CN109684714B - 一种基于机器学习和bim技术的建筑设计方法 - Google Patents

一种基于机器学习和bim技术的建筑设计方法 Download PDF

Info

Publication number
CN109684714B
CN109684714B CN201811570300.8A CN201811570300A CN109684714B CN 109684714 B CN109684714 B CN 109684714B CN 201811570300 A CN201811570300 A CN 201811570300A CN 109684714 B CN109684714 B CN 109684714B
Authority
CN
China
Prior art keywords
design
building
model
parameters
bim
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811570300.8A
Other languages
English (en)
Other versions
CN109684714A (zh
Inventor
包胜
叶翔
欧阳笛帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Ruixing Dongyu Building Technology Co ltd
Original Assignee
Hangzhou Ruixing Dongyu Building Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Ruixing Dongyu Building Technology Co ltd filed Critical Hangzhou Ruixing Dongyu Building Technology Co ltd
Priority to CN201811570300.8A priority Critical patent/CN109684714B/zh
Publication of CN109684714A publication Critical patent/CN109684714A/zh
Application granted granted Critical
Publication of CN109684714B publication Critical patent/CN109684714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Civil Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Architecture (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于机器学习和BIM技术的建筑设计方法，包括如下步骤：1.设计参数选择，2.建立智能设计模型，3.智能设计模型样本训练，4.建筑功能量化，5.智能设计模型设计阶段，6.BIM模型生成，7.方案选择，8.方案评估与优化，9.生成施工图；本发明突破了传统建筑设计方法的局限性，结合机器学习的优化与高效以及BIM技术的信息化与可视化的特点，减少了传统设计方法存在设计不合理的问题，提高了建筑设计的效率与产品品质；同时建筑使用者能更直接地表达自己的设计需求，增加了建筑使用者在建筑设计阶段的参与度，更好地帮助设计团队与建筑使用者合作完成项目设计。

