,使得网络在处理类似任务时能够更加准确和高效。
通过这样的调试方法,钢筋施工状态模拟系统能够不断提升其模拟和分析能力,为建筑施工过程中的结构优化、工艺改进和安全监控提供更为精确和可靠的技术支持。
在另一些示例中,每个BIM力学状态趋势数据由最少一个图像化状态要素构成,所述BIM力学状态趋势数据的第二BIM空间结构量化向量包含所述BIM力学状态趋势数据中各图像化状态要素的第二BIM空间结构量化向量,每个BIM力学传导变化信息表征相应的一个BIM力学状态趋势数据中的各个图像化状态要素的确定可能性。
且每个BIM力学传导变化信息中的各个图像化状态要素的确定可能性是通过以下步骤分别得到的:如果当前获取的确定可能性为所述一个BIM力学状态趋势数据中的第一个图像化状态要素的确定可能性,则依据所述一个BIM力学状态趋势数据所对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量,获取所述第一个图像化状态要素的确定可能性;如果当前获取的确定可能性为所述一个BIM力学状态趋势数据中的非第一个图像化状态要素的确定可能性,则依据所述一个BIM力学状态趋势数据所对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量,以及所述一个BIM力学状态趋势数据中,当前图像化状态要素之前的剩余图像化状态要素所对应的第二BIM空间结构量化向量,获取所述非第一个图像化状态要素的确定可能性。
在另一些具体的示例中,BIM力学状态趋势数据的构成被进一步细化。每个BIM力学状态趋势数据不再是一个单一的数据点,而是由至少一个图像化状态要素组成。这些图像化状态要素可以理解为描述钢筋结构在不同施工条件下的力学行为的具体图像或图形表示。
当系统处理这些BIM力学状态趋势数据时,它会为每个图像化状态要素生成一个第二BIM空间结构量化向量。这个向量不仅捕捉了图像化状态要素在三维空间中的位置和方向,还可能包含了与该要素相关的其他重要信息,如尺寸、形状或连接关系等。因此,BIM力学状态趋势数据的第二BIM空间结构量化向量实际上是一个集合,它包含了该数据中所有图像化状态要素的第二BIM空间结构量化向量。
接下来,系统会生成BIM力学传导变化信息。这些信息描述了在一个特定的BIM力学状态趋势数据中,各个图像化状态要素被确定的可能性。换句话说,它们提供了关于哪些图像化状态要素更可能在实际施工中出现或更重要的信息。
为了得到这些确定可能性,系统会采用一种特定的方法。当处理一个BIM力学状态趋势数据中的第一个图像化状态要素时,系统会直接根据与该数据相对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量来获取其确定可能性。这是因为第一个图像化状态要素通常没有前置条件或依赖关系,其可能性可以直接从输入数据中推断出来。
然而,当处理非第一个图像化状态要素时,情况就有所不同了。此时,系统不仅需要考虑与该数据相对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量,还需要考虑在同一个BIM力学状态趋势数据中,当前图像化状态要素之前的所有剩余图像化状态要素所对应的第二BIM空间结构量化向量。这是因为非第一个图像化状态要素的出现和可能性可能会受到前面要素的影响或制约。通过综合考虑这些因素,系统能够更准确地评估每个图像化状态要素在确定整个BIM力学状态趋势时的重要性。
总的来说,通过这种方法和技术方案,钢筋施工状态模拟系统能够更深入地分析和理解钢筋结构在施工过程中的力学行为和变化趋势。这不仅有助于提高模拟的准确性和可靠性,还能为工程师和施工人员提供更有价值的指导和建议。
在又一些可能的示例中,每个BIM力学状态趋势数据由最少一个图像化状态要素构成,则S230中的所述分别依据所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集的第三BIM空间结构量化向量集,对相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据的置信权重进行判别和整理,包括S231-S233。
S231、依据所述钢筋施工状态模拟网络,分别对所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集中的各个BIM力学状态趋势数据进行BIM属性向量挖掘,获得各BIM力学状态趋势数据集各自对应的第三BIM空间结构量化向量集;每个第三BIM空间结构量化向量集中包含相应BIM力学状态趋势数据集中各BIM力学状态趋势数据对应的第三BIM空间结构量化向量。
S232、分别基于各BIM力学状态趋势数据集各自对应的第三BIM空间结构量化向量集,结合相应的第一BIM空间结构量化向量,识别相应BIM力学状态趋势数据集中各BIM力学状态趋势数据各自包含的各个图像化状态要素的确定可能性。
S233、分别依据所述各BIM力学状态趋势数据集各自包含的各BIM力学状态趋势数据中,各个图像化状态要素的确定可能性,对相应BIM力学状态趋势数据集对应的各BIM力学状态趋势数据的置信权重进行判别和整理。
在又一些可能的示例中,BIM力学状态趋势数据的构成同样被细化为由至少一个图像化状态要素构成。这种细化使得系统能够更精确地分析和处理这些数据,从而提高模拟的准确性和可靠性。在这些示例中,S230步骤被进一步拆分为S231、S232和S233三个子步骤,以便更详细地解释和执行置信权重的判别和整理过程。
