CN112784346A - 建筑结构自主设计方法、***及终端、存储介质 - Google Patents
建筑结构自主设计方法、***及终端、存储介质 Download PDFInfo
- Publication number
- CN112784346A CN112784346A CN202110178988.0A CN202110178988A CN112784346A CN 112784346 A CN112784346 A CN 112784346A CN 202110178988 A CN202110178988 A CN 202110178988A CN 112784346 A CN112784346 A CN 112784346A
- Authority
- CN
- China
- Prior art keywords
- design
- building
- ontology
- model
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
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
本发明提供了一种基于人工智能的建筑结构自主设计方法及***,包括:提取历史设计的结构设计知识,建立结构设计领域本体;建立贝叶斯网络模型,将结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案;根据输出的设计推荐方案,生成方案所对应的建筑信息模型;对生成的建筑信息模型进行结构设计方案验证,并将验证结果反馈至建筑信息模型,对建筑信息模型进行优化。本发明基于本体和贝叶斯网络的人工智能,为结构设计高效化、智能化提供技术支撑,减少设计从业人员在方案设计、初步设计阶段的工作负担,提升设计效率,降低设计成本,使得历史设计经验得到有效利用,具有创新和拓展意义。
Description
技术领域
本发明涉及建筑结构设计领域的一种辅助技术,具体地,涉及一种基于人工智能的建筑结构自主设计方法、***及终端、存储介质。
背景技术
国家现阶段正在大力推动土木工程领域与现代信息技术的结合,通过现代化的技术手段降低建筑设计、施工、交付的人工成本和时间成本,推动建筑智能化。建筑结构设计作为土建项目的重要环节,目前存在以下问题:
1、传统结构设计中存在相似结构的重复设计。对于大型的体育场、超高层建筑或城市地标性建筑等,由于建筑造型复杂、受地质等影响较多,需要针对项目进行具体分析设计,但对于住宅、教学楼等传统多层建筑,建筑造型规则、受力传递清晰,对结构设计师的设计要求不高,造成人力和时间成本的浪费。
2、设计经验难以推广。设计经验在结构设计中十分重要,丰富的工程经验有利于缩短设计时间,提高工程效率。建筑设计过程包含大量知识和经验,并且相当复杂,无法用简单的规则或者模型进行表示。一般设计经验通常需要通过项目积累,难以短期内通过教学快速继承、推广应用。
3、缺乏针对结构设计的归档管理。现有的结构设计归档沿用CAD施工图纸的管理方法,缺乏对于建筑信息模型(Building Information Modeling,BIM)的知识管理,没有基于结构设计原理、结构体型、构件等设计要素的知识提取归档,只能通过分类关键词进行设计历史文档的检索,难以快速从历史设计中提取关键设计信息。
4、缺乏对历史设计计算书中知识的有效利用。以往对BIM技术的研究,只针对性的对BIM相关技术和其公认标准行业基础类(Industry Foundation Class,IFC)标准进行扩展,忽视了与传统建筑经验的结合,特别是缺少对历史设计计算书中的知识进行有效的提取和利用。
5、设计项目参数化、模块化水平较低,人力成本未能有效缩减。手动对完整项目进行三维建模依旧需要耗费大量时间和人力。工业化生产领域高模块化的产品能够促进设计的发展和分析选项,将其引入到建筑行业有重要应用价值。在结构设计中,模块化的设计会使得设计具备更强的逻辑性、规律性、可学习性。
与此同时,在信息化技术发展的背景下,本体、不确定性人工智能得到了蓬勃发展,并且为推动土木工程领域现代化发展,实现建筑智能化提供了重要实现依据。本体在计算机科学中主要是指描述世界或某个领域中的概念以及属性和概念之间的相互关系的抽象化表示,它在解决领域知识管理、信息检索和逻辑推理等问题上有着诸多成果;而不确定性人工智能是现今数据挖掘的重要手段,其中贝叶斯网络(Bayesian Network,BN)应用较为广泛,也是目前不确定性知识表达和推理领域最有效的理论模型之一,目前在文件分类、医疗诊断、信息检索、统计决策、学习预测等领域有着重要应用。
经过检索发现:
申请号为201811570300.8,发明名称为《一种基于机器学习和BIM技术的建筑设计方法》的中国发明专利申请,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。该方法考虑了建筑构件的物理属性对设计参数的影响,并建立了影响关系和影响方程,利用有限元分析算法,在确定建筑边界的基础上,先将设计区域划分为规则的正方形子区域,再利用建立好的影响方程自建筑边界向中心进行传递式分析计算。该方法以不同风格的建筑设计作为训练样本作为智能设计模型的训练样本,智能设计模型采用了决策树模型。通过设计团队与建筑使用者的讨论,确定目标设计参数优先度,根据优先度,智能设计模型实现对设计生成的多个可行设计方案集的筛选,最终得到符合建筑使用者期望的建筑设计方案。但是该方法仍然存在如下问题:
1、该方法在确定建筑构件对设计参数的影响时,由人为确定,无法保证影响影响方程的正确性,因此在由设计参数生成的多种建筑方案,无法保证这些方案是合理的。
2、该方法中涉及到的设计参数只涉及到建筑施工功能方面的参数,如建筑面积、自然采光率等,只完成了建筑功能布局的设计,未实现建筑的结构方案设计。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种基于人工智能的建筑结构自主设计方法、***及终端、存储介质。
根据本发明的一个方面,提供了一种建筑结构自主设计方法,包括:
提取历史设计的结构设计知识,建立结构设计领域本体;
建立贝叶斯网络模型,将所述结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案;
根据所述设计推荐方案,生成方案所对应的建筑信息模型;
对所述建筑信息模型进行结构设计方案验证,并将验证结果反馈至所述建筑信息模型,对所述建筑信息模型进行优化。
根据本发明的另一个方面,提供了一种建筑结构自主设计***,包括:
结构设计领域本体构建模块,该模块用于提取历史设计的结构设计知识,建立结构设计领域本体;
设计推荐方案生成模块,该模块用于建立贝叶斯网络模型,将结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案;
建筑信息模型生成模块,该模块根据输出的设计推荐方案,生成方案所对应的建筑信息模型;
建筑信息模型优化模块,该模块对生成的建筑信息模型进行结构设计方案验证,并将验证结果反馈至建筑信息模型,对建筑信息模型进行优化。
根据本发明的第三个方面,提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于执行上述任一项所述的方法。
根据本发明的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述任一项所述的方法。
由于采用了上述技术方案,本发明与现有技术相比,具有如下至少一项的有益效果:
本发明提供的基于人工智能的建筑结构自主设计方法、***及终端,针对现有技术存在的实际结构设计中有关设计决策、设计信息查阅和设计信息管理等问题,基于本体和贝叶斯网络的人工智能,借助先进的计算机与人工智能技术,为结构设计高效化、智能化提供技术支撑,减少设计从业人员在方案设计、初步设计阶段的工作负担,提升设计效率,降低设计成本,使得历史设计经验得到有效利用,具有创新和拓展意义。