Description

一种基于机器学习和BIM技术的建筑设计方法
技术领域
本发明属于建筑设计方法领域，具体地，涉及一种基于机器学习和BIM技术的建筑设计方法。
背景技术
机器学习是通过建立合适的算法使得计算机能够从一类数据中自动分析获得规律，并利用规律对未知数据进行预测的科学技术。决策树算法是在已知各种情况发生概率的基础上，通过构成决策树来对未来情况进行预测或分类的数据模型，它是机器学习中最常见也是最基本的一种预测与分类模型。
建筑信息模型(Building Information Modeling，以下简称BIM)，简单地说就是指基于相同的标准，能够集成从建筑设计阶段一直到运营维护阶段的全生命周期过程中与建筑工程项目相关的信息模型。BIM模型是以建筑工程项目的各项相关信息数据作为模型的基础，进行建筑模型的建立，进而实现有效管理的新型模式。它是指通过数字信息仿真模拟建筑物所具有的真实信息，在这里，信息的内涵不仅仅是几何形状描述的视觉信息，还包含大量的非几何信息，如材料的耐火等级、材料的传热系数、构件的造价、采购信息等。实际上，BIM就是通过数字化技术，在计算机中建立一座虚拟建筑，提供一个单一的、完整一致的、有逻辑的建筑信息库。
目前传统的建筑设计方法是由设计人员出发，从构思、画图到出图的流程，但是这种设计方法存在许多弊端，包括存在设计不合理、建筑使用者参与度低等问题。随着人工智能技术的不断发展，通过机器学习进行设计的案例越来越多。通过机器学习训练大量的数据样本，再配合上本身强大的存储与计算能力，计算机能够完成十分复杂且精确的设计任务，得到的设计结果能够考虑到全局因素，因此最终的设计成果会比人工设计的成果更加合理，能够大大优化建筑的表现。同时BIM技术的应用能够提高设计过程的信息化，同时其可视化的特点能够让设计表达更加直观，让非专业的建筑使用者更加直观地选择自己所希望的设计方案。
发明内容
针对现有技术的不足，本发明提出一种基于机器学习和BIM技术的建筑设计方法。
本发明所采用的技术方案如下：一种基于机器学习和BIM技术的建筑设计方法，其特征在于，包括如下步骤：
步骤1.设计参数选择：设计团队确定建筑设计过程中所涉及的设计参数，这些设计参数是建筑特性与功能的参数表达形式；
步骤2.建立智能设计模型：设计团队根据建筑物构件的物理属性，分析其对设计参数的影响作用，得到建筑物构件对目标参数的影响方程，建立有限元分析算法，并将影响方程加入到有限元分析算法中；所述的建筑物构件表示一切对设计参数有影响的物理实体；
步骤3.智能设计模型样本训练：选择不同风格的建筑设计作为训练样本，对每种建筑风格的样本进行人工类别标注，选择与建筑风格有关的特征参数，将样本以及特征参数输入到设计模型中；利用决策树算法对智能设计模型进行样本训练，得到不同建筑风格各自的特征参数取值范围，根据特征参数的正态分布取其中的95％作为建筑风格判定区间，若特征参数在该区间内，则判定该建筑属于此建筑风格。智能设计模型能够根据风格进行建筑设计，完成智能设计模型训练阶段；
步骤4.建筑功能量化：设计团队派出团队代表与建筑使用者沟通讨论设计思路，确定建筑使用者希望实现的建筑功能，确定建筑功能的优先度，并与建筑使用者合作量化建筑功能，通过选择目标设计参数最优取值和取值范围实现建筑功能量化；所述目标设计参数是建筑使用者从步骤2所述的设计参数中选择的能够表达建筑功能的部分参数；
步骤5.智能设计模型设计阶段：设计团队将量化后的目标设计参数最优取值和取值范围输入智能设计模型中，智能设计模型根据输入的目标设计参数最优取值和取值范围计算生成包含多个符合建筑使用者要求的建筑设计方案的最终设计结果集，并对各建筑设计方案进行优先度排序；
步骤6.BIM模型生成：将智能设计模型得到的最终设计结果集导入到BIM设计软件中，BIM设计软件根据被导入的最终设计结果集分别生成每个设计方案所对应的BIM可视化模型，并根据设计结果生成建筑性能分析结果；
步骤7.方案选择：建筑使用者根据BIM软件生成的可视化模型和建筑性能分析结果完成方案选择；