在S231中,系统首先利用钢筋施工状态模拟网络,对各个钢筋施工任务图像学习数据所对应的BIM力学状态趋势数据集进行处理。具体来说,系统会对这些数据集中的每一个BIM力学状态趋势数据进行BIM属性向量挖掘。这个过程可以理解为系统从每个BIM力学状态趋势数据中提取出关键的信息或特征,这些信息和特征能够反映出数据在三维空间中的结构、位置、方向以及与周围环境的关系等。通过这种挖掘,系统能够得到每个BIM力学状态趋势数据集所对应的第三BIM空间结构量化向量集。这个向量集实际上是一个包含了数据集中所有BIM力学状态趋势数据的第三BIM空间结构量化向量的集合。
接下来,在S232中,系统会基于上一步得到的第三BIM空间结构量化向量集,结合与之相对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量,来识别每个BIM力学状态趋势数据集中各个BIM力学状态趋势数据所包含的图像化状态要素的确定可能性。这个过程可以理解为系统在评估每个图像化状态要素在实际施工中出现的可能性或重要性。通过综合考虑数据的第一BIM空间结构量化向量和第三BIM空间结构量化向量集,系统能够更全面、准确地理解数据的内在结构和特征,从而得到更可靠的确定可能性评估结果。
最后,在S233中,系统会根据上一步得到的各个图像化状态要素的确定可能性,对每个BIM力学状态趋势数据集对应的BIM力学状态趋势数据的置信权重进行判别和整理。这个过程可以理解为系统在为每个BIM力学状态趋势数据分配一个权重值,这个权重值反映了该数据在模拟过程中的重要性和可信度。通过综合考虑每个图像化状态要素的确定可能性以及它们之间的相互关系,系统能够更准确地评估每个BIM力学状态趋势数据的整体质量和价值,从而为后续的模拟和优化提供更有力的支持。
总的来说,通过这些子步骤和技术方案,钢筋施工状态模拟系统能够更深入地分析和处理BIM力学状态趋势数据,提高模拟的准确性和可靠性。同时,这也为工程师和施工人员提供了更有价值的指导和建议,有助于提升建筑施工的质量和效率。
在一些可选的实施例中,每个BIM力学状态趋势数据的置信权重是基于如下步骤所得的:获取所述BIM力学状态趋势数据中,各个图像化状态要素所对应的确定可能性的权重指标;基于各个权重指标,与所述BIM力学状态趋势数据所包含的图像化状态要素的个数,得到所述BIM力学状态趋势数据的置信权重,所述各个权重指标与所述BIM力学状态趋势数据的置信权重具有第一量化关系,所述图像化状态要素的个数与所述BIM力学状态趋势数据的置信权重具有第二量化关系。
在一些可选的实施例中,BIM力学状态趋势数据的置信权重的计算方式被具体定义。这个过程是基于一系列步骤来完成的,以确保权重分配的准确性和合理性。
首先,系统会获取BIM力学状态趋势数据中各个图像化状态要素所对应的确定可能性的权重指标。这些权重指标可以理解为每个图像化状态要素在构成BIM力学状态趋势数据中的重要性或影响力度的量化表示。确定可能性的权重指标可能是通过之前的数据分析、模型训练或其他评估方法得到的。
接下来,系统会基于这些权重指标,以及BIM力学状态趋势数据所包含的图像化状态要素的个数,来计算BIM力学状态趋势数据的置信权重。这里的置信权重可以被看作是整个BIM力学状态趋势数据的可信程度或可靠性的一个量化指标。
在计算过程中,各个权重指标与BIM力学状态趋势数据的置信权重之间具有第一量化关系。这种关系是正相关关系,意味着权重指标越高,BIM力学状态趋势数据的置信权重也会相应地增大。这是因为权重指标高的图像化状态要素对BIM力学状态趋势数据的影响更大,从而使得整个数据的可信度也更高。
同时,图像化状态要素的个数与BIM力学状态趋势数据的置信权重之间具有第二量化关系。这种关系是负相关关系,意味着图像化状态要素的个数越多,BIM力学状态趋势数据的置信权重可能会相应地减小。这是因为当图像化状态要素的数量增加时,每个要素对整个数据的影响可能会相对减弱,从而导致整个数据的可信度降低。当然,在实际应用中,这种关系可能会受到其他因素的影响而有所变化,但总体上呈现出一种负相关的趋势。
通过这样的计算方式,系统能够为每个BIM力学状态趋势数据分配一个合理且准确的置信权重,从而为后续的数据分析和模拟提供有力的支持。同时,这也有助于提高模拟结果的准确性和可靠性,为建筑施工提供更有价值的指导和建议。
例如,BIM力学状态趋势数据中包含(n)个图像化状态要素,每个图像化状态要素对应一个确定可能性的权重指标(w_i),其中(i)表示第(i)个图像化状态要素,且(i大于等于1且小于等于n)。
首先,计算所有图像化状态要素的权重指标之和:(text{权重指标之和}=sum_{i=1}^{n}w_i)。
接下来,考虑图像化状态要素的个数对置信权重的影响。由于个数与置信权重之间是负相关关系,可以使用一个调整因子(f(n))来表示这种关系。调整因子(f(n))可以是一个递减函数,随着(n)的增加而减小。例如,可以选择一个简单的倒数函数作为调整因子:(f(n)=frac{1}{n})。
当然,根据实际需要,也可以选择其他更复杂的函数形式。
最后,结合权重指标之和和调整因子来计算BIM力学状态趋势数据的置信权重(C):(C=left(sum_{i=1}^{n}w_iright)*f(n))
将调整因子的具体形式代入上式,得到:
(C=left(sum_{i=1}^{n}w_iright)*frac{1}{n})
如此,综合考虑了各个图像化状态要素的权重指标和它们的个数对BIM力学状态趋势数据置信权重的影响。权重指标之和体现了所有要素的重要性总和,而调整因子则根据要素个数对置信权重进行适当调整。通过这种方式,可以为每个BIM力学状态趋势数据分配一个合理且准确的置信权重。
在另一些实施例中,每个BIM力学传导变化信息表征相应的一个BIM力学状态趋势数据中的各个图像化状态要素的确定可能性。则S240中的所述基于各结构容忍状态模型结果、各BIM力学传导变化信息和各判别整理结果,进行网络变量优化,包括S241-S244。
S241、基于各判别整理结果与对应真实先验训练注释之间的区别获取结构容忍状态区别误差。
