CN118013635A - 一种楼宇排水管道的设计方法、装置、设备及存储介质 - Google Patents
一种楼宇排水管道的设计方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118013635A CN118013635A CN202410349503.3A CN202410349503A CN118013635A CN 118013635 A CN118013635 A CN 118013635A CN 202410349503 A CN202410349503 A CN 202410349503A CN 118013635 A CN118013635 A CN 118013635A
- Authority
- CN
- China
- Prior art keywords
- drainage
- building
- feature
- model
- inputting
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013461 design Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000015654 memory Effects 0.000 claims description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 230000007787 long-term memory Effects 0.000 claims description 21
- 230000006403 short-term memory Effects 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000007849 functional defect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229920011532 unplasticized polyvinyl chloride Polymers 0.000 description 3
- 239000002351 wastewater Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000007847 structural defect Effects 0.000 description 2
- 229910001018 Cast iron Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003584 silencer Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种楼宇排水管道的设计方法、装置、设备及存储介质,该方法包括:将楼宇模型中的所有楼层模型划分为多个楼段;依据各个楼段中的楼层模型与排水管道模型查询楼段归属的类别,作为目标类;在时序上模拟各个楼段的排水管道模型中流通的排水量;加载对目标类训练的振动预测网络;将排水量输入骨干结构中提取特征,得到原始排水特征;将原始排水特征输入颈部结构中进行调整,得到目标排水特征;将目标排水特征输入解码器中解码为振动信号;依据振动信号对排水管道模型划分管道状态;在楼宇模型中为各个楼段显示管道状态与为管道状态生成的设计管理信息。排水管道的设计更加贴近实际情况,及时做出应对,减少排水管道发生异常的几率。
Description
技术领域
本发明涉及建筑设计的技术领域,尤其涉及一种楼宇排水管道的设计方法、装置、设备及存储介质。
背景技术
在城市化进程中,高层楼宇、超高层楼宇的规模逐渐增长,高层楼宇、超高层楼宇在居住、办公和商业设施上使用大量的水资源,水资源通过排水系统排除,以保障人们的正常生活、工作。
目前,在高层楼宇、超高层楼宇的建设阶段中,设计人员、施工人员往往是在BIM(Building Information Management,建筑信息模型)中使用标准管件进行管道的组合,经过论证之后进行施工、布置。
但是,排水系统的管道主要是依赖人为经验进行布置,与实际情况存在一定的偏差,导致排水系统的管道容易发生各种异常。
发明内容
本发明提供了一种楼宇排水管道的设计方法、装置、设备及存储介质,以解决如何提高对高层楼宇/超高层楼宇设计的排水管道的精确度的问题。
根据本发明的一方面,提供了一种楼宇排水管道的设计方法,应用于建筑信息模型,所述方法包括:
将楼宇模型中的所有楼层模型划分为多个楼段;同一所述楼段中的所述楼层模型共用同一排水管道模型;
在预设的多个类别中依据各个所述楼段中的所述楼层模型与所述排水管道模型查询所述楼段归属的类别,作为目标类;
在时序上模拟各个所述楼段的所述排水管道模型中流通的排水量;
加载对所述目标类训练的振动预测网络,所述振动预测网络具有骨干结构、颈部结构与解码器;
将所述排水量输入所述骨干结构中提取特征,得到原始排水特征;
将所述原始排水特征输入所述颈部结构中进行调整,得到目标排水特征;
将所述目标排水特征输入所述解码器中解码为振动信号;
依据所述振动信号对所述排水管道模型划分管道状态;
在所述楼宇模型中为各个所述楼段显示所述管道状态与为所述管道状态生成的设计管理信息。
根据本发明的另一方面,提供了一种楼宇排水管道的设计装置,应用于建筑信息模型,所述装置包括:
楼段划分模块,用于将楼宇模型中的所有楼层模型划分为多个楼段;同一所述楼段中的所述楼层模型共用同一排水管道模型;
类别划分模块,用于在预设的多个类别中依据各个所述楼段中的所述楼层模型与所述排水管道模型查询所述楼段归属的类别,作为目标类;
排水量模拟模块,用于在时序上模拟各个所述楼段的所述排水管道模型中流通的排水量;
振动预测网络加载模块,用于加载对所述目标类训练的振动预测网络,所述振动预测网络具有骨干结构、颈部结构与解码器;