步骤8.方案评估与优化：设计团队对智能设计模型的设计结果检查与评估，并在BIM设计软件中对其存在的问题进行修正优化，使其更加符合人的使用习惯，得到最终设计方案；
步骤9.生成施工图：利用BIM设计软件根据最终设计方案的三维模型自动生成施工图。
进一步的，所述设计参数包括建筑面积、房间数量以及室内自然温度等参数。
进一步的，所述设计团队包括建筑团队、结构团队和机电管线团队。
进一步的，所述施工图包括建筑施工图、结构施工图和管线施工图。
进一步的，所述步骤2中的有限元分析算法计算步骤为：
步骤2.1.确定建筑边界；
步骤2.2.将建筑边界里的所有空间划分为规则的正方形子区域；
步骤2.3.根据建筑构件对设计参数的影响方程从边界向建筑空间中心传递计算设计。
进一步的，所述步骤5中的智能设计模型设计阶段包括用决策树算法进行建筑项目的方案设计，具体步骤为：
步骤5.1.首先针对最高优先度的目标设计参数进行计算设计，得到包括多种可行设计方案的设计结果集1；
步骤5.2.将设计结果集1输入到决策树算法中，根据次高优先度的目标设计参数对设计结果集1中的所有方案进行逐一分析计算，如果计算结果与建筑使用者期望的目标设计参数取值范围不符则放弃这个方案；如果计算结果与建筑使用者期望的目标设计参数取值范围符合，则将该方案加入到设计结果集2中；
步骤5.3.按优先度从高到低的顺序依次针对建筑使用者所选择的所有目标设计参数，最后得到一个最终设计结果集；所述最终设计结果集包括了满足建筑使用者所期望的建筑功能的所有方案，如果没有方案符合建筑使用者期望的建筑功能，则回到所述的步骤4，重新量化建筑功能；
步骤5.4.按照如下公式依次计算最终设计结果集中所有设计方案的优先度值P：
Figure GDA0004053939690000031
其中,Pk表示第k个设计方案的优先度值P；βi表示第i个设计参数的最优取值；αki表示由第k个设计方案中第i个设计参数的取值；n为设计参数总数；γji表示第i个参数对应的第j个优先度级别的系数，由γji＝(m+1j)/j计算得出，其中m为需要进行计算的优先度级别总数。
步骤5.5.按优先度值P从低到高的顺序依次对所有设计方案进行排序。
进一步的，所述的可行设计方案以IFC数据格式生成。
本发明的有益效果如下：由于建筑设计任务本身需要考虑诸多复杂因素的综合作用，同时建筑内容庞大，因此设计人在设计中往往会产生许多错误。本发明通过结合机器学习的方式进行建筑设计能够使设计成果更加合理，减少由于人的思维局限性所造成的设计缺陷。借助计算机强大的运算能力能在短时间内产出大量的可行设计方案，大大提高了建筑设计的效率和方案的多样性。设计团队通过与建筑使用者一起合作量化建筑功能，能够让建筑使用者对建筑的期望更加直接地体现在早期建筑设计过程中，因此得到的设计方案更能获得建筑使用者的认可。BIM技术的应用则让建筑设计方案以信息化和可视化的形式呈现，前者能够帮助不同团队设计内容之间的协同与管理，后者则能帮助非专业的建筑使用者更容易地理解建筑设计内容。因此该发明能够有效地提高建筑设计的品质。
附图说明
图1为本发明的建筑设计方法步骤图；
图2为本发明的智能设计模型设计阶段示意图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，以下结合附图和实施例，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。
如图1所示，一种基于机器学习和BIM技术的建筑设计方法，包括以下步骤：
步骤1.设计参数选择：设计团队确定建筑设计过程中所涉及的设计参数，这些设计参数是建筑特性与功能的参数表达形式，所述设计参数包括建筑高度、建筑面积、房间数量、室内自然温度、自然采光率等涉及到建筑使用的各种参数；所述设计团队包括建筑团队、结构团队和机电管线团队；
步骤2.建立智能设计模型：首先根据建筑物构件的物理属性分析其对设计参数的影响关系，如住宅墙体的隔热性能对室内自然温度的影响，建立这些物理属性对于设计参数的影响方程；以单层墙体的稳定导热为例，其计算方程如下：
Figure GDA0004053939690000041