本发明提供的基于人工智能的建筑结构自主设计方法、***及终端,以结构智能设计为开发目标,利用本体作为结构设计知识架构、利用贝叶斯网络作为结构设计知识逻辑、利用BIM技术作为结构设计的实现平台,实现结构设计的知识提取、设计方案推荐和计算模型模块化建立。
本发明提供的基于人工智能的建筑结构自主设计方法、***及终端,可以有效利用历史设计经验,为设计知识的保留和发展提供新的思路。
本发明提供的基于人工智能的建筑结构自主设计方法、***及终端,能够解决在实际结构设计中设计决策、设计信息查询和设计信息管理等问题,此外,本发明尽管针对建筑结构的设计阶段,但是对于其他建筑形式的各建筑生命阶段的研究都具有拓展价值,有利于提高建筑工程自动化水平。
本发明提供的基于人工智能的建筑结构自主设计方法、***及终端,采用贝叶斯网络方法实现初步方案设计,模型通过从多个真实样本学习得到,设计参数对设计结果的影响具有更高的可信度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明一实施例中基于人工智能的建筑结构自主设计方法的流程图。
图2为本发明一实施例中基于人工智能的建筑结构自主设计***的组成模块示意图。
图3为本发明一优选实施例中基于人工智能的建筑结构自主设计***各组成模块之间的工作关系示意图。
图4为本发明一优选实施例中结构设计知识提取框架示意图。
图5为本发明一优选实施例中搭建结构设计领域本体子本体的流程图。
图6为本发明一优选实施例中建立得到的结构设计领域本体示意图。
图7为本发明一优选实施例中从设计计算书提取建筑结构的设计基本信息的流程图。
图8为本发明一优选实施例中提取建筑结构的设计基本信息过程结合实际内容的示意图。
图9为本发明一优选实施例中从IFC数据提取建筑结构的几何信息的流程图。
图10为本发明一优选实施例中结构计算子本体实例化结果示意图。
图11为本发明一优选实施例中建筑结构子本体实例化结果示意图。
图12为本发明一优选实施例中基于朴素贝叶斯的结构选型设计流程图。
图13为本发明一优选实施例中建立的朴素贝叶斯模型示意图。
图14为本发明一优选实施例中建立出的教学楼结构设计子网络结构示意图。
图15为本发明一优选实施例中一次修剪后的贝叶斯网络示意图。
图16为本发明一优选实施例中二次修剪后的贝叶斯网络示意图。
图17为本发明一优选实施例中三种常见教学楼形式示意图。
图18为本发明一优选实施例中标准模型智能生成流程图。
图19为本发明一优选实施例中轴网、标高及柱网生成示意图。
图20为本发明一优选实施例中构件批量修改流程图示意图。
图21为本发明一优选实施例中Revit-YJK结构设计流程图。
图22为本发明一具体举例中教学楼平面图。
图23为本发明一具体举例中结构智能化设计方法流程
图24为本发明一具体举例中条件概率分布结果示意图。
图25为本发明一具体举例中结构设计基本方案的输入界面示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
图1为本发明一实施例中基于人工智能的建筑结构自主设计方法的流程图。
如图1所示,该实施例提供的基于人工智能的建筑结构自主设计方法,可以包括如下步骤:
S100,提取历史设计的结构设计知识,建立结构设计领域本体;
S200,建立贝叶斯网络模型,将结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案;
S300,根据输出的设计推荐方案,生成方案所对应的建筑信息模型;
S400,对生成的建筑信息模型进行结构设计方案验证,并将验证结果反馈至建筑信息模型,对建筑信息模型进行优化。
在该实施例的S100中,作为一优选实施例,提取结构设计知识,建立结构设计领域本体,可以包括如下步骤:
S101,分别从历史设计的IFC数据和设计计算书中提取建筑结构的几何信息和建筑结构的设计基本信息,形成结构设计知识;
S102,分别建立建筑结构子本体和结构计算子本体;
S103,利用提取的结构设计知识,分别对建立的建筑结构子本体和结构计算子本体进行实例化,获得建筑结构子本体和结构计算子本体的实例化文件;
S104,将建筑结构子本体和结构计算子本体的实例化文件对齐并集成得到完整的结构设计领域本体实例化文件,得到结构设计领域本体。
在该实施例的S101中,作为一优选实施例,提取建筑结构的设计基本信息,可以包括如下步骤:
S1011,生成计算书文本相对规则,通过文本正则处理生成的文本相对规则,获取结构计算相关内容;
S1012,为每一类结构计算相关内容添加标识属性,得到建筑结构的设计基本信息。
在该实施例的S101中,作为一优选实施例,提取建筑结构的几何信息,可以包括如下步骤:
S101I,对IFC数据进行解析,并从中抽取建筑结构相关属性信息;
S101II,检索并分类IFC数据中的实例元素,并依据属性信息提取链路依次解析并获取对应的属性对,最终得到的实例信息即为建筑结构的几何信息。
在该实施例的S102中,作为一优选实施例,可以采用七步法,基于protégé平台搭建建筑结构子本体和结构计算子本体,建筑结构子本体和结构计算子本体分别对应结构设计计算中的模型建立阶段和计算分析两个阶段。
在该实施例的S103中,作为一优选实施例,对建立的建筑结构子本体进行实例化,可以包括如下步骤:
S1031,根据已建立的建筑结构子本体以及IFC数据文件中的建筑结构信息建立映射规则文件。
S1032,获取映射规则文件以及建筑结构信息表格数据,生成建筑结构子本体实例化文件。
在一具体应用实例中,
S1031,根据已建立的建筑结构子本体以及转换到关系型数据库MySQL中的IFC数据文件中的建筑结构信息建立D2RQ所需的映射规则文件。
S1032,调取D2RQ开源工具读取映射规则文件以及MySQL中的建筑结构信息表格数据,生成建筑结构子本体实例化文件。
在该实施例的S103中,作为一优选实施例,对建立的结构计算子本体进行实例化,可以包括如下步骤:
S103I,根据已建立的结构计算子本体以及结构计算书文件中的结构计算信息建立映射规则文件。
S103II,获取映射规则文件以及结构计算信息表格数据,生成结构计算子本体实例化文件。
在一具体应用实例中,
S103I,根据已建立的结构计算子本体以及转换到关系型数据库MySQL中的结构计算书文件中的结构计算信息建立D2RQ所需的映射规则文件。
S103II,调取D2RQ开源工具读取映射规则文件以及MySQL中的结构计算信息表格数据,生成结构计算子本体实例化文件。
在该实施例的S200中,作为一优选实施例,建立贝叶斯网络模型,将结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案,可以包括如下步骤:
S201,采用领域专家***生成贝叶斯网络的逻辑关系,构建贝叶斯网络模型;
S202,对结构设计领域本体中所包含的结构设计知识进行分类,将分类后的结构设计知识作为模型输入样本,得到条件概率分布;
S203,以结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的事件节点,根据条件概率分布,输出设计推荐方案。
在该实施例的S200中,作为一优选实施例,还可以如下步骤:
对贝叶斯网络模型的逻辑关系进行删减和/或填充。
在该实施例的S300中,作为一优选实施例,根据设计推荐方案,生成方案所对应的建筑信息模型,可以包括如下步骤:
S301,根据所述基于贝叶斯模型输出的设计方案,确定标准榀的跨度分段,并标记轴网关键性信息,构建标准模型。
S302,以标准模型为模板,明确轴网关键性信息信息,基于标准模型为新项目完成轴线布置,生成模块化的轴网。
S303,基于模块化的轴网,完成设计构件的生成,最终生成初步设计的建筑信息模型。
在一具体应用实例中,轴网关键性信息,包括:开间、跨度等。
在一具体应用实例中,设计构件包括:梁、柱、墙等。
在该实施例的S400中,作为一优选实施例,对生成的建筑信息模型进行结构设计方案验证,并将验证结果反馈至建筑信息模型,对建筑信息模型进行优化,还可以包括如下步骤:
针对优化后的建筑信息模型,导出其所包含的结构设计知识,作为新的IFC数据和设计计算书数据样本。
该实施例提供的基于人工智能的建筑结构自主设计方法,基于本体、贝叶斯网络模型和建筑信息模型,实现智能建筑结构自主设计。
本发明另一实施例提供了一种基于人工智能的建筑结构自主设计***,如图2所示,可以包括如下模块:结构设计领域本体构建模块、设计推荐方案生成模块、建筑信息模型生成模块以及建筑信息模型优化模块。
其中:
结构设计领域本体构建模块,该模块用于提取历史设计的结构设计知识,建立结构设计领域本体;
设计推荐方案生成模块,该模块用于建立贝叶斯网络模型,将结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案;
建筑信息模型生成模块,该模块根据输出的设计推荐方案,生成方案所对应的建筑信息模型;
建筑信息模型优化模块,该模块对生成的建筑信息模型进行结构设计方案验证,并将验证结果反馈至建筑信息模型,对建筑信息模型进行优化。
下面结合附图,对本发明上述实施例提供的优选技术方案及其设计原理进一步详细描述如下。
本发明上述实施例提供的基于人工智能的建筑结构自主设计方法及***,是一种基于本体和贝叶斯网络的人工智能建筑结构自主设计技术,其主要包括四大模块:结构设计领域本体构建模块、设计推荐方案生成模块、建筑信息模型生成模块以及建筑信息模型优化模块,本发明上述实施例提供的基于人工智能的建筑结构自主设计方法,可以通过上述***实施。
如图3所示,为各模块之间的工作关系示意图,在图3中,各模块之间的工作关系,包括:模块一结构设计领域本体构建模块,即基于本体的结构设计知识抽取模块,为本***提供数据基础;模块二设计推荐方案生成模块,即基于贝叶斯模型的设计方案推荐模块,为***应用提供算法支持;模块三建筑信息模型生成模块,即基于BIM的结构计算模型生成功能模块,将抽象的设计方案转化为具体的信息模型;模块四建筑信息模型优化模块,即结构计算与知识重用功能模块,作为验证模块,起到方案验证作用,并可在此基础上进行进一步的优化。
1、结构设计领域本体构建模块,是一种基于本体的结构设计知识抽取功能模块:提取结构设计知识。以BIM技术中的通用数据标准IFC所对应的数据文件和设计计算书作为数据源,建立结构设计领域本体。智能设计方法需要基于对历史设计案例的数据研究,因此设计案例的知识提取是该方法的基础。对于案例的知识提取,将建立结构设计领域本体作为设计知识框架,通过从IFC数据中提取和计算书文本中提取两种数据源结合的形式,以确保信息提取的完整性。
2、设计推荐方案生成模块,是一种基于贝叶斯模型的设计方案推荐功能模块:针对历史案例数据完成数据分类,并建立贝叶斯网络模型,为新项目推荐设计方案。针对设计项目中包含的文本属性和数字属性两种属性,即离散型数据和连续性数据,先对提取到的原始数据进行分类处理。并分析设计逻辑,利用领域专家知识和样本数据分析结合的方法,建立结构设计贝叶斯网络模型。采用EM算法针对贝叶斯网络完成参数学习,以降低样本缺失值对网络概率分布的影响,提高贝叶斯模型准确率,为结构设计提供设计参考。
3、建筑信息模型生成模块,是一种基于BIM的结构计算模型生成功能模块:根据输出的设计推荐方案,利用结构柱网标准模板和BIM相关软件(在一具体应用实例中,可以使用Autodesk Revit软件)的二次开发环境进行结构方案设计BIM模型的参数化、模块化生成,并调整设计参数,可以批量输出设计备选方案所对应的BIM模型。
4、建筑信息模型优化模块,是一种结构计算与知识重用功能模块:基于由推荐方案生成的BIM设计模型抽取出结构计算模型并导入到结构分析软件(在一具体应用实例中,可以使用盈建科软件)中,对结构设计方案进行验证,经过分析验证后的方案可以证明该***所提供的技术过程的合理性。
该实施例提供的基于人工智能的建筑结构自主设计***,具体技术方案如下:
模块一、结构设计领域本体构建模块
该模块得到基本技术路线可以如图3左上虚线框内所示。本优选实施例中涉及的基于本体的结构设计知识抽取主要包括从历史设计中所涉及的以IFC数据标准形式存储的BIM模型文件(即IFC数据)和设计计算书中提取出结构设计特征(即结构设计知识)。结构设计知识提取能够对结构设计项目进行管理,同时也能够通过得到结构化数据,为后续数据挖掘模块提供有效数据样本。
一般建筑结构设计参数属性包含两部分内容:一是建筑结构的几何信息,包括构件的几何参数、建筑跨度、建筑标高、轴网信息等,这些信息决定了建筑结构的设计形式,为结构计算模型显现的信息;二是建筑结构的设计基本信息,包括建筑名称、建筑地理位置、建筑场地条件、建筑空间用途等,这些信息一般在结构计算时作为后台设置信息,对结构设计同样起着至关重要的作用。因此,分别从IFC数据文件和计算书文本数据文件两种数据载体中进行抽取。
根据设计深度对结构设计本体所包含的知识内容进行划分,包含三个阶段:建筑整体设计、建筑空间设计、建筑构件设计,分别对应结构设计的方案设计阶段、初步设计阶段、施工图设计阶段三个阶段的设计内容,体现设计总体需求、空间布置、荷载分布、抗震设计、构件设计等结构设计内容,如图4所示,为结构设计知识提取框架。采用七步法,基于protégé平台搭建结构设计领域本体,总体流程如图5所示,建立得到的结构设计领域本体如图6所示。该本体共分为建筑结构和结构计算两个子本体,分别对应结构设计计算中的模型建立和计算分析两个阶段。通过分别对计算书和IFC数据文件进行知识抽取,抽取到的信息可以对结构设计领域本体进行实例化,可以在此基础上进行检索和知识推理。
1)计算书信息提取
计算书信息提取流程如图7所示,包括:统一中英文字符,特别是中英文的引号、冒号表示;提取带有“:”的半结构型数据;定位分词提取计算书信息;得到结构化数据;根据类别拆分表格;最终写入关系型数据库MySQL。
该计算书信息提取,一般由计算软件自动生成得到计算书文本相对规则,从中通过基本的文本正则处理可以获取所需的包括总体设计信息、计算控制信息、二阶效应信息在内的17类结构计算有关内容。此后,为每类内容添加“工程名称”、“工程代号”、“设计人”、“校核人”以及“计算日期”这五项标识属性,以便根据工程信息进行关联和查询。提取过程结合实际内容如图8所示。
2)基于IFC数据的知识提取
基于IFC数据的知识提取,包括从IFC数据文件中提取建筑、楼层、房间以及构件属性信息,其流程如图9所示,包括:首先遍历所有IFC实体,基于IFC文件结构特性,一部分属性可直接进行属性提取,而除此之外需要进一步从IfcRelDefinesByType,IfcRelDefinesByProperties以及IfcElementQuantity属性组中进行抽取属性对。
首先采用IfcOpenShell开源工具对IFC数据文件进行解析,并从中抽取建筑结构相关信息。通过类型检索并分类IFC文件中的实例元素,并依据属性提取链路依次解析并获取到对应的属性对,最终将得到的实例信息录入到MySQL等关系型数据库中。
3)结构计算和建筑结构子本体实例化并对齐集成成完整的结构设计本体
将结构化计算书信息数据(即建筑结构的设计基本信息)和IFC数据文件中的建筑结构的几何信息录入数据库以后,使用D2RQ开源工具将关系型数据库中的表格数据通过映射对结构计算子本体进行实例化。D2RQ转换数据库数据到实例化本体主要分为两部分,一部分是读取编写好的映射规则文件中的规则,另一部分是读取对应的关系型数据库数据,进而输出成目标的本体实例化文件。通过D2RQ Mapping定义数据库到本体的资源描述框架(Resource Description Framework,RDF)转换的映射规则,将数据库中的表(Table)、字段(Field)、值(Value)转换为RDF的类(Class)、属性(Property)、实例(Instance)。最终形成的计算书数据和IFC文件中的建筑结构信息进行本体实例化的结果分别如图10和图11所示。
根据得到的两个子本体的实例化结果进一步与完整的结构设计本体之间进行类、属性关系、实例关系的对齐,使原本的实例化数据集成到结构设计本体上去。对应的映射规则,包括:类映射、属性映射和推理型映射。类映射主要是将具有相同含义但采用不同指代的源子本体的类实例映射并实例化到完整结构设计本体的对应类中;属性映射的作用是减少属性查询路径长度,将原本子本体中的需要经过多层路径查找的属性表示信息用显式直接关联到新本体的属性关系上;推理型映射是相对复杂的综合性映射,其目的是原本的源子本体基础上通过条件关系挖掘出原本图中未表示的关系。
该对应的映射规则,其程序示例如下所示:
@prefix De1:<http://www.semanticweb.org/b.y/ontologies/2020/2/untitled-ontology-7#>.
@prefix De2:<http://www.semanticweb.org/b.y/ontologies/2020/3/untitled-ontology-14#14>
@prefix Re:<http://www.semanticweb.org/b.y/ontologies/2020/2/untitled-ontology-6#>.
@prefix owl:<http://www.w3.org/2002/07/owl#>.
@prefix rdf:<http://www.w3.org/1999/02/22-rdf-syntax-ns#>.
@prefix rdfs:<http://www.w3.org/2000/01/rdf-schema#>.
@prefix xml:<http://www.w3.org/XML/1998/namespace>.
@prefix xsd:<http://www.w3.org/2001/XMLSchema#>.
#####类映射
#IFC数据源
[rule_project:(?x rdf:type De1:IfcProject)->(?x rdf:type Re:建筑结构)]
[rule_site:(?x rdf:type De1:IfcSite)->(?x rdf:type Re:上层建筑)]
[rule_building:(?x rdf:type De1:IfcBuilding)->(?x rdf:type Re:建筑)]
[rule_story:(?x rdf:type De1:IfcBuildingStorey)->(?x rdf:type Re:楼层)]
[rule_space:(?x rdf:type De1:IfcSpace)->(?x rdf:type Re:房间)]
[rule_wall:(?x rdf:type De1:IfcWall)->(?x rdf:type Re:墙)]
[rule_slab:(?x rdf:type De1:IfcSlab)->(?x rdf:type Re:板)]
[rule_column:(?x rdf:type De1:IfcColumn)->(?x rdf:type Re:柱)]
[rule_beam:(?x rdf:type De1:IfcBeam)->(?x rdf:type Re:梁)]
#计算书数据源
[rule_01:(?x rdf:type De2:01总体设计信息)->(?x rdf:type Re:总体设计信息)]
[rule_02:(?x rdf:type De2:02计算控制信息)->(?x rdf:type Re:计算控制信息)]
[rule_03:(?x rdf:type De2:03二阶效应信息)->(?x rdf:type Re:二阶效应信息)]
[rule_04:(?x rdf:type De2:04风荷载信息)->(?x rdf:type Re:风荷载信息)]
[rule_05:(?x rdf:type De2:05地震信息)->(?x rdf:type Re:地震信息)]
[rule_06:(?x rdf:type De2:06性能设计信息)->(?x rdf:type Re:性能设计信息)]
[rule_07:(?x rdf:type De2:07设计信息)->(?x rdf:type Re:设计信息)]
[rule_08:(?x rdf:type De2:08活荷载信息)->(?x rdf:type Re:活荷载信息)]
[rule_09:(?x rdf:type De2:09构件设计信息)->(?x rdf:type Re:构件设计信息)]
[rule_10:(?x rdf:type De2:10防火验算)->(?x rdf:type Re:防火验算)]
[rule_11:(?x rdf:type De2:11包络设计)->(?x rdf:type Re:包络设计)]
[rule_12:(?x rdf:type De2:12鉴定加固)->(?x rdf:type Re:鉴定加固)]
[rule_13:(?x rdf:type De2:13装配式)->(?x rdf:type Re:装配式)]
[rule_14:(?x rdf:type De2:14材料信息)->(?x rdf:type Re:材料信息)]
[rule_15:(?x rdf:type De2:15钢筋强度)->(?x rdf:type Re:钢筋强度)]
[rule_16:(?x rdf:type De2:16地下室信息)->(?x rdf:type Re:总体设计信息)]
[rule_17:(?x rdf:type De2:17荷载组合)->(?x rdf:type Re:总体设计信息)]
#####属性映射
模块二、设计推荐方案生成模块
该模块的主要内容是利用结构设计本体中提取到的设计信息作为样本,得到联合概率分布,进一步构建贝叶斯网络。通过对设计逻辑的梳理,以结构设计领域本体中提取到的设计信息作为贝叶斯网络的事件节点,根据概率模型,完成对结构设计案例的学习,进行设计方案的推荐。
贝叶斯模型为一种基于概率统计模拟人类推理过程的算法模型。模型以有向无环图代表相关关系,事件节点之间以单箭头连接表示两事件之间的因果关系,箭头起始点为因(parents),箭头指向处为果(children),通过连接箭头将两个事件连接为条件概率事件。贝叶斯模型的变量通常为离散型,对于连续型变量可转化为离散型数据进行模型分析。由于结构设计领域本体中包含的数据较多,信息种类较为丰富,因此不能直接使用,需选择适量的数据类型,经过有效的分类才可转化为贝叶斯模型的样本数据。
贝叶斯网络为模拟人类推进方案的网络图,建立结构设计贝叶斯网络的前提是分析人类的结构设计思路,将设计过程的变量条件分类定义,结构设计的条件变量主要来自三个方面。第一为客观条件,包括设计年份、材料市场价格等条件,不同时期的建筑有不同时期的设计特点和工艺技术;第二为业主需求,包括建筑用途、建筑楼层等建筑规划设计起决定性作用的设计参数;第三为场地条件,建筑躲在场地的地质情况、地震条件、风荷载环境等对结构设计的荷载分布具有重要影响。
基于结构设计逻辑的分析和BIM模型中提取到的信息,选择年份、建筑用途、材料、建筑长度、建筑宽度、结构选型、楼层、抗震设防烈度、空间用途、跨度、截面宽度11项结构设计中重要的参数指标信息为例,定义分类标准。在11项设计参数指标中,对于连续型数据,如年份、建筑长度、建筑宽度、跨度,将按距离将连续型数据转化为离散型数据。对于离散化数据,按照有关规范、指导意见(参见表1中的分类原则一栏,分类原则与行业标准保持一致)进行数据分类,其分类定义如表1所示:
表1结构设计数据分类表
1)基于朴素贝叶斯的结构选型设计
朴素贝叶斯模型为贝叶斯模型的一种,在贝叶斯算法的基础上进行简化,它得到简化前提条件为各条件特征之间彼此独立且对被解释向量影响相同,研究多个父节点对一个子节点的条件概率问题。它的优势在于简单,针对分类问题能有较好的处理过,但是缺点是强调特征之间必须为独立的,若存在彼此不独立的条件特征则不适用于朴素贝叶斯模型。
结构选型设计的一般正常流程如图12所示。针对结构选型设计,考虑设计变量的关键性、独立性和可统计性,选取其中年份、材料、建筑用途、楼层、结构选型五个变量,其中年份、材料、建筑用途、楼层为条件变量,结构选型作为解释变量,建立朴素贝叶斯模型如图13所示。由于朴素贝叶斯模型的建立条件之一是条件变量需满足独立性假设。对于这一假设可以从两个方面进行验证。一是以理论逻辑分析作为验证基础,二是以数据分析作为验证依据,利用卡方独立性检验的Cramer’V系数对样本中的条件变量完成独立性检验,检验公式如下:
R——列联表的行数
C——列联表的列数
独立性检验系数V越接近1时表示两个条件变量不具备独立性,当V越接近0时表示两个条件变量相互独立。
由此结合历史案例数据,建立结构设计选型的联合概率分布,然后可以对新的设计条件进行条件概率预测,判断出每种结构选型的条件概率结果,选择结果最大的方案进行后续设计。
结构选型设计是结构初步设计的前提,通过结构选型基本确定了结构的选型方案,在结构选型设计的基础上,再通过结构初步设计,初步确定构件截面等信息。
2)基于贝叶斯网络的结构初步设计
一般的朴素贝叶斯模型要求条件事件之间相互独立,但在结构设计中各设计要素之间较难做到逻辑上的完全独立,此外,朴素贝叶斯模型智能描述多个事件对一个事件的影响,而结构设计中通常有各设计要素之间的相互影响。因此引入贝叶斯网络对结构初步设计中的设计参数进行预测。
贝叶斯网络是用于表示变量之间的概率关系并用这些变量进行概率推断的图形结构。网络是以条件概率为基础建立的概率关系模型,设概率空间(Ω,S,P),A∈S,且P(A)>0,则对任一事件B∈S,则有:即事件B在事件A为条件发生概率下的概率。
构造贝叶斯网络通常使用以下两种方法或者两者的组合:1)根据现有数据自动构造贝叶斯网络,即通过现有的样本数据完成贝叶斯网络结构学习;2)基于领域专家构建的贝叶斯网络来表述复杂的知识领域逻辑。本优选实施例中采用两种方法结合的方式建立贝叶斯网络,首先基于领域专家(领域专家***)梳理贝叶斯网络的逻辑关系;然后按照设计目标建筑的建筑特性基于领域专家贝叶斯网络生成子网络;最后根据现有数据相关性分析,对基于领域专家建立的贝叶斯子网络进行网络关系检测和补充,删除数据集相关性较弱的条件关系,补充相关性较强的条件关系。具体创建步骤如下:
(一)基于领域专家构建贝叶斯网络
基于领域专家***建立贝叶斯网络,其中,领域专家***通常采用专家访谈、走访调研、文献阅读等方式形成,梳理专业领域逻辑架构,分析事件影响关系,建立贝叶斯网络。本优选实施例的领域专家***逻辑梳理来自三个方面:第一,结构设计相关规范和标准。在我国,结构设计必须满足规范规定的要求,因此规范在结构设计中具有极高的权威性和普适性;第二,力学规律总结。结构设计分析的主要目的是计算结构的受力情况,因此需要总结力学规律;第三,对个设计要素之间客观影响总结。建筑结构设计需要满足专业要求,还需要满足客观使用需求,事件之间的客观影响对结构设计有着重要影响。
基于设计规范及标准、力学规律和客观影响三部分,选择使用年限、材料、建筑选型、空间用途等30个设计要素,根据各要素之间的条件事件与检验事件之间的逻辑关系,建立贝叶斯网络。
(二)根据建筑的不同设计需求和领域专家贝叶斯网络的逻辑,创建结构设计贝叶斯子网络。
然后在分析的建筑设计特点的基础上,合并、省略、细化各个设计要素并确定具体事件节点以及事件状态,并依据上面得到事件逻辑建立子网络。对于存在顺连逻辑形式的事件,若中间事件被省略或合并,则建立两端事件的直接作用关系,即对于时间之间的逻辑形式为X→Z→Y,若事件Z被省略或者合并到事件X或事件Y中,则之间建立逻辑关系X→Y。
在一具体应用实例中,以教学楼设计为例,选择建筑用途、材料、建筑长度、建筑宽度、结构选型、楼层、抗震设防烈度、教室跨度、走廊跨度、房间宽度、梁截面宽度、梁截面高度、柱截面宽度供13个参数作为贝叶斯网络的事件节点。依次建立出的教学楼结构设计子网络如图14所示。
(三)修剪子网络结构
对于复杂网络进行修剪可以有效提高运算效率,根据统计数据特点和样本数据的相关性分析对原贝叶斯网络可以进行一次、二次修剪或者填充新的相关关系,在进行模型简化防止过拟合的基础上还能利用样本数据的相关性,增加或删减事件节点和时间关系,保证模型逻辑的正确性。
在统计数据中,若存在某个时间状态统计个数较少,则该事件状态在整个贝叶斯网络中研究价值较低,概率分布计算的预测参考性也较低,可以通过调整统计数据结构,增加统计数据容量或者限制贝叶斯网络事件状态。一次修剪后的贝叶斯网络如图15所示。在此基础上,进一步对样本数据进行相关性分析,判断修剪网络中是否存在事件关系随事件节点删减而遗漏的情况,以及去除一些相关性低的已有事件关联,从而简化网络结构,二次修剪结果如图16所示。
(四)利用贝叶斯网络结构获取事件概率分布
基于经过二次修剪的混凝土教学楼结构设计网络的结构和样本数据生成贝叶斯网络联合概率分布和边缘概率分布。利用结构设计贝叶斯网络和样本数据局,可直接得到事件分布概率,建立具有事件节点、事件关系和概率分布的完整贝叶斯网络。它的优势在于方便快捷,且分类结果有迹可循,因果推导的逻辑可以通过概率链条呈现出来。当样本容量足够大时,其推理结果可以反映联合概率分布,但是在当样本容量有限时或者样本特征存在缺失值时,其推理结果受样本的局限较大。对于样本特征缺失的情况,可以尝试用EM算法对贝叶斯网络参数进行预测估计。经过EM参数学习,条件概率分布较原始条件概率分布具有局部最优的特点。
根据以上结构设计贝叶斯网络的形成,对于新项目的结构设计,可以利用网络输入相应的设计参数,将此测试数据作为条件事件,获得设计方案中重点关注的设计参数的概率分布,进行整合形成一个完整的结构设计方案。
模块三、建筑信息模型生成模块
该模块主要将基于贝叶斯网络的概率分析得到的设计参数作为设计方案初选,通过RevitAPI(Revit Application Programming Interface,Revit应用编程接口)对Revit进行二次开发,在输入的设计参数的基础上进行参数化建模。Revit为第三方开发者预留了开发端口,开发社区也比较发达,且Revit与结构设计软件之间有较为稳定的数据转换接口,因此本优选实施例可以选择Revit基础上进行结构设计BIM模型的生成。
对于拥有平面布置规则化特点的建筑,其结构设计有可借鉴、可学习的特点。对于办公楼、教学楼这类建筑,设计时通常具有标准榀或标准间,并对标准榀或标准间进行阵列扩展。因此,对于拥有标准榀或标准间的建筑结构,其结构布置可作为标准模型,并利用标准模型完成新项目的模型快速生成。
在一具体应用实例中,以教学楼为例,教学楼在功能使用上以教室和走廊两种空间功能为主,配套设计楼梯间、洗手间等,在平面排布中以“走廊+教室”和“教室+走廊+教室”两种形式,在柱网排布上有多框架式、双框架式、单跨悬臂式三种形式,如图17所示。
根据教学楼结构设计的规律性,开发相应的标准模型智能生成功能,具体流程图如图18所示。第一,参考以历史设计方案,根据历史设计方案完成设计梳理,统计标准榀或标准间得到设计结构布置,确定标准榀的跨度分段,并标记轴网关键性信息,如开间、跨度等,构建标准模型。第二,利用Revit二次开发以标准轴网为模板,明确开间、跨度等设计信息,基于标准轴网模板为新项目完成轴线布置。第三,基于模块化生成的轴网,完成梁、柱、墙等设计构件的生成,最终生成新的Revit设计模型。标准模型智能生成共包括五个步骤分别为:标准轴网选择、轴网建立、构件建立以及界面开发。轴网、标高、柱网生成界面和结果如图19所示。
随后对三维模型构件进行批量修改开发。在实际工程中,一般结构设计不会经过一次方案设计就可完成最终设计,需要对模型进行修改调试。针对重复且耗时的修改工作,如构件命名修改、批量构件截面参数调整等进行相应的开发可以进一步提高设计效率,如图20所示。
模块四、建筑信息模型优化模块
该模块作用时为了验证经由上述模块产生的推荐设计方案的可行性,通过将备选方案输入到结构计算软件中进行分析以达到验证和优化的目的,在结构满足我国设计规范要求的前提下,保证结构的受力安全。目前我国能够进行结构计算分析的软件较多,基于我国国内设计规范开发的YJK、PKPM、Midas等计算软件能够满足我国结构设计师的设计需求。考虑到使用的便携性和与Revit软件之间的数据流通性,本优选实施例使用YJK作为结构计算软件,联动Revit平台完成模型力学分析。Revit与YJK之间有数据互通接口,可满足双平台的模型创建、构件标注、施工图配筋、钢筋三维模型创建等需求,以实现Revit、FJK数据共享,其流程如图21所示。
从Revit模型中抽取用于结构计算的子模型,包括轴网、梁、柱、杆、墙及开洞信息的结构计算模型。子模型转化提取时,需注意Revit构件使用的族参数与YJK定义参数之间的转化,转化时需匹配关联截面形状、几何参数、材料类型。
经过结构计算分析优化和施工图设计后,模型参数可反向反馈到Revit模型中,丰富原设计模型信息,进而导出IFC数据和设计计算书结果作为新的案例样本归入结构设计知识库中。
下面通过一具体举例,说明采用本发明上述实施例所提供的方法及***实现的建筑结构自主设计流程。
本具体举例以教学楼结构设计为例,平面图如图22所示,其教室跨度为6900mm,走廊跨度3000mm,开间跨度为6600mm,通过结构设计领域本体案例查询、贝叶斯网络设计方案推荐、BIM模型自动生成、YJK结构力学计算完成项目设计,并对新项目进行IFC和计算书知识提取,完成新项目案例数据存储,为结构设计知识库提供新的案例输入,针对新项目的结构智能设计方法流程如图23所示。
步骤1:面对新项目时,设计师首先明确设计建筑的功能、楼层、建筑所在地等项目信息,利用SPARQL语言查询结构设计领域本体中的历史项目设计信息。工程师可直接利用查询到的结构设计领域本体中的历史项目设计信息,依据自身的设计经验得到设计方案。
步骤2:利用贝叶斯网络反映历史设计案例的设计思维,为新项目的结构选型、构件截面初选提供参考。利用建立的结构设计贝叶斯网络对新项目的柱梁等截面区间进行条件概率计算,最终推荐出初选方案。
根据新设计项目教室跨度为6900mm,房间跨度为6600mm,设事件X={教室跨度(classroom)=6900to7200,房间宽度(width)=6600to7500},条件概率分布结果如图24所示。
在案例样本中,P(z_Column=500|X)=99.6%,即在历史案例中,当教室跨度在6900mm-7200mm,房间宽度在6600mm-7500mm时,柱子宽为500mm的概率较大,因此推荐柱截面初选为500mm的方柱。对于梁截面也可进行类似的推断。
步骤3,通过输入前面得到的结构设计基本方案在Revit中进行设计模型的参数化快速生成。输入界面如图25所示,生成结构模型为框架结构的主承载框架,进一步可以完成次梁设计、楼板设计等内容,作为下一步结构计算的基本模型输入。
步骤4:利用REVIT-YJKS插件,通过构件匹配、模型抽取、生成可供YJK计算的结构模型,之后按传统结构计算流程完成结构计算,并生成结构计算书,计算完成后的结果可以导入Revit中,进一步导出成IFC模型文件。
步骤5:完成教学楼项目结构设计后,利用项目生成的IFC文件和结构设计计算书对项目设计信息进行知识提取,并利用所建立的计算书数据源本体和IFC数据源本体与结构设计领域本体对齐,从而实现对项目结构设计信息的管理,便于使用SPARQL查询语言查询项目设计信息。关于设计案例的知识提取可以参照第五章模块一的有关内容。
通过完成针对某教学楼结构设计的设计案例,实现结构设计本体案例查询、基于贝叶斯网络的构件截面初选、结构计算模型建立、结构设计领域本体对齐的设计步骤,体现基于本体、贝叶斯网络、BIM技术结合完成结构智能设计的逻辑性和便利性。
本发明第三个实施例提供了一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时可用于执行本发明上述实施例中任一项所述的方法。
可选地,存储器,用于存储程序;存储器,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
本发明第四个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行本发明上述实施例中任一项所述的方法。
本发明上述实施例提供的本发明提供的基于人工智能的建筑结构自主设计方法、***及终端,针对现有技术存在的实际结构设计中有关设计决策、设计信息查阅和设计信息管理等问题,基于本体和贝叶斯网络的人工智能,借助先进的计算机与人工智能技术,为结构设计高效化、智能化提供技术支撑,减少设计从业人员在方案设计、初步设计阶段的工作负担,提升设计效率,降低设计成本,使得历史设计经验得到有效利用,具有创新和拓展意义;以结构智能设计为开发目标,利用本体作为结构设计知识架构、利用贝叶斯网络作为结构设计知识逻辑、利用BIM技术作为结构设计的实现平台,实现结构设计的知识提取、设计方案推荐和计算模型模块化建立;可以有效利用历史设计经验,为设计知识的保留和发展提供新的思路;能够解决在实际结构设计中设计决策、设计信息查询和设计信息管理等问题,此外,本发明尽管针对建筑结构的设计阶段,但是对于其他建筑形式的各建筑生命阶段的研究都具有拓展价值,有利于提高建筑工程自动化水平;采用贝叶斯网络方法实现初步方案设计,模型通过从多个真实样本学习得到,设计参数对设计结果的影响具有更高的可信度。
需要说明的是,本发明提供的方法中的步骤,可以利用***中对应的模块、装置、单元等予以实现,本领域技术人员可以参照***的技术方案实现方法的步骤流程,即,***中的实施例可理解为实现方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种建筑结构自主设计方法,其特征在于,包括:
提取历史设计的结构设计知识,建立结构设计领域本体;
建立贝叶斯网络模型,将所述结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案;
根据所述设计推荐方案,生成方案所对应的建筑信息模型;
对所述建筑信息模型进行结构设计方案验证,并将验证结果反馈至所述建筑信息模型,对所述建筑信息模型进行优化。
2.根据权利要求1所述的建筑结构自主设计方法,其特征在于,所述提取历史设计得结构设计知识,建立结构设计领域本体,包括:
分别从历史设计的IFC数据和设计计算书中提取建筑结构的几何信息和建筑结构的设计基本信息,形成结构设计知识;
分别建立建筑结构子本体和结构计算子本体;
利用提取的结构设计知识,分别对建立的建筑结构子本体和结构计算子本体进行实例化,获得建筑结构子本体和结构计算子本体的实例化文件;
将建筑结构子本体和结构计算子本体的实例化文件对齐并集成得到完整的结构设计领域本体实例化文件,得到结构设计领域本体。
3.根据权利要求2所述的建筑结构自主设计方法,其特征在于,还包括如下任意一项或任意多项特征:
-所述提取建筑结构的设计基本信息,包括:
生成计算书文本相对规则,通过文本正则处理生成的文本相对规则,获取结构计算相关内容;
为每一类结构计算相关内容添加标识属性,得到建筑结构的设计基本信息;
-所述提取建筑结构的几何信息,包括:
对IFC数据进行解析,并从中抽取建筑结构相关属性信息;
检索并分类IFC数据中的实例元素,并依据属性信息提取链路依次解析并获取对应的属性对,最终得到的实例信息即为建筑结构的几何信息;
-所述分别建立建筑结构子本体和结构计算子本体,包括:
基于protégé平台,分别搭建建筑结构子本体和结构计算子本体,所述建筑结构子本体和结构计算子本体分别对应结构设计计算中的模型建立阶段和计算分析两个阶段;
-所述对建立的建筑结构子本体进行实例化,包括:根据已建立的建筑结构子本体以及IFC数据文件中的建筑结构信息建立映射规则文件;获取映射规则文件以及建筑结构信息表格数据,生成建筑结构子本体实例化文件;
-所述对建立的结构计算子本体进行实例化,包括:根据已建立的结构计算子本体以及结构计算书文件中的结构计算信息建立映射规则文件;读取映射规则文件以及结构计算信息表格数据,生成结构计算子本体实例化文件。
4.根据权利要求1所述的建筑结构自主设计方法,其特征在于,所述建立贝叶斯网络模型,将结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案,包括:
采用领域专家***生成贝叶斯网络的逻辑关系,构建贝叶斯网络模型;
对结构设计领域本体中所包含的结构设计知识进行分类,将分类后的结构设计知识作为模型输入样本,得到条件概率分布;
以结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的事件节点,根据条件概率分布,输出设计推荐方案。
5.根据权利要求4所述的建筑结构自主设计方法,其特征在于,还包括:
对贝叶斯网络模型的逻辑关系进行删减和/或填充。
6.根据权利要求1所述的建筑结构自主设计方法,其特征在于,所述根据所述设计推荐方案,生成方案所对应的建筑信息模型,包括:
根据所述基于贝叶斯模型输出的设计方案,确定标准榀的跨度分段,并标记轴网关键性信息,构建标准模型;
以所述标准模型为模板,明确轴网关键性信息;
基于所述标准模型为新项目完成轴线布置,生成模块化的轴网;
基于所述模块化的轴网,完成设计构件的生成,最终生成初步设计的建筑信息模型。
7.根据权利要求1所述的建筑结构自主设计方法,其特征在于,还包括:
针对优化后的建筑信息模型,导出其所包含的结构设计知识,作为新的IFC数据和设计计算书数据样本。
8.一种建筑结构自主设计***,其特征在于,包括:
结构设计领域本体构建模块,该模块用于提取历史设计的结构设计知识,建立结构设计领域本体;
设计推荐方案生成模块,该模块用于建立贝叶斯网络模型,将结构设计领域本体中所包含的结构设计知识作为贝叶斯网络的输入,计算条件概率分布,输出设计推荐方案;
建筑信息模型生成模块,该模块根据输出的设计推荐方案,生成方案所对应的建筑信息模型;
建筑信息模型优化模块,该模块对生成的建筑信息模型进行结构设计方案验证,并将验证结果反馈至建筑信息模型,对建筑信息模型进行优化。
9.一种终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时可用于执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时可用于执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178988.0A CN112784346B (zh) | 2021-02-07 | 2021-02-07 | 建筑结构自主设计方法、***及终端、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178988.0A CN112784346B (zh) | 2021-02-07 | 2021-02-07 | 建筑结构自主设计方法、***及终端、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784346A true CN112784346A (zh) | 2021-05-11 |
CN112784346B CN112784346B (zh) | 2022-12-06 |
Family
ID=75761385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178988.0A Active CN112784346B (zh) | 2021-02-07 | 2021-02-07 | 建筑结构自主设计方法、***及终端、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784346B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491968A (zh) * | 2021-12-31 | 2022-05-13 | 深圳小库科技有限公司 | 一种自动生成多业态建筑物组团方式的方法 |
CN114741766A (zh) * | 2022-04-25 | 2022-07-12 | 清华大学 | 基于联合结构优化神经网络的建筑结构设计方法和装置 |
CN114840900A (zh) * | 2022-05-18 | 2022-08-02 | 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 |
CN115544626A (zh) * | 2022-10-21 | 2022-12-30 | 清华大学 | 子模型抽取方法、装置、计算机设备及介质 |
CN115544630A (zh) * | 2022-11-07 | 2022-12-30 | 中国建筑西南设计研究院有限公司 | 一种bim构件的创建方法、装置、存储介质及电子设备 |
CN116522459A (zh) * | 2023-05-23 | 2023-08-01 | 广联达科技股份有限公司 | 基于bim模型生成结构分析模型的方法、装置及设备 |
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*** |
CN117971904A (zh) * | 2024-03-28 | 2024-05-03 | 南昌大学 | 基于大语言模型和属性图的建筑信息模型专家***及方法 |
CN118014072A (zh) * | 2024-04-10 | 2024-05-10 | 中国电建集团昆明勘测设计研究院有限公司 | 水利水电工程用知识图谱的构建方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360457A (zh) * | 2011-10-20 | 2012-02-22 | 北京邮电大学 | 一种自主完善网络结构的贝叶斯网络及本体联合推理的方法 |
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN107103000A (zh) * | 2016-02-23 | 2017-08-29 | 广州启法信息科技有限公司 | 一种基于关联规则与贝叶斯网络集成的推荐技术 |
CN110442980A (zh) * | 2019-08-09 | 2019-11-12 | 重庆大学 | 基于相似贝叶斯方法的确定性损伤识别方法 |
US20200026807A1 (en) * | 2018-07-20 | 2020-01-23 | International Business Machines Corporation | Design space exploration with bayesian inference |
-
2021
- 2021-02-07 CN CN202110178988.0A patent/CN112784346B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360457A (zh) * | 2011-10-20 | 2012-02-22 | 北京邮电大学 | 一种自主完善网络结构的贝叶斯网络及本体联合推理的方法 |
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN107103000A (zh) * | 2016-02-23 | 2017-08-29 | 广州启法信息科技有限公司 | 一种基于关联规则与贝叶斯网络集成的推荐技术 |
US20200026807A1 (en) * | 2018-07-20 | 2020-01-23 | International Business Machines Corporation | Design space exploration with bayesian inference |
CN110442980A (zh) * | 2019-08-09 | 2019-11-12 | 重庆大学 | 基于相似贝叶斯方法的确定性损伤识别方法 |
Non-Patent Citations (3)
Title |
---|
PAUL MERRELL ET.AL.: "Computer-generated residential building layouts", 《ACM》 * |
李彬瑜等: "建筑结构设计的知识管理与智能化方法研究", 《工程管理学报》 * |
陈培智等: "基于BIM和本体的建筑抗震性能评估方法研究", 《土木工程学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114491968A (zh) * | 2021-12-31 | 2022-05-13 | 深圳小库科技有限公司 | 一种自动生成多业态建筑物组团方式的方法 |