原始排水特征提取模块,用于将所述排水量输入所述骨干结构中提取特征,得到原始排水特征;
目标排水特征调整模块,用于将所述原始排水特征输入所述颈部结构中进行调整,得到目标排水特征;
振动信号解码模块,用于将所述目标排水特征输入所述解码器中解码为振动信号;
管道状态划分模块,用于依据所述振动信号对所述排水管道模型划分管道状态;
设计管理信息显示模块,用于在所述楼宇模型中为各个所述楼段显示所述管道状态与为所述管道状态生成的设计管理信息。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的楼宇排水管道的设计方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现本发明任一实施例所述的楼宇排水管道的设计方法。
在本实施例中,将楼宇模型中的所有楼层模型划分为多个楼段;同一楼段中的楼层模型共用同一排水管道模型;在预设的多个类别中依据各个楼段中的楼层模型与排水管道模型查询楼段归属的类别,作为目标类;在时序上模拟各个楼段的排水管道模型中流通的排水量;加载对目标类训练的振动预测网络,振动预测网络具有骨干结构、颈部结构与解码器;将排水量输入骨干结构中提取特征,得到原始排水特征;将原始排水特征输入颈部结构中进行调整,得到目标排水特征;将目标排水特征输入解码器中解码为振动信号;依据振动信号对排水管道模型划分管道状态;在楼宇模型中为各个楼段显示管道状态与为管道状态生成的设计管理信息。本实施例在BIM中依据楼宇模型各个楼层模型的情况,对按照排水管道模型施工并投入使用后的状态进行预测,以此提出设计管理信息作为参考,使得排水管道的设计更加贴近实际情况,及时做出应对,减少排水管道发生异常的几率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种楼宇排水管道的设计方法的流程图;
图2是根据本发明实施例一提供的一种振动预测网络的架构图;
图3是根据本发明实施例一提供的一种分类器的架构图;
图4是根据本发明实施例二提供的一种楼宇排水管道的设计装置的结构示意图;
图5是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够涵盖除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种楼宇排水管道的设计方法的流程图,该方法应用于建筑信息模型平台,包括如下步骤:
步骤101、将楼宇模型中的所有楼层模型划分为多个楼段。
在实际应用中,用户(设计人员/施工人员)可以在BIM中对高层楼宇/超高层楼宇建模,得到三维的楼宇模型。
在楼宇模型中具有多个楼层模型,即表示楼层的三维模型,以及,具有排水管道模型,即表示排水系统的管道。
由于高层楼宇/超高层楼宇的用户众多,每天产生的废水量较大,排水系统的管道应具备处理大量排水量的能力。此外,为应对同时多户同时使用水源的情况,排水系统的管道应确保不会因废水过载而堵塞,对此,在高层楼宇/超高层楼宇中,排水系统可能设置多条管道(即排水管道)。
在本实施例中,可以使用均分等方式将楼宇模型中的所有楼层模型划分为多个楼段,其中,同一楼段中的楼层模型共用同一排水管道模型。
在高层楼宇/超高层楼宇中,排水管道的布置较为复杂,将楼宇模型划分为多个楼段,可以截断排水管道模型,从而简化排水管道模型,为检测排水管道模型的状态提供基础。
步骤102、在预设的多个类别中依据各个楼段中的楼层模型与排水管道模型查询楼段归属的类别,作为目标类。
在本实施例中,可以调用k-means等聚类算法使用历史在BIM构建的楼段中的多个楼层模型与排水管道模型生成多个类别,在同一个类别中,楼段中的多个楼层模型与排水管道模型的情况相同或相似。
针对当前楼宇模型的各个楼段,可以依据其中的楼层模型与排水管道模型查询各个楼段归属的类别,记为目标类。
在本发明的一个实施例中,步骤102可以包括如下子步骤:
子步骤1021、在地理位置上依据各个楼层模型与排水管道模型的分布信息对各个楼层模型生成楼层描述信息。
针对既定楼段中的各个楼层模型,可以在地理位置上依据该楼层模型与排水管道模型这两者及其分布信息对该楼层模型生成楼层描述信息,即,该楼层描述信息用于描述楼层模型自身的特性、排水管道模型自身的特性、以及、楼层模型与排水管道模型这两者在地理位置上的分布特性。
在具体实现中,可以在楼宇模型中查询各个楼层模型的高度,该高度可以为绝对的高度(如90米等),也可以为相对的高度(如楼层数)。
针对各个楼层模型,可以将各个楼层模型与排水管道模型转换为网格,网格多为指定边长的正方形。
在网格中,可以统计楼层模型的第一占比,如果该第一占比超过预设的第一阈值,则可以认为该网格为楼层模型占据的网格,以及,可以统计排水管道模型的第二占比,如果该第二占比超过预设的第二阈值,则可以认为该网格为排水管道模型占据的网格。
一般情况下,楼层模型划分为建筑区域与公共区域(如电梯、楼梯、楼道等),排水主要发生在建筑区域中,因此,在楼宇模型(三维坐标系)中,可以查询位于各个楼层模型的建筑区域内的网格的第一水平坐标(x,y)。
此外,在楼宇模型(三维坐标系)中,可以查询位于各个楼层模型的排水管道模型(尤其为排水管道模型在楼层模型的楼层平面的横截面)内的网格的第二水平坐标(x,y)。
查询排水管道模型的材质,如UPVC(Unplasticized Polyvinyl Chloride,硬聚氯乙烯)管、铸铁管等。
在各个楼层模型内,按照顺序对高度、第一水平坐标、第二水平坐标与材质进行拼接,从而将高度、第一水平坐标、第二水平坐标与材质组成楼层描述信息。
子步骤1022、在各个楼段中,将各个楼层模型的楼层描述信息组合为楼段描述信息。
在各个楼段中,按照顺序对各个楼层模型的楼层描述信息进行拼接,从而将各个楼层模型的楼层描述信息组合为楼段描述信息。
子步骤1023、将楼段描述信息编码为原始楼段向量。
在本实施例中,可以使用one-hot(独热)等方法对楼段描述信息进行向量化,从而将楼段描述信息编码为向量,记为原始楼段向量。