其中Qλ为通过单层墙壁的导热量，F为墙壁的传热面积，d为墙壁的厚度，t1、t2分别为墙壁内表面和外表面温度，λ为墙体材料的导热系数；
通过类似于这个计算方程的一系列建筑构件对设计参数的影响方程能够建立建筑物使用功能与建筑构件的数学关系；所述的建筑构件包括建筑内部及周围的一切实体与结构，包括门、窗、洞口、家具等；
智能设计模型使用有限元分析算法进行建筑设计计算；首先确定建筑边界，有限元分析算法会将建筑边界内的设计区域划分为大量离散的规则正方形子区域，方便后续的分析计算工作；完成设计区域划分后，有限元分析算法通过事先建立的影响方程从建筑边界向设计区域中心进行传递式分析计算，得到最终的设计方案。
步骤3.智能设计模型样本训练：选择不同风格的建筑设计作为训练样本，对每种建筑风格的样本进行人工类别标注，选择与建筑风格有关的特征参数，将样本以及特征参数输入到设计模型中；利用决策树算法对智能设计模型进行样本训练，得到不同建筑风格各自的特征参数取值范围，根据特征参数的正态分布取其中的95％作为建筑风格判定区间，若特征参数在该区间内，则判定该建筑属于此建筑风格。智能设计模型能够根据风格进行建筑设计，完成智能设计模型训练阶段；
步骤4.建筑功能量化：设计团队的设计代表与建筑使用者沟通讨论设计目标，建筑使用者在设计参数中选择一部分目标设计参数作为自己期望实现的建筑功能，如建筑总面积，各房间面积等等，建筑使用者与设计团队一起确定这些目标设计参数最优取值和取值范围，如建筑总面积取值范围为100-120㎡，最优取值为110㎡，同时确定这些目标设计参数的设计优先度。
步骤5.智能设计模型设计阶段如图2所示：设计团队将目标设计参数最优取值和取值范围及其设计优先度输入到智能设计模型中；智能设计模型首先根据最高优先度的目标设计参数设计生成包含多个可行设计方案的设计结果集1，将设计结果集1输入到决策树算法中，根据次高优先度的目标设计参数对设计结果集1中的所有方案进行逐一分析计算，如果计算结果与建筑使用者期望的目标设计参数取值范围不符则放弃这个方案；如果计算结果与建筑使用者期望的目标设计参数取值范围符合，则将该方案加入到设计结果集2中；按优先度从高到低的顺序依次针对建筑使用者所选择的所有目标设计参数，最后得到一个最终设计结果集；所述最终设计结果集包括了在规定的参数范围内，满足建筑使用者所期望的建筑功能的所有方案，如果没有方案符合建筑使用者期望的建筑功能，则回到所述的步骤4，重新量化建筑功能；所述的设计方案以IFC数据格式生成；
以一个一层住宅为例，建筑使用者所选择的四个目标设计参数按设计优先度从高到低分别为：建筑总面积100-120㎡、卧室数量3-5个、主卧面积20-25㎡、主卧朝向正南；
智能设计模型先根据建筑总面积100-120㎡的约束条件包含生成上千种可行方案的设计结果集1，这些可行方案包括多种不同的卧室数量、主卧面积以及主卧朝向；智能设计模型再依次根据卧室数量、主卧面积、主卧朝向分析计算设计结果集1中的可行方案，最后得到一个包含多种可行方案的最终设计结果集；依次计算最终设计结果集中所有设计方案的优先度值P，得到设计方案的排序结果；所有设计方案都以IFC数据格式生成，保证这些设计方案能够去BIM设计软件安全兼容。
步骤6.BIM模型生成：设计团队将得到的最终设计方案导入到BIM设计软件中，BIM设计软件Revit和GreenBuildingStudio等软件可以根据这些基于IFC数据格式的设计方案自动生成BIM三维模型以及建筑性能分析报告。
步骤7.方案选择：建筑使用者借助BIM三维模型和建筑性能分析结果的可视化特点能够直观地了解建筑功能，并依此选择自己所喜爱的建筑设计方案。
步骤8.方案评估与优化：设计团队对建筑使用者选择的建筑设计方案继续评估，针对其中不符合建筑使用者使用习惯的设计点进行人为的优化调整，得到最终设计方案。
步骤9.生成施工图：设计团队将最终设计方案的BIM三维模型导入生成施工图相关BIM设计软件中，如，该软件能够更能够根据BIM三维模型自动生成二维平面施工图，完成施工图生成后，建筑设计阶段结束。