CN114741766A (zh) * | 2022-04-25 | 2022-07-12 | 清华大学 | 基于联合结构优化神经网络的建筑结构设计方法和装置 |
CN114840900A (zh) * | 2022-05-18 | 2022-08-02 | 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 |
CN115544626A (zh) * | 2022-10-21 | 2022-12-30 | 清华大学 | 子模型抽取方法、装置、计算机设备及介质 |
CN115544626B (zh) * | 2022-10-21 | 2023-10-20 | 清华大学 | 子模型抽取方法、装置、计算机设备及介质 |
CN115544630A (zh) * | 2022-11-07 | 2022-12-30 | 中国建筑西南设计研究院有限公司 | 一种bim构件的创建方法、装置、存储介质及电子设备 |
CN115544630B (zh) * | 2022-11-07 | 2023-03-24 | 中国建筑西南设计研究院有限公司 | 一种bim构件的创建方法、装置、存储介质及电子设备 |
CN116522459A (zh) * | 2023-05-23 | 2023-08-01 | 广联达科技股份有限公司 | 基于bim模型生成结构分析模型的方法、装置及设备 |
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*** |
CN117971904A (zh) * | 2024-03-28 | 2024-05-03 | 南昌大学 | 基于大语言模型和属性图的建筑信息模型专家***及方法 |
CN118014072A (zh) * | 2024-04-10 | 2024-05-10 | 中国电建集团昆明勘测设计研究院有限公司 | 水利水电工程用知识图谱的构建方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112784346B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784346B (zh) | 建筑结构自主设计方法、***及终端、存储介质 | |
US20230274045A1 (en) | Building information modeling (bim)-based intelligent drafting method for prefabricated buildings | |
Zhang et al. | Integrated applications of building information modeling and artificial intelligence techniques in the AEC/FM industry | |
Zabin et al. | Applications of machine learning to BIM: A systematic literature review | |
Jiang et al. | Multi-ontology fusion and rule development to facilitate automated code compliance checking using BIM and rule-based reasoning | |
Motawa et al. | Case-based reasoning and BIM systems for asset management | |
Xue et al. | Knowledge base and database representation for intelligent concurrent design | |
CN112559766A (zh) | 一种法律知识图谱构建*** | |
Ashour | Optimizing creatively in multi-objective optimization | |
Costa et al. | Alternatives for facilitating automatic transformation of BIM data using semantic query languages | |
He et al. | Construction of a 5D duration and cost optimisation model based on genetic algorithm and BIM | |
Jiang et al. | Semantic enrichment for BIM: Enabling technologies and applications | |
Ceccon et al. | AI-BIM interdisciplinary spill-overs: prospected interplay of AI and BIM development paradigms | |
Bian et al. | Research on an Artificial Intelligence‐Based Professional Ability Evaluation System from the Perspective of Industry‐Education Integration | |
Zhai | BIM-based building circularity assessment from the early design stages | |
CN113987837A (zh) | 铁路选线评价***及方法 | |
Di Martino et al. | A semantic and rule based technique and inference engine for discovering real estate units in building information models | |
Khattra et al. | A statistical review to study the structural stability of buildings using building information modelling | |
Read | Mathemtical Anthropology | |
KR102444589B1 (ko) | 건설분야 문서 분석 방법 | |
Lilis et al. | Simulation model generation combining IFC and CityGML data | |
Eisenstadt et al. | Autocompletion of Floor Plans for the Early Design Phase in Architecture: Foundations, Existing Methods, and Research Outlook | |
Gasbarri et al. | Optimized data connection for a BIM-GIS based university asset management system | |
Li et al. | From type to network: a review of knowledge representation methods in architecture intelligence design | |
Pattuelli | Graphing Out Communities and Cultures in the Archives. Methods and Tools |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |