CN118014530A - 基于gis+bim技术的输变电工程可视化管理方法及系统 - Google Patents
基于gis+bim技术的输变电工程可视化管理方法及系统 Download PDFInfo
- Publication number
- CN118014530A CN118014530A CN202410280823.8A CN202410280823A CN118014530A CN 118014530 A CN118014530 A CN 118014530A CN 202410280823 A CN202410280823 A CN 202410280823A CN 118014530 A CN118014530 A CN 118014530A
- Authority
- CN
- China
- Prior art keywords
- engineering
- progress
- power transmission
- project
- 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.)
- Pending
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 156
- 230000005540 biological transmission Effects 0.000 title claims abstract description 151
- 238000007726 management method Methods 0.000 title claims abstract description 60
- 230000000007 visual effect Effects 0.000 title claims abstract description 54
- 238000005516 engineering process Methods 0.000 title claims abstract description 39
- 238000010276 construction Methods 0.000 claims abstract description 115
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 239000000126 substance Substances 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 27
- 238000012800 visualization Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 229910052792 caesium Inorganic materials 0.000 description 3
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力工程进度管理领域,具体是基于GIS+BIM技术的输变电工程可视化管理方法,该方法利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化工程模型;保留与工程进度指标相关的施工参数和环境参数作为工程影响因素;将工程影响因素作为输入变量,以输变电工程的工程进度作为输出变量,创建基于BP神经网络的工程进度预测模型,预测工程进度;对预测工程进度与可视化工程模型中工程验收节点对应的施工进度进行对比分析,根据对比分析结果指导剩余未完成拟建输变电工程的施工;本发明还提供了基于GIS+BIM技术的输变电工程可视化管理系统;本发明提高了拟建输变电工程施工进度的管理效率和质量,具有重大应用及推广前景。
Description
技术领域
本发明涉及电力工程进度管理技术领域,具体是基于GIS+BIM技术的输变电工程可视化管理方法及系统。
背景技术
随着数字化技术、计算机技术的发展,建筑信息模型(Building InformationModeling,BIM)以及地理信息系统(Geographic Information System,GIS)被引入到建筑行业并广泛应用于各类工程项目中,BIM是以三维数字技术为基础集成工程项目各种相关数据信息的数据模型,BIM的特点是建筑模型精度较高,但是无法显示大范围内的地形数据;GIS是一种具有数字化存储、空间分析、环境预测等多功能的地理信息处理技术,GIS的特点是能够存储大量三维地理空间数据,展示建筑与环境的相互关系,但是无法创建精细化的建筑模型,因此将GIS和BIM联合使用能够为工程建筑的管理提供更全面的数据信息
电网建设作为公司的一项核心业务,是实现电网公司发展目标的重要基础。因此,加强电力基础设施投资保障,加快推进转型发展,对基建控制提出了更高要求。
现有输变电工程具有进度控制信息化水平不足的实际问题,在施工进度与计划进度有偏差时,无法及时发现施工偏差和及时调整施工方案,不利于所述整个工程的进度掌握和管理。
发明内容
本发明实施例的目的在于提供基于GIS+BIM技术的输变电工程可视化管理方法及系统,旨在解决上述背景技术中所提出的技术问题。
为实现上述目的,本发明提供了如下的技术方案,
第一方面,本发明提供了基于GIS+BIM技术的输变电工程可视化管理方法,该管理方法包括以下步骤:
利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化工程模型;
利用灰色关联度分析,以施工参数和环境参数为因素数列,以工程进度指标为进度数列建立关联度模型,根据关联系数大小,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素;
将工程影响因素作为输入变量,以输变电工程的工程进度作为输出变量,创建基于BP神经网络的工程进度预测模型;
基于同一工程验收节点,利用工程进度预测模型对剩余未完成拟建输变电工程的进度进行预测,得到预测工程进度;
对预测工程进度与可视化工程模型中工程验收节点对应的施工进度进行对比分析,根据对比分析结果指导剩余未完成拟建输变电工程的施工。
作为本发明进一步的方案,拟建输变电工程的基础数据包括各施工节点的位置信息、设备信息和计划工期;利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化基础工程模型的步骤包括:
根据设备信息从BIM模型数据库中获取对应的设备模型;
根据位置信息,在预先搭建的WebGIS平台中将设备模型导入至对应位置;
在设备模型中标注对应的位置信息和设备信息,得到第一工程模型;
根据计划工期在所述第一工程模型中标注至少一个工程验收节点得到第二工程模型,工程验收节点用于指示所述计划工期时间内应达到的施工进度;
对所第二工程模型进行可视化处理,得到基于BIM与GIS的可视化工程模型。
作为本发明进一步的方案,利用灰色关联度分析的步骤包括:
获取拟建输变电工程的历史工程数据,历史工程数据包括施工参数数据、环境参数数据和工程进度数据;对施工参数数据、环境参数数据进行归一化处理,得到归一化处理后的因素数列集B(k)={b(1),b(2),b(3),....,b(n)},对工程进度数据进行归一化处理,得到归一化处理后的进度数列集C(k)={c(1),c(2),c(3),....,c(n)},k=1,2,3...,n;
计算灰色关联系数ε(b(k),c(k)):
其中,ρ表示分辨系数,ρ∈[0,1],ρ取值为0.5,ρ表明了分辨力的大小;灰色关联系数ε(b(k),c(k))的大小所表示的是待比较参数的因素数列和进度数列之间的相对差值,k表示待比较参数的个数;min|b(k)-c(k)|表示对于各类参数和工程进度指标,因素数列与进度数列之间的最小差;max|b(k)-c(k)|表示对于各类参数和工程进度指标,因素数列与进度数列之间的最大差;
计算灰色关联度γ(b,c):
关联度γ(b,c)表示因素数列中影响参数和进度数列中进度指标之间的关联性程度,关联度的值越大,表明影响参数对对应进度指标的影响越大;
将关联度小于关联阈值的因素数列中的影响参数进行剔除,保留与进度指标相关的影响参数作为工程影响因素。
作为本发明进一步的方案,创建基于BP神经网络的工程进度预测模型的步骤包括:
获取拟建输变电工程的工程影响因素以及工程施工持续时间;
对工程影响因素进行概率分析计算,确定其期望,对影响因素的期望进行量化,量化数值取值范围为0到1之间;
采用包含一个隐层的BP神经网络,将训练样本导入BP神经网络,进行权重的迭代计算;
确定误差最小时所得到的权重参数,并基于得到的权重参数对BP神经网络进行更新,得到工程进度预测模型。
作为本发明进一步的方案,导入BP神经网络,进行权重的迭代计算的训练样本通过以下方式获得:
收集已完工的历史输变电工程数据,对历史输变电工程数据特征进行量化处理,将每个历史工程特征创建对应的历史工程特征矩阵;
对拟建输变电工程的特征进行量化处理,利用相似度函数计算拟建输变电工程与每个历史输变电工程的相似度;
基于相似度比较结果,提取出与拟建输变电工程强相关的历史输变电工程作为相似输变电工程,将相似输变电工程按比例划分为训练样本和测试样本,训练样本用于导入BP神经网络,测试样本用于对得到的工程进度预测模型进行验证测试。
作为本发明进一步的方案,利用相似度函数计算拟建输变电工程与每个历史输变电工程的相似度的步骤包括:
基于历史工程特征矩阵,建立历史输变电工程特征向量V;
基于拟建输变电工程特征量化处理结果,建立拟建输变电工程特征向量U;
拟建输变电工程特征向量U与历史输变电工程特征向量V的相似度表示为:
其中,z表示历史输变电工程样本的工程总数;Uz表示第z个影响因素在项目U中对应的数量;Vz表示第z个影响因素在项目V中对应的数量;sinU,V=cos(θ)∈[-1,1];θ表示两个向量之间内积空间的夹角,若θ为180度,则相似度显示为-1,说明两个向量之间完全不具有相似性;若θ为0度,则相似度显示为1,说明两个向量之间的相似度相当高;若两个向量之间相互独立,则两个向量之间的相似度为0,说明两个向量分别对应的工程质检没有相似关系。
作为本发明进一步的方案,将训练样本导入BP神经网络,进行权重的迭代计算的步骤包括:
训练样本的输入向量通过隐层节点作用于输出节点,经过非线性变换,产生输出信号;
基于输出信号与期望输出值之间存在的偏差,调整输入节点与隐层节点的联接强度取值,以及调整隐层节点与输出节点之间的联接强度取值,以及调整阈值,使所述偏差沿梯度方向下降,进行权重的迭代计算。
作为本发明进一步的方案,隐层的节点数量h=2g+1,g为输入层的节点数量;
输出层的节点数量为1;隐层节点的激活函数采用sigmoid函数:
第二方面,本发明提供了基于GIS+BIM技术的输变电工程可视化管理系统,该管理系统包括:
可视化工程模型构建模块,用于利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化工程模型;
影响因素确定模块,用于利用灰色关联度分析,以施工参数和环境参数为因素数列,以工程进度指标为进度数列建立关联度模型,根据关联系数大小,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素;
预测模型构建模块,用于将工程影响因素作为输入变量,以输变电工程的工程进度作为输出变量,创建基于BP神经网络的工程进度预测模型;
工程进度预测模块,用于基于同一工程验收节点,利用工程进度预测模型对剩余未完成拟建输变电工程的进度进行预测,得到预测工程进度;
工程进度分析模块,用于对预测工程进度与可视化工程模型中工程验收节点对应的施工进度进行对比分析,根据对比分析结果指导剩余未完成拟建输变电工程的施工。
作为本发明进一步的方案,所述可视化工程模型构建模块包括:
第一建模子模块,用于根据设备信息从BIM模型数据库中获取对应的设备模型;根据位置信息,在预先搭建的WebGIS平台中将设备模型导入至对应位置;在设备模型中标注对应的位置信息和设备信息,得到第一工程模型;
第二建模子模块,用于根据计划工期在所述第一工程模型中标注至少一个工程验收节点得到第二工程模型,工程验收节点用于指示所述计划工期时间内应达到的施工进度;
模型可视化子模块,用于对所第二工程模型进行可视化处理,得到所述可视化基础工程模型。
与现有技术相比,本发明基于GIS+BIM技术的输变电工程可视化管理方法及系统的有益效果是:
第一,本发明通过灰色关联度分析,具体以施工参数和环境参数为因素数列,以工程进度指标为进度数列建立关联度模型,根据关联系数大小,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素,将筛选后的工程影响因素作为预测模型的输入层,能够有效简化预测模型网络结构,以及加速网络训练过程,提高效率;
第二,本发明基于BIM与GIS构建可视化的拟建输变电工程模型,有利于工程施工时的进度管理,为后续进行进度管理提供可靠参考,保障输变电工程能够有序开展;且施工单位可以根据进度计划及时调整实际的施工进度;
第三,本发明的工程进度预测模型,通过对历史输变电工程项目数据进行分析,以及对预测模型进行训练,可以在一些不确定因素对工程进度的影响下,通过预测模型对工程工期进行预测,不仅可以在一定程度上保证了工程项目进度可以在计划工期内完成,还可以找出影响工程进度的主要因素,以及时对这些因素进行提前管控;
综上所述,本发明提供的基于GIS+BIM技术的输变电工程可视化管理方法及系统,提高了拟建输变电工程施工进度的管理效率和质量,具有重大应用及推广前景。
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发明的一些实施例。
图1为本发明基于GIS+BIM技术的输变电工程可视化管理方法的实现流程图;
图2为本发明输变电工程可视化管理方法中构建可视化基础工程模型步骤的流程示意图;
图3为本发明输变电工程可视化管理方法中利用灰色关联度分析步骤的流程示意图;
图4为本发明输变电工程可视化管理方法中创建基于BP神经网络的工程进度预测模型步骤的流程示意图;
图5为本发明输变电工程可视化管理方法中获取训练样本步骤的流程示意图;
图6为本发明工程进度预测模型中进行权重的迭代计算步骤的流程示意图;
图7为本发明基于GIS+BIM技术的输变电工程可视化管理系统的结构框图;
图8为本发明提供的可视化工程模型构建模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明的是,在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。
虽然在系统示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于系统中的模块划分,或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
BIM(Building Information Modeling,建筑信息模型)是建筑学、工程学及土木工程的新工具。
GIS(Geographic Information System或Geo-Information system,地理信息系统)有时又称为“地学信息系统”。它是一种特定的十分重要的空间信息系统。它是在计算机硬、软件系统支持下,对整个或部分地球表层(包括大气层)空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。
电网建设作为公司的一项核心业务,是实现电网公司发展目标的重要基础。因此,加强电力基础设施投资保障,加快推进转型发展,对基建控制提出了更高要求。现有输变电工程具有进度控制信息化水平不足的实际问题,在施工进度与计划进度有偏差时,无法及时发现施工偏差和及时调整施工方案,不利于所述整个工程的进度掌握和管理。
为解决上述问题,本发明提供了基于GIS+BIM技术的输变电工程可视化管理方法及系统,以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示,本发明实施例的第一个方面,本发明提供了基于GIS+BIM技术的输变电工程可视化管理方法,该管理方法包括以下步骤:
步骤S101:利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化工程模型;
在步骤S101之前,还需要获取输变电工程计划的基础数据,其中,为了保障工程如期完成,在输变电工程项目动工前通常需要制定工程项目进度计划,因此,通过获取输变电工程计划的基础数据可以为后续进行进度监管提供可靠的参考。
根据本发明的一些实施例,输变电工程计划的基础数据包括各个施工节点的地理位置信息、物资设备信息和工期计划时间;而工期计划时间包括预期的计划启动日期和计划结束日期。
可以理解的是,输变电工程计划的基础数据还可以包括施工段信息、计划施工历时、供料信息、总里程数、各施工段里程数等信息。本领域技术人员可以根据实际需求获取输变电工程计划的基础数据。
步骤S102:利用灰色关联度分析,以施工参数和环境参数为因素数列,以工程进度指标为进度数列建立关联度模型,根据关联系数大小,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素;
根据本发明的一些实施例,利用灰色关联度分析(GreyRelation Analysis,GRA),可以分析解决一些存在多因素影响的问题,所谓灰色系统,它的概念是和白色系统以及黑色系统的概念相对而言的,依据控制理论的习惯,我们常常用颜色来表示我们对于一个陌生系统知道的有关信息量的多少,白色系统表示的是我们对该系统了解的信息量较多,比如与力学相关的系统就是归于白色系统,主要是因为白色系统的各元素间的具体联系是可以获得的;换言之,对于黑色系统的具体结构信息我们并不了解,通常我们所说的黑箱指的就是这类黑色系统;所以灰色系统表示的是我们对该系统只有部分了解,并不全部清楚本文的研究对象工程影响因素就属于一个灰色系统。
灰色关联度分析与其他数理统计方法相比较,它的优势在于灰关联分析对数据的限制条件不苛刻,计算量较小,而普通数理统计方法例如回归法则需要大量的数据去发现统计规律,并且这些特征数据必须保证线性相关,以此来满足不相容的条件。
灰色关联度分析法是依照各序列之间所形成曲线的相类似程度,来确定序列间关联度的。
如图3所示,在本发明实施例中,利用灰色关联度分析的步骤包括:
步骤S301:获取拟建输变电工程的历史工程数据,历史工程数据包括施工参数数据、环境参数数据和工程进度数据;对施工参数数据、环境参数数据进行归一化处理,得到归一化处理后的因素数列集B(k)={b(1),b(2),b(3),....,b(n)},对工程进度数据进行归一化处理,得到归一化处理后的进度数列集C(k)={c(1),c(2),c(3),....,c(n)},k=1,2,3...,n;
步骤s302:计算灰色关联系数ε(b(k),c(k)):
其中,ρ表示分辨系数,ρ∈[0,1],ρ取值为0.5,ρ表明了分辨力的大小;灰色关联系数ε(b(k),c(k))的大小所表示的是待比较参数的因素数列和进度数列之间的相对差值,k表示待比较参数的个数;min|b(k)-c(k)|表示对于各类参数和工程进度指标,因素数列与进度数列之间的最小差;max|b(k)-c(k)|表示对于各类参数和工程进度指标,因素数列与进度数列之间的最大差;
步骤S303:计算灰色关联度γ(b,c):
关联度γ(b,c)表示因素数列中影响参数和进度数列中进度指标之间的关联性程度,关联度的值越大,表明影响参数对对应进度指标的影响越大;
步骤S304:将关联度小于关联阈值的因素数列中的影响参数进行剔除,保留与进度指标相关的影响参数作为工程影响因素。
本发明通过灰色关联度分析,具体以施工参数和环境参数为因素数列,以工程进度指标为进度数列建立关联度模型,根据关联系数大小,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素,将筛选后的工程影响因素作为预测模型的输入层,能够有效简化预测模型网络结构,以及加速网络训练过程,提高效率。
请继续参阅图1,本发明的基于GIS+BIM技术的输变电工程可视化管理方法还包括:
步骤S103:将工程影响因素作为输入变量,以输变电工程的工程进度作为输出变量,创建基于BP神经网络的工程进度预测模型;
步骤S104:基于同一工程验收节点,利用工程进度预测模型对剩余未完成拟建输变电工程的进度进行预测,得到预测工程进度;
步骤S105:对预测工程进度与可视化工程模型中工程验收节点对应的施工进度进行对比分析,根据对比分析结果指导剩余未完成拟建输变电工程的施工。
如图2所示,在本发明实施例中,拟建输变电工程的基础数据包括各施工节点的位置信息、设备信息和计划工期;利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化基础工程模型的步骤包括:
步骤S201:根据设备信息从BIM模型数据库中获取对应的设备模型;
步骤S202:根据位置信息,在预先搭建的WebGIS平台中将设备模型导入至对应位置;
步骤S203:在设备模型中标注对应的位置信息和设备信息,得到第一工程模型;
步骤S204:根据计划工期在所述第一工程模型中标注至少一个工程验收节点得到第二工程模型,工程验收节点用于指示所述计划工期时间内应达到的施工进度;
步骤S205:对所第二工程模型进行可视化处理,得到基于BIM与GIS的可视化工程模型。
具体的,本发明根据设备信息,应用Dynamo编程技术参数化设备信息库,从CAD图纸中对设备数据进行翻模处理,实现设备的快速建模;模型格式转换,开发数据格式转换插件,将revit模型转化为能被Cesium.js支持的gltf格式模型;可视化环境搭建,应用WebGL技术,结合Cesium.js库,初始化Cesium.js渲染器组件;将保存的三维模型导入可视化环境中,实现BIM模型的渲染。
本发明基于BIM与GIS构建可视化的拟建输变电工程模型,有利于工程施工时的进度管理,为后续进行进度管理提供可靠参考,保障输变电工程能够有序开展;且施工单位可以根据进度计划及时调整实际的施工进度。
如图4所示,在本发明实施例中,创建基于BP神经网络的工程进度预测模型的步骤包括:
步骤S401:获取拟建输变电工程的工程影响因素以及工程施工持续时间;
步骤S402:对工程影响因素进行概率分析计算,确定其期望,对影响因素的期望进行量化,量化数值取值范围为0到1之间;
步骤S403:采用包含一个隐层的BP神经网络,将训练样本导入BP神经网络,进行权重的迭代计算;
步骤S404:确定误差最小时所得到的权重参数,并基于得到的权重参数对BP神经网络进行更新,得到工程进度预测模型。
本发明的工程进度预测模型,通过对历史输变电工程项目数据进行分析,以及对预测模型进行训练,可以在一些不确定因素对工程进度的影响下,通过预测模型对工程工期进行预测,不仅可以在一定程度上保证了工程项目进度可以在计划工期内完成,还可以找出影响工程进度的主要因素,以及时对这些因素进行提前管控。
进一步的,在本发明实施例中,学习速率对BP神经网络训练过程产生巨大的影响;学习速率越大,则对网络权值的修改就越大,权值的波动就越大,网络学习速度也就越快;相反学习速率越小,则对网络权值的修改就越小,网络学习速度就越慢,权值稳定性也就越差;
变学习率法是指学习速率在BP神经网络进化初期较大,网络收迅速,随着学习过程的进行,学习率不断减小,网络趋于稳定。
作为优选,本发明的学习速率控制在0.1-0.7范围内。
如图5所示,在本发明实施例中,导入BP神经网络,进行权重的迭代计算的训练样本通过以下方式获得:
步骤S501:收集已完工的历史输变电工程数据,对历史输变电工程数据特征进行量化处理,将每个历史工程特征创建对应的历史工程特征矩阵;
步骤S502:对拟建输变电工程的特征进行量化处理,利用相似度函数计算拟建输变电工程与每个历史输变电工程的相似度;
步骤S503:基于相似度比较结果,提取出与拟建输变电工程强相关的历史输变电工程作为相似输变电工程,将相似输变电工程按比例划分为训练样本和测试样本,训练样本用于导入BP神经网络;测试样本用于对得到的工程进度预测模型进行验证测试。
作为本发明进一步的方案,利用相似度函数计算拟建输变电工程与每个历史输变电工程的相似度的步骤包括:
基于历史工程特征矩阵,建立历史输变电工程特征向量V;
基于拟建输变电工程特征量化处理结果,建立拟建输变电工程特征向量U;
拟建输变电工程特征向量U与历史输变电工程特征向量V的相似度表示为:
其中,z表示历史输变电工程样本的工程总数;Uz表示第z个影响因素在项目U中对应的数量;Vz表示第z个影响因素在项目V中对应的数量;simU,V=cos(θ)∈[-1,1];θ表示两个向量之间内积空间的夹角,若θ为180度,则相似度显示为-1,说明两个向量之间完全不具有相似性;若θ为0度,则相似度显示为1,说明两个向量之间的相似度相当高;若两个向量之间相互独立,则两个向量之间的相似度为0,说明两个向量分别对应的工程质检没有相似关系。
如图6所示,在本发明实施例中,将训练样本导入BP神经网络,进行权重的迭代计算的步骤包括:
步骤S601:训练样本的输入向量通过隐层节点作用于输出节点,经过非线性变换,产生输出信号;
步骤S602:基于输出信号与期望输出值之间存在的偏差,调整输入节点与隐层节点的联接强度取值,以及调整隐层节点与输出节点之间的联接强度取值,以及调整阈值,使所述偏差沿梯度方向下降,进行权重的迭代计算。
进一步的,在本发明的一些实施例中,对于隐含层节点数的确定,由于隐含层节点数对BP神经网络预测进度有较大的影响:节点数太少,网络不能很好地学习,需要增加训练次数,训练的精度从而受到影响;节点数太多,训练时间增加,网络容易过拟合,隐含层节点数的计算可参考以下公式,再根据实际模型进行调动,其中,隐层的节点数量h=2g+1,g为输入层的节点数量;
输出层的节点数量为1;隐层节点的激活函数采用sigmoid函数:
综上所述,本发明提供的基于GIS+BIM技术的输变电工程可视化管理方法及系统,提高了拟建输变电工程施工进度的管理效率和质量,具有重大应用及推广前景。
如图7所示,本发明实施例的第二个方面,提供了基于GIS+BIM技术的输变电工程可视化管理系统,该管理系统包括:
可视化工程模型构建模块701,用于利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化工程模型;
影响因素确定模块702,用于利用灰色关联度分析,以施工参数和环境参数为因素数列,以工程进度指标为进度数列建立关联度模型,根据关联系数大小,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素;
预测模型构建模块703,用于将工程影响因素作为输入变量,以输变电工程的工程进度作为输出变量,创建基于BP神经网络的工程进度预测模型;
工程进度预测模块704,用于基于同一工程验收节点,利用工程进度预测模型对剩余未完成拟建输变电工程的进度进行预测,得到预测工程进度;
工程进度分析模块705,用于对预测工程进度与可视化工程模型中工程验收节点对应的施工进度进行对比分析,根据对比分析结果指导剩余未完成拟建输变电工程的施工。
根据本发明实施例提供的输变电工程可视化管理系统,在输变电工程的建设阶段,工作人员利用输变电工程可视化管理系统对计划进度与实际进度进行对比分析,实现进度可视化,并进一步根据预测进度及时进行预警,及时通知管理人员优化施工进度,避免延误工期。
具体地,本发明得到输变电工程可视化管理系统通过可视化工程模型构建模块701对拟建输变电工程的基础数据构建基于BIM与GIS的可视化工程模型;采用基于灰色关联度分析的影响因素确定模块702,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素;进而利用预测模型构建模块703创建基于BP神经网络的工程进度预测模型;并根据工程进度预测模块704,利用工程进度预测模型对剩余未完成拟建输变电工程的进度进行预测,得到预测工程进度;结合工程进度分析模块705对预测工程进度与可视化工程模型中工程验收节点对应的施工进度进行对比分析,根据对比分析结果指导剩余未完成拟建输变电工程的施工,从而提高输变电工程进度的管理效率。
进一步的,如图8所示,在本发明实施例中,所述可视化工程模型构建模块701包括:
第一建模子模块7011,用于根据设备信息从BIM模型数据库中获取对应的设备模型;根据位置信息,在预先搭建的WebGIS平台中将设备模型导入至对应位置;在设备模型中标注对应的位置信息和设备信息,得到第一工程模型;
第二建模子模块7012,用于根据计划工期在所述第一工程模型中标注至少一个工程验收节点得到第二工程模型,工程验收节点用于指示所述计划工期时间内应达到的施工进度;
模型可视化子模块7013,用于对所第二工程模型进行可视化处理,得到所述可视化基础工程模型。
本发明实施例的第三个方面,还提供了一种计算机设备,包括存储器和处理器,该存储器中存储有计算机程序,该计算机程序被该处理器执行时实现上述任意一项实施例的基于GIS+BIM技术的输变电工程可视化管理方法。
在该计算机设备中包括一个处理器以及一个存储器,并还可以包括:输入系统和输出系统。处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接,输入系统可接收输入的数字或字符信息,以及产生与基于GIS+BIM技术的输变电工程可视化管理有关的信号输入。输出系统可包括显示屏等显示设备。
存储器作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的基于GIS+BIM技术的输变电工程可视化管理方法对应的程序指令/模块。存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储基于GIS+BIM技术的输变电工程可视化管理方法的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器可选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本地模块。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。
处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处理数据。本实施例计算机设备的多个计算机设备的处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例的基于GIS+BIM技术的输变电工程可视化管理方法的步骤。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个系统的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
最后需要说明的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.基于GIS+BIM技术的输变电工程可视化管理方法,其特征在于,包括以下步骤:
利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化工程模型;
利用灰色关联度分析,以施工参数和环境参数为因素数列,以工程进度指标为进度数列建立关联度模型,根据关联系数大小,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素;
将工程影响因素作为输入变量,以输变电工程的工程进度作为输出变量,创建基于BP神经网络的工程进度预测模型;
基于同一工程验收节点,利用工程进度预测模型对剩余未完成拟建输变电工程的进度进行预测,得到预测工程进度;
对预测工程进度与可视化工程模型中工程验收节点对应的施工进度进行对比分析,根据对比分析结果指导剩余未完成拟建输变电工程的施工。
2.根据权利要求1所述的基于GIS+BIM技术的输变电工程可视化管理方法,其特征在于,拟建输变电工程的基础数据包括各施工节点的位置信息、设备信息和计划工期;利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化基础工程模型的步骤包括:
根据设备信息从BIM模型数据库中获取对应的设备模型;
根据位置信息,在预先搭建的WebGIS平台中将设备模型导入至对应位置;
在设备模型中标注对应的位置信息和设备信息,得到第一工程模型;
根据计划工期在所述第一工程模型中标注至少一个工程验收节点得到第二工程模型,工程验收节点用于指示所述计划工期时间内应达到的施工进度;
对所第二工程模型进行可视化处理,得到基于BIM与GIS的可视化工程模型。
3.根据权利要求2所述的基于GIS+BIM技术的输变电工程可视化管理方法,其特征在于,利用灰色关联度分析的步骤包括:
获取拟建输变电工程的历史工程数据,历史工程数据包括施工参数数据、环境参数数据和工程进度数据;对施工参数数据、环境参数数据进行归一化处理,得到归一化处理后的因素数列集B(k)={b(1),b(2),b(3),....,b(n)},对工程进度数据进行归一化处理,得到归一化处理后的进度数列集C(k)={c(1),c(2),c(3),....,c(n)},k=1,2,3...,n;
计算灰色关联系数ε(b(k),c(k)):
其中,ρ表示分辨系数,ρ∈[0,1],ρ取值为0.5,ρ表明了分辨力的大小;灰色关联系数ε(b(k),c(k))的大小所表示的是待比较参数的因素数列和进度数列之间的相对差值,k表示待比较参数的个数;min|b(k)-c(k)|表示对于各类参数和工程进度指标,因素数列与进度数列之间的最小差;max|b(k)-c(k)|表示对于各类参数和工程进度指标,因素数列与进度数列之间的最大差;
计算灰色关联度γ(b,c):
关联度γ(b,c)表示因素数列中影响参数和进度数列中进度指标之间的关联性程度,关联度的值越大,表明影响参数对对应进度指标的影响越大;
将关联度小于关联阈值的因素数列中的影响参数进行剔除,保留与进度指标相关的影响参数作为工程影响因素。
4.根据权利要求3所述的基于GIS+BIM技术的输变电工程可视化管理方法,其特征在于,创建基于BP神经网络的工程进度预测模型的步骤包括:
获取拟建输变电工程的工程影响因素以及工程施工持续时间;
对工程影响因素进行概率分析计算,确定其期望,对影响因素的期望进行量化,量化数值取值范围为0到1之间;
采用包含一个隐层的BP神经网络,将训练样本导入BP神经网络,进行权重的迭代计算;
确定误差最小时所得到的权重参数,并基于得到的权重参数对BP神经网络进行更新,得到工程进度预测模型。
5.根据权利要求4所述的基于GIS+BIM技术的输变电工程可视化管理方法,其特征在于,导入BP神经网络,进行权重的迭代计算的训练样本通过以下方式获得:
收集已完工的历史输变电工程数据,对历史输变电工程数据特征进行量化处理,将每个历史工程特征创建对应的历史工程特征矩阵;
对拟建输变电工程的特征进行量化处理,利用相似度函数计算拟建输变电工程与每个历史输变电工程的相似度;
基于相似度比较结果,提取出与拟建输变电工程强相关的历史输变电工程作为相似输变电工程,将相似输变电工程按比例划分为训练样本和测试样本,训练样本用于导入BP神经网络,测试样本用于对得到的工程进度预测模型进行验证测试。
6.根据权利要求5所述的基于GIS+BIM技术的输变电工程可视化管理方法,其特征在于,利用相似度函数计算拟建输变电工程与每个历史输变电工程的相似度的步骤包括:
基于历史工程特征矩阵,建立历史输变电工程特征向量V;
基于拟建输变电工程特征量化处理结果,建立拟建输变电工程特征向量U;
拟建输变电工程特征向量U与历史输变电工程特征向量V的相似度表示为:
其中,z表示历史输变电工程样本的工程总数;Uz表示第z个影响因素在项目U中对应的数量;Vz表示第z个影响因素在项目V中对应的数量;simU,V=cos(θ)∈[-1,1];θ表示两个向量之间内积空间的夹角,若θ为180度,则相似度显示为-1,说明两个向量之间完全不具有相似性;若θ为0度,则相似度显示为1,说明两个向量之间的相似度相当高;若两个向量之间相互独立,则两个向量之间的相似度为0,说明两个向量分别对应的工程质检没有相似关系。
7.根据权利要求6所述的基于GIS+BIM技术的输变电工程可视化管理方法,其特征在于,将训练样本导入BP神经网络,进行权重的迭代计算的步骤包括:
训练样本的输入向量通过隐层节点作用于输出节点,经过非线性变换,产生输出信号;
基于输出信号与期望输出值之间存在的偏差,调整输入节点与隐层节点的联接强度取值,以及调整隐层节点与输出节点之间的联接强度取值,以及调整阈值,使所述偏差沿梯度方向下降,进行权重的迭代计算。
8.根据权利要求7所述的基于GIS+BIM技术的输变电工程可视化管理方法,其特征在于,隐层的节点数量h=2g+1,g为输入层的节点数量;
输出层的节点数量为1;
隐层节点的激活函数采用sigmoid函数:
9.基于GIS+BIM技术的输变电工程可视化管理系统,其特征在于,包括:
可视化工程模型构建模块,用于利用拟建输变电工程的基础数据构建基于BIM与GIS的可视化工程模型;
影响因素确定模块,用于利用灰色关联度分析,以施工参数和环境参数为因素数列,以工程进度指标为进度数列建立关联度模型,根据关联系数大小,保留与工程进度指标相关的施工参数和环境参数作为工程影响因素;
预测模型构建模块,用于将工程影响因素作为输入变量,以输变电工程的工程进度作为输出变量,创建基于BP神经网络的工程进度预测模型;
工程进度预测模块,用于基于同一工程验收节点,利用工程进度预测模型对剩余未完成拟建输变电工程的进度进行预测,得到预测工程进度;
工程进度分析模块,用于对预测工程进度与可视化工程模型中工程验收节点对应的施工进度进行对比分析,根据对比分析结果指导剩余未完成拟建输变电工程的施工。
10.根据权利要求9所述的基于GIS+BIM技术的输变电工程可视化管理系统,其特征在于,可视化工程模型构建模块包括:
第一建模子模块,用于根据设备信息从BIM模型数据库中获取对应的设备模型;根据位置信息,在预先搭建的WebGIS平台中将设备模型导入至对应位置;在设备模型中标注对应的位置信息和设备信息,得到第一工程模型;
第二建模子模块,用于根据计划工期在所述第一工程模型中标注至少一个工程验收节点得到第二工程模型,工程验收节点用于指示所述计划工期时间内应达到的施工进度;
模型可视化子模块,用于对所第二工程模型进行可视化处理,得到所述可视化基础工程模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410280823.8A CN118014530A (zh) | 2024-03-12 | 2024-03-12 | 基于gis+bim技术的输变电工程可视化管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410280823.8A CN118014530A (zh) | 2024-03-12 | 2024-03-12 | 基于gis+bim技术的输变电工程可视化管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118014530A true CN118014530A (zh) | 2024-05-10 |
Family
ID=90944369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410280823.8A Pending CN118014530A (zh) | 2024-03-12 | 2024-03-12 | 基于gis+bim技术的输变电工程可视化管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118014530A (zh) |
-
2024
- 2024-03-12 CN CN202410280823.8A patent/CN118014530A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Prediction of highway tunnel pavement performance based on digital twin and multiple time series stacking | |
CN111126668B (zh) | 基于图卷积网络的Spark作业时间预测方法和装置 | |
JP6980521B2 (ja) | 継続的学習のためのデータメタスケーリング装置及び方法 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN112990530B (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
Azimi et al. | Applying basic control theory principles to project control: Case study of off-site construction shops | |
García de Soto et al. | A hybrid methodology to estimate construction material quantities at an early project phase | |
Hyung et al. | Improved similarity measure in case-based reasoning: A case study of construction cost estimation | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
Vahdani et al. | Time prediction using a neuro-fuzzy model for projects in the construction industry | |
Zorn et al. | Replacing energy simulations with surrogate models for design space exploration | |
Zhao et al. | LandSys II: Agent-based land use–forecast model with artificial neural networks and multiagent model | |
Gulghane et al. | Quantification analysis and prediction model for residential building construction waste using machine learning technique | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及系统 | |
CN118014530A (zh) | 基于gis+bim技术的输变电工程可视化管理方法及系统 | |
CN115470557A (zh) | 一种基于bim的智能建筑设计方法及系统 | |
Chernyshev et al. | Integration of building information modeling and artificial intelligence systems to create a digital twin of the construction site | |
CN114662009A (zh) | 一种基于图卷积的工业互联网工厂协同推荐算法 | |
Ding et al. | A compositional analysis method for petri-net models | |
Gajzler et al. | The possibility of using neural networks in data analysis connected with observation in the construction process simulation | |
Dyvak et al. | Control of mathematical modeling process of dynamics of harmful substances concentrations on the basis of ontological approach | |
Kotha et al. | Time-Resolved Neural Network Surrogate Models as Digital Twins | |
CN111260191B (zh) | 测试床成熟度量化方法、装置、计算机设备和存储介质 | |
Saouma et al. | Fragility Functions |
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 |