Claims (6)

1.一种基于机器学习和BIM技术的建筑设计方法，其特征在于，包括如下步骤：
步骤1.设计参数选择：设计团队确定建筑设计过程中所涉及的设计参数，这些设计参数是建筑特性与功能的参数表达形式；
步骤2.建立智能设计模型：设计团队根据建筑物构件的物理属性，分析其对设计参数的影响作用，得到建筑物构件对目标参数的影响方程，建立有限元分析算法，并将影响方程加入到有限元分析算法中；所述的建筑物构件表示一切对设计参数有影响的物理实体；
步骤3.智能设计模型样本训练：选择不同风格的建筑设计作为训练样本，对每种建筑风格的样本进行人工类别标注，选择与建筑风格有关的特征参数，将样本以及特征参数输入到设计模型中；利用决策树算法对智能设计模型进行样本训练，得到不同建筑风格各自的特征参数取值，智能设计模型能够根据风格进行建筑设计，完成智能设计模型训练阶段；
步骤4.建筑功能量化：设计团队派出团队代表与建筑使用者沟通讨论设计思路，确定建筑使用者希望实现的建筑功能，确定建筑功能的优先度，并与建筑使用者合作量化建筑功能，通过选择目标设计参数并确定其大小实现建筑功能量化；所述目标设计参数是建筑使用者从步骤2所述的设计参数中选择的能够表达建筑功能的部分参数；
步骤5.智能设计模型设计阶段：设计团队将量化后的目标设计参数输入智能设计模型中，智能设计模型根据输入的目标设计参数计算生成包含多个符合建筑使用者要求的建筑设计方案的最终设计结果集；
步骤6.BIM模型生成：将智能设计模型得到的最终设计结果集导入到BIM设计软件中，BIM设计软件根据被导入的最终设计结果集分别生成每个设计方案所对应的BIM可视化模型，并根据设计结果生成建筑性能分析结果；
步骤7.方案选择：建筑使用者根据BIM软件生成的可视化模型和建筑性能分析结果完成方案选择；
步骤8.方案评估与优化：设计团队对智能设计模型的设计结果检查与评估，并在BIM设计软件中对其存在的问题进行修正优化，使其更加符合人的使用习惯，得到最终设计方案；
步骤9.生成施工图：利用BIM设计软件根据最终设计方案的三维模型自动生成施工图；
其中，所述步骤5中的智能设计模型设计阶段包括用决策树算法进行建筑项目的方案设计，具体步骤为：
步骤5.1.首先针对最高优先度的目标设计参数进行计算设计，得到包括多种可行设计方案的设计结果集1；
步骤5.2.将设计结果集1输入到决策树算法中，根据次高优先度的目标设计参数对设计结果集1中的所有方案进行逐一分析计算，如果计算结果与建筑使用者期望的目标设计参数要求不符则放弃这个方案；如果计算结果与建筑使用者期望的目标设计参数要求符合，则将该方案加入到设计结果集2中；
步骤5.3.按优先度从高到低的顺序依次针对建筑使用者所选择的所有目标设计参数，最后得到一个最终设计结果集；所述最终设计结果集包括了满足建筑使用者所期望的建筑功能的所有方案，如果没有方案符合建筑使用者期望的建筑功能，则回到所述的步骤4，重新量化建筑功能。
2.根据权利要求1所述的基于机器学习和BIM技术的建筑设计方法，其特征在于，所述设计参数包括建筑面积、房间数量以及室内自然温度。
3.根据权利要求1所述的基于机器学习和BIM技术的建筑设计方法，其特征在于，所述设计团队包括建筑团队、结构团队和机电管线团队。
4.根据权利要求1所述的基于机器学习和BIM技术的建筑设计方法，其特征在于，所述施工图包括建筑施工图、结构施工图和管线施工图。
5.根据权利要求1所述的基于机器学习和BIM技术的建筑设计方法，其特征在于，所述步骤2中的有限元分析算法计算步骤为：
步骤2.1.确定建筑边界；
步骤2.2.将建筑边界里的所有空间划分为规则的正方形子区域；
步骤2.3.根据建筑构件对设计参数的影响方程从边界向建筑空间中心传递计算设计。
6.根据权利要求1所述的基于机器学习和BIM技术的建筑设计方法，其特征在于，所述的设计方案以IFC数据格式生成。
CN201811570300.8A 2018-12-21 2018-12-21 一种基于机器学习和bim技术的建筑设计方法 Active CN109684714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811570300.8A CN109684714B (zh) 2018-12-21 2018-12-21 一种基于机器学习和bim技术的建筑设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811570300.8A CN109684714B (zh) 2018-12-21 2018-12-21 一种基于机器学习和bim技术的建筑设计方法

Publications (2)

Publication Number Publication Date
CN109684714A CN109684714A (zh) 2019-04-26
CN109684714B true CN109684714B (zh) 2023-04-18