子步骤1024、对原始楼段向量降低维度,得到目标楼段向量。
由于楼层模型、排水管道模型的大小不一,楼层描述信息的长度随之大小不一,使得原始楼段向量的维度随之大小不一,在本实施例中,为便于划分类别,在原始楼段向量的主要特征分量的情况下,可以通过PCA(Principal Component Analysis,主成分分析)、LDA(Linear Discriminant Analysis,线性判别分析)、LLE(Locally linear embedding,局部线性嵌入)等算法降低原始楼段向量的维度,将原始楼段向量的维度降低至十或百的量级,降低运算量。
子步骤1025、对各个楼段计算目标楼段向量与预设的多个类别中的中心点之间的距离。
针对各个楼段,可以调用欧式距离等方法分别计算目标楼段向量与多个类别中的中心点之间的距离。
子步骤1026、将楼段划分至距离最小的类别,作为目标类。
针对各个楼段,将其与各个类别的中心点之间的距离进行比较,将楼段划分至距离最小的类别,作为目标类。
步骤103、在时序上模拟各个楼段的排水管道模型中流通的排水量。
在BIM中,可以基于楼宇模型的结构进行仿真测试,在时序上(即如每天、每周等)模拟各个楼段的排水管道模型中流通的排水量,即排水量为一个时间序列。
步骤104、加载对目标类训练的振动预测网络。
在本实施例中,可以预先基于深度学习构建振动预测网络,对各个类别中的楼宇模型采集样本,使用随机梯度下降等优化算法对各个类别训练振动预测网络。
其中,样本包括模拟楼宇模型中模拟各个楼段的排水管道模型中流通的排水量,以及,在楼宇模型实际对应的楼宇中,调用对各个楼段的排水管道模型实际对应的排水管道安装的振动传感器(如压电传感器)采集的振动信号。
进一步地,对于已建成的楼宇,在排水管道外安装振动传感器并不对排水管道进行侵入性的改造,易于实现,而排水管道使用了一定的年限,排水管道出现不同程度的老化,可以通过物业管理、技术人员等渠道判断排水管道的状态,例如,正常、结构性缺陷(如破裂、变形、腐蚀、错口、起伏、脱节、接口材料脱离、支管暗接、异物穿入、渗漏等)、功能性缺陷(如噪音、沉积、结垢、障碍物、残墙、坝根、树根、浮渣等),等等。
在实际应用中,在高层楼宇/超高层楼宇中,排水管道的布置较为复杂,排水量不均匀,排水历时短,高峰流量时可能充满整个排水管道的断面,大部分时间排水管道内可能没有水。排水管道内自由水面和气压不稳定,水、气容易混合。水、气混合之后的流速变化剧烈,楼宇内部排水管道的横管与立管交替连接,当水流由横管进入立管时,流速急骤增大,水汽混合;当水流由立管进入横管时,流速急骤减小,水汽分离。在这些情况中,不同状态的排水管道会使得排水管道往往会产生特定结构的振动信号。
那么,如果将排水管道的布置视为一个复杂的非线性函数,使用这些样本训练的振动预测网络可以表征该非线性函数,依据理想情况下仿真的排水量去模拟真实的振动信号。
对于当前楼宇模型,可以将各个楼段的排水管道模型中流通的排水量输入振动预测网络中,预测各个楼段的排水管道模型在投入使用一定年限后出现的振动信号。
如图2所示,振动预测网络具有骨干结构Backbone、颈部结构Neck与解码器Decoder。
其中,骨干结构Backbone是振动预测网络的主要组成部分,通常是一个卷积神经网络(Convolutional Neural Networks,CNN)或残差神经网络(ResNet)等。骨干结构Backbone负责提取输入的排水量的高级特征,以便后续的处理和分析。
颈部结构Neck是连接骨干结构Backbone和解码器Decoder的中间层。颈部结构Neck负责将来自骨干结构Backbone的特征进行调整(如升维、降维等),以便更好地适应预测振动信号的要求。颈部结构Neck可以采用卷积层(Convolutional Layer)、池化层或全连接层(Fully Connected Layer)等。
骨干结构Backbone属于编码器Encoder,与解码器Decoder组成编码器-解码器的架构,在该架构中,编码器Encoder负责将输入(Input)转化为特征(Feature),解码器Decoder负责将特征(Feature)转化为目标(Target)。
在确定当前楼段归属的目标类,可以将对目标类训练的振动预测网络(含参数)加载至内存运行。
步骤105、将排水量输入骨干结构中提取特征,得到原始排水特征。
在本实施例中,将排水量(时间序列)输入到骨干结构中,骨干结构按照其自身的逻辑对排水量进行处理,从排水量中提取特征,记为原始排水特征。
在具体实现中,如图2所示,骨干结构Backbone包括第一卷积模块ConvModule_1、第二卷积模块ConvModule_2、第三卷积模块ConvModule_3、第一长短期记忆网络LSTM_1、第二长短期记忆网络LSTM_2与第三长短期记忆网络LSTM_3。
其中,第一卷积模块ConvModule_1、第二卷积模块ConvModule_2、第三卷积模块ConvModule_3均为卷积模块,卷积模块是对一些可提供卷积操作的结构的封装。
示例性地,卷积模块依次分布有多个二维的卷积层、BN(Batch Normalization,批量归一化)函数与SiLU(Sigmoid Linear Unit,S型整流单元)函数。
第一长短期记忆网络LSTM_1、第二长短期记忆网络LSTM_2与第三长短期记忆网络LSTM_3均为长短期记忆网络(Long Short Term Memory,LSTM),LSTM是一种RNN(RecurrentNeural Networks,循环神经网络)特殊的类型,可以学习长期依赖信息。
排水管道投入使用之后的老化是一个跟时间相关的事情,LSTM通过引入记忆细胞、输入门、输出门和遗忘门的概念,能够有效地解决长序列问题。记忆细胞负责保存重要信息,输入门决定要不要将当前输入信息写入记忆细胞,遗忘门决定要不要遗忘记忆细胞中的信息,输出门决定要不要将记忆细胞的信息作为当前的输出。这些门的控制能够有效地捕捉序列中重要的长时间依赖性,并且能够解决梯度问题,使得LSTM适于处理对时间序列敏感的问题和任务,可提高提取的特征的精确度。
相应地,原始排水特征包括第一原始层级特征P1、第二原始层级特征P2与第三原始层级特征P3。
那么,将排水量输入第一卷积模块ConvModule_1中提取空间上的特征,得到第一卷积特征。
将第一卷积特征输入第一长短期记忆网络LSTM_1中提取时序上的特征,得到第一原始层级特征P1。
将第一原始层级特征P1输入第二卷积模块ConvModule_2中提取空间上的特征,得到第二卷积特征。
将第二卷积特征输入第二长短期记忆网络LSTM_2中提取时序上的特征,得到第二原始层级特征P2。
将第二原始层级特征P2输入第三卷积模块ConvModule_3中提取空间上的特征,得到第三卷积特征。
将第三卷积特征输入第三长短期记忆网络LSTM_3中提取时序上的特征,得到第三原始层级特征P3。
步骤106、将原始排水特征输入颈部结构中进行调整,得到目标排水特征。
在本实施例中,将原始排水特征输入到颈部结构中,颈部结构按照其自身的逻辑对原始排水特征进行调整,得到新的特征,记为目标排水特征。
在具体实现中,如图2所示,颈部结构包括第四卷积模块ConvModule_4、第五卷积模块ConvModule_5、第一残差结构ResNet_1、第二残差结构ResNet_2、第三残差结构ResNet_3与第四残差结构ResNet_4。
其中,第四卷积模块ConvModule_4与第五卷积模块ConvModule_5均为卷积模块。
第一残差结构ResNet_1、第二残差结构ResNet_2、第三残差结构ResNet_3与第四残差结构ResNet_4均为残差网络,残差网络中封装了多个(一般为2-6个)结构相同的残差块(Residual block),残差块是残差网络中的基本构建单元,用于实现深度网络中的跨层连接。残差块包含了一个或多个卷积层和一个跳跃连接(shortcut connection),使得残差网络可以在不丢失信息的情况下更容易地训练。
相应地,目标排水特征包括第一原始层级特征T1、第二原始层级特征T2与第三原始层级特征T3。
那么,对第三原始层级特征P3执行第一上采样操作Upsample_1。
若完成第一上采样操作Upsample_1,则将第二原始层级特征P2与第三原始层级特征P3拼接(Concat)为第一候选特征。
将第一候选特征输入第一残差结构ResNet_1中进行处理,得到第二候选特征。
对第二候选特征执行第二上采样操作Upsample_2。
若完成第二上采样操作Upsample_2,则将第一原始层级特征P1与第二候选特征拼接(Concat)为第三候选特征。
将第三候选特征输入第二残差结构ResNet_2中提取特征,得到第一目标层级特征T1。
将第一目标层级特征T1输入第四卷积模块ConvModule_4中提取特征,得到第四候选特征。
将第二候选特征与第四候选特征拼接(Concat)为第五候选特征。
将第五候选特征输入第三残差结构ResNet_3中提取特征,得到第二目标层级特征T2。
将第二目标层级特征T2输入第五卷积模块ConvModule_5中提取特征,得到第六候选特征。
将第三原始层级特征P3与第六候选特征拼接为第七候选特征。
将第七候选特征输入第四残差结构ResNet_4中提取特征,得到第三目标层级特征T3。
步骤107、将目标排水特征输入解码器中解码为振动信号。
在本实施例中,将目标排水特征输入到解码器中,解码器按照其自身的逻辑对目标排水特征进行解码,得到对当前楼段预测投入使用一段时间之后、通水时产生的振动信号。
在具体实现中,如图2所示,解码器Decoder包括第一翻转卷积层ConvTranspose_1、第二翻转卷积层ConvTranspose_2、第三翻转卷积层ConvTranspose_3、第四长短期记忆网络LSTM_4、第五长短期记忆网络LSTM_5与第六长短期记忆网络LSTM_6。
其中,第一翻转卷积层ConvTranspose_1、第二翻转卷积层ConvTranspose_2、第三翻转卷积层ConvTranspose_3均为翻转卷积层,翻转卷积层可实现逆卷积操作(又称转置卷积操作)。
第四长短期记忆网络LSTM_4、第五长短期记忆网络LSTM_5与第六长短期记忆网络LSTM_6均为长短期记忆网络。
那么,将第三目标层级特征T3输入第一翻转卷积层ConvTranspose_1中进行处理,得到第一中间特征。
将第一中间特征输入第四长短期记忆网络LSTM_4中进行处理,得到第二中间特征。
将第二目标层级特征T2与第二中间特征拼接(Concat)为第三中间特征。
将第三中间特征输入第二翻转卷积层ConvTranspose_2中进行处理,得到第四中间特征。
将第四中间特征输入第五长短期记忆网络LSTM_5中进行处理,得到第五中间特征。
将第一目标层级特征T1与第五中间特征拼接为第六中间特征;
将第六中间特征输入第三翻转卷积层ConvTranspose_3中进行处理,得到第七中间特征。
将第七中间特征输入第六长短期记忆网络LSTM_6中进行处理,得到振动信号。
步骤108、依据振动信号对排水管道模型划分管道状态。
由于振动信号可以体现出排水管道的特性,因此,可以使用机器学习或深度学习的方式,依据振动信号识别排水管道模型的状态,记为管道状态。
示例性地,如图3所示,将识别排水管道模型的管道状态视为多分类的任务,则可以加载预先训练的多分类的分类器,其中,对于建模并预测的情况,适用模糊分类,如正常、结构性缺陷、功能性缺陷等,分类器的结构较为简单,可提高处理的速度,此时,分类器中包括多个卷积层Conv与多个全连接层FC。
将振动信号依次输入多个卷积层Conv执行卷积操作,得到排水分类特征,将排水分类特征依次输入多个全连接层FC执行映射操作,得到排水管道模型的管道状态。
步骤109、在楼宇模型中为各个楼段显示管道状态与为管道状态生成的设计管理信息。
在本实施例中,可以从历史的施工设计、物业管理中读取针对管道状态记录的工单,对这些工单进行自然语言处理,从而生成设计管理信息,该设计管理信息为针对出现该管道状态下给出的设计与业务管理上的建议、施工措施等信息。
例如,由于高层楼宇/超高层楼宇的排水量和水流速度较大,废水流动时会产生噪音,在UPVC管中噪音尤为明显,如果某个楼段的管道状态为功能性缺陷,则在设计管理信息中,可以提示更换其他材质的排水管道,或者,采取吸音措施、使用消音器等技术可以减少排水噪音。
在BIM渲染楼宇模型时,可以在楼宇模型中为各个楼段显示管道状态与相应的设计管理信息,为设计人员在设计楼宇的排水管道提供参考,为施工人员在楼宇中布置排水管道时提供参考。
在本实施例中,将楼宇模型中的所有楼层模型划分为多个楼段;同一楼段中的楼层模型共用同一排水管道模型;在预设的多个类别中依据各个楼段中的楼层模型与排水管道模型查询楼段归属的类别,作为目标类;在时序上模拟各个楼段的排水管道模型中流通的排水量;加载对目标类训练的振动预测网络,振动预测网络具有骨干结构、颈部结构与解码器;将排水量输入骨干结构中提取特征,得到原始排水特征;将原始排水特征输入颈部结构中进行调整,得到目标排水特征;将目标排水特征输入解码器中解码为振动信号;依据振动信号对排水管道模型划分管道状态;在楼宇模型中为各个楼段显示管道状态与为管道状态生成的设计管理信息。本实施例在BIM中依据楼宇模型各个楼层模型的情况,对按照排水管道模型施工并投入使用后的状态进行预测,以此提出设计管理信息作为参考,使得排水管道的设计更加贴近实际情况,及时做出应对,减少排水管道发生异常的几率。
实施例二
图4为本发明实施例二提供的一种楼宇排水管道的设计装置的结构示意图。如图4所示,应用于建筑信息模型,该装置包括:
楼段划分模块401,用于将楼宇模型中的所有楼层模型划分为多个楼段;同一所述楼段中的所述楼层模型共用同一排水管道模型;
类别划分模块402,用于在预设的多个类别中依据各个所述楼段中的所述楼层模型与所述排水管道模型查询所述楼段归属的类别,作为目标类;
排水量模拟模块403,用于在时序上模拟各个所述楼段的所述排水管道模型中流通的排水量;
振动预测网络加载模块404,用于加载对所述目标类训练的振动预测网络,所述振动预测网络具有骨干结构、颈部结构与解码器;
原始排水特征提取模块405,用于将所述排水量输入所述骨干结构中提取特征,得到原始排水特征;
目标排水特征调整模块406,用于将所述原始排水特征输入所述颈部结构中进行调整,得到目标排水特征;
振动信号解码模块407,用于将所述目标排水特征输入所述解码器中解码为振动信号;
管道状态划分模块408,用于依据所述振动信号对所述排水管道模型划分管道状态;
设计管理信息显示模块409,用于在所述楼宇模型中为各个所述楼段显示所述管道状态与为所述管道状态生成的设计管理信息。
在本发明的一种优选实施例中,所述类别划分模块402还用于:
在地理位置上依据各个所述楼层模型与所述排水管道模型的分布信息对各个所述楼层模型生成楼层描述信息;
在各个所述楼段中,将各个所述楼层模型的所述楼层描述信息组合为楼段描述信息;
将所述楼段描述信息编码为原始楼段向量;
对所述原始楼段向量降低维度,得到目标楼段向量;
对各个所述楼段计算所述目标楼段向量与预设的多个类别中的中心点之间的距离;
将所述楼段划分至所述距离最小的所述类别,作为目标类。
在本发明的一种优选实施例中,所述类别划分模块402还用于:
查询各个所述楼层模型的高度;
将各个所述楼层模型与所述排水管道模型转换为网格;
查询位于各个所述楼层模型的建筑区域内的所述网格的第一水平坐标;
查询位于各个所述楼层模型的所述排水管道模型内的所述网格的第二水平坐标;
查询所述排水管道模型的材质;
在各个所述楼层模型内,将所述高度、所述第一水平坐标、所述第二水平坐标与所述材质组成楼层描述信息。
在本发明的一种优选实施例中,所述骨干结构包括第一卷积模块、第二卷积模块、第三卷积模块、第一长短期记忆网络、第二长短期记忆网络与第三长短期记忆网络,所述原始排水特征包括第一原始层级特征、第二原始层级特征与第三原始层级特征;
所述原始排水特征提取模块405还用于:
将所述排水量输入所述第一卷积模块中提取特征,得到第一卷积特征;
将所述第一卷积特征输入所述第一长短期记忆网络中提取特征,得到第一原始层级特征;
将所述第一原始层级特征输入所述第二卷积模块中提取特征,得到第二卷积特征;
将所述第二卷积特征输入所述第二长短期记忆网络中提取特征,得到第二原始层级特征;
将所述第二原始层级特征输入所述第三卷积模块中提取特征,得到第三卷积特征;
将所述第三卷积特征输入所述第三长短期记忆网络中提取特征,得到第三原始层级特征。
在本发明的一种优选实施例中,所述颈部结构包括第四卷积模块、第五卷积模块、第一残差结构、第二残差结构、第三残差结构与第四残差结构,所述目标排水特征包括第一原始层级特征、第二原始层级特征与第三原始层级特征;
所述目标排水特征调整模块406还用于:
对所述第三原始层级特征执行第一上采样操作;
若完成所述第一上采样操作,则将所述第二原始层级特征与所述第三原始层级特征拼接为第一候选特征;
将所述第一候选特征输入所述第一残差结构中进行处理,得到第二候选特征;
对所述第二候选特征执行第二上采样操作;
若完成所述第二上采样操作,则将所述第一原始层级特征与所述第二候选特征拼接为第三候选特征;
将所述第三候选特征输入所述第二残差结构中提取特征,得到第一目标层级特征;
将所述第一目标层级特征输入所述第四卷积模块中提取特征,得到第四候选特征;
将所述第二候选特征与所述第四候选特征拼接为第五候选特征;
将所述第五候选特征输入所述第三残差结构中提取特征,得到第二目标层级特征;
将所述第二目标层级特征输入所述第五卷积模块中提取特征,得到第六候选特征;
将所述第三原始层级特征与所述第六候选特征拼接为第七候选特征;
将所述第七候选特征输入所述第四残差结构中提取特征,得到第三目标层级特征。
在本发明的一种优选实施例中,所述解码器包括第一翻转卷积层、第二翻转卷积层、第三翻转卷积层、第四长短期记忆网络、第五长短期记忆网络与第六长短期记忆网络;
所述振动信号解码模块407还用于:
将所述第三目标层级特征输入所述第一翻转卷积层中进行处理,得到第一中间特征;
将所述第一中间特征输入所述第四长短期记忆网络中进行处理,得到第二中间特征;
将所述第二目标层级特征与所述第二中间特征拼接为第三中间特征;
将所述第三中间特征输入所述第二翻转卷积层中进行处理,得到第四中间特征;
将所述第四中间特征输入所述第五长短期记忆网络中进行处理,得到第五中间特征;
将所述第一目标层级特征与所述第五中间特征拼接为第六中间特征;
将所述第六中间特征输入所述第三翻转卷积层中进行处理,得到第七中间特征;
将所述第七中间特征输入所述第六长短期记忆网络中进行处理,得到振动信号。
在本发明的一种优选实施例中,所述管道状态划分模块408还用于:
加载分类器;所述分类器中包括多个卷积层与多个全连接层;
将所述振动信号依次输入多个所述卷积层执行卷积操作,得到排水分类特征;
将所述排水分类特征依次输入多个所述全连接层执行映射操作,得到排水管道模型的管道状态。
本发明实施例所提供的楼宇排水管道的设计装置可执行本发明任意实施例所提供的楼宇排水管道的设计方法,具备执行楼宇排水管道的设计方法相应的功能模块和有益效果。
实施例三
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,如楼宇排水管道的设计方法。
在一些实施例中,楼宇排水管道的设计方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的楼宇排水管道的设计方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行楼宇排水管道的设计方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
实施例四
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序在被处理器执行时实现如本发明任一实施例所提供的楼宇排水管道的设计方法。
计算机程序产品在实现的过程中,可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种楼宇排水管道的设计方法,其特征在于,应用于建筑信息模型,所述方法包括:
将楼宇模型中的所有楼层模型划分为多个楼段;同一所述楼段中的所述楼层模型共用同一排水管道模型;
在预设的多个类别中依据各个所述楼段中的所述楼层模型与所述排水管道模型查询所述楼段归属的类别,作为目标类;
在时序上模拟各个所述楼段的所述排水管道模型中流通的排水量;
加载对所述目标类训练的振动预测网络,所述振动预测网络具有骨干结构、颈部结构与解码器;
将所述排水量输入所述骨干结构中提取特征,得到原始排水特征;
将所述原始排水特征输入所述颈部结构中进行调整,得到目标排水特征;
将所述目标排水特征输入所述解码器中解码为振动信号;
依据所述振动信号对所述排水管道模型划分管道状态;
在所述楼宇模型中为各个所述楼段显示所述管道状态与为所述管道状态生成的设计管理信息。
2.根据权利要求1所述的方法,其特征在于,所述在预设的多个类别中依据各个所述楼段中的所述楼层模型与所述排水管道模型查询所述楼段归属的类别,作为目标类,包括:
在地理位置上依据各个所述楼层模型与所述排水管道模型的分布信息对各个所述楼层模型生成楼层描述信息;
在各个所述楼段中,将各个所述楼层模型的所述楼层描述信息组合为楼段描述信息;
将所述楼段描述信息编码为原始楼段向量;
对所述原始楼段向量降低维度,得到目标楼段向量;
对各个所述楼段计算所述目标楼段向量与预设的多个类别中的中心点之间的距离;
将所述楼段划分至所述距离最小的所述类别,作为目标类。
3.根据权利要求2所述的方法,其特征在于,所述在地理位置上依据各个所述楼层模型与所述排水管道模型的分布信息对各个所述楼层模型生成楼层描述信息,包括:
查询各个所述楼层模型的高度;
将各个所述楼层模型与所述排水管道模型转换为网格;
查询位于各个所述楼层模型的建筑区域内的所述网格的第一水平坐标;
查询位于各个所述楼层模型的所述排水管道模型内的所述网格的第二水平坐标;
查询所述排水管道模型的材质;
在各个所述楼层模型内,将所述高度、所述第一水平坐标、所述第二水平坐标与所述材质组成楼层描述信息。
4.根据权利要求1所述的方法,其特征在于,所述骨干结构包括第一卷积模块、第二卷积模块、第三卷积模块、第一长短期记忆网络、第二长短期记忆网络与第三长短期记忆网络,所述原始排水特征包括第一原始层级特征、第二原始层级特征与第三原始层级特征;
所述将所述排水量输入所述骨干结构中提取特征,得到原始排水特征,包括:
将所述排水量输入所述第一卷积模块中提取特征,得到第一卷积特征;
将所述第一卷积特征输入所述第一长短期记忆网络中提取特征,得到第一原始层级特征;
将所述第一原始层级特征输入所述第二卷积模块中提取特征,得到第二卷积特征;
将所述第二卷积特征输入所述第二长短期记忆网络中提取特征,得到第二原始层级特征;
将所述第二原始层级特征输入所述第三卷积模块中提取特征,得到第三卷积特征;
将所述第三卷积特征输入所述第三长短期记忆网络中提取特征,得到第三原始层级特征。
5.根据权利要求4所述的方法,其特征在于,所述颈部结构包括第四卷积模块、第五卷积模块、第一残差结构、第二残差结构、第三残差结构与第四残差结构,所述目标排水特征包括第一原始层级特征、第二原始层级特征与第三原始层级特征;
所述将所述原始排水特征输入所述颈部结构中进行调整,得到目标排水特征,包括:
对所述第三原始层级特征执行第一上采样操作;
若完成所述第一上采样操作,则将所述第二原始层级特征与所述第三原始层级特征拼接为第一候选特征;
将所述第一候选特征输入所述第一残差结构中进行处理,得到第二候选特征;
对所述第二候选特征执行第二上采样操作;
若完成所述第二上采样操作,则将所述第一原始层级特征与所述第二候选特征拼接为第三候选特征;
将所述第三候选特征输入所述第二残差结构中提取特征,得到第一目标层级特征;
将所述第一目标层级特征输入所述第四卷积模块中提取特征,得到第四候选特征;
将所述第二候选特征与所述第四候选特征拼接为第五候选特征;
将所述第五候选特征输入所述第三残差结构中提取特征,得到第二目标层级特征;
将所述第二目标层级特征输入所述第五卷积模块中提取特征,得到第六候选特征;
将所述第三原始层级特征与所述第六候选特征拼接为第七候选特征;
将所述第七候选特征输入所述第四残差结构中提取特征,得到第三目标层级特征。
6.根据权利要求5所述的方法,其特征在于,所述解码器包括第一翻转卷积层、第二翻转卷积层、第三翻转卷积层、第四长短期记忆网络、第五长短期记忆网络与第六长短期记忆网络;
所述将所述目标排水特征输入所述解码器中解码为振动信号,包括:
将所述第三目标层级特征输入所述第一翻转卷积层中进行处理,得到第一中间特征;
将所述第一中间特征输入所述第四长短期记忆网络中进行处理,得到第二中间特征;
将所述第二目标层级特征与所述第二中间特征拼接为第三中间特征;
将所述第三中间特征输入所述第二翻转卷积层中进行处理,得到第四中间特征;
将所述第四中间特征输入所述第五长短期记忆网络中进行处理,得到第五中间特征;
将所述第一目标层级特征与所述第五中间特征拼接为第六中间特征;
将所述第六中间特征输入所述第三翻转卷积层中进行处理,得到第七中间特征;
将所述第七中间特征输入所述第六长短期记忆网络中进行处理,得到振动信号。
7.根据权利要求1--6中任一项所述的方法,其特征在于,所述依据所述振动信号对所述排水管道模型划分管道状态,包括:
加载分类器;所述分类器中包括多个卷积层与多个全连接层;
将所述振动信号依次输入多个所述卷积层执行卷积操作,得到排水分类特征;
将所述排水分类特征依次输入多个所述全连接层执行映射操作,得到排水管道模型的管道状态。
8.一种楼宇排水管道的设计装置,其特征在于,应用于建筑信息模型,所述装置包括:
楼段划分模块,用于将楼宇模型中的所有楼层模型划分为多个楼段;同一所述楼段中的所述楼层模型共用同一排水管道模型;
类别划分模块,用于在预设的多个类别中依据各个所述楼段中的所述楼层模型与所述排水管道模型查询所述楼段归属的类别,作为目标类;
排水量模拟模块,用于在时序上模拟各个所述楼段的所述排水管道模型中流通的排水量;
振动预测网络加载模块,用于加载对所述目标类训练的振动预测网络,所述振动预测网络具有骨干结构、颈部结构与解码器;
原始排水特征提取模块,用于将所述排水量输入所述骨干结构中提取特征,得到原始排水特征;
目标排水特征调整模块,用于将所述原始排水特征输入所述颈部结构中进行调整,得到目标排水特征;
振动信号解码模块,用于将所述目标排水特征输入所述解码器中解码为振动信号;
管道状态划分模块,用于依据所述振动信号对所述排水管道模型划分管道状态;
设计管理信息显示模块,用于在所述楼宇模型中为各个所述楼段显示所述管道状态与为所述管道状态生成的设计管理信息。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1--7中任一项所述的楼宇排水管道的设计方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行时实现权利要求1--7中任一项所述的楼宇排水管道的设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410349503.3A CN118013635A (zh) | 2024-03-26 | 2024-03-26 | 一种楼宇排水管道的设计方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410349503.3A CN118013635A (zh) | 2024-03-26 | 2024-03-26 | 一种楼宇排水管道的设计方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118013635A true CN118013635A (zh) | 2024-05-10 |
Family
ID=90948663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410349503.3A Pending CN118013635A (zh) | 2024-03-26 | 2024-03-26 | 一种楼宇排水管道的设计方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013635A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101899112B1 (ko) * | 2017-08-24 | 2018-09-17 | 서계숙 | Ict기반 상수관망의 실시간 누수감지시스템 |
CN113792585A (zh) * | 2021-08-03 | 2021-12-14 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、系统、电子设备及介质 |
CN114370612A (zh) * | 2022-01-19 | 2022-04-19 | 安徽欧泰祺智慧水务科技有限公司 | 基于随机森林模型的供水管道状态监测方法 |
CN219367442U (zh) * | 2022-12-28 | 2023-07-18 | 陕西建工安装集团有限公司 | 地下供水管道泄漏检测系统 |
CN116756638A (zh) * | 2023-08-17 | 2023-09-15 | 广东电网有限责任公司汕头供电局 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
-
2024
- 2024-03-26 CN CN202410349503.3A patent/CN118013635A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101899112B1 (ko) * | 2017-08-24 | 2018-09-17 | 서계숙 | Ict기반 상수관망의 실시간 누수감지시스템 |
CN113792585A (zh) * | 2021-08-03 | 2021-12-14 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、系统、电子设备及介质 |
CN114370612A (zh) * | 2022-01-19 | 2022-04-19 | 安徽欧泰祺智慧水务科技有限公司 | 基于随机森林模型的供水管道状态监测方法 |
CN219367442U (zh) * | 2022-12-28 | 2023-07-18 | 陕西建工安装集团有限公司 | 地下供水管道泄漏检测系统 |
CN116756638A (zh) * | 2023-08-17 | 2023-09-15 | 广东电网有限责任公司汕头供电局 | 电动车用电负荷需求检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
马亮;: "BIM技术在某高层建筑给排水设计中的应用", 住宅与房地产, no. 24, 25 August 2020 (2020-08-25), pages 92 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Assessment of water resources carrying capacity for sustainable development based on a system dynamics model: a case study of Tieling City, China | |
Abadi et al. | An analysis of the sustainability of basin water resources using Vensim model | |
CN115186602A (zh) | 一种城市地下排水管网养护智能决策方法及系统 | |
Wang et al. | Comparative performance of logistic regression and survival analysis for detecting spatial predictors of land-use change | |
CN116882038B (zh) | 一种基于bim技术的机电施工方法及系统 | |
CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
CN114493049A (zh) | 基于数字孪生的产线优化方法、装置、电子设备及介质 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
CN112001435A (zh) | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 | |
Song et al. | An intelligent data-driven model for virtual flow meters in oil and gas development | |
Preis et al. | Online hydraulic state prediction for water distribution systems | |
CN118013635A (zh) | 一种楼宇排水管道的设计方法、装置、设备及存储介质 | |
CN116756498A (zh) | 一种基于lstm和分位数回归的径流概率预测算法 | |
Xu et al. | Accurate tsunami wave prediction using long short-term memory based neural networks | |
CN111428420B (zh) | 海表流流速预测方法、装置、计算机设备和存储介质 | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
CN114969934B (zh) | 一种斜拉索损伤程度识别方法及模型构建方法 | |
Soebroto et al. | Integration method of local-global SVR and parallel time variant PSO in water level forecasting for flood early warning system | |
Hallaji et al. | A digital twin framework for enhancing predictive maintenance of pumps in wastewater treatment plants | |
CN117094452B (zh) | 干旱状态预测方法、干旱状态预测模型的训练方法及设备 | |
Pajorova et al. | Virtual reality of water management in a big town | |
CN115879747B (zh) | 一种数字化防汛抗旱调度方法和系统 | |
CN116882696B (zh) | 一种耦合模糊识别及概率推理的水库群防洪安全双层判别方法 | |
HADJI | A coupled models Hydrodynamics-Multi headed Deep convolutional neural network for rapid forecasting large-scale flood inundation |
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 |