S242、获取各BIM力学传导变化信息各自包含的各个图像化状态要素的确定可能性,并基于各确定可能性获取识别训练误差,所述确定可能性与所述识别训练误差具有第二量化关系。
S243、基于各判别整理结果与相应的先验整理结果之间的区别获取整理训练误差。
S244、依据所述结构容忍状态区别误差、所述识别训练误差与所述整理训练误差对所述钢筋施工状态模拟网络进行网络变量优化。
在另一些实施例中,BIM力学传导变化信息被用来表征相应BIM力学状态趋势数据中的各个图像化状态要素的确定可能性。这种表征方式使得系统能够更准确地捕捉和理解BIM力学状态的变化情况,从而为后续的网络变量优化提供更有力的支持。在这个过程中,S240步骤被进一步细化为S241、S242、S243和S244四个子步骤,以便更详细地解释和执行网络变量优化的过程。
系统首先会基于各判别整理结果与对应真实先验训练注释之间的区别,来获取结构容忍状态区别误差。这个过程可以理解为系统在比较判别整理结果和真实先验训练注释之间的差异,从而计算出一个误差值,这个误差值反映了判别整理结果与真实情况之间的偏离程度。这种偏离程度可能是由于数据的不完整性、模型的局限性或其他因素造成的。通过这个步骤,系统能够量化地评估判别整理结果的准确性和可靠性,为后续的优化提供依据。
接下来,系统会获取各BIM力学传导变化信息中包含的各个图像化状态要素的确定可能性,并基于这些确定可能性来获取识别训练误差。这个过程可以理解为系统在评估图像化状态要素在实际施工中的出现概率或重要性,并根据这些概率或重要性来计算出一个误差值,即识别训练误差。这个误差值反映了系统对图像化状态要素的识别能力与实际情况之间的差异。同时,由于确定可能性与识别训练误差之间具有第二量化关系(负相关关系),因此当确定可能性增加时,识别训练误差会相应地减小;反之亦然。这种关系为系统提供了一个优化方向:通过提高图像化状态要素的确定可能性来降低识别训练误差。
然后,系统会基于各判别整理结果与相应的先验整理结果之间的区别来获取整理训练误差。这个过程与S241类似,但关注点在于判别整理结果与先验整理结果之间的差异。通过这种比较,系统能够评估判别整理过程的有效性和准确性,并计算出一个误差值来量化这种差异。这个误差值为后续的网络变量优化提供了另一个重要依据。
最后,系统会依据结构容忍状态区别误差、识别训练误差与整理训练误差对钢筋施工状态模拟网络进行网络变量优化。这个过程可以理解为系统在综合考虑各种误差的基础上,通过调整网络变量(如权重、偏置等)来优化钢筋施工状态模拟网络的性能。优化的目标可能是最小化各种误差的总和或某个特定的误差指标,以提高模拟网络的准确性和可靠性。通过这种优化,系统能够更准确地模拟和分析钢筋施工过程中的力学状态变化趋势,为建筑施工提供更有价值的指导和建议。
此外,依据所述结构容忍状态区别误差、识别训练误差与整理训练误差对钢筋施工状态模拟网络进行网络变量优化的过程,可以通过具体的公式来介绍。在这个过程中,可以使用损失函数(LossFunction)来衡量模型的预测结果与真实结果之间的差异,并通过最小化损失函数来优化模型的参数(即网络变量)。
比如结构容忍状态区别误差对应的损失函数为(L_{text{结构}}),识别训练误差对应的损失函数为(L_{text{识别}}),整理训练误差对应的损失函数为(L_{text{整理}})。这些损失函数可以根据具体的问题和数据集来设计,常见的损失函数包括均方误差(MeanSquaredError,MSE)、交叉熵损失(Cross-EntropyLoss)等。
网络变量优化的目标是最小化这些损失函数的加权和,即总损失函数(L_{text{总}}):
[L_{text{总}}=q1*L_{text{结构}}+q2*L_{text{识别}}+q3*L_{text{整理}}]。
其中,(q1),(q2),和(q3)是权重系数,用于平衡不同损失函数对总损失函数的贡献。这些权重系数可以根据实际问题的需求和经验来设置。
网络变量优化通常使用梯度下降(GradientDescent)或其变种算法来实现。在每一步迭代中,算法会计算总损失函数关于网络变量的梯度(即损失函数值对网络变量的偏导数),并按照梯度的反方向更新网络变量,以减小总损失函数的值。通过不断地迭代更新网络变量,算法可以逐渐减小总损失函数的值,从而提高钢筋施工状态模拟网络的准确性和可靠性。需要注意的是,在实际应用中,还需要考虑其他因素,如过拟合(Overfitting)的防止、正则化(Regularization)的引入等,以进一步提升模型的性能。
在一些示例中,所述先验整理结果是将相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据录入至预先调试好的深度学习网络中得到的。
在一些示例中,先验整理结果的生成过程涉及将特定的钢筋施工任务图像学习数据输入到一个预先调试好的深度学习网络中。这个过程是系统自动执行的,无需人工干预。具体来说,系统会首先获取与钢筋施工任务相关的图像学习数据,这些数据可能包括施工现场的图像、钢筋结构的示意图等。这些数据是系统进行分析和学习的基础。
接下来,系统会将这些图像学习数据对应的BIM力学状态趋势数据录入到预先调试好的深度学习网络中。BIM力学状态趋势数据是一种结构化信息,它描述了钢筋在施工过程中力学状态的变化趋势。这些数据可以是通过BIM技术模拟得到的,也可以是通过实际施工过程中的监测和测量获得的。将这些数据录入深度学习网络的过程,实际上是将这些力学状态趋势数据作为网络的输入,供网络进行学习和分析。
深度学习网络是一种复杂的机器学习模型,它具有多层神经网络结构,能够自动提取和学习输入数据的特征表示。在这个例子中,深度学习网络已经过预先的调试和训练,具备了处理和分析BIM力学状态趋势数据的能力。当系统将这些数据录入网络时,网络会根据其内部的算法和参数设置,对这些数据进行处理和分析,从而生成先验整理结果。
先验整理结果是深度学习网络对输入数据的一种理解和解释,它可能包括对施工现场力学状态的预测、对钢筋结构稳定性的评估等。这些结果可以为后续的钢筋施工状态模拟和优化提供有价值的参考信息。通过这个过程,系统能够利用深度学习技术的强大能力,对钢筋施工过程中的力学状态进行自动分析和预测,从而提高施工效率和质量。
在另一些示例中,所述各钢筋施工任务图像学习数据各自对应的第一BIM空间结构量化向量包含:相应钢筋施工任务图像学习数据的全局施工图像描述向量,以及相应钢筋施工任务图像学习数据中,各BIM图像块的前后序图像描述子。
则S210中的所述基于筛选出的各钢筋施工任务图像学习数据的第一BIM空间结构量化向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果,包括:依据所述钢筋施工状态模拟网络对筛选出的各钢筋施工任务图像学习数据分别进行BIM属性向量挖掘,获得各钢筋施工任务图像学习数据的第一BIM空间结构量化向量;以及基于各第一BIM空间结构量化向量中的各全局施工图像描述向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果。
则S220中的所述分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的第一BIM空间结构量化向量,生成相应正确训练注释对应的BIM力学传导变化信息,包括:依据所述钢筋施工状态模拟网络对所述各正确训练注释各自对应的一个BIM力学状态趋势数据分别进行BIM属性向量挖掘,获得所述各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量;分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的全局施工图像描述向量与相应各BIM图像块的前后序图像描述子,生成相应的正确训练注释对应的BIM力学传导变化信息。
在另一些示例中,当处理钢筋施工任务图像学习数据时,系统会特别关注这些数据的第一BIM空间结构量化向量。这个向量是一个关键的特征集合,它包含了图像的全局施工描述以及图像中各个BIM图像块之间的前后序关系。具体来说,这个向量的构成包括两部分:全局施工图像描述向量和各BIM图像块的前后序图像描述子。全局施工图像描述向量提供了对整个施工场景的一个宏观理解,而BIM图像块的前后序图像描述子则捕捉了图像中不同部分之间的空间和时间关系。
在S210中,系统会首先依据钢筋施工状态模拟网络对筛选出的各钢筋施工任务图像学习数据进行BIM属性向量挖掘。这个过程就像是对数据进行深入的剖析,提取出其内在的结构化信息。挖掘的结果就是每个图像学习数据的第一BIM空间结构量化向量。接下来,系统会基于这些向量中的全局施工图像描述向量部分,来分别获得相应钢筋施工任务图像学习数据针对状态模拟指令的结构容忍状态模型结果。这个过程可以看作是对图像学习数据与模拟指令之间匹配度的一个评估,评估的结果反映了图像数据在施工状态模拟中的潜在表现。
而在S220中,系统会处理正确训练注释及其对应的BIM力学状态趋势数据。同样地,系统会先利用钢筋施工状态模拟网络对这些BIM力学状态趋势数据进行BIM属性向量挖掘,得到它们的第二BIM空间结构量化向量。这些向量描述了力学状态趋势数据的内在结构和特征。然后,系统会结合这些第二BIM空间结构量化向量与相应的全局施工图像描述向量以及BIM图像块的前后序图像描述子,来生成正确训练注释对应的BIM力学传导变化信息。这个过程实际上是在构建一个桥梁,将图像数据与力学状态趋势数据紧密地连接起来,以便后续的网络训练和优化。
总的来说,通过这些步骤,系统能够有效地利用图像学习数据和力学状态趋势数据中的信息,为钢筋施工状态模拟提供有力的支持。这不仅提高了模拟的准确性和效率,也为施工过程的优化和改进提供了新的可能性。
在一些示例中,深度残差网络(Deep Residual Network,简称ResNet)是一种深度学习模型,特别适用于处理深度神经网络训练过程中的梯度消失和表示瓶颈问题。它通过引入残差学习(residual learning)的概念,允许网络层学习输入与输出之间的“残差”或差异,而不是直接学习从输入到输出的映射。这种方法有助于训练更深的网络,同时保持较高的性能和准确性。
在目标钢筋施工状态模拟网络的上下文中,深度残差网络可以被用来构建模拟网络的核心架构。以下是该网络的一些关键组成部分和它们如何应用于钢筋施工状态模拟:
网络深度:ResNet允许构建非常深的网络,这对于捕捉复杂的施工状态特征和模式至关重要。较深的网络通常具有更强的表示能力,可以学习更高级别的抽象特征。
残差块:ResNet的基本构建块是残差块(residual block),它包含多个卷积层和一个跨层连接(skip connection),后者直接将输入跳过一个或多个层后添加到输出中。这种设计有助于保留更多的信息,并允许梯度更有效地通过网络反向传播。
批量归一化:ResNet中的批量归一化(Batch Normalization)层有助于减少内部协变量偏移,加速训练过程,并允许使用更高的学习率。这对于钢筋施工状态模拟网络来说非常重要,因为它可以更快地收敛到更好的模型。
激活函数:ReLU(Rectified Linear Unit)等非线性激活函数被用于引入非线性特性,这对于模拟复杂的施工状态是必要的。
多尺度特征提取:在钢筋施工状态模拟中,可能需要从不同尺度的图像中提取特征。ResNet可以通过其多层次的卷积结构自然地实现这一点,不同深度的层可以捕捉到不同尺度的特征。
定制输出层:对于特定的钢筋施工状态模拟任务,可以在ResNet的顶部添加定制的输出层,以预测施工状态的各种指标或输出。例如,可以添加全连接层或卷积层来预测钢筋的力学状态、稳定性或施工过程中的其他关键参数。
训练和优化:使用大量的钢筋施工图像和相关状态数据来训练ResNet。通过反向传播和梯度下降算法优化网络参数,以最小化预测状态与实际状态之间的差异。
综上所述,深度残差网络作为一种强大的深度学习架构,非常适合用于构建目标钢筋施工状态模拟网络。它的深度、残差学习、批量归一化和定制性等特点使其成为处理复杂施工状态模拟任务的理想选择。
在一些可独立的实施例中,在S120所描述的依据所述完成调试的目标钢筋施工状态模拟网络,获取所述拟进行状态模拟的钢筋施工任务图像数据的第一BIM空间结构量化向量,并依据所述第一BIM空间结构量化向量,获得所述拟进行状态模拟的钢筋施工任务图像数据针对状态模拟指令的结构容忍状态模型结果与BIM力学传导变化信息之后,该方法还包括S130。
S130、基于所述结构容忍状态模型结果和所述BIM力学传导变化信息对所述钢筋施工任务图像数据对应的任务方案进行更新。
在一些可独立的实施例中,当系统执行到S120步骤时,它已经完成了对目标钢筋施工状态模拟网络的调试,并且已经获取了拟进行状态模拟的钢筋施工任务图像数据的第一BIM空间结构量化向量。这个向量是系统对图像数据进行深入分析和理解的结果,它包含了图像数据中关于钢筋施工任务的结构化信息。
基于这个第一BIM空间结构量化向量,系统进一步获得了两项关键信息:结构容忍状态模型结果和BIM力学传导变化信息。结构容忍状态模型结果反映了图像数据中的钢筋施工任务在不同模拟状态下的潜在表现,而BIM力学传导变化信息则揭示了施工过程中力学状态的变化趋势和可能的影响。
接下来,系统进入S130,即基于上述两项关键信息对钢筋施工任务图像数据对应的任务方案进行更新。这个更新的过程是一个优化和调整的过程,它旨在使任务方案更加符合实际的施工需求和条件。
具体来说,系统会根据结构容忍状态模型结果来评估当前任务方案在不同模拟状态下的可行性和稳定性。如果发现某些状态下任务方案的表现不佳或存在潜在的风险,系统会考虑对方案进行相应的调整和优化。
同时,系统还会利用BIM力学传导变化信息来预测施工过程中可能出现的力学问题和挑战。这些信息有助于系统提前发现并解决潜在的问题,从而确保施工过程的顺利进行。
综上所述,通过S130的更新过程,系统能够充分利用图像数据和模拟网络提供的信息,对钢筋施工任务方案进行全面的优化和提升。这不仅提高了施工过程的效率和质量,也为施工安全和风险管理提供了有力的支持。
进一步细化基于所述结构容忍状态模型结果和BIM力学传导变化信息对钢筋施工任务图像数据对应的任务方案进行更新的过程,可以分为以下几个步骤:
(1)分析结构容忍状态模型结果:
系统首先会对结构容忍状态模型结果进行深入分析,理解在不同模拟状态下钢筋结构的性能表现。
通过对比不同状态下的模拟结果,系统可以识别出潜在的结构弱点或不稳定区域。
这些分析结果为任务方案的调整提供了方向,指示出哪些部分需要加固、优化或重新设计。
(2)解读BIM力学传导变化信息:
BIM力学传导变化信息反映了施工过程中力学状态的变化趋势,包括应力、应变、位移等关键参数。
系统会解读这些信息,特别关注那些可能导致结构失效或安全问题的变化。
通过分析力学传导路径和变化模式,系统可以预测潜在的施工风险点。
(3)确定更新策略:
结合结构容忍状态模型结果和BIM力学传导变化信息的分析,系统会制定一套更新策略。
更新策略可能包括调整钢筋布置、增加支撑结构、改变施工方法等。
这些策略旨在提高结构的整体稳定性、安全性和施工效率。
(4)生成更新方案:
根据确定的更新策略,系统会生成具体的更新方案。这可能包括修改设计图纸、调整施工计划、重新分配资源等。
更新方案会详细说明每一处需要更改的地方,包括更改的原因、预期的效果以及实施步骤。
(5)验证与评估:
在实施更新方案之前,系统会通过模拟或分析手段对更新方案进行验证和评估。
这一步旨在确保更新方案能够有效解决识别出的问题,并且不会引入新的风险。
如果验证结果不满意,系统会回到前面的步骤,重新调整更新策略或方案。
(6)实施更新:
一旦验证通过,系统就会将更新方案应用到实际的钢筋施工任务中。
这可能涉及到修改施工现场的布置、调整施工设备的配置、通知施工人员执行新的作业指导等。
实施过程中,系统还会持续监控施工状态,确保更新方案的有效实施和施工安全。
基于此,S130所描述的基于所述结构容忍状态模型结果和所述BIM力学传导变化信息对所述钢筋施工任务图像数据对应的任务方案进行更新,包括:分析结构容忍状态模型结果,通过对比不同模拟状态下的钢筋结构性能表现,识别出潜在的结构弱点或不稳定区域;解读BIM力学传导变化信息,关注导致结构失效或安全问题的力学状态变化趋势,并预测潜在的施工风险点,得到分析结果;结合潜在的结构弱点或不稳定区域,以及BIM力学传导变化信息的分析结果,制定更新策略;根据确定的更新策略,生成更新方案,包括修改设计图纸、调整施工计划和重新分配资源;在实施更新方案之前,通过模拟或分析手段对更新方案进行验证和评估;若验证结果不达标,重新调整更新策略或方案,并重复“根据确定的更新策略,生成更新方案,包括修改设计图纸、调整施工计划和重新分配资源;在实施更新方案之前,通过模拟或分析手段对更新方案进行验证和评估”,直至验证结果达标。若验证结果达标,将更新方案应用到实际的钢筋施工任务中,包括修改施工现场布置、调整施工设备配置、通知施工人员执行新的作业指导。
基于此,S130所描述的基于所述结构容忍状态模型结果和所述BIM力学传导变化信息对所述钢筋施工任务图像数据对应的任务方案进行更新的过程,可以详细举例解释如下。
首先,系统会进行结构容忍状态模型结果的分析。这意味着系统会深入剖析模拟得到的钢筋结构在不同状态下的性能数据。例如,系统可能会对比结构在承受不同负载、温度变化或地震影响下的应力分布、变形程度等指标。通过这类对比,系统能够精准地识别出结构中哪些部分在特定条件下表现较弱或存在失稳风险。
紧接着,系统会解读BIM力学传导变化信息。BIM(Building InformationModeling,建筑信息模型)技术允许系统模拟施工过程中的力学变化。系统会关注这些变化中可能引发结构失效或安全隐患的趋势。例如,它可能会检测到某处钢筋的应力集中现象,这预示着未来可能发生的断裂。
随后,系统会将这两方面的分析结果结合起来,制定一套全面的更新策略。这套策略旨在通过调整钢筋布置、增强结构支撑、优化施工方法等手段,来消除已识别的弱点、提升结构稳定性并降低施工风险。
根据这套策略,系统会生成具体的更新方案。这可能涉及修改原有的设计图纸,如在关键部位增加钢筋数量或改变其布局;调整施工计划,如重新安排施工顺序或引入新的施工工艺;以及重新分配资源,如更换更高强度的材料或增加施工设备的投入。
但在实施这些方案之前,系统会通过模拟或分析手段对它们进行严格的验证和评估。这一步骤至关重要,因为它确保了更新方案的有效性和安全性。如果验证结果显示方案未能达到预期效果或引入了新的风险,系统会回到之前的步骤,重新调整策略并生成新的方案,然后再次进行验证。这一过程将反复进行,直至找到一个既有效又安全的方案。
最后,一旦方案通过验证,系统就会将其应用到实际的钢筋施工任务中。这可能包括根据更新后的设计图纸修改施工现场的布置、根据新的施工计划调整施工设备的配置、以及向施工人员提供新的作业指导。在实施过程中,系统还会持续监控施工状态,以确保更新方案得到正确执行并达到预期效果。
图2示出了钢筋施工状态模拟系统300的结构框图,包括:存储器310,用于存储程序指令和数据;处理器320,用于与存储器310耦合,执行所述存储器310中的指令,以实现上述的方法。
进一步地,还提供了一种计算机存储介质,包含指令,当所述指令在处理器上执行时,实现上述的方法。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,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装置、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、程序段或代码的一部分,所述模块、程序段或代码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。也应当注意,在有些作为替换的实现方式中,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。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种应用于人工智能的钢筋施工状态模拟方法,其特征在于,应用于钢筋施工状态模拟系统,所述方法还包括:
将拟进行状态模拟的钢筋施工任务图像数据录入完成调试的目标钢筋施工状态模拟网络;
依据所述完成调试的目标钢筋施工状态模拟网络,获取所述拟进行状态模拟的钢筋施工任务图像数据的第一BIM空间结构量化向量,并依据所述第一BIM空间结构量化向量,获得所述拟进行状态模拟的钢筋施工任务图像数据针对状态模拟指令的结构容忍状态模型结果与BIM力学传导变化信息;
所述目标钢筋施工状态模拟网络的调试方法包括:
基于调试学习示例集对待调试的钢筋施工状态模拟网络进行最少一次调试;
其中,每个调试学习示例包含:钢筋施工任务图像学习数据、最少一个先验训练注释及相应的BIM力学状态趋势数据集,所述最少一个先验训练注释至少包含正确训练注释,所述正确训练注释表征所述钢筋施工任务图像学习数据针对状态模拟指令的结构容忍状态认证结果,每个BIM力学状态趋势数据集包含最少一个BIM力学状态趋势数据,每个BIM力学状态趋势数据包括对应的先验训练注释与所述钢筋施工任务图像学习数据之间的BIM力学状态趋势特征;
其中,在一次调试中,实施如下步骤:
基于筛选出的各钢筋施工任务图像学习数据的第一BIM空间结构量化向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果;
分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的第一BIM空间结构量化向量,生成相应正确训练注释对应的BIM力学传导变化信息;
分别依据所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集的第三BIM空间结构量化向量集,对相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据的置信权重进行判别和整理,得到所述各钢筋施工任务图像学习数据各自对应的判别整理结果;
基于各结构容忍状态模型结果、各BIM力学传导变化信息和各判别整理结果,进行网络变量优化;
每个BIM力学传导变化信息表征相应的一个BIM力学状态趋势数据中的各个图像化状态要素的确定可能性,所述基于各结构容忍状态模型结果、各BIM力学传导变化信息和各判别整理结果,进行网络变量优化,包括:
基于各判别整理结果与对应真实先验训练注释之间的区别获取结构容忍状态区别误差;
获取各BIM力学传导变化信息各自包含的各个图像化状态要素的确定可能性,并基于各确定可能性获取识别训练误差,所述确定可能性与所述识别训练误差具有第二量化关系;
基于各判别整理结果与相应的先验整理结果之间的区别获取整理训练误差;
依据所述结构容忍状态区别误差、所述识别训练误差与所述整理训练误差对所述钢筋施工状态模拟网络进行网络变量优化。
2.如权利要求1所述的方法,其特征在于,每个BIM力学状态趋势数据由最少一个图像化状态要素构成,所述BIM力学状态趋势数据的第二BIM空间结构量化向量包含所述BIM力学状态趋势数据中各图像化状态要素的第二BIM空间结构量化向量,每个BIM力学传导变化信息表征相应的一个BIM力学状态趋势数据中的各个图像化状态要素的确定可能性;
每个BIM力学传导变化信息中的各个图像化状态要素的确定可能性是通过以下步骤分别得到的:
如果当前获取的确定可能性为所述一个BIM力学状态趋势数据中的第一个图像化状态要素的确定可能性,则依据所述一个BIM力学状态趋势数据所对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量,获取所述第一个图像化状态要素的确定可能性;
如果当前获取的确定可能性为所述一个BIM力学状态趋势数据中的非第一个图像化状态要素的确定可能性,则依据所述一个BIM力学状态趋势数据所对应的钢筋施工任务图像学习数据的第一BIM空间结构量化向量,以及所述一个BIM力学状态趋势数据中,当前图像化状态要素之前的剩余图像化状态要素所对应的第二BIM空间结构量化向量,获取所述非第一个图像化状态要素的确定可能性。
3.如权利要求1所述的方法,其特征在于,每个BIM力学状态趋势数据由最少一个图像化状态要素构成,所述分别依据所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集的第三BIM空间结构量化向量集,对相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据的置信权重进行判别和整理,包括:
依据所述钢筋施工状态模拟网络,分别对所述各钢筋施工任务图像学习数据各自对应的最少一个BIM力学状态趋势数据集中的各个BIM力学状态趋势数据进行BIM属性向量挖掘,获得各BIM力学状态趋势数据集各自对应的第三BIM空间结构量化向量集;每个第三BIM空间结构量化向量集中包含相应BIM力学状态趋势数据集中各BIM力学状态趋势数据对应的第三BIM空间结构量化向量;
分别基于各BIM力学状态趋势数据集各自对应的第三BIM空间结构量化向量集,结合相应的第一BIM空间结构量化向量,识别相应BIM力学状态趋势数据集中各BIM力学状态趋势数据各自包含的各个图像化状态要素的确定可能性;
分别依据所述各BIM力学状态趋势数据集各自包含的各BIM力学状态趋势数据中,各个图像化状态要素的确定可能性,对相应BIM力学状态趋势数据集对应的各BIM力学状态趋势数据的置信权重进行判别和整理。
4.如权利要求3所述的方法,其特征在于,每个BIM力学状态趋势数据的置信权重是基于如下步骤所得的:
获取所述BIM力学状态趋势数据中,各个图像化状态要素所对应的确定可能性的权重指标;
基于各个权重指标,与所述BIM力学状态趋势数据所包含的图像化状态要素的个数,得到所述BIM力学状态趋势数据的置信权重,所述各个权重指标与所述BIM力学状态趋势数据的置信权重具有第一量化关系,所述图像化状态要素的个数与所述BIM力学状态趋势数据的置信权重具有第二量化关系。
5.如权利要求1所述的方法,其特征在于,所述先验整理结果是将相应钢筋施工任务图像学习数据对应的各BIM力学状态趋势数据录入至预先调试好的深度学习网络中得到的。
6.如权利要求1所述的方法,其特征在于,所述各钢筋施工任务图像学习数据各自对应的第一BIM空间结构量化向量包含:相应钢筋施工任务图像学习数据的全局施工图像描述向量,以及相应钢筋施工任务图像学习数据中,各BIM图像块的前后序图像描述子;
所述基于筛选出的各钢筋施工任务图像学习数据的第一BIM空间结构量化向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果,包括:依据所述钢筋施工状态模拟网络对筛选出的各钢筋施工任务图像学习数据分别进行BIM属性向量挖掘,获得各钢筋施工任务图像学习数据的第一BIM空间结构量化向量;以及基于各第一BIM空间结构量化向量中的各全局施工图像描述向量,分别获得相应钢筋施工任务图像学习数据针对所述状态模拟指令的结构容忍状态模型结果;
所述分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的第一BIM空间结构量化向量,生成相应正确训练注释对应的BIM力学传导变化信息,包括:依据所述钢筋施工状态模拟网络对所述各正确训练注释各自对应的一个BIM力学状态趋势数据分别进行BIM属性向量挖掘,获得所述各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量;分别基于各正确训练注释各自对应的一个BIM力学状态趋势数据的第二BIM空间结构量化向量,结合相应的全局施工图像描述向量与相应各BIM图像块的前后序图像描述子,生成相应的正确训练注释对应的BIM力学传导变化信息。
7.一种钢筋施工状态模拟系统,其特征在于,包括:存储器,用于存储程序指令和数据;处理器,用于与存储器耦合,执行所述存储器中的指令,以实现如权利要求1-6任一项所述的方法。
8.一种计算机存储介质,其特征在于,包含指令,当所述指令在处理器上执行时,实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410241463.0A CN117852155B (zh) | 2024-03-04 | 应用于人工智能的钢筋施工状态模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410241463.0A CN117852155B (zh) | 2024-03-04 | 应用于人工智能的钢筋施工状态模拟方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117852155A true CN117852155A (zh) | 2024-04-09 |
CN117852155B CN117852155B (zh) | 2024-06-04 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191696A (zh) * | 2019-12-20 | 2020-05-22 | 山东大学 | 一种基于深度学习算法的钢筋分层方法及系统 |
KR102366840B1 (ko) * | 2021-02-08 | 2022-02-24 | (주)아이언박스 | 건설 감리 서비스 제공을 위한 클라우드 플랫폼 시스템 기반의 인공지능 건설 객체 검출 방법 및 시스템 |
CN116468703A (zh) * | 2023-04-23 | 2023-07-21 | 中建三局第一建设工程有限责任公司 | 基于机器视觉的楼板钢筋验收方法及系统 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191696A (zh) * | 2019-12-20 | 2020-05-22 | 山东大学 | 一种基于深度学习算法的钢筋分层方法及系统 |
KR102366840B1 (ko) * | 2021-02-08 | 2022-02-24 | (주)아이언박스 | 건설 감리 서비스 제공을 위한 클라우드 플랫폼 시스템 기반의 인공지능 건설 객체 검출 방법 및 시스템 |
CN116468703A (zh) * | 2023-04-23 | 2023-07-21 | 中建三局第一建设工程有限责任公司 | 基于机器视觉的楼板钢筋验收方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163226B (zh) | 基于图自动编码器的二进制函数相似性检测方法 | |
KR20180014471A (ko) | 신규 물질의 구조 생성 방법 및 장치 | |
CN112989363B (zh) | 漏洞定位方法、装置、电子设备和存储介质 | |
CN112668809B (zh) | 建立自闭症儿童康复效果预测模型的方法 | |
Dang et al. | Structural damage detection framework based on graph convolutional network directly using vibration data | |
CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及系统 | |
CN115544264B (zh) | 知识驱动的桥梁建造数字孪生场景智能构建方法及系统 | |
CN117852155B (zh) | 应用于人工智能的钢筋施工状态模拟方法及系统 | |
CN113904844A (zh) | 基于跨模态教师-学生网络的智能合约漏洞检测方法 | |
CN117422990A (zh) | 一种基于机器学习的桥梁结构分类与评估方法 | |
Miao et al. | Deep Learning–Based Inspection Data Mining and Derived Information Fusion for Enhanced Bridge Deterioration Assessment | |
CN115563020B (zh) | 危险测试场景的生成方法及系统、电子设备、存储介质 | |
CN117852155A (zh) | 应用于人工智能的钢筋施工状态模拟方法及系统 | |
Veghar et al. | Epistemic uncertainty treatment using group method of data handling algorithm in seismic collapse fragility | |
Lin et al. | On the formalization of development and assessment process for digital twins | |
KR101151013B1 (ko) | 타이어 성능 평가 방법 | |
YOUSIF et al. | Deep learning-based surrogate modeling for performance-driven generative design systems | |
CN111737319B (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
CN114067360A (zh) | 一种行人属性检测方法及装置 | |
CN115906089B (zh) | 一种基于二进制函数相似性的漏洞检测方法与系统 | |
Zhao et al. | Predicting steel column stability with uncertain initial defects using bayesian deep learning | |
CN117951546B (zh) | 结合bim的混凝土结构缺陷检测方法及系统 | |
Rema et al. | Deep Learning-Based Swot Analysis in Construction and Demolition Waste Management. | |
CN117910810B (zh) | 基于深度学习的施工环境风险分析方法及系统 |
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 |