Family

ID=66188660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811570300.8A Active CN109684714B (zh) 2018-12-21 2018-12-21 一种基于机器学习和bim技术的建筑设计方法

Country Status (1)

Country Link
CN (1) CN109684714B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334924B (zh) * 2019-06-21 2023-04-07 中交二公局第三工程有限公司 基于bim的计算机辅助设计、施工一体化管理***及方法
CN110968712B (zh) * 2019-11-19 2023-09-22 北京长空云海科技有限公司 Bim族模型获取的方法、装置及***
JP7456847B2 (ja) 2020-05-19 2024-03-27 株式会社竹中工務店 設計支援装置
CN111723426A (zh) * 2020-06-19 2020-09-29 卡思傲建筑科技(上海)有限公司 一种基于bim的建筑设计方法及***
JP7499092B2 (ja) 2020-07-01 2024-06-13 株式会社竹中工務店 設計支援装置
JP7499091B2 (ja) 2020-07-01 2024-06-13 株式会社竹中工務店 設計支援装置
CN113626913B (zh) * 2021-08-03 2023-07-21 上海原构设计咨询有限公司 一种历史性建筑设计bim三维制图处理***
CN114239119A (zh) * 2021-12-23 2022-03-25 厦门大学建筑设计研究院有限公司 一种用于建筑设计的优化设计方案及其判断方法
CN114840900B (zh) * 2022-05-18 2023-06-20 滁州学院 一种基于i-GBDT技术的衍生式BIM构件自动生成方法
CN115630433A (zh) * 2022-12-20 2023-01-20 江苏航运职业技术学院 一种基于机器学习和bim技术的建筑设计方法及***
CN117113846A (zh) * 2023-09-01 2023-11-24 重庆大学溧阳智慧城市研究院 一种基于bim的智能建筑设计方法及***
CN117113508A (zh) * 2023-09-08 2023-11-24 绥化市麦微科技有限公司 一种建筑信息模型bim的数据生成方法及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823931A (zh) * 2014-02-21 2014-05-28 同济大学 一种运用简化模型和非结构化网格进行建筑设计的方法
CN104134097A (zh) * 2014-07-01 2014-11-05 哈尔滨工业大学 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法
CN104573202A (zh) * 2014-12-22 2015-04-29 上海建工集团股份有限公司 框架-核心筒结构体系施工全过程的结构分析方法
CN106709660A (zh) * 2016-12-29 2017-05-24 天津市建筑设计院 基于bim的建筑设计方法
CN107357969A (zh) * 2017-06-22 2017-11-17 新奥泛能网络科技股份有限公司 基于bim技术的建筑热工***优化设计方法
CN108376310A (zh) * 2018-02-06 2018-08-07 深圳前海大观信息技术有限公司 建筑物火灾风险等级评估方法
WO2018144897A1 (en) * 2017-02-02 2018-08-09 The Strategy Collective Dba Blkbox Method, apparatus, and system for data analytics model selection for real-time data visualization
CN108460231A (zh) * 2018-03-23 2018-08-28 中交公路长大桥建设国家工程研究中心有限公司 一种桥梁建养全过程智能监测评估预警决策***及方法
CN108629849A (zh) * 2018-05-16 2018-10-09 浙江大学 一种基于bim和点云技术的构件质检***
CN109002670A (zh) * 2018-09-29 2018-12-14 国际竹藤中心 一种基于bim的竹木复合结构优化设计方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9646203B2 (en) * 2014-07-18 2017-05-09 Here Global B.V. Method and apparatus for generating map data based on construction designs
US10361584B2 (en) * 2016-11-16 2019-07-23 Korea Institute Of Energy Research System for managing energy, method of managing energy, and method of predicting energy demand

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103823931A (zh) * 2014-02-21 2014-05-28 同济大学 一种运用简化模型和非结构化网格进行建筑设计的方法
CN104134097A (zh) * 2014-07-01 2014-11-05 哈尔滨工业大学 一种基于gann-bim模型的严寒地区办公建筑形态节能设计方法
CN104573202A (zh) * 2014-12-22 2015-04-29 上海建工集团股份有限公司 框架-核心筒结构体系施工全过程的结构分析方法
CN106709660A (zh) * 2016-12-29 2017-05-24 天津市建筑设计院 基于bim的建筑设计方法
WO2018144897A1 (en) * 2017-02-02 2018-08-09 The Strategy Collective Dba Blkbox Method, apparatus, and system for data analytics model selection for real-time data visualization
CN107357969A (zh) * 2017-06-22 2017-11-17 新奥泛能网络科技股份有限公司 基于bim技术的建筑热工***优化设计方法
CN108376310A (zh) * 2018-02-06 2018-08-07 深圳前海大观信息技术有限公司 建筑物火灾风险等级评估方法
CN108460231A (zh) * 2018-03-23 2018-08-28 中交公路长大桥建设国家工程研究中心有限公司 一种桥梁建养全过程智能监测评估预警决策***及方法
CN108629849A (zh) * 2018-05-16 2018-10-09 浙江大学 一种基于bim和点云技术的构件质检***
CN109002670A (zh) * 2018-09-29 2018-12-14 国际竹藤中心 一种基于bim的竹木复合结构优化设计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Model for Spatial Planning of Site and Building Using BIM Methodology;Ustinovichius Leonas et al.;《Journal of Civil Engineering and Management》;20170331;第23卷(第2期);全文 *
基于matlab神经网络的高层建筑结构选型研究;马令勇;《土木建筑结构选型研究》;20100915;第2卷(第3期);全文 *

Also Published As

Publication number Publication date
CN109684714A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109684714B (zh) 一种基于机器学习和bim技术的建筑设计方法
Tian et al. A review of uncertainty analysis in building energy assessment
Pan et al. Building energy simulation and its application for building performance optimization: A review of methods, tools, and case studies
Attia et al. Assessing gaps and needs for integrating building performance optimization tools in net zero energy buildings design
Razmi et al. PCA-ANN integrated NSGA-III framework for dormitory building design optimization: Energy efficiency, daylight, and thermal comfort
Jin et al. Optimization of a free-form building shape to minimize external thermal load using genetic algorithm
Zhang et al. A parametric approach for performance optimization of residential building design in Beijing
Li et al. An integrated building energy performance evaluation method: From parametric modeling to GA-NN based energy consumption prediction modeling
Ashour Optimizing creatively in multi-objective optimization
Sangireddy et al. Development of a surrogate model by extracting top characteristic feature vectors for building energy prediction
Li Use of building energy simulation software in early-stage of design process
CN109073753B (zh) 用于生成能量模型并跟踪能量模型演进的***和方法
Zhao et al. Performance-based generative architecture design: A review on design problem formulation and software utilization
Mavromatidis A review on hybrid optimization algorithms to coalesce computational morphogenesis with interactive energy consumption forecasting
Shahsavari et al. Uncertainty and Sensitivity Analysis Using Building Information Modeling (An Energy Analysis Test Case)
Li et al. A novel method of creating machine learning-based time series meta-models for building energy analysis
Song et al. Framework on low-carbon retrofit of rural residential buildings in arid areas of northwest China: A case study of Turpan residential buildings
Zhan et al. Dual-objective building retrofit optimization under competing priorities using Artificial Neural Network
CN112800690A (zh) 一种基于群智能优化算法下的水下折展机构参数优化方法
de Wilde et al. Energy modelling
Wang et al. Thermal performance optimization for housing unit design in a cold region of China
CN113537540B (zh) 一种基于自动特征工程的供热用气量预测模型
Labib Integrating machine learning with parametric modeling environments to predict building daylighting performance
Kim et al. Multi-criterion stochastic optimal selection of a double glazing system
Chauhan et al. A multi-objective design tool for decarbonising buildings at the concept stage

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
CB03 Change of inventor or designer information

Inventor after: Bao Sheng

Inventor after: Ye Xiang

Inventor after: OuYang Difan

Inventor before: Bao Sheng

Inventor before: OuYang Difan

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant