CN107330636A - 基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法 - Google Patents
基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法 Download PDFInfo
- Publication number
- CN107330636A CN107330636A CN201710609601.6A CN201710609601A CN107330636A CN 107330636 A CN107330636 A CN 107330636A CN 201710609601 A CN201710609601 A CN 201710609601A CN 107330636 A CN107330636 A CN 107330636A
- Authority
- CN
- China
- Prior art keywords
- bim
- 3dgis
- risk source
- model
- engineering 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005516 engineering process Methods 0.000 title claims abstract description 31
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 49
- 238000009430 construction management Methods 0.000 claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000003449 preventive effect Effects 0.000 abstract 1
- 238000005259 measurement Methods 0.000 description 9
- 238000009499 grossing Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 230000009977 dual effect Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000004035 construction material Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000033772 system development Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法,首先采用3DGIS+BIM技术构建三维环境模型及施工管理平台;其次通过自动监控手段对数据进行采集,并上传到BIM施工管理平台;然后在BIM施工管理平台设定预警值,当监测数据超过预警值,***将自动亮显报警;最后基于自适应灰色傅里叶指数预测模型对所有的监测结果进行分析和处理,预测风险趋势,在达到某一风险值前预警。本发明基于数据分析有效判断风险源的安全稳定状态,从而能及时采取预防措施,以降低风险源危险性并规避施工风险,有效地防止事故发生,保障施工安全。
Description
技术领域
本发明属于土木工程施工领域,尤其涉及一种基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法。
背景技术
土木工程施工的风险源主要是指在建设过程中,对工程自身或周边区域环境产生重大影响的因素。如自然灾害风险(如暴雨、洪水、泥石流、飓风、地震等)、地质条件、周边环境影响、施工工艺和方法等。
位于城市中心地区的土木工程施工作业常见周边环境复杂,各种建筑物、地下管线多且对施工变形控制要求高。而土木工程中的地下工程更具有隐蔽性大、岩土物理力学参数不准确、施工技术复杂、作业空间有限、作业环境恶劣、施工周期长、不可预见风险因素多以及对社会环境影响大等特点,此外,由于对地下工程安全风险的认识不客观,风险管理不科学,风险管理的投入不到位等主观原因,地下工程建设中,事故频发,形势非常严峻。如2007年南京地铁发生地铁施工导致燃气管断裂,引起燃气泄漏发生***引起大大火的事件;2008年杭州地铁发生基坑坍塌事故,造成21人死亡,10余人受伤。
随着我国城市化进程的快速发展,传统工程施工的经验型、事后型、人盯人的安全管理模式已无法应对,引入高效、智能化的安全风险预测及管理***是必然趋势。
发明内容
发明目的:针对以上问题,本发明提出一种基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法。
技术方案:为实现本发明的目的,所采用的技术方案是:一种基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法,具体包括以下步骤:
(1)采用3DGIS+BIM技术建立三维环境模型及BIM施工管理平台;
(2)自动采集工程施工风险源数据,并上传到BIM施工管理平台;
(3)在BIM施工管理平台设定预警值;
(4)建立自适应灰色傅里叶指数预测模型;
(5)对工程施工风险源监控数据进行时间序列的实时预测。
步骤1具体包括:
(1.1)获取地形数据绘制三维地形模型;
(1.2)通过城市景观数据绘制三维城市模型;
(1.3)建立3DGIS+BIM施工管理平台。
步骤2具体包括:
(2.1)通过自动化监测***,采集在外力作用下结构及环境的实时数据;
(2.1)实时数据回传3DGIS+BIM施工管理平台。
步骤3具体包括:
(3.1)建立风险源数据库,导入到3DGIS+BIM模型,纳入***管理中,对风险源进行等级评估;
(3.2)在平台上设置预警线,监测数据超标会自动报警。
建立自适应灰色傅里叶指数预测模型对重大风险源时间序列进行预测,具体包括以下步骤:
(1)建模与流程预测;
(2)背景值改善;
(3)特定解转换;
(4)残差修正技术整合。
有益效果:与现有技术相比,具有如下优势:
(1)通过工程施工风险源实时监控及预测***,强化了智能化的风险预警,实现对风险源的精准定位,基于数据分析有效判断风险源的安全稳定状态,从而能及时采取预防措施,以降低风险源危险性并规避施工风险,有效地防止事故发生,保障施工安全;
(2)通过自动化监测***与3DGIS+BIM施工管理平台的搭接实现数据实时传输,为平台监测分析提供准确有效的数据来源;通过对数据的分析,形成动态的监测管理及风险预测;
(3)考虑传统模型难以实现对因***不稳定而造成的不规律序列的理想预测,本发明通过背景值改善、特定解转换以及残差修正技术整合等方法优化灰预测模型的适应性,构建自适应灰色傅里叶指数预测模型,提升整体预测精度。
附图说明
图1是轨道交通工程施工重大风险源实时监控及人工智能预测方法示意图;
图2是轨道交通工程施工重大风险源实时监控方法流程图;
图3是预测模型运作示意图。
具体实施方式
下面结合附图和以轨道交通工程施工为实施例对本发明的技术方案作进一步的说明。
如图1所示是轨道交通重大风险源实时监控示意图,如图2所示是轨道交通重大风险源实时监控方法流程图,轨道交通重大风险源实时监控方法具体包括以下步骤:
(1)采用3DGIS+BIM技术建立三维环境模型及BIM施工管理平台;
三维环境模型包含地形数据、城市景观数据、地质信息、地下管线信息以及项目内部信息。地理信息***(GIS)技术,建筑信息模型(BIM)技术。
(2)重大风险源监控,并将数据上传到3DGIS+BIM施工管理平台;
采用自动监控手段对重大风险源数据进行实时采集。
(3)风险源管理;
对BIM施工管理平台设定预警值,当监测数据超过预警值,***自动亮显报警。
(4)建立自适应灰色傅里叶指数预测模型;
基于灰色***理论,通过背景值改善,特定值转换以及残差修正技术整合等三个方法,建立自适应灰色傅里叶指数预测模型实现对重大风险源时间序列的预测。
背景值改善通过积分项的应用,消除传统背景值算式产生的误差;特定解转换通过建立基于预测曲线与实际数据离差最小化概念的GMm(1,1)模型以及基于强化最新信息概念的GMn(1,1)模型,拟合预测曲线;残差修正整合通过傅里叶级数以及指数平滑法修正序列的周期性残差与随机性残差,以增进预测模型的可靠度。
(5)对工程施工重大风险源时间序列进行预测。
基于自适应灰色傅里叶指数预测模型对所有的监测结果进行分析和处理,对工程施工风险源进行时间序列的实时预测。
步骤1具体实施方法如下:
(1.1)获取地形数据绘制三维地形模型;
(1.2)通过城市景观数据绘制三维城市模型;
(1.3)建立3DGIS+BIM施工管理平台。
步骤2具体实施方法如下:
(2.1)自动监控数据;
通过自动化监测***,采集在外力作用下地铁隧道变化数据,数据通过光纤或网络自动实时传输给BIM施工管理平台。所需监测项、监测方式及测点布设如表1所示。
表1
基于平台的自动化监测***有如下优势:
①自动化:在进行一些初始化设置及给定监测计划后(如观测间隔、期数等),能够严格按计划执行全自动观测,并自动记录原始数据。
②智能化:实现无人值守变形监测,并具有一定的适应环境和处理遇到问题的能力。如某期观测时恰逢某个监测点被挡,仪器不能读数,软件会自动控制测量机器人进行尝试测量若干次,若仍不行,则自行再隔一段时间重试,直到观测正常。
③成熟的数据处理方法:对采集的原始数据按照设定的数据处理模型进行后处理,去除测量过程中引入的各种误差,最后拟合反应出最符合实际变形的数据。
④数据存储和管理:采用SQL Server数据库技术对采集的大量原始观测数据进行存储和管理,以及对数据进行查询和分析。
⑤多样的成果输出:平台能对原始数据和分析处理后的数据进行报表,绘制变形过程曲线,并能将绘制的曲线图形进行打印输出。
⑥自动实时预警、报警:根据设定的限差对超过允许限差的变形点进行实时预警、报警,并显示变形超限的值。
步骤3具体实施方法如下:
(3.1)风险源管理;
根据设计单位提出的监控量测控制指标,将施工过程中监测点的预警状态按严重程度由小到大分为三级:黄色监测预警、橙色监测预警和红色监测预警。
①黄色监测预警:“双控”指标(变化量、变化速率)均超过监控量测控制值的70%时,或双控指标之一超过监控量测控制值的85%时;
②橙色监测预警:“双控”指标均超过监控量测控制值的85%时,或双控指标之一超过监控量测控制值时;
③红色监测预警:“双控”指标均超过监控量测控制值,或实测变化速率出现急剧增长时。
在构建的3DGIS+BIM模型中添加监测点的位置信息,可以通过模型对监测点快速定位,以便监测设备发生故障或不再满足监测精度要求时,能及时完成设备更换,保证监测数据的真实性。
(3.2)风险预警;
通过在平台上设置预警线,一旦监测数据超标,平台会自动提出报警。
预警信息列表显示了各个项目的监测点数量、红色预警数、橙色预警数、黄色预警数数目,可查看各个预警的详细报告。
步骤4和步骤5的具体实施如下:
通过建立自适应灰色傅里叶指数预测模型,对工程施工风险源进行时间序列的实时预测。下面具体说明模型建立以及分析计算过程。
(一)GM(1,1)的建模与预测流程
假设有一时间序列为X(0)=(x(0)(1),x(0)(2),…,x(0)(n)),其为正数、等距的n个时间点上数据所组成。本发明以此时间序列为基础,说明GM(1,1)的建模与预测流程。
步骤1:对X(0)进行生成
原始序列X(0)的型态可能是凌乱的,难以看出其发展规律的数据。为了将其隐含的规律发掘出来,可透过许多生成技术将原始凌乱的序列进行一次或多次生成,以降低数据的随机性,并提升其规律性。其中,一次累加生成是GM(1,1)模型中最常用的一种技术,其运算为
其中,X(1)=(x(1)(1),x(1)(2),…,x(1)(n))表示一次生成后的序列,此处代表一次累加生成后的序列。
步骤2:进行光滑比检验
为确保GM(1,1)模型建模与预测的精度与可靠性,建模序列必须确保有一定的光滑比ρ(k),其公式为:
光滑比的结果需落于可行区间才能确保建模与预测的精度与可靠性。
步骤3:进行级比检验
级比检验的运算公式为:
同样的,级比检验的结果亦需落于可行区间才能确保预测模型的可接受度。
步骤4:对X(1)作紧邻生成
在灰微分方程式中,x(1)(t=k)的值将会坐落于x(1)(k-1)及x(1)(k)之间(因为x(1)(t)为单调递增函数),因此可x(1)(t=k)将表示成:
z(1)(k)=αx(1)(k)+(1-α)x(1)(k-1)
其中,α∈[0,1]。一般来说,若无特定要求,可采紧邻均值生成的方式,即α=0.5。
步骤5:估计GM(1,1)基本模型的参数
GM(1,1)模型的基本概念,就是利用灰微分方程拟合生成后的序列X(1),以进行后续的建模以及预测。灰微分方程为:
其中,α称为发展系数,称为灰输入量。然而,灰微分方程系为连续函数,必须透过借代的方式,利用灰差分方程,也就是GM(1,1)模型的影子方程,估计灰微分方程的参数,再代回灰微分方程建模。GM(1,1)模型的灰差分方程为:
x(0)(k)+az(1)(k)=b
在GM(1,1)模型中,原始序列与生成序列均为离散序列,因此必须藉由借代的方式,用差分方程借代微分方程,其借代方式为:
x(1)(t)=z(1)(k)
随后,利用灰差分方程以及最小平方法,即可得到基本模型的估计值。令:
可得:
步骤6:确定灰微分方程以及时间响应式
当a与b值决定后,带回灰微分方程式,并求其一阶线性微分方程式的一般解为:
GM(1,1)模型的初始条件设定在(1,x(1)(1)),可得特定解为:
又称时间响应式。当1≤t≤n时,所得的结果称为模拟值;当t>n时,其结果称为预测值。因此,GM(1,1)的p步预测值为:
步骤7:求得X(1)的模拟以及预测序列
将X(1)的模拟与预测序列整理为:
到为GM(1,1)模型的模拟评估值;到为GM(1,1)模型的预测评估值。
步骤8:对进行逆生成以求得
利用逆生成的方式,将还原为为原始序列的模拟与预测序列。还原的方式为生成函数的逆函数。以一次累加生成为例,其逆生成即为逆一次累加生成的方法,即:
步骤9:检验误差
原始序列第k点的误差定义为:
ε=(ε(2),ε(3),...,ε(n))
为误差序列,检验误差的准则包括:
①误差平方和:
s=εTε
②相对误差:
③平均相对误差:
(二)背景值改善
背景值是GM(1,1)运算逻辑中影响预测精度重要的一环,其中α值的调整是背景值的关键参数。以下为改善GM(1,1)模型背景值的运算流程:
由于灰微分方程是一种指数函数,因此本实施例令x(1)(t)为:
x(1)(t)=AeBt+C
接着,将公式代入
可得:
将t等于k、k-1及k-2分別代入公式,可得:
x(1)(k)=AeBk+C
x(1)(k-1)=AeB(k-1)+C
x(1)(k-2)=AeB(k-2)+C
计算可得:
B=lnx(0)(k)-lnx(0)(k-1)
将B值代回公式,則可得A为
将A值与B值代入公式,并计算C值为:
最后,将B值与C值代入公式,可得改善后的背景值为:
将新的背景值代入GM(1,1)模型的运算逻辑中,即可得到改善后的GM(1,1)模型。为避免混淆,以下所称GM(1,1)均为改善后的GM(1,1)模型。
(三)特定解转换
如图3所示是显示GM(1,1)模型的运作概念,其中,x(1)(1)到x(1)(n)为原始序列的一次累加生成序列,为GM(1,1)模型主要的建模依据。由图中可看出,影响预测精度的关键点在于预测序列是否能落在可能区域。然而,由于***发展的不稳定性,GM(1,1)模型不一定每次都能落在可能区域。
(四)残差修正技术整合
为有效掌握***发展的脉动,本实施例除改善背景值、转换特定解外,亦整合残差修正技术,包括纳入傅里叶级数(Fourier series)修正灰色模型的周期性误差,以及使用指数平滑法(exponential smoothing technique)修正其余的随机性误差,并命名为EFGMm(1,1)模型及EFGMn(1,1)模型,以提升灰预测的自适性。
假设有一笔数据的时间序列为x(0)=(x(0)(1),x(0)(2),…,x(0)(n)),本实施例以此为标的将EFGMm(1,1)模型及EFGMn(1,1)模型的运算逻辑说明如下。由于EFGMm(1,1)模型与EFGMn(1,1)模型运算逻辑的差异仅在残差序列的型态不同(EFGMm(1,1)的残差序列有n笔数据,因其不以任何特定点作为特定解所在;EFGMn(1,1)则是有n-1笔,因其以第n点作为特定解),但并不影响演算的正确性,可弹性调整。为便于说明,以下以EFGMm(1,1)模型为例。
步骤1:利用GMm(1,1)掌握***发展趋势,并计算其残差;
利用GMm(1,1)模型计算出X(0)的一步预测值以及一次残差序列E′(0)为:
E′(0)=(ε′(0)(1),ε′(0)(2),...,ε′(0)(n))
步骤2:利用傅里叶级数修正一次残差序列;
接著,利用傅里叶级数萃取出隐含在一次残差序列E′(0)中的周期性特质,即透过下列公式拟合一次残差序列E′(0)。
其中,T为一次残差序列E′(0)的长度,为n-1。最小平方法展开结果为:
C=(PTP)-1PTE′(0)
其中:
可得一次残差模拟序列为:
傅里叶级数的概念在于将一次残差序列ε′(0)转换成频谱(frequency spectra),并萃取其低频率的部分。此外,傅里叶级数可筛出高频率的部分(即为噪音的部分),对于一次残差序列的模拟有良好的效果,并可得到二次残差序列E″(0)为:
E″(0)=(ε″(0)(2),ε″(0)(3),...,ε″(0)(n))
步骤3:利用指数平滑法修正二次残差序列;
接著,利用指数平滑法萃取出隐含在二次残差序列E″(0)中的随机性特质,即透过下列公式拟合二次残差序列E″(0)
其中,φ为平滑系数(smoothing coefficient),且0<φ<1。
本实施例在此藉由最佳化的技术求得与二次残差序列误差最小的平滑系数值,即求解下式的最小值。
可进一步分解为:
因此,可将最佳化函数写成:
得到最佳值之后,即可求得二次残差序列的一步预测值,为:
最后结合以上修正值,即可求得原始序列的一步预测值为:
以上所述的演算法即为一个循环,透过滚动的技术,可不断地预测以及修正***发展的脉动。
本实施例建立两个新式的灰预测模型,分別为GMm(1,1)模型以及GMn(1,1)模型。
(1)GMm(1,1)模型
GMm(1,1)模型是利用最小平方法求解基于模拟序列与建模序列离差最小化的预测模型,此方式不以X(1)上的任何分量作为初始条件,而是以序列模拟精度最佳化的角度进行预测,对预测精度的提升有相当的效益。
GMm(1,1)模型的演算逻辑如下,在此将待订系数值设为未知,并建立以下计算式:
以矩阵的方式表示则为:
令:
因此,利用最小平方法可计算出c的估计值为:
将代回公式可得到GMm(1,1)模型的时间响应式为:
因此,原始序列的一步预测值为:
透过上述公式的运作,即可得到基于建模数据离差最小化的灰色预测模型。
(2)GMn(1,1)模型
传统GM(1,1)模型是以序列X(1)的第一个分量作为灰色模型的初始条件,然而这种方式对新信息的利用并不充分。若能以X(1)的第n个分量作为初始条件,则新信息的利用就会较为充分,对序列的趋势掌握会较为精确,亦能大幅提升预测曲线落在可能区域的机率。鉴于此,GMn(1,1)模型则是将特定解设定在(n,x(1)(n))上,也就是模拟序列中最新的一笔数值。
GMn(1,1)模型的演算逻辑如下。将初始条件(n,x(1)(n))代入灰微分方程式的一般解内,即可得到GMn(1,1)模型的时间响应式为:
因此,亦可得到GMn(1,1)模型的1步预测值为:
因此,可进一步推导X(0)的1步预测值为:
根据上述公式的运作,即可得到基于初始条件在最新资料的灰色模型,以提升灰色模型对未来趋势的掌握能力。
GM(1,1)模型在众多文献上,均已正式为具有可靠性与实用性的预测模型。然而,从文献中亦可得知GM(1,1)模型对于非平稳***发展序列的预测效果并不理想。通过对传统GM(1,1)模型背景值计算方式的改善,及转换特定解以增加落于可能区域的机率,改良后的GMm(1,1)模型或GMn(1,1)模型对于转折点的趋势掌握能力亦随之增加,再辅以残差修正等技术,则可有效地修正转折点的误差,以增进重大风险源监测数据的预测精度。
(五)对工程施工重大风险源时间序列进行预测。
基于自适应灰色傅里叶指数预测模型对所有的监测结果进行分析和处理,对工程施工风险源进行时间序列的实时预测。预测值超过预警值时,***自动亮显报警。
Claims (7)
1.一种基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法,其特征在于:具体包括以下步骤:
(1)采用3DGIS+BIM技术建立三维环境模型及BIM施工管理平台;
(2)自动采集工程施工风险源数据,并上传到BIM施工管理平台;
(3)在BIM施工管理平台设定预警值;
(4)建立自适应灰色傅里叶指数预测模型;
(5)对工程施工风险源监控数据进行时间序列的实时预测。
2.根据权利要求1所述的基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法,其特征在于:所述步骤1具体包括:
(1.1)获取地形数据绘制三维地形模型;
(1.2)通过城市景观数据绘制三维城市模型;
(1.3)建立3DGIS+BIM施工管理平台。
3.根据权利要求1所述的基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法,其特征在于:所述步骤2具体包括:
(2.1)通过自动化监测***,采集在外力作用下结构及环境的实时数据,回传3DGIS+BIM施工管理平台。
4.根据权利要求1所述的基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法,其特征在于:所述步骤3具体包括:
(3.1)建立风险源数据库,导入到3DGIS+BIM模型,纳入***管理中,对风险源进行等级评估;
(3.2)在平台上设置预警线,监测数据超标会自动报警。
5.根据权利要求1所述的基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法,其特征在于:建立自适应灰色傅里叶指数预测模型对工程施工风险源进行时间序列的实时预测,具体包括以下步骤:
(1)建模与预测流程;
(2)背景值改善;
(3)特定解转换;
(4)残差修正技术整合。
(5)风险预警于3DGIS+BIM模型中对应的位置自动亮显报警。
6.根据权利要求5所述的基于3DGIS+BIM技术的工程施工风险源实时监控及人工智能预测方法,其特征在于:所述预测模型利用最小平方法求解基于模拟序列与建模序列的离差最小化,不以序列任何分量作为初始条件。
7.根据权利要求5所述的基于3DGIS+BIM技术的工程施工风险源实时监控及人工 智能预测方法,其特征在于:所述预测模型以序列的第n个分量作为初始条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710609601.6A CN107330636A (zh) | 2017-07-25 | 2017-07-25 | 基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710609601.6A CN107330636A (zh) | 2017-07-25 | 2017-07-25 | 基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330636A true CN107330636A (zh) | 2017-11-07 |
Family
ID=60200731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710609601.6A Pending CN107330636A (zh) | 2017-07-25 | 2017-07-25 | 基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330636A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022415A (zh) * | 2017-12-01 | 2018-05-11 | 福建工程学院 | 一种基于bim的围海造地的报警方法及终端 |
CN108052776A (zh) * | 2018-01-12 | 2018-05-18 | 河南省水利勘测设计研究有限公司 | 基于bim和三维实景模型的洪水模型构建与动态展示方法 |
CN108960513A (zh) * | 2018-07-06 | 2018-12-07 | 厦门港湾咨询监理有限公司 | 建设工程重大危险源智能化识别监测*** |
CN111539568A (zh) * | 2020-04-22 | 2020-08-14 | 深圳市地质局 | 基于无人机和三维建模技术的安全监测***及方法 |
CN112697197A (zh) * | 2020-12-08 | 2021-04-23 | 中水三立数据技术股份有限公司 | 一种基于gis和bim融合技术的多孔防洪闸可视化管理***及方法 |
CN112965068A (zh) * | 2021-03-04 | 2021-06-15 | 水利部信息中心 | 一种基于雷达回波数据的雨团检测与追踪的短临降雨预报算法 |
CN114580760A (zh) * | 2022-03-09 | 2022-06-03 | 黑龙江八一农垦大学 | 一种农业旱灾风险预测方法及预测装置 |
CN115167212A (zh) * | 2022-07-13 | 2022-10-11 | 中交第三航务工程局有限公司 | 基于监测平台的基坑动态施工控制***及方法 |
CN116363600A (zh) * | 2023-06-01 | 2023-06-30 | 深圳恒邦新创科技有限公司 | 一种动车组检修作业风险预测方法及*** |
CN114580760B (zh) * | 2022-03-09 | 2024-06-28 | 黑龙江八一农垦大学 | 一种农业旱灾风险预测方法及预测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101336013B1 (ko) * | 2012-12-07 | 2013-12-04 | 한국건설기술연구원 | Bim 데이터와 gis 데이터의 연동 처리 시스템 및 방법 |
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
CN106651663A (zh) * | 2016-10-10 | 2017-05-10 | 天津泰达城市轨道投资发展有限公司 | 一种轨道交通建设安全风险显示方法及*** |
-
2017
- 2017-07-25 CN CN201710609601.6A patent/CN107330636A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101336013B1 (ko) * | 2012-12-07 | 2013-12-04 | 한국건설기술연구원 | Bim 데이터와 gis 데이터의 연동 처리 시스템 및 방법 |
CN103793601A (zh) * | 2014-01-20 | 2014-05-14 | 广东电网公司电力科学研究院 | 基于异常搜索和组合预测的汽轮机组在线故障预警方法 |
CN106651663A (zh) * | 2016-10-10 | 2017-05-10 | 天津泰达城市轨道投资发展有限公司 | 一种轨道交通建设安全风险显示方法及*** |
Non-Patent Citations (3)
Title |
---|
DANG YAO-GUO, LIU SI-FENG, CHEN KE-JIA: "The GM Models That x(n) Be Taken as Initial Value", 《JOURNAL OF XIAMEN UNIVERSITY (NATURAL SCIENCE)》 * |
张重阳 邹亚未 张飞: "同时改进背景值和初始条件的一种GM(1,1)预测方法", 《测绘与空间地理信息》 * |
王贝: "基于线路单元的轨道质量管理和预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108022415A (zh) * | 2017-12-01 | 2018-05-11 | 福建工程学院 | 一种基于bim的围海造地的报警方法及终端 |
CN108052776B (zh) * | 2018-01-12 | 2022-02-15 | 河南省水利勘测设计研究有限公司 | 基于bim和三维实景模型的洪水模型构建与动态展示方法 |
CN108052776A (zh) * | 2018-01-12 | 2018-05-18 | 河南省水利勘测设计研究有限公司 | 基于bim和三维实景模型的洪水模型构建与动态展示方法 |
CN108960513A (zh) * | 2018-07-06 | 2018-12-07 | 厦门港湾咨询监理有限公司 | 建设工程重大危险源智能化识别监测*** |
CN108960513B (zh) * | 2018-07-06 | 2022-09-06 | 中联路海集团有限公司 | 建设工程重大危险源智能化识别监测*** |
CN111539568A (zh) * | 2020-04-22 | 2020-08-14 | 深圳市地质局 | 基于无人机和三维建模技术的安全监测***及方法 |
CN112697197A (zh) * | 2020-12-08 | 2021-04-23 | 中水三立数据技术股份有限公司 | 一种基于gis和bim融合技术的多孔防洪闸可视化管理***及方法 |
CN112965068A (zh) * | 2021-03-04 | 2021-06-15 | 水利部信息中心 | 一种基于雷达回波数据的雨团检测与追踪的短临降雨预报算法 |
CN114580760A (zh) * | 2022-03-09 | 2022-06-03 | 黑龙江八一农垦大学 | 一种农业旱灾风险预测方法及预测装置 |
CN114580760B (zh) * | 2022-03-09 | 2024-06-28 | 黑龙江八一农垦大学 | 一种农业旱灾风险预测方法及预测装置 |
CN115167212A (zh) * | 2022-07-13 | 2022-10-11 | 中交第三航务工程局有限公司 | 基于监测平台的基坑动态施工控制***及方法 |
CN115167212B (zh) * | 2022-07-13 | 2023-09-26 | 中交第三航务工程局有限公司 | 基于监测平台的基坑动态施工控制***及方法 |
CN116363600A (zh) * | 2023-06-01 | 2023-06-30 | 深圳恒邦新创科技有限公司 | 一种动车组检修作业风险预测方法及*** |
CN116363600B (zh) * | 2023-06-01 | 2023-08-01 | 深圳恒邦新创科技有限公司 | 一种动车组检修作业风险预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330636A (zh) | 基于3dgis+bim技术的工程施工风险源实时监控及人工智能预测方法 | |
Wu et al. | A dynamic Bayesian network based approach to safety decision support in tunnel construction | |
CN113971463A (zh) | 一种供热管线风险分布分析方法与巡检路径规划*** | |
CN106779296A (zh) | 一种基于多传感器的隧道施工周围建筑物安全预警方法 | |
Zhang et al. | Risk-based estimate for operational safety in complex projects under uncertainty | |
Wu et al. | Dynamic risk analysis for adjacent buildings in tunneling environments: a Bayesian network based approach | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
CN111042143A (zh) | 一种基于大量监测数据分析的基坑工程预警方法和*** | |
CN103488907A (zh) | 天然气管道第三方破坏失效概率的计算方法 | |
CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
Chen et al. | Probabilistic performance prediction of shield tunnels in operation through data mining | |
CN103205972A (zh) | 一种分析基坑变形与坑外地面沉降关系的方法 | |
CN110288186A (zh) | 一种基于风险理论的资源环境承载力测定及风险管控方法 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
CN116378123A (zh) | 一种基于bim的基坑健康监测*** | |
Petrakovska et al. | PLANNING MODELS OF SANITARY PROTECTION ZONES AROUND MODE-FORMING OBJECTS. | |
CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
WO2009074000A1 (fr) | Procédé de suivi dynamique du processus d'évolution de risque de dépôt géologique | |
CN116911594A (zh) | 一种燃气管道泄漏抢修风险评价方法及装置 | |
Fan et al. | Reliability prediction of bridges based on monitored data and Bayesian dynamic models | |
Chen et al. | Prediction and forewarning of axial force of steel bracing in foundation pit based on verhulst model | |
CN115239129A (zh) | 城市轨道交通运营风险点关联关系链构建方法及*** | |
Cheng et al. | Safety grade evaluation of aqueduct structure based on fuzzy cloud theory analysis | |
Park et al. | Development of environmental load-estimating model for road planning phase: Focus on road earthwork | |
CN111401768A (zh) | 一种地铁车站安全施工预警方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |
|
RJ01 | Rejection of invention patent application after publication |