CN116305427B - 一种抗震设防参数处理方法、装置、电子设备及存储介质 - Google Patents
一种抗震设防参数处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116305427B CN116305427B CN202310142455.6A CN202310142455A CN116305427B CN 116305427 B CN116305427 B CN 116305427B CN 202310142455 A CN202310142455 A CN 202310142455A CN 116305427 B CN116305427 B CN 116305427B
- Authority
- CN
- China
- Prior art keywords
- span
- pseudo
- layout
- seismic fortification
- training data
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 118
- 238000010586 diagram Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 17
- 238000013461 design Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Buildings Adapted To Withstand Abnormal External Influences (AREA)
Abstract
本发明提供一种抗震设防参数处理方法、装置、电子设备及存储介质,通过将按照等效跨度因子缩放处理后的伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图。再基于等效跨度因子,对伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图。最后再利用伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。由于等效跨度因子是基于原始建筑图对应的抗震设防参数确定的,通过调整跨度来模拟不同抗震设防参数对结构布置图中设置结构构件的尺寸、数量的影响,使得模型的训练学习过程与抗震设防参数无关,可大幅减少需要的训练数据量且提升模型训练的效率和收敛速度。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种抗震设防参数处理方法、装置、电子设备及存储介质。
背景技术
随着人工智能算法的广泛普及,在建筑工程结构方案设计阶段,也可采用机器学***面布置图对应的结构平面布置图。
现有技术方案中,是将抗震设防参数以无具体逻辑的数据标签的形式扩展并入建筑平面布置图的像素矩阵中,作为建筑平面布置图的一个特征属性带入训练好的机器学***面布置图的目的。
但是这对机器学***面布置图是真实的且能够使用的。训练集规模要求大,模型训练的效率低,难以收敛。
发明内容
本发明的目的在于提供一种抗震设防参数处理方法、装置、电子设备及存储介质,采用跨度缩放来模拟抗震设防参数对结构构件在结构布置图中的数量和尺寸的影响,使得神经网络模型的训练和应用过程与抗震设防参数无关,所以无需大规模的训练集也使得模型的训练训练提高,收敛速度变快,改善了现有技术存在的问题。
本发明的实施例可以这样实现:
第一方面,本发明提供一种抗震设防参数处理方法,包括:
获得伪跨度建筑图,所述伪跨度建筑图为原始建筑图按照等效跨度因子缩放处理后得到的,所述等效跨度因子是基于所述原始建筑图对应的抗震设防参数确定的;
将所述伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图;
基于所述等效跨度因子,对所述伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图;
利用所述伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换所述伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。
在可选的实施方式中,所述获得伪跨度建筑图的步骤,包括:
获取所述原始建筑图及其对应的抗震设防参数;
基于预先存储的跨度映射表,确定所述抗震设防参数对应的等效跨度因子;所述跨度映射表表征各个所述抗震设防参数与各个所述等效跨度因子之间的对应关系;
基于所述等效跨度因子,对所述原始建筑图进行缩放处理,得到所述伪跨度建筑图。
在可选的实施方式中,所述利用所述伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换所述伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图的步骤,包括:
基于所述伪跨度结构布置图和所述伪构件结构布置图,确定梁、柱、墙构件中心;
以所述梁构件中心为第一替换定位点,将所述伪构件结构布置图中的梁局部图像区域替换为所述伪跨度结构布置图中的梁局部图像区域;
以及,以所述柱构件中心为第二替换定位点,将所述伪构件结构布置图中的柱局部图像区域替换为所述伪跨度结构布置图中的柱局部图像区域;
以及,以所述墙构件中心为第三替换定位点,将所述伪构件结构布置图中的墙局部图像区域替换为所述伪跨度结构布置图中的墙局部图像区域,得到所述结构布置图。
在可选的实施方式中,在所述获得建筑图的步骤之前,所述方法还包括:
获取原始训练数据集;所述原始训练数据集包括若干原始训练数据对、以及每个所述原始训练数据对所对应的抗震设防参数;
针对任一所述原始训练数据对,利用所述原始训练数据对所对应的抗震设防参数,对所述抗震设防参数进行预处理得到训练数据对;
遍历每一所述原始训练数据对,得到训练数据集;所述训练数据集包括每一所述原始训练数据对所对应的训练数据对;
利用所述训练数据集,对预先建立的神经网络模型进行训练,得到训练后的所述神经网络模型。
在可选的实施方式中,所述原始训练数据对包括原始建筑图样本和对应的结构布置图样本;所述利用所述原始训练数据对所对应的抗震设防参数,对所述抗震设防参数进行预处理得到训练数据对的步骤,包括:
基于预先存储的跨度映射表,确定所述抗震设防参数对应的等效跨度因子;所述跨度映射表表征各个所述抗震设防参数与各个所述等效跨度因子之间的对应关系;
基于所述等效跨度因子,分别对所述原始建筑图样本和对应的结构布置图样本进行缩放处理,得到伪跨度建筑图样本和伪构件结构布置图样本;
利用所述结构布置图样本中的梁、柱、墙局部图像,分别替换所述伪构件结构布置图样本中的梁、柱、墙局部图像区域,得到伪跨度结构布置图样本;所述训练数据对包括所述伪跨度建筑图样本和所述伪跨度结构布置图样本。
第二方面,本发明提供一种抗震设防参数处理装置,包括:
获取模块,用于获得伪跨度建筑图,所述伪跨度建筑图为原始建筑图按照等效跨度因子缩放处理后得到的,所述等效跨度因子是基于所述原始建筑图对应的抗震设防参数确定的;
处理模块,用于将所述伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图;
所述获取模块,还用于基于所述等效跨度因子,对所述伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图;
替换模块,用于利用所述伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换所述伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。
第三方面,本发明提供一种电子设备,包括:存储器和处理器,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时所述处理器执行所述机器可读指令以实现如前述实施方式中任一项所述的抗震设防参数处理方法。
第四方面,本发明提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前述实施方式中任一项所述的抗震设防参数处理方法。
与现有技术相比,本发明实施例提供了一种抗震设防参数处理方法、装置、电子设备及存储介质,通过将按照等效跨度因子缩放处理后得到的伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图。再基于等效跨度因子,对伪跨度结构布置图进行逆缩放处理,得到候选结构平面布置特征图。最后再利用伪跨度结构布置图中的梁局部特征图和柱局部特征图,分别替换候选结构平面布置特征图中的梁局部特征图和柱局部特征图,得到结构平面布置特征图。由于等效跨度因子是基于原始建筑图对应的抗震设防参数确定的,这样通过调整跨度尺寸来模拟抗震设防参数对结构平面布置特征图中结构构件的尺寸、数量的需求。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种抗震设防参数处理方法的流程示意图之一。
图2为本发明实施例提供的一种原始建筑图的示意图。
图3为本发明实施例提供的三种伪跨度建筑图的示意图。
图4为本发明实施例提供的三种伪跨度结构布置图的示意图。
图5为本发明实施例提供的三种伪构件结构布置图的示意图。
图6为本发明实施例提供的三种结构布置图的示意图。
图7为本发明实施例提供的伪跨度结构布置图及伪构件结构布置图各自的构件中心示意图。
图8为本发明实施例提供的一种梁局部图像区域的替换示意图。
图9为本发明实施例提供的一种柱局部图像区域的替换示意图。
图10为本发明实施例提供的一种抗震设防参数处理方法的流程示意图之二。
图11为本发明实施例提供的一种平面布置图的示意图。
图12为本发明实施例提供的一种抗震设防参数处理装置的结构示意图。
图13为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
在此,先对本发明实施例涉及的专业术语或名词进行介绍。
(1)抗震设防烈度:现行的结构设计规范体系以抗震设防烈度表征建筑工程所在地区在特定标准下可能遭遇的地震力大小,一般情况下取基本烈度。基本烈度是在地震区进行建筑设计的主要依据。有了基本烈度,才能在此基础上按建筑物的重要性根据规范选取设防标准,之后才能按规范进行工程设计。
(2)场地特征周期,简称特征周期,是指一个地方的地震动反应谱特征周期,地震动反应谱特征周期为规准化的反应谱曲线开始下降点所对应的周期值。
(3)原始建筑平面图,也就是建筑平面图,是设计人员为建筑设计的设计图纸,主要可以反映建筑的平面形状、大小、内部布局、地面、门窗的具***置和占地面积等情况。
(4)结构平面布置图,主要可以反映建筑在施工所在地进行修建时考虑到的梁构件、柱构件、墙构件等结构构件的大小、数量和分布需求,能够为施工人员提供数据支撑。
(5)建筑构件:构成建筑物各个要素,例如本发明实施例提及的墙体、门洞口和窗洞口等。
(6)结构构件:建筑物中构成结构受力骨架的要素,例如本发明实施例提及的梁构件、柱构件和墙构件。
在当前人工智能算法普及的情况下,在建筑工程结构方案设计阶段,也可利用机器学***面布置图对应的结构平面布置图。而抗震设防烈度、特征周期等抗震设防参数是影响整个结构平面布置图中梁构件、柱构件、墙构件等结构构件的大小及数量的关键因素之一,所以在得到原始建筑平面图对应结构平面布置图的过程中,必须考虑到抗震设防参数的影响。
通常情况下,不同地区的抗震设防参数可能是不同的。在地震频发地区,抗震设防烈度、特征周期等抗震设防参数会相对较大;而在几乎不发生地震的地区,抗震设防烈度、特征周期等抗震设防参数会相对较小。
现有技术中,是将抗震设防参数以无具体逻辑的数据标签的形式扩展并入原始建筑平面图的像素矩阵中,作为原始建筑平面图的一个特征属性带入训练好的机器学***面布置图的目的。
但是这对机器学***面布置图是真实的且能够使用的。
不同的抗震设防烈度与不同的特征周期组合起来,至少50种抗震设防参数组合,不同地震力大小所在地区可以对应不同的抗震设防参数组合。为了训练完成的机器学***面布置图,需要其在训练阶段就经过每种抗震设防参数组合对应的原始建筑平面图及结构平面布置图这样的训练样本对进行模型训练。
也就是,机器学习模型需要的训练集中需要包括50种抗震设防参数对应的50个训练子集,每个训练子集中包括对应抗震设防参数对应足够多的训练样本对,然后利用分别利用每个训练子集对机器学习模型进行训练并达到收敛。这样才能使得训练后的机器学习模型能够应用到任意抗震设防参数对应的建筑图来生成结构布置图。所以,现有技术对训练资源需求极高。
进一步来讲,在训练样本集中样本数量巨大的前提下,训练机器学***面布置的影响,仅仅作为无具体逻辑的数据标记,增大了机器学习的维度。
基于上述技术问题的发现,发明人经过创造性劳动提出下述技术方案以解决或者改善上述问题。需要注意的是,以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案,都应该是发明人在发明创造过程中对本申请做出的贡献,而不应当理解为本领域技术人员所公知的技术内容。
发明人通过长期观察调研发现,结构设计过程中,地震力越大,柱构件布置数量越多,结构构件的尺寸越大。而同样的,若是房间跨度越大(相当于占地面积越大),柱构件布置数量也越多,结构构件的尺寸也越大。
也就是,大地震力对结构构件的布置数量和布置尺寸的影响逻辑,与建筑房间跨度加大对结构构件的布置数量和布置尺寸的影响逻辑是基本一致。
因此,可以采用与地震力大小对应的等效跨度因子k对房间跨度进行缩放处理来得到模型的输入(当k>1时,缩放处理即为放大处理),如此利用等效跨度缩放来模拟抗震设防参数对结构设计过程的影响,进而使得模型的输出图中结构构件的布置数量和布置尺寸符合要求,然后只需要将原图的真实尺寸结合输出图中的结构构件的数量和尺寸即可得到满足要求的结构布置图。
也就是,以一份原始训练数据对(原始建筑图样本M+结构布置图样本N)为例,在对训练样本进行预处理的阶段:对于原始建筑图样本M,利用其对应抗震设防参数组合所对应的等效跨度因子k进行缩放处理,得到伪跨度的建筑图样本M0;而对于结构布置图样本N,同样按照该等效跨度因子k进行缩放处理,得到伪构件的结构布置图样本N1,再将N1中结构构件替换为N中结构构件即可得到伪跨度的结构布置图样本N0。由此,得到该原始训练数据对所对应的预处理后的训练数据对(伪跨度的建筑图样本M0+伪跨度的结构布置图样本N0),从而无需将抗震设防参数组合作为数据标记带入训练。这样训练出来的模型,能够对于不同跨度大小的建筑平面图,得到对应的结构平面布置图。
在应用阶段,只需将原始建筑平面图基于其对应的抗震设防参数对应的等效跨度因子k进行缩放处理后输入训练完成的模型中,得到伪跨度结构布置图,再将伪跨度结构布置图按照k进行逆缩放得到伪构件结构布置图,再将伪构件结构布置图中的结构构件替换成伪跨度结构布置图中的结构构件,最终得到的布置图即可满足原始建筑平面图对应的抗震设防参数对结构布置中结构构件的尺寸、数量的要求。
以下通过实施例,并配合所附附图,对本发明实施例提供的一种抗震设防参数处理方法进行详细说明。
请参考图1,图1为本发明实施例提供的一种抗震设防参数处理方法的流程示意图,该方法的执行主体可以是一种电子设备,该方法包括以下步骤S110~S140:
S110、获得伪跨度建筑图。
在本实施例中,伪跨度建筑图为原始建筑图按照等效跨度因子缩放处理后得到的,而等效跨度因子是基于原始建筑图对应的抗震设防参数确定的。
在原始建筑图中展示的建筑空间区域内,可以包括但不限于:楼梯间、电梯间、卫生间、各类通风井(送风井、排风井、烟井等)、设备用房、走廊、大厅、办公室、活动室、医务室、避难间、教室等建筑空间,以及墙体、门洞口和窗洞口等建筑构件。
因而,在伪跨度建筑图中,可以包括每个建筑空间及每个建筑构件的位置信息和甚至所属的设计类别。其中,设计类别表征建筑空间或者建筑构件对于布置结构构件的接受程度。
S120、将伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图。
在本实施例中,伪跨度结构布置图可以包括建筑空间区域内,梁构件、柱构件、墙构件各自的布置数据。布置数据可以包括但不限于:结构构件的位置、尺寸、混凝土强度等。
S130、基于等效跨度因子,对伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图。
可以理解,经过逆缩放处理后,结构构件的位置和混凝土强度等不会变化,而结构构件的尺寸会基于等效跨度因子等比例缩小(当等效跨度因子大于1时)。
S140、利用伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。
在本实施例中,在结构布置图中展现出的梁构件、柱构件及墙构件的数量以及尺寸大小即可以作为后续施工时用作参考的数据。梁、柱、墙局部图像区域即指:梁局部图像区域、柱局部图像区域和墙局部图像区域。
由于地震力和房间跨度对结构构件布置的尺寸和数量的影响逻辑是一样的。所以将经过k(即等效跨度因子)倍缩放得到的伪跨度建筑图输入神经网络模型,在得到的伪跨度结构布置图中:除了梁构件的梁长之外,结构构件的尺寸、数量是满足抗震设防参数要求的,但其跨度尺寸是经过k倍缩放的,与最初的原始建筑平面图的跨度尺寸是不符合的。
对应地,伪构件结构布置图中结构构件的尺寸虽然不满足抗震设防参数要求,但其跨度尺寸与最初的原始建筑平面图的跨度尺寸是一致的。
因此,经过S140中的构件替代处理,刚好能使得结构布置图中结构构件的尺寸、数量满足抗震设防参数的要求,同时结构布置图的跨度尺寸能够与原始建筑图的跨度尺寸保持一致。
本发明实施例提供的一种抗震设防参数处理方法,通过将按照等效跨度因子缩放处理后的伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图。再基于等效跨度因子,对伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图。最后再利用伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。由于等效跨度因子是基于原始建筑图对应的抗震设防参数确定的,通过调整跨度来模拟不同抗震设防参数对结构布置图中设置结构构件的尺寸、数量的影响。
在可选的实施方式中,伪跨度建筑图是由原始建筑图进行预处理而来的,对应地,上述步骤S110的子步骤可以包括S111~S113。
S111、获取原始建筑平面图及其对应的抗震设防参数。
在本实施例中,原始建筑图及其对应的抗震设防参数均为用户提供输入的。可选的示例中,原始建筑图可以是经过特征提取之后的特征图也可以直接是设计师设计的建筑图,神经网络模型输出的伪跨度结构布置图也可以是一种仅表达布置特征的特征图也可以是直接辅助施工的布置图,需要说明的是,神经网络模型的输出和输出的图像类型,以实际应用情况为准,可以不必要求前后均为特征图或者辅助施工的建筑图。
S112、基于预先存储的跨度映射表,确定抗震设防参数对应的等效跨度因子。
跨度映射表可以表征各个抗震设防参数与各个等效跨度因子之间的对应关系。而由于,地震力和房间跨度对结构构件布置的尺寸和数量的影响逻辑是一样的,可以基于现有的工程布置经验与其所在地的地震力大小,来确定不同地震力大小对应的等效跨度因子k,从而可以得到跨度映射表。
抗震设防参数即包括抗震设防烈度(s)和特征周期(t)。如下表(1)即为跨度映射表的一种示意图。表格中第一排即为抗震设防烈度(s),第一列即为特征周期(t),表格中其余内容即为不同大小的抗震设防烈度、特征周期共同对应的k值。
表(1)
需要说明的是,上述表(1)所示仅为一种示例,具体应用过程中的跨度映射表可以因为不同工程人员的个人经验差异而有所差别。
S113、基于等效跨度因子,对原始建筑图进行缩放处理,得到伪跨度建筑图。
可以理解,等效跨度因子(k)为正数,当k≥1时,S113中是对原始建筑图进行k倍放大;当0<k<1时,S113中是对原始建筑图进行k倍缩小。
假设原始建筑图对应建筑物需要在三个不同地震力大小的地区进行施工,以原始建筑图为经过特征提取之后的特征图为例,以下结合附图对不同抗震设防参数对结构构件布置的影响进行展示。
请参见图2,图2为本发明实施例提供的一种原始建筑图的示意图。
既然原始建筑图对应建筑物需要在三个不同地震力大小的地区进行施工,那么就会存在三种抗震设防参数(假设为:s=7(0.10g),s=0.35s;s=8(0.20g),s=0.35s;s=8(0.30g),s=0.65s)。对应地,基于跨度映射表即可以确定三个等效跨度因子(k为1、1.24、1.62)。在此基础上,对原始建筑图进行逐步处理得到的各种图像进行展示。
一、在图2的基础上,请参见图3,图3示出了k为1、1.24、1.62时,将图2的原始建筑图(简称A0)进行缩放处理后对应的三个伪跨度建筑图(分别简称A1-1、A1-2、A1-3)。
二、在图3的基础上,请参见图4,对应地,将A1-1、A1-2、A1-3分别输入至神经网络模型,会得到三个伪跨度结构布置图(分别简称S0-1、S0-2、S0-3)。其中,图4中的矩形黑色点表示柱构件,灰色条状部分表示梁构件。
从图4可以看出,当k越大,伪跨度结构布置图中梁构件、柱构件的数量越多,尺寸越大。
三、在图4的基础上,请参见图5,将S0-1、S0-2、S0-3分别经过各自对应的k(1、1.24、1.62)进行逆缩放处理后,得到三个伪构件结构布置图(分别简称S1-1、S1-2、S1-3)。
结合图2、图5,可以看出,经过逆缩放处理后,S1-1、S1-2、S1-3的跨度尺寸与A0是一致的。
四、在图4、5的基础上,请参见图6,利用S0-1、S0-2、S0-3各个的梁局部图像区域和柱局部图像区域,分别替换掉S1-1、S1-2、S1-3各个的梁局部图像区域和柱局部图像区域,得到三个结构平面布置特征图(简称S2-1、S2-2、S2-3)。
结合图4、5、6,可以看出,经过构件替代处理后,S2-1、S2-2、S2-3各自的梁构件尺寸和柱构件尺寸均与S0-1、S0-2、S0-3是一致了。
也就是,S2-1、S2-2、S2-3中梁构件和柱构件的尺寸及数量,刚好能够满足各自对应的k(1、1.24、1.62)所对应的抗震设防参数的要求。
需要说明的是,上述举例中个附图仅示出了梁构件、柱构件的示意图,墙构件的原理与此类似不做赘述,且上述举例仅为示意不作为一种限定。在实际应用中,原始建筑平面图在只对应一个施工场地情况下,其抗震设防参数是该施工场地所在地区对应的,不会出现原始建筑平面图对应多个抗震设防参数的情况。
在可选的实施方式中,构件替代处理的过程中,是以各个结构构件的中心点为替换定位点实现的。相应地,上述步骤S140的子步骤可以包括S141~S143:
S141、基于伪跨度结构布置图和伪构件结构布置图,确定梁、柱、墙构件中心。
其中,梁、柱、墙构件中心即代表梁构件中心、柱构件中心和墙构件中心。结合图4、5,可以理解,伪跨度结构布置图和对应的伪构件结构布置图中,梁构件、柱构件以及墙构件的数量是相同的,只是各自的尺寸不同。
以下举例以梁构件中心、柱构件中心为替换定位点为例对构件替代处理的过程进行说明。
在伪跨度结构布置图中,可以确定出每个梁构件的梁构件中心、以及每个柱构件的柱构件中心;同样地,伪构件结构布置图中,可以确定出每个梁构件的梁构件中心、以及每个柱构件的柱构件中心。
以S0-3和S1-3为例:在S0-3中的每个梁构件、每个柱构件,在S1-3中都存在有一个与之一一对应的梁构件、柱构件。所以,在S0-3中的每个梁构件中心、每个柱构件中心,在S1-3中都存在有一个与之一一对应的梁构件中心、柱构件中心。
因此,结合图7,可以确定出S0-3中的所有梁构件中心(B1~B17)、、每个柱构件中心(C1~C12),与之对应的,还可以确定出S0-3对应的S1-3中的所有梁构件中心(B1’~B17’)、所有柱构件中心(C1’~C17’)。
S142、以梁构件中心为第一替换定位点,将伪构件结构布置图中的梁局部图像区域替换为伪跨度结构布置图中的梁局部图像区域。
结合上例,以梁构件中心B1、B1’各自所在的梁局部图像区域为例,替换的示意图如图8所示。可以看出,当两个梁构件中心B1、B1’叠合即确定了第一替换定位点,如此即可进行替换。其余梁局部图像区域的替换与此同理,在此不做赘述。
S143、以及,以柱构件中心为第二替换定位点,将伪构件结构布置图中的柱局部图像区域替换为伪跨度结构布置图中的柱局部图像区域。
结合上例,以柱构件中心C1、C1’各自所在的柱局部图像区域为例,替换的示意图如图9所示。可以看出,当两个柱构件中心C1、C1’叠合即确定了第二替换定位点,如此即可进行替换。其余柱局部图像区域的替换与此同理,在此不做赘述。
S144、以及,以墙构件中心为第三替换定位点,将伪构件结构布置图中的墙局部图像区域替换为伪跨度结构布置图中的墙局部图像区域,得到结构布置图。
墙构件替换的原理与上述梁构件、柱构件的替换原理类似,具体实现请结合上述示例,在此不做赘述。
在可选的实施方式中,在结构布置图为一种特征图的情况下,该结构布置图中可以包括梁构件、柱构件各自的布置数据,基于结构布置图可以生成标注有梁构件、柱构件、墙构件各自的尺寸数据的平面布置图。对应地,请参见图10,该方法还可以包括步骤S150~S160。
S150、根据结构布置图,获得梁构件的梁布置数据、柱构件的柱布置数据以及墙构件的墙布置数据。
可选的,梁布置数据可以包括梁长度、梁截面宽度、梁截面高度、梁混凝土强度和梁跨高比;柱布置数据可以包括:柱截面宽度、柱截面长度和柱混凝土强度;墙布置数据可以包括:墙厚度、墙混凝土强度。
可以理解,在结构布置图为特征图的前提下,结构构件在结构布置图中的尺寸大小即反映了结构构件的长度、截面宽度、以及截面高度等。而人无法靠肉眼直接看出结构平面布置图中结构构件的布置数据,而需要将之提取出来,并可以进一步存储起来。
S160、基于结构布置图、梁布置数据、柱布置数据和墙布置数据,生成平面布置图。
在平面布置图中可以包括:梁轮廓、柱轮廓、建筑外轮廓和轴网等,并且结构平面布置图中还可以标注有梁构件的尺寸数据、柱构件的尺寸数据以及墙构件的尺寸数据。
例如,平面布置图中标注的数据可以包括但不限于:梁长度、梁截面宽度、梁截面高度、梁混凝土强度、梁跨高比、柱截面宽度、柱截面长度、柱混凝土强度、墙厚度和墙混凝土强度中的至少一种。
请参见图11,即展示了一种平面布置图,其中只标注了柱截面宽度、柱截面长度、以及梁截面宽度、梁截面高度。需要说明的是,图11所示仅为一种示例,具体平面布置图中标注数据以实际应用情况为准,在此不做限定。
上述内容针对神经网络模型,介绍了在模型应用时,基于原始建筑图~伪跨度建筑图~伪跨度结构布置图~伪构件结构布置图~结构布置图~平面布置图的完整流程。
接下来针对神经网络模型,介绍其训练数据的预处理过程。对应地,在上述步骤S110之前,获取训练数据集来训练神经网络模型的过程可以包括以下步骤S101~S104。
S101、获取原始训练数据集。
在本实施例中,原始训练数据集包括若干原始训练数据对、以及每个原始训练数据对所对应的抗震设防参数。
S102、针对任一原始训练数据对,利用原始训练数据对所对应的抗震设防参数,对抗震设防参数进行预处理得到训练数据对。
可以理解,原始训练数据对包括原始建筑图样本和对应的结构布置图样本。
对应地,步骤S102中利用原始训练数据对所对应的抗震设防参数,对抗震设防参数进行预处理得到训练数据对的过程可以包括以下子步骤S102-1~S102-3:
S102-1、基于预先存储的跨度映射表,确定抗震设防参数对应的等效跨度因子。
S102-2、基于等效跨度因子,分别对原始建筑图样本和对应的结构布置图样本进行缩放处理,得到伪跨度建筑图样本和伪构件结构布置图样本。
S102-3、利用结构布置图样本中的梁、柱、墙局部图像,分别替换伪构件结构布置图样本中的梁、柱、墙局部图像区域,得到伪跨度结构布置图样本。
可以理解,训练数据对即可以包括伪跨度建筑图样本和伪跨度结构布置图样本。
原始建筑图样本经过跨度缩放后得到建筑图样本,跨度尺寸的变化代替抗震设防参数的影响。结构布置图样本中,结构构件的数量及尺寸是真实的,其经过跨度缩放后得到的伪构件结构布置图样本中,跨度尺寸与伪跨度建筑图样本一致但结构构件的尺寸被放大。
所以,经过S102-3的构件替代处理,使得伪跨度建筑图样本和伪跨度结构布置图样本的跨度尺寸一致,且伪跨度结构布置图样本中的结构构件的尺寸与数量满足该跨度尺寸下对应的布置需求(也就是满足对应抗震设防参数对应的布置需求)。
S103、遍历每一原始训练数据对,得到训练数据集;训练数据集包括每一原始训练数据对所对应的训练数据对。
S104、利用训练数据集,对预先建立的神经网络模型进行训练,得到训练后的神经网络模型。
如此,经过上述步骤S101~S103的步骤对原始训练数据集进行预处理得到训练数据集后,即可利用训练数据集进行模型训练。
需要说明的是,上述方法实施例中各个步骤的执行顺序不以附图所示为限制,各步骤的执行顺序以实际应用情况为准。
与现有技术相比,本发明实施例具有以下有益效果:
对训练数据集中的每个训练数据对按照其对应的等效跨度因子进行缩放处理,通过调整跨度尺寸来模拟抗震设防参数对结构平面布置中结构构件的尺寸和数量的影响,使得神经网络模型的训练学习过程与抗震设防参数无关。现有技术要求50种抗震设防参数对应的50个训练子集组成训练集,而本方案中训练数据集中训练数据对的数量仅相当于现有技术中一个训练子集中训练样本对的数量,大幅降低了对训练数据的数据量要求,进一步提升了模型训练的效率和收敛速度。
为了执行上述方法实施例及各个可能的实施方式中的相应步骤,下面分别给出一种抗震设防参数处理装置的实现方式。
请参见图12,图12示出了本发明实施例提供的抗震设防参数处理装置200的结构示意图。该装置包括:获取模块210、处理模块220、替换模块230。
获取模块210,用于获得伪跨度建筑图;伪跨度建筑图为原始建筑图按照等效跨度因子缩放处理后得到的,等效跨度因子是基于原始建筑图对应的抗震设防参数确定的。
处理模块220,用于将伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图。
获取模块210,还用于基于等效跨度因子,对伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图。
替换模块230,用于利用伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。
在可选的实施方式中,获取模块210具体可以用于:获取原始建筑图及其对应的抗震设防参数;基于预先存储的跨度映射表,确定抗震设防参数对应的等效跨度因子;跨度映射表表征各个抗震设防参数与各个等效跨度因子之间的对应关系;基于等效跨度因子,对原始建筑图进行缩放处理,得到伪跨度建筑图。
在可选的实施方式中,替换模块220具体可以用于:基于伪跨度结构布置图和伪构件结构布置图,确定梁、柱、墙构件中心;以梁构件中心为第一替换定位点,将伪构件结构布置图中的梁局部图像区域替换为伪跨度结构布置图中的梁局部图像区域;以及,以柱构件中心为第二替换定位点,将伪构件结构布置图中的柱局部图像区域替换为伪跨度结构布置图中的柱局部图像区域,得到结构布置图;以及,以墙构件中心为第三替换定位点,将伪构件结构布置图中的墙局部图像区域替换为伪跨度结构布置图中的墙局部图像区域,得到结构布置图。
在可选的实施方式中,处理模块220还可以用于:获取原始训练数据集;原始训练数据集包括若干原始训练数据对、以及每个原始训练数据对所对应的抗震设防参数;针对任一原始训练数据对,利用原始训练数据对所对应的抗震设防参数,对抗震设防参数进行预处理得到训练数据对;遍历每一原始训练数据对,得到训练数据集;训练数据集包括每一原始训练数据对所对应的训练数据对;利用训练数据集,对预先建立的神经网络模型进行训练,得到训练后的神经网络模型。
在可选的实施方式中,处理模块220具体可以用于:基于预先存储的跨度映射表,确定抗震设防参数对应的等效跨度因子;跨度映射表表征各个抗震设防参数与各个等效跨度因子之间的对应关系;基于等效跨度因子,分别对原始建筑图样本和对应的结构布置图样本进行缩放处理,得到伪跨度建筑图样本和伪构件结构布置图样本;利用结构布置图样本中的梁、柱、墙局部图像,分别替换伪构件结构布置图样本中的梁、柱、墙局部图像区域,得到伪跨度结构布置图样本;训练数据对包括伪跨度建筑图样本和伪跨度结构布置图样本。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的抗震设防参数处理装置200的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
请参见图13,图13为本发明实施例提供的一种电子设备的结构示意图。该电子设备300包括处理器310、存储器320和总线330,处理器310通过总线330与存储器320连接。
存储器320可用于存储软件程序,例如,图12所示的抗震设防参数处理装置200。其中,存储器320可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),闪存存储器(Flash),可编程只读存储器(ProgrammableRead-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器310可以是一种集成电路芯片,具有信号处理能力。该处理器310可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器320存储有处理器310可执行的机器可读指令。处理器310执行机器可读指令时,实现上述实施例揭示的抗震设防参数处理方法。
需要说明的是,该电子设备300可以是但不限于:计算器、个人电脑、服务器、虚拟机、手机、平板等。并且,可以理解,图13所示的结构仅为示意,电子设备300还可以包括比图13中所示更多或者更少的组件,或者具有与图13所示不同的配置。图13中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时实现上述实施例揭示的抗震设防参数处理方法。该存储介质可以是但不限于:U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、FLASH磁碟或者光盘等各种可以存储程序代码的介质。
综上,本发明实施例提供了一种抗震设防参数处理方法、装置、电子设备及存储介质,通过将按照等效跨度因子缩放处理后的伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图。再基于等效跨度因子,对伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图。最后再利用伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。由于等效跨度因子是基于原始建筑图对应的抗震设防参数确定的,通过调整跨度来模拟不同抗震设防参数对结构布置图中设置结构构件的尺寸、数量的影响,使得模型的训练学习过程与抗震设防参数无关,可大幅减少需要的训练数据量且提升模型训练的效率和收敛速度。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种抗震设防参数处理方法,其特征在于,包括:
获取原始建筑图及其对应的抗震设防参数;所述抗震设防参数包括抗震设防烈度和特征周期;
基于预先存储的跨度映射表,确定所述抗震设防参数对应的等效跨度因子;所述跨度映射表表征各个所述抗震设防参数与各个所述等效跨度因子之间的对应关系;
基于所述等效跨度因子,对所述原始建筑图进行缩放处理,得到伪跨度建筑图;
将所述伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图;
基于所述等效跨度因子,对所述伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图;
利用所述伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换所述伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。
2.根据权利要求1所述的方法,其特征在于,所述利用所述伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换所述伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图的步骤,包括:
基于所述伪跨度结构布置图和所述伪构件结构布置图,确定梁、柱、墙构件中心;
以所述梁构件中心为第一替换定位点,将所述伪构件结构布置图中的梁局部图像区域替换为所述伪跨度结构布置图中的梁局部图像区域;
以及,以所述柱构件中心为第二替换定位点,将所述伪构件结构布置图中的柱局部图像区域替换为所述伪跨度结构布置图中的柱局部图像区域;
以及,以所述墙构件中心为第三替换定位点,将所述伪构件结构布置图中的墙局部图像区域替换为所述伪跨度结构布置图中的墙局部图像区域,得到所述结构布置图。
3.根据权利要求1所述的方法,其特征在于,在所述获取原始建筑图及其对应的抗震设防参数的步骤之前,所述方法还包括:
获取原始训练数据集;所述原始训练数据集包括若干原始训练数据对、以及每个所述原始训练数据对所对应的抗震设防参数;
针对任一所述原始训练数据对,利用所述原始训练数据对所对应的抗震设防参数,对所述抗震设防参数进行预处理得到训练数据对;
遍历每一所述原始训练数据对,得到训练数据集;所述训练数据集包括每一所述原始训练数据对所对应的训练数据对;
利用所述训练数据集,对预先建立的神经网络模型进行训练,得到训练后的所述神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述原始训练数据对包括原始建筑图样本和对应的结构布置图样本;所述利用所述原始训练数据对所对应的抗震设防参数,对所述抗震设防参数进行预处理得到训练数据对的步骤,包括:
基于预先存储的跨度映射表,确定所述抗震设防参数对应的等效跨度因子;所述跨度映射表表征各个所述抗震设防参数与各个所述等效跨度因子之间的对应关系;
基于所述等效跨度因子,分别对所述原始建筑图样本和对应的结构布置图样本进行缩放处理,得到伪跨度建筑图样本和伪构件结构布置图样本;
利用所述结构布置图样本中的梁、柱、墙局部图像,分别替换所述伪构件结构布置图样本中的梁、柱、墙局部图像区域,得到伪跨度结构布置图样本;所述训练数据对包括所述伪跨度建筑图样本和所述伪跨度结构布置图样本。
5.一种抗震设防参数处理装置,其特征在于,包括:
获取模块,用于:
获取原始建筑图及其对应的抗震设防参数;所述抗震设防参数包括抗震设防烈度和特征周期;基于预先存储的跨度映射表,确定所述抗震设防参数对应的等效跨度因子;所述跨度映射表表征各个所述抗震设防参数与各个所述等效跨度因子之间的对应关系;
基于所述等效跨度因子,对所述原始建筑图进行缩放处理,得到伪跨度建筑图;
处理模块,用于将所述伪跨度建筑图输入至预先训练的神经网络模型,得到伪跨度结构布置图;
所述获取模块,还用于基于所述等效跨度因子,对所述伪跨度结构布置图进行逆缩放处理,得到伪构件结构布置图;
替换模块,用于利用所述伪跨度结构布置图中的梁、柱、墙局部图像区域,分别替换所述伪构件结构布置图中的梁、柱、墙局部图像区域,得到结构布置图。
6.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时所述处理器执行所述机器可读指令以实现如权利要求1-4中任一项所述的抗震设防参数处理方法。
7.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的抗震设防参数处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310142455.6A CN116305427B (zh) | 2023-02-20 | 2023-02-20 | 一种抗震设防参数处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310142455.6A CN116305427B (zh) | 2023-02-20 | 2023-02-20 | 一种抗震设防参数处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116305427A CN116305427A (zh) | 2023-06-23 |
CN116305427B true CN116305427B (zh) | 2023-11-28 |
Family
ID=86837054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310142455.6A Active CN116305427B (zh) | 2023-02-20 | 2023-02-20 | 一种抗震设防参数处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305427B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006107089A (ja) * | 2004-10-05 | 2006-04-20 | Hironori Nagai | 建築構造物の構造設計方法及びその記録媒体 |
CN101967859A (zh) * | 2010-09-28 | 2011-02-09 | 香港华艺设计顾问(深圳)有限公司 | 高烈度区多层框架两阶段抗震设计方法 |
CN107133943A (zh) * | 2017-04-26 | 2017-09-05 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN108256236A (zh) * | 2018-01-19 | 2018-07-06 | 哈尔滨工业大学 | 基于中国抗震规范的近断层抗震设计谱修正方法 |
CN108805050A (zh) * | 2018-05-28 | 2018-11-13 | 上海交通大学 | 基于局部二值模式的电线检测方法 |
CN113935086A (zh) * | 2021-09-17 | 2022-01-14 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习的结构智能设计方法 |
CN114756942A (zh) * | 2022-05-06 | 2022-07-15 | 深圳市腾源建设集团有限公司 | 一种基于bim和云服务的装配式建筑管理方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230035601A1 (en) * | 2021-07-28 | 2023-02-02 | OPAL AI Inc. | Floorplan Generation System And Methods Of Use |
-
2023
- 2023-02-20 CN CN202310142455.6A patent/CN116305427B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006107089A (ja) * | 2004-10-05 | 2006-04-20 | Hironori Nagai | 建築構造物の構造設計方法及びその記録媒体 |
CN101967859A (zh) * | 2010-09-28 | 2011-02-09 | 香港华艺设计顾问(深圳)有限公司 | 高烈度区多层框架两阶段抗震设计方法 |
CN107133943A (zh) * | 2017-04-26 | 2017-09-05 | 贵州电网有限责任公司输电运行检修分公司 | 一种防震锤缺陷检测的视觉检测方法 |
CN108256236A (zh) * | 2018-01-19 | 2018-07-06 | 哈尔滨工业大学 | 基于中国抗震规范的近断层抗震设计谱修正方法 |
CN108805050A (zh) * | 2018-05-28 | 2018-11-13 | 上海交通大学 | 基于局部二值模式的电线检测方法 |
CN113935086A (zh) * | 2021-09-17 | 2022-01-14 | 哈尔滨工业大学 | 一种基于计算机视觉和深度学习的结构智能设计方法 |
CN114756942A (zh) * | 2022-05-06 | 2022-07-15 | 深圳市腾源建设集团有限公司 | 一种基于bim和云服务的装配式建筑管理方法及*** |
Non-Patent Citations (4)
Title |
---|
"Earthquake building damage detection with object-oriented change detection";Lixia Gong等;《2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS》;全文 * |
"基于地震动参数的灾害风险分析";吕红山;《中国博士学位论文全文数据库 基础科学》;全文 * |
城市震害三维模拟***的实现方法;孙柏涛;;地震工程与工程振动(第05期);全文 * |
高强螺栓端板连接钢梁-方钢管混凝土框架结构抗震性能研究;何文辉;范云蕾;肖岩;郭玉荣;;建筑结构学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116305427A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Learning and teaching engineering design through modeling and simulation on a CAD platform | |
Wright et al. | Analysis of feature intervisibility and cumulative visibility using GIS, Bayesian and spatial statistics: A study from the Mandara Mountains, Northern Cameroon | |
Kareem et al. | A cyber-based data-enabled virtual organization for wind load effects on civil infrastructures: VORTEX-Winds | |
Zhai et al. | Selection of the most unfavorable real ground motions for low-and mid-rise RC frame structures | |
CN115359266A (zh) | 基于bim技术的建筑施工方法、装置及电子设备 | |
CN115457451A (zh) | 基于物联网的恒温恒湿试验箱的监控方法及装置 | |
Tello et al. | Can stochastic geographical evolution re‐create macroecological richness–environment correlations? | |
CN116305427B (zh) | 一种抗震设防参数处理方法、装置、电子设备及存储介质 | |
Shih et al. | Digital placemaking for urban regeneration: Identification of historic heritage values in Taiwan and the Baltic States | |
Kamenetsky et al. | Spatial regression analysis of poverty in R | |
Stamps III | Evaluating enclosure in urban sites | |
Cai et al. | On the role of multilevel item response models in multisite evaluation studies for serious games | |
Bao et al. | Spatial study of religion with spatial religion explorer | |
CN108549987B (zh) | 一种基于有向环分析的课程考核方法 | |
Kaviani et al. | Urban growth pattern in Tehran City: Sustainability or unsustainability | |
Bivand | Applying measures of spatial autocorrelation: computation and simulation | |
Hasanagas et al. | E-Learning & Environmental Policy: The case of a politico-administrative GIS | |
Marzuki et al. | Land use changes analysis for Pantai Chenang, Langkawi using spatial patch analysis technique in relation to coastal tourism | |
Xu | [Retracted] Closed Home Physical Education Teaching Model and Response Strategies Based on Big Data Technology | |
Braun | Naive analysis of variance | |
Gao et al. | A parallel framework on hybrid architectures for raster-based geospatial cellular automata models | |
CN116958149B (zh) | 医疗模型训练方法、医疗数据分析方法、装置及相关设备 | |
Xu et al. | Understanding and evaluating visual guidance quality inside passenger terminals-a cognitive and quantified approach | |
CN116957414B (zh) | 基于人工智能的村庄规划分析方法及装置 | |
Bosmos et al. | Virtual and augmented experience in cultural places: The perspective of integration in the learning process |
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 |