CN116702607A - 一种基于bim-fem的桥梁结构数字孪生体及方法 - Google Patents
一种基于bim-fem的桥梁结构数字孪生体及方法 Download PDFInfo
- Publication number
- CN116702607A CN116702607A CN202310657457.9A CN202310657457A CN116702607A CN 116702607 A CN116702607 A CN 116702607A CN 202310657457 A CN202310657457 A CN 202310657457A CN 116702607 A CN116702607 A CN 116702607A
- Authority
- CN
- China
- Prior art keywords
- bridge
- model
- bridge structure
- data
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000005303 weighing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000001965 increasing effect Effects 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000004040 coloring Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 76
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Image Processing (AREA)
Abstract
本发明属于桥梁结构数字孪生体技术领域,公开了一种基于BIM‑FEM的桥梁结构数字孪生体及方法,所述基于BIM‑FEM的桥梁结构数字孪生体包括:桥梁图像采集模块、中央控制模块、图像增强模块、BIM建模模块、优化模块、模型更新模块、显示模块。本发明通过BIM建模模块利用3D激光扫描技术进行快速、精确、批量BIM建模,可最大程度上减少人工现场复测的数据量,提高建模精细度及效率,合理利用资源,解决由传统BIM建模所带来的种种不便之处,从而实现高精度、高效率的BIM建模;同时,通过模型更新模块可实现桥梁结构数字孪生模型的实时更新。
Description
技术领域
本发明属于桥梁结构数字孪生体技术领域,尤其涉及一种基于BIM-FEM的桥梁结构数字孪生体及方法。
背景技术
为适应现代高速发展的交通行业变化,桥梁作为亦引申为能够跨越山涧、不良地质及或满足其他交通需要而架设的使通行更加便捷的建筑物,目前已成为交通运输最主要且常用的构筑物之一。数字孪生是以数字化形式在虚拟空间构建与物理世界一致的高保真模型,通过实测、仿真和数据分析来实时感知、诊断、预测物理实体对象的状态,具有多维、动态、高保真、全生命周期、虚实融合等特征,是实现人机物互联互通的关键,也是桥梁信息化和智能化的重要标志。集成BIM与GIS技术对现实场景进行数字化仿真模拟,建立数字孪生场景,可支撑展示、分析、诊断、预测以及决策等相关应用。数字孪生场景建模被广泛应用于智慧城市、航空航天、施工建造等领域,虚拟场景是桥梁数字孪生的核心部分,其支持将桥梁属性、结构、状态和行为映射到虚拟世界,形成高保真多维多尺度桥梁数字化场景,帮助人们更好地认知、理解、掌握和控制整个桥梁建造过程;然而,现有基于BIM-FEM的桥梁结构数字孪生体进行BIM建模校核过程中,当采用高精度仪器完成工作时,测量效率低、耗费成本高,当采用一般方法进行测量时,测量时间长,效率低下,导致现场一般测量时数据精度低,复核偏差大;此外,现有技术未能实现对模型的实时修正更新同时,对模型无法做到实时修正更新。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有基于BIM-FEM的桥梁结构数字孪生体BIM建模校核过程中,用高精度仪器时,测量时间长,效率低下,导致现场一般测量时数据精度低,复核偏差大。
(2)对模型无法做到实时修正更新。
发明内容
针对现有技术存在的问题,本发明提供了一种基于BIM-FEM的桥梁结构数字孪生体及方法;解决由传统BIM建模所带来的种种不便之处,从而实现高精度、高效率的BIM建模。
本发明的实现过程为,一种基于BIM-FEM的桥梁结构数字孪生体包括:
桥梁图像采集模块、中央控制模块、图像增强模块、BIM建模模块、优化模块、模型更新模块、显示模块;
桥梁图像采集模块,与中央控制模块连接,能够通过无人机采集桥梁结构图像,并采集桥梁材料信息;所述桥梁图像采集模块优选佳能(Canon)EOS 850D;
所述桥梁图像采集模块采集方法:
接收数据采集指令,获取桥梁拍摄路线、桥梁拍摄目标并保存所述桥梁拍摄目标的特征;
接收后台发送的针对待采集桥梁的数据采集指令;
并根据所述数据采集指令获取所述待采集桥梁的位置;
根据待采集桥梁的位置通过拍摄路线跟随拍摄;
通过安装在所述无人机上的辅助摄像器,可以获取与所述待采集桥梁的位置对应的区域的光线强度;
当所述光线强度低于预设值时,通过安装在无人机上佳能(Canon)EOS 850D的红外拍摄功能采集所述待采集桥梁对应的红外图像;
根据所述桥梁拍摄目标的特征跟踪所述桥梁拍摄目标,获取当前图像;其中当前图像包括桥梁拍摄目标和环境图像;
中央控制模块,与桥梁图像采集模块、图像增强模块、BIM建模模块、优化模块、模型更新模块、显示模块连接,能够控制协调各个模块正常工作;所述中央控制模块优选英特尔(Intel)i5-12490F;
图像增强模块,与中央控制模块连接,能够对桥梁图像进行去噪增强处理;
所述图像增强模块增强方法如下:
获取训练样本集,所述训练样本集包括噪声桥梁图像样本集以及与所述噪声桥梁图像样本集对应的无噪桥梁图像样本集;
将所述噪声桥梁图像样本集输入到卷积神经网络中进行训练,输出训练得到的去噪桥梁图像样本集;
根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集分别计算对应的均方误差损失函数值和最大后验损失函数值,并根据所述均方误差损失函数值和最大后验损失函数值得到总损失函数值;
其中,所述根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集分别计算对应的均方误差损失函数值和最大后验损失函数值的步骤,包括:根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集计算均方误差损失函数值,具体为:分别计算无噪桥梁图像样本集中每帧无噪桥梁图像样本以及所述去噪桥梁图像样本集中与每帧无噪桥梁图像样本对应的去噪桥梁图像样本之间每个像素点差值的平方值,并将计算得到的各个像素点差值的平方值的均值作为所述均方误差损失函数值;
以及根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集计算最大后验损失函数值,具体为:根据所述无噪桥梁图像样本集中的各个无噪桥梁图像样本以及在每个无噪桥梁图像样本中加入泊松噪声之后的泊松噪声桥梁图像,计算所述无噪桥梁图像样本集中的各个无噪桥梁图像样本存在泊松噪声的后验概率;根据在每个无噪桥梁图像样本中加入泊松噪声之后的泊松噪声桥梁图像、在每个无噪桥梁图像样本中加入高斯噪声之后的高斯噪声桥梁图像,计算各个泊松噪声桥梁图像存在高斯噪声的后验概率;
根据各个无噪桥梁图像样本存在泊松噪声的后验概率以及各个泊松噪声桥梁图像存在高斯噪声的后验概率,计算得到各个无噪桥梁图像样本存在泊松高斯噪声的最大后验概率;
计算以各个无噪桥梁图像样本存在泊松高斯噪声的最大后验概率为自变量的负对数函数值,并将所述负对数函数值作为所述最大后验损失函数值;基于计算得到的总损失函数值迭代训练所述卷积神经网络,直到满足训练终止条件时,输出训练得到的桥梁图像去噪模型,并根据所述桥梁图像去噪模型对待去噪桥梁图像进行去噪处理;
所述获取训练样本集的步骤,包括:
获取桥梁图像采集设备基于配置的桥梁图像采集参数连续拍摄的多帧噪声桥梁图像样本以构建噪声桥梁图像样本集,所述桥梁图像采集参数包括桥梁图像曝光参数以及拍摄频率参数;针对所述噪声桥梁图像样本集中的每帧噪声桥梁图像样本,对该帧噪声桥梁图像样本中的每个像素点的像素值进行排序,并根据排序结果将像素值小于第一预设像素值以及像素值大于第二预设像素值的异常像素点剔除,得到剔除异常像素点后的噪声桥梁图像样本;
计算剔除各帧异常像素点后的噪声桥梁图像样本的各个像素点的平均值;根据预设的噪声桥梁图像样本与对应的无噪桥梁图像样本之间的关系以及剔除各帧异常像素点后的噪声桥梁图像样本的各个像素点的平均值得到与所述噪声桥梁图像样本集对应的无噪桥梁图像样本集;
BIM建模模块,与中央控制模块连接,能够准确构建三维的桥梁结构模型;
优化模块,与中央控制模块连接,能够对桥梁结构模型结构、外观、尺寸精度进行优化;
模型更新模块,与中央控制模块连接,能够对桥梁结构模型结构、外观、模型扩展进行更新;
显示模块,与中央控制模块连接,能够实时展示模型的构造及分析等状态;所述显示模块优选华为MateView SE。
一种基于BIM-FEM的桥梁结构数字孪生体方法包括以下步骤:
步骤一,通过桥梁图像采集模块利用无人机采集桥梁结构图像,并采集桥梁材料信息;
步骤二,通过图像增强模块对采集的桥梁图像进行去噪增强处理;
步骤三,通过BIM建模模块构建三维桥梁结构模型;通过优化模块对桥梁结构模型结构、外观、尺寸精度进行优化;通过模型更新模块对桥梁结构模型结构、外观、模型扩展进行实时更新;
步骤四,通过显示模块实时展示模型的构造及分析等状态。
进一步,所述BIM建模模块建模方法如下:
(1)、数据采集:
配置三维激光扫描仪参数,利用三维激光扫描仪进行现场扫描,采集指定桥梁结构目标的完整、真实原始数据,得到具有精确空间信息的点云数据;
(2)、“点云”数据预处理:
将采集到的三维激光点云数据利用点云预处理软件进行拼接、去噪、分类、着色处理,提高点云的可视化效果,便于模型特征信息提取;
(3)、桥梁结构BIM模型构建:
利用经过预处理的三维激光点云数据,使用专门定制开发的“AutoCAD Revit点云三维建模软件”进行精细建模得到桥梁结构BIM模型,并并与设计CAD模型、设计桥梁结构BIM模型进行精度对比;
(4)、模型应用管理:
后期开发相应的三维展示平台进行桥梁结构BIM模型和点云模型的同步管理展示,为现场工程实施人员提供便捷的发布、分享、沟通管理平台。
进一步地,所述数据采集步骤包含特征点布置和3D激光扫描数据采集两个部分;
所述特征点布置包含如下步骤:
现场踏勘,了解现场情况,制定详细的测量及特征点布置方案;
根据轨道平面和隧道中心布置相应的特征点,为后期点云数据模型拼接提供校准数据,各专业控制测量特征点不少于5个,从而确保桥梁结构BIM模型精度;
特征点布置时要求至少3个特征点分布在不同的x/y/z坐标中,以保证模型拼接的唯一性。
进一步,所述3D激光扫描数据采集包含如下步骤:
扫描准备工作,设置基础控制点,利用GPS定位功能,使各部分采集的“点云”数据在同一坐标系内,保证“点云”模型拼接的整体性,同时确保控制点坐标和真实城市坐标系一一对应,保证能够与其他项目3D模型匹配;
点云数据采集,利用3D激光扫描仪自动进行扫描测量,点云数据自动保存;
进一步,所述“点云”数据预处理包含如下步骤:
数据拼接:将整个模型进行分区拼接,拼接工作利用点云预处理软件实现,利用相邻区域的至少3个同名标靶所测量的“点云”数据进行拼接操作,选定同名特征点,软件自动进行“点云”合并;
分类:按照桥梁结构构件进行分类,场地前存在的人、材料、机械设备遮挡物,将扫描对象数据进行分类;
去噪:选择所需要的数据,剔除相关的闲杂数据;
校准:拼接时的数据校准,选择相邻区域扫描的除用作拼接以外的同名特征点,利用相关的约束条件进行偏差修正,将拼接误差控制在要求的方位以内;
特征点处理:将不同的特征点进行标记,利用软件进行处理,生成所要求的特征数据,生成相应的点云数据;
数据云存储:为实现了存储容量无限扩展、并行处理读写数据,将数据按照指定策略使用分而治之的方式分成多个块存储到不同服务器上,进行云存储记录;
所述的桥梁结构BIM模型构建包含桥梁结构BIM模型建立、BIM现场三维模型的自动建立、模型校准和后期模型的自动建立;
所述的模型校准包含如下步骤:
误差自动提醒,Revit自动建模完成后,依照相关的约束条件及模型精细度要求,插件自动检测桥梁结构BIM模型与CAD模型的偏差,对于超过误差范围以外的,自动标记;
模型调整,参照CAD三维模型,将超出偏差以外的构件,进行调整,确保建立的桥梁结构BIM模型和CAD模型与现场实际情况保持一致;
所述后期模型的自动建立包含如下步骤:
特征数据匹配,将特征数据文件导入Revit二次开发插件中,作为Revit建模的参照数据;
Revit自动建模,参考不同专业的特征数据进行相关参数的自动设定,导入相关的建模构件族,利用插件自动建模功能进行分专业的批量建模。
进一步地,所述模型更新模块的更新方法如下:
1)获取桥梁结构数字孪生模型模拟的频率特征值参数;
通过摄像器和称重器获取桥面的车辆荷载分布模型,将所述车辆荷载分布模型作为实时荷载输入桥梁结构数字孪生模型中,得到所述桥梁结构数字孪生模型模拟的频率特征值参数;
2)生成桥梁结构的实测频率特征值参数;
获取传感器测得的桥梁结构在实时交通流荷载下的结构振动响应参数,根据所述结构振动响应参数生成桥梁结构的实测频率特征值参数;
3)迭代修正;
构建基于所述频率特征值参数与实测频率特征值参数的差值的目标函数,根据所述目标函数对所述桥梁结构数字孪生模型的桥梁结构整体刚度进行迭代修正,直至所述目标函数的结果满足预设的迭代终止条件。
进一步,所述目标函数表示如下:
其中,f(x)表示所述目标函数,λaj是第j阶的所述模拟的频率特征值参数,λtj是第j阶的所述实测频率特征值参数,mf为模态阶次。
进一步,所述预设的迭代终止条件包括:
根据所述频率特征值参数与所述实测频率特征值参数计算得到所述目标函数的结果;
判断所述目标函数的结果是否小于预设容许值;
若是,将最后一次迭代对应的桥梁结构整体刚度作为所述桥梁结构数字孪生模型最新的桥梁结构整体刚度;
若否,则调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,基于调整后的所述桥梁结构数字孪生模型重新计算模拟的频率特征值参数,重新计算得到所述目标函数的结果,再返回执行所述判断所述目标函数的结果是否小于预设容许值的步骤。
进一步,所述调整所述桥梁结构数字孪生模型的桥梁结构整体刚度包括:
当本次调整是本轮更新的首次调整时,采取预设调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,其中,所述预设调整方式为增大所述桥梁结构整体刚度和减小所述桥梁结构整体刚度中的一者;
当本次调整并非本轮更新的首次调整时,获取上一次调整前的桥梁结构整体刚度所对应的目标函数的结果和上一次调整后的桥梁结构整体刚度所对应的目标函数的结果,将两个结果进行对比,当上一次调整后的桥梁结构整体刚度所对应的目标函数的结果小于上一次调整前的桥梁结构整体刚度所对应的目标函数的结果时,继续沿用上一次调整的调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,当上一次调整后的桥梁结构整体刚度所对应的目标函数的结果大于上一次调整前的桥梁结构整体刚度所对应的目标函数的结果时,采用与上一次调整相反的调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,其中,增大所述桥梁结构整体刚度和减小所述桥梁结构整体刚度为相反的调整方式;
所述通过摄像器和称重器获取桥面的车辆荷载分布模型包括:
通过所述摄像器和所述称重器获取桥面的车辆位置数据、车辆大小数据和车辆车速及车速变化数据;
通过所述车速变化数据计算车辆的加速度,根据所述车辆的加速度,结合牛顿第二定律,获得车辆的纵向作用力;
根据所述车辆位置数据、所述车辆大小数据和所述车辆的纵向作用力,得到所述车辆荷载分布模型;
所述通过所述摄像器和所述称重器获取桥面的车辆位置数据、车辆大小数据和车辆车速及车速变化数据包括:
通过所述摄像器获取目标车辆的第一车速,其中,所述目标车辆为桥面上待确定车速的车辆;
获取所述目标车辆的GPS数据,根据所述GPS数据确定所述目标车辆的第二车速;
当所述第一车速与所述第二车速的差值大于预设差值时,将所述第二车速作为所述目标车辆的车辆车速。
结合上述的技术方案和解决的技术问题,分析本发明所要保护的技术方案所具备的优点及积极效果为:
本发明相比传统技术优势为:
本发明通过BIM建模模块利用3D激光扫描技术进行快速、精确、批量BIM建模,可最大程度上减少人工现场复测的数据量,提高建模精细度及效率,合理利用资源,解决由传统BIM建模所带来的种种不便之处,从而实现高精度、高效率的BIM建模;同时,通过模型更新模块可实现桥梁结构数字孪生模型的实时更新,通过目标函数的迭代更新桥梁结构数字孪生模型的桥梁结构整体刚度,使桥梁结构数字孪生模型的桥梁结构整体刚度更为接近实际桥梁结构状况,保证桥梁结构数字孪生模型的准确性,以及更新的及时性和自动化。通过图像增强模块可以大大提高桥梁图像的清晰度。
附图说明
图1是本发明实施例提供的基于BIM-FEM的桥梁结构数字孪生体方法流程图。
图2是本发明实施例提供的基于BIM-FEM的桥梁结构数字孪生体结构框图。
图3是本发明实施例提供的BIM建模模块4建模方法流程图。
图4是本发明实施例提供的模型更新模块6更新方法流程图。
图2中:1、桥梁图像采集模块;2、中央控制模块;3、图像增强模块;4、BIM建模模块;5、优化模块;6、模型更新模块;7、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,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。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示,本发明提供的基于BIM-FEM的桥梁结构数字孪生体方法包括以下步骤:
S101,通过桥梁图像采集模块利用无人机采集桥梁结构图像,并采集桥梁材料信息;
S102,通过图像增强模块对采集的桥梁图像进行去噪增强处理;
S103,通过BIM建模模块构建三维桥梁结构模型;通过优化模块对桥梁结构模型结构、外观、尺寸精度进行优化;通过模型更新模块对桥梁结构模型结构、外观、模型扩展进行实时更新;
S104,通过显示模块实时展示模型的构造及分析等状态。
本发明通过BIM建模模块利用3D激光扫描技术进行快速、精确、批量BIM建模,可最大程度上减少人工现场复测的数据量,提高建模精细度及效率,合理利用资源,解决由传统BIM建模所带来的种种不便之处,从而实现高精度、高效率的BIM建模;同时,通过模型更新模块可实现桥梁结构数字孪生模型的实时更新,通过目标函数的迭代更新桥梁结构数字孪生模型的桥梁结构整体刚度,使桥梁结构数字孪生模型的桥梁结构整体刚度更为接近实际桥梁结构状况,保证桥梁结构数字孪生模型的准确性,以及更新的及时性和自动化。
如图2所示,本发明实施例提供的基于BIM-FEM的桥梁结构数字孪生体包括:
桥梁图像采集模块1、中央控制模块2、图像增强模块3、BIM建模模块4、优化模块5、模型更新模块6、显示模块7。
桥梁图像采集模块1,与中央控制模块2连接,能够通过无人机采集桥梁结构图像,并采集桥梁材料信息;所述桥梁图像采集模块优选佳能(Canon)EOS 850D;
所述桥梁图像采集模块采集方法:
接收数据采集指令,获取桥梁拍摄路线、桥梁拍摄目标并保存所述桥梁拍摄目标的特征;
接收后台发送的针对待采集桥梁的数据采集指令;
并根据所述数据采集指令获取所述待采集桥梁的位置;
根据待采集桥梁的位置通过拍摄路线跟随拍摄;
通过安装在所述无人机上的辅助摄像器,可以获取与所述待采集桥梁的位置对应的区域的光线强度;
当所述光线强度低于预设值时,通过安装在无人机上佳能(Canon)EOS 850D的红外拍摄功能采集所述待采集桥梁对应的红外图像;
根据所述桥梁拍摄目标的特征跟踪所述桥梁拍摄目标,获取当前图像;其中当前图像包括桥梁拍摄目标和环境图像;
中央控制模块2,与桥梁图像采集模块1、图像增强模块3、BIM建模模块4、优化模块5、模型更新模块6、显示模块7连接,能够控制各个模块正常工作;
图像增强模块3,与中央控制模块2连接,能够对桥梁图像进行去噪增强处理;
所述图像增强模块3增强方法如下:
获取训练样本集,所述训练样本集包括噪声桥梁图像样本集以及与所述噪声桥梁图像样本集对应的无噪桥梁图像样本集;
将所述噪声桥梁图像样本集输入到卷积神经网络中进行训练,输出训练得到的去噪桥梁图像样本集;
根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集分别计算对应的均方误差损失函数值和最大后验损失函数值,并根据所述均方误差损失函数值和最大后验损失函数值得到总损失函数值;
其中,所述根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集分别计算对应的均方误差损失函数值和最大后验损失函数值的步骤,包括:根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集计算均方误差损失函数值,具体为:分别计算无噪桥梁图像样本集中每帧无噪桥梁图像样本以及所述去噪桥梁图像样本集中与每帧无噪桥梁图像样本对应的去噪桥梁图像样本之间每个像素点差值的平方值,并将计算得到的各个像素点差值的平方值的均值作为所述均方误差损失函数值;
以及根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集计算最大后验损失函数值,具体为:根据所述无噪桥梁图像样本集中的各个无噪桥梁图像样本以及在每个无噪桥梁图像样本中加入泊松噪声之后的泊松噪声桥梁图像,计算所述无噪桥梁图像样本集中的各个无噪桥梁图像样本存在泊松噪声的后验概率;根据在每个无噪桥梁图像样本中加入泊松噪声之后的泊松噪声桥梁图像、在每个无噪桥梁图像样本中加入高斯噪声之后的高斯噪声桥梁图像,计算各个泊松噪声桥梁图像存在高斯噪声的后验概率;
根据各个无噪桥梁图像样本存在泊松噪声的后验概率以及各个泊松噪声桥梁图像存在高斯噪声的后验概率,计算得到各个无噪桥梁图像样本存在泊松高斯噪声的最大后验概率;
计算以各个无噪桥梁图像样本存在泊松高斯噪声的最大后验概率为自变量的负对数函数值,并将所述负对数函数值作为所述最大后验损失函数值;基于计算得到的总损失函数值迭代训练所述卷积神经网络,直到满足训练终止条件时,输出训练得到的桥梁图像去噪模型,并根据所述桥梁图像去噪模型对待去噪桥梁图像进行去噪处理;
所述获取训练样本集的步骤,包括:
获取桥梁图像采集设备基于配置的桥梁图像采集参数连续拍摄的多帧噪声桥梁图像样本以构建噪声桥梁图像样本集,所述桥梁图像采集参数包括桥梁图像曝光参数以及拍摄频率参数;针对所述噪声桥梁图像样本集中的每帧噪声桥梁图像样本,对该帧噪声桥梁图像样本中的每个像素点的像素值进行排序,并根据排序结果将像素值小于第一预设像素值以及像素值大于第二预设像素值的异常像素点剔除,得到剔除异常像素点后的噪声桥梁图像样本;
计算剔除各帧异常像素点后的噪声桥梁图像样本的各个像素点的平均值;根据预设的噪声桥梁图像样本与对应的无噪桥梁图像样本之间的关系以及剔除各帧异常像素点后的噪声桥梁图像样本的各个像素点的平均值得到与所述噪声桥梁图像样本集对应的无噪桥梁图像样本集;
BIM建模模块4,与中央控制模块2连接,能够通过准确构建三维的桥梁结构模型;
优化模块5,与中央控制模块2连接,能够对桥梁结构模型结构、外观、尺寸精度进行优化;
模型更新模块6,与中央控制模块2连接,能够对桥梁结构模型结构、外观、模型扩展进行更新;
显示模块7,与中央控制模块2连接,能够实时展示模型的构造及分析等状态;所述显示模块优选华为MateView SE。
本发明通过BIM建模模块利用3D激光扫描技术进行快速、精确、批量BIM建模,可最大程度上减少人工现场复测的数据量,提高建模精细度及效率,合理利用资源,解决由传统BIM建模所带来的种种不便之处,从而实现高精度、高效率的BIM建模;同时,通过模型更新模块可实现桥梁结构数字孪生模型的实时更新,通过目标函数的迭代更新桥梁结构数字孪生模型的桥梁结构整体刚度,使桥梁结构数字孪生模型的桥梁结构整体刚度更为接近实际桥梁结构状况,保证桥梁结构数字孪生模型的准确性,以及更新的及时性和自动化。
如图3所示,本发明实施例提供的BIM建模模块4建模方法如下:
S201,数据采集:
配置三维激光扫描仪参数,利用三维激光扫描仪进行现场扫描,采集指定桥梁结构目标的完整、真实原始数据,得到具有精确空间信息的点云数据;
S202,“点云”数据预处理:
将采集到的三维激光点云数据利用点云预处理软件进行拼接、去噪、分类、着色处理,提高点云的可视化效果,便于模型特征信息提取;
S203,桥梁结构BIM模型构建:
利用经过预处理的三维激光点云数据,使用专门定制开发的“AutoCAD Revit点云三维建模软件”进行精细建模得到桥梁结构BIM模型数据,并与设计CAD模型、设计桥梁结构BIM模型进行精度对比;
S204,模型应用管理:
后期开发相应的三维展示平台进行桥梁结构BIM模型和点云模型的同步管理展示,为现场工程实施人员提供便捷的发布、分享、沟通管理平台。
本发明通过BIM建模模块利用3D激光扫描技术进行快速、精确、批量BIM建模,可最大程度上减少人工现场复测的数据量,提高建模精细度及效率,合理利用资源,解决由传统BIM建模所带来的种种不便之处,从而实现高精度、高效率的BIM建模。
本发明实施例提供的数据采集步骤包含特征点布置和3D激光扫描数据采集两个部分;
所述特征点布置包含如下步骤:
现场踏勘,了解现场情况,制定详细的测量方案及特征点布置方案;
根据轨道平面和隧道中心布置相应的特征点,为后期点云数据模型拼接提供校准数据,为了提高桥梁结构BIM模型精度,各专业控制测量特征点不少于5个,为后期点云数据模型拼接提供校准数据从而确保桥梁结构BIM模型精度;
特征点布置方案,特征点布置时要求至少3个特征点分布在不同的x/y/z坐标中,以保证模型拼接的唯一性。
本发明实施例提供的3D激光扫描数据采集包含如下步骤:
扫描准备工作,设置基础控制点,利用GPS定位功能,使各部分采集的“点云”数据在同一坐标系内,保证“点云”模型拼接的整体性,同时确保控制点坐标和真实城市坐标系一一对应,保证能够与其他项目3D模型能匹配;
点云数据采集,利用3D激光扫描仪自动进行扫描测量,点云数据自动保存;
本发明实施例提供的“点云”数据预处理包含如下步骤:
数据拼接:将整个模型进行分区拼接,拼接工作利用点云预处理软件实现,利用相邻区域的至少3个同名标靶所测量的“点云”数据进行拼接操作,选定同名特征点,软件自动进行“点云”合并;
分类:按照桥梁结构构件进行分类,场地前存在的人、材料、机械设备遮挡物,将扫描对象数据进行分类;
去噪:选择所需要的数据,剔除相关的闲杂数据;
校准:拼接时的数据校准,选择相邻区域扫描的除用作拼接以外的同名特征点,利用相关的约束条件进行偏差修正,将拼接误差控制在要求的方位以内;
特征点处理:将不同的特征点进行标记,利用软件进行处理,生成所要求的特征数据,生成相应的点云数据;
数据云存储:为实现了存储容量无限扩展、并行处理读写数据,将数据按照指定策略使用分而治之的方式分成多个块存储到不同服务器上,进行云存储记录;
所述的桥梁结构BIM模型构建包含桥梁结构BIM模型建立、BIM现场三维模型的自动建立、模型校准和后期模型的自动建立;
所述的模型校准包含如下步骤:
误差自动提醒,Revit自动建模完成后,依照相关的约束条件及模型精细度要求,插件自动检测桥梁结构BIM模型与CAD模型的偏差,对于超过误差范围以外的,自动标记;
模型调整,参照CAD三维模型,将超出偏差以外的构件,进行调整,确保建立的桥梁结构BIM模型和CAD模型与、现场实际情况的保持一致;
所述的后期模型的自动建立包含如下步骤:
特征数据匹配,将特征数据文件导入Revit二次开发插件中,作为Revit建模的参照数据;
Revit自动建模,参考不同专业的特征数据进行相关参数的自动设定,导入相关的建模构件族,利用插件自动建模功能进行分专业的批量建模。
如图4所示,本发明实施例提供的模型更新模块6更新方法如下:
S301,获取桥梁结构数字孪生模型模拟的频率特征值参数;
通过摄像器和称重器获取桥面的车辆荷载分布模型,将所述车辆荷载分布模型作为实时荷载输入桥梁结构数字孪生模型中,得到所述桥梁结构数字孪生模型模拟的频率特征值参数;
S302,生成桥梁结构的实测频率特征值参数;
获取传感器测得的桥梁结构在实时交通流荷载下的结构振动响应参数,根据所述结构振动响应参数生成桥梁结构的实测频率特征值参数;
S303,迭代修正;
构建基于所述模拟的频率特征值参数与所述实测频率特征值参数的差值的目标函数,根据所述目标函数对所述桥梁结构数字孪生模型的桥梁结构整体刚度进行迭代修正,直至所述目标函数的结果满足预设的迭代终止条件。
本发明通过模型更新模块可实现桥梁结构数字孪生模型的实时更新,通过目标函数的迭代更新桥梁结构数字孪生模型的桥梁结构整体刚度,使桥梁结构数字孪生模型的桥梁结构整体刚度更为接近实际桥梁结构状况,保证桥梁结构数字孪生模型的准确性,以及更新的及时性和自动化。
本发明实施例提供的目标函数表示如下:
其中,f(x)表示所述目标函数,λaj是第j阶的所述模拟的频率特征值参数,λtj是第j阶的所述实测频率特征值参数,mf为模态阶次。
本发明实施例提供的根据所述目标函数对所述桥梁结构数字孪生模型的桥梁结构整体刚度进行迭代修正,直至所述目标函数的结果满足预设的迭代终止条件包括:
根据所述频率特征值参数与所述实测频率特征值参数计算得到所述目标函数的结果;
判断所述目标函数的结果是否小于预设容许值;
若是,将最后一次迭代对应的桥梁结构整体刚度作为所述桥梁结构数字孪生模型最新的桥梁结构整体刚度;
若否,则调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,基于调整后的所述桥梁结构数字孪生模型重新计算模拟的频率特征值参数,重新计算得到所述目标函数的结果,再返回执行所述判断所述目标函数的结果是否小于预设容许值的步骤。
本发明实施例提供的调整所述桥梁结构数字孪生模型的桥梁结构整体刚度包括:
当本次调整是本轮更新的首次调整时,采取预设调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,其中,所述预设调整方式为增大所述桥梁结构整体刚度和减小所述桥梁结构整体刚度中的一者;
当本次调整并非本轮更新的首次调整时,获取上一次调整前的桥梁结构整体刚度所对应的目标函数的结果和上一次调整后的桥梁结构整体刚度所对应的目标函数的结果,将两个结果进行对比,当上一次调整后的桥梁结构整体刚度所对应的目标函数的结果小于上一次调整前的桥梁结构整体刚度所对应的目标函数的结果时,继续沿用上一次调整的调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,当上一次调整后的桥梁结构整体刚度所对应的目标函数的结果大于上一次调整前的桥梁结构整体刚度所对应的目标函数的结果时,采用与上一次调整相反的调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,其中,增大所述桥梁结构整体刚度和减小所述桥梁结构整体刚度为相反的调整方式;
所述通过摄像器和称重器获取桥面的车辆荷载分布模型包括:
通过所述摄像器和所述称重器获取桥面的车辆位置数据、车辆大小数据和车辆车速及车速变化数据;
通过所述车速变化数据计算车辆的加速度,根据所述车辆的加速度,结合牛顿第二定律,获得车辆的纵向作用力;
根据所述车辆位置数据、所述车辆大小数据和所述车辆的纵向作用力,得到所述车辆荷载分布模型;
所述通过所述摄像器和所述称重器获取桥面的车辆位置数据、车辆大小数据和车辆车速及车速变化数据包括:
通过所述摄像器获取目标车辆的第一车速,其中,所述目标车辆为桥面上待确定车速的车辆;
获取所述目标车辆的GPS数据,根据所述GPS数据确定所述目标车辆的第二车速;
当所述第一车速与所述第二车速的差值大于预设差值时,将所述第二车速作为所述目标车辆的车辆车速。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明通过BIM建模模块利用3D激光扫描技术进行快速、精确、批量BIM建模,可最大程度上减少人工现场复测的数据量,提高建模精细度及效率,合理利用资源,解决由传统BIM建模所带来的种种不便之处,从而实现高精度、高效率的BIM建模;同时,通过模型更新模块可实现桥梁结构数字孪生模型的实时更新,通过目标函数的迭代更新桥梁结构数字孪生模型的桥梁结构整体刚度,使桥梁结构数字孪生模型的桥梁结构整体刚度更为接近实际桥梁结构状况,保证桥梁结构数字孪生模型的准确性,以及更新的及时性和自动化。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
本发明通过BIM建模模块利用3D激光扫描技术进行快速、精确、批量BIM建模,可最大程度上减少人工现场复测的数据量,提高建模精细度及效率,合理利用资源,解决由传统BIM建模所带来的种种不便之处,从而实现高精度、高效率的BIM建模;同时,通过模型更新模块可实现桥梁结构数字孪生模型的实时更新,通过目标函数的迭代更新桥梁结构数字孪生模型的桥梁结构整体刚度,使桥梁结构数字孪生模型的桥梁结构整体刚度更为接近实际桥梁结构状况,保证桥梁结构数字孪生模型的准确性,以及更新的及时性和自动化。
以上所述,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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述基于BIM-FEM的桥梁结构数字孪生体包括:
桥梁图像采集模块、中央控制模块、图像增强模块、BIM建模模块、优化模块、模型更新模块、显示模块;
桥梁图像采集模块,与中央控制模块连接,能够通过无人机采集桥梁结构图像,并采集桥梁材料信息;所述桥梁图像采集模块优选佳能(Canon)EOS 850D;
所述桥梁图像采集模块采集方法:
接收数据采集指令,获取桥梁拍摄路线、桥梁拍摄目标并保存所述桥梁拍摄目标的特征;
接收后台发送的针对待采集桥梁的数据采集指令;
并根据所述数据采集指令获取所述待采集桥梁的位置;
根据待采集桥梁的位置通过拍摄路线跟随拍摄;
通过安装在所述无人机上的辅助摄像器,可以获取与所述待采集桥梁的位置对应的区域的光线强度;
当所述光线强度低于预设值时,通过安装在无人机上佳能(Canon)EOS 850D的红外拍摄功能采集所述待采集桥梁对应的红外图像;
根据所述桥梁拍摄目标的特征跟踪所述桥梁拍摄目标,获取当前图像;其中当前图像包括桥梁拍摄目标和环境图像;
中央控制模块,与桥梁图像采集模块、图像增强模块、BIM建模模块、优化模块、模型更新模块、显示模块连接,能够控制各个模块正常工作;
图像增强模块,与中央控制模块连接,能够对桥梁图像进行去噪增强处理;
所述图像增强模块增强方法如下:
获取训练样本集,所述训练样本集包括噪声桥梁图像样本集以及与所述噪声桥梁图像样本集对应的无噪桥梁图像样本集;
将所述噪声桥梁图像样本集输入到卷积神经网络中进行训练,输出训练得到的去噪桥梁图像样本集;
根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集分别计算对应的均方误差损失函数值和最大后验损失函数值,并根据所述均方误差损失函数值和最大后验损失函数值得到总损失函数值;
其中,所述根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集分别计算对应的均方误差损失函数值和最大后验损失函数值的步骤,包括:根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集计算均方误差损失函数值,具体为:分别计算无噪桥梁图像样本集中每帧无噪桥梁图像样本以及所述去噪桥梁图像样本集中与每帧无噪桥梁图像样本对应的去噪桥梁图像样本之间每个像素点差值的平方值,并将计算得到的各个像素点差值的平方值的均值作为所述均方误差损失函数值;
以及根据所述无噪桥梁图像样本集和所述去噪桥梁图像样本集计算最大后验损失函数值,具体为:根据所述无噪桥梁图像样本集中的各个无噪桥梁图像样本以及在每个无噪桥梁图像样本中加入泊松噪声之后的泊松噪声桥梁图像,计算所述无噪桥梁图像样本集中的各个无噪桥梁图像样本存在泊松噪声的后验概率;根据在每个无噪桥梁图像样本中加入泊松噪声之后的泊松噪声桥梁图像、在每个无噪桥梁图像样本中加入高斯噪声之后的高斯噪声桥梁图像,计算各个泊松噪声桥梁图像存在高斯噪声的后验概率;
根据各个无噪桥梁图像样本存在泊松噪声的后验概率以及各个泊松噪声桥梁图像存在高斯噪声的后验概率,计算得到各个无噪桥梁图像样本存在泊松高斯噪声的最大后验概率;
计算以各个无噪桥梁图像样本存在泊松高斯噪声的最大后验概率为自变量的负对数函数值,并将所述负对数函数值作为所述最大后验损失函数值;基于计算得到的总损失函数值迭代训练所述卷积神经网络,直到满足训练终止条件时,输出训练得到的桥梁图像去噪模型,并根据所述桥梁图像去噪模型对待去噪桥梁图像进行去噪处理;
所述获取训练样本集的步骤,包括:
获取桥梁图像采集设备基于配置的桥梁图像采集参数连续拍摄的多帧噪声桥梁图像样本以构建噪声桥梁图像样本集,所述桥梁图像采集参数包括桥梁图像曝光参数以及拍摄频率参数;针对所述噪声桥梁图像样本集中的每帧噪声桥梁图像样本,对该帧噪声桥梁图像样本中的每个像素点的像素值进行排序,并根据排序结果将像素值小于第一预设像素值以及像素值大于第二预设像素值的异常像素点剔除,得到剔除异常像素点后的噪声桥梁图像样本;
计算剔除各帧异常像素点后的噪声桥梁图像样本的各个像素点的平均值;根据预设的噪声桥梁图像样本与对应的无噪桥梁图像样本之间的关系以及剔除各帧异常像素点后的噪声桥梁图像样本的各个像素点的平均值得到与所述噪声桥梁图像样本集对应的无噪桥梁图像样本集;
BIM建模模块,与中央控制模块连接,能够通过准确构建三维的桥梁结构模型;
优化模块,与中央控制模块连接,能够对桥梁结构模型结构、外观、尺寸精度进行优化;
模型更新模块,与中央控制模块连接,能够对桥梁结构模型结构、外观、模型扩展进行更新;
显示模块,与中央控制模块连接,能够实时展示模型的构造及分析等状态;所述显示模块优选华为MateView SE。
2.一种如权利要求1所述的基于BIM-FEM的桥梁结构数字孪生体方法,其特征在于,所述基于BIM-FEM的桥梁结构数字孪生体方法包括以下步骤:
步骤一,通过桥梁图像采集模块利用无人机采集桥梁结构图像,并采集桥梁材料信息;
步骤二,通过图像增强模块对采集的桥梁图像进行去噪增强处理;
步骤三,通过BIM建模模块构建三维桥梁结构模型;通过优化模块对桥梁结构模型结构、外观、尺寸精度进行优化;通过模型更新模块对桥梁结构模型结构、外观、模型扩展进行实时更新;
步骤四,通过显示模块实时展示模型的构造及分析等状态。
3.如权利要求1所述基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述BIM建模模块建模方法如下:
(1)、数据采集:
配置三维激光扫描仪参数,利用三维激光扫描仪进行现场扫描,采集指定桥梁结构目标的完整、真实原始数据,得到具有精确空间信息的点云数据;
(2)、“点云”数据预处理:
将采集到的三维激光点云数据利用点云预处理软件进行拼接、去噪、分类、着色处理,提高点云的可视化效果,便于模型特征信息提取;
(3)、桥梁结构BIM模型构建:
利用经过预处理的三维激光点云数据,使用专门定制开发的“AutoCAD Revit点云三维建模软件”进行精细建模得到桥梁结构BIM模型数据,并与设计CAD模型、设计桥梁结构BIM模型进行精度对比;
(4)、模型应用管理:
后期开发相应的三维展示平台进行桥梁结构BIM模型和点云模型的同步管理展示,为现场工程实施人员提供便捷的发布、分享、沟通管理平台。
4.如权利要求3所述基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述数据采集步骤包含特征点布置和3D激光扫描数据采集两个部分;
所述特征点布置包含如下步骤:
现场踏勘,了解现场情况,制定详细的测量方案及特征点布置方案;
根据轨道平面和隧道中心布置相应的特征点,为后期点云数据模型拼接提供校准数据,为了提高桥梁结构BIM模型精度,各专业控制测量特征点不少于5个,为后期点云数据模型拼接提供校准数据从而确保桥梁结构BIM模型精度;
特征点布置方案,特征点布置时要求至少3个特征点分布在不同的x/y/z坐标中,以保证模型拼接的唯一性。
5.如权利要求4所述基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述3D激光扫描数据采集包含如下步骤:
扫描准备工作,设置基础控制点,利用GPS定位功能,使各部分采集的“点云”数据在同一坐标系内,保证“点云”模型拼接的整体性,同时确保控制点坐标和真实城市坐标系一一对应,保证能够与其他项目3D模型能匹配;
点云数据采集,利用3D激光扫描仪自动进行扫描测量,点云数据自动保存。
6.如权利要求3所述基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述“点云”数据预处理包含如下步骤:
数据拼接:将整个模型进行分区拼接,拼接工作利用点云预处理软件实现,利用相邻区域的至少3个同名标靶所测量的“点云”数据进行拼接操作,选定同名特征点,软件自动进行“点云”合并;
分类:按照桥梁结构构件进行分类,场地前存在的人、材料、机械设备遮挡物,将扫描对象数据进行分类;
去噪:选择所需要的数据,剔除相关的闲杂数据;
校准:拼接时的数据校准,选择相邻区域扫描的除用作拼接以外的同名特征点,利用相关的约束条件进行偏差修正,将拼接误差控制在要求的方位以内;
特征点处理:将不同的特征点进行标记,利用软件进行处理,生成所要求的特征数据,生成相应的点云数据;
数据云存储:为实现了存储容量无限扩展、并行处理读写数据,将数据按照指定策略使用分而治之的方式分成多个块存储到不同服务器上,进行云存储记录;
所述的桥梁结构BIM模型构建包含桥梁结构BIM模型建立、BIM现场三维模型的自动建立、模型校准和后期模型的自动建立;
所述的模型校准包含如下步骤:
误差自动提醒,Revit自动建模完成后,依照相关的约束条件及模型精细度要求,插件自动检测桥梁结构BIM模型与CAD模型的偏差,对于超过误差范围以外的,自动标记;
模型调整,参照CAD三维模型,将超出偏差以外的构件,进行调整,确保建立的桥梁结构BIM模型和CAD模型与、现场实际情况的保持一致;
所述的后期模型的自动建立包含如下步骤:
特征数据匹配,将特征数据文件导入Revit二次开发插件中,作为Revit建模的参照数据;
Revit自动建模,参考不同专业的特征数据进行相关参数的自动设定,导入相关的建模构件族,利用插件自动建模功能进行分专业的批量建模。
7.如权利要求1所述基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述模型更新模块更新方法如下:
1)获取桥梁结构数字孪生模型模拟的频率特征值参数;
通过摄像器和称重器获取桥面的车辆荷载分布模型,将所述车辆荷载分布模型作为实时荷载输入桥梁结构数字孪生模型中,得到所述桥梁结构数字孪生模型模拟的频率特征值参数;
2)生成桥梁结构的实测频率特征值参数;
3)获取传感器测得的桥梁结构在实时交通流荷载下的结构振动响应参数,根据所述结构振动响应参数生成桥梁结构的实测频率特征值参数;
4)迭代修正;
构建基于所述模拟的频率特征值参数与所述实测频率特征值参数的差值的目标函数,根据所述目标函数对所述桥梁结构数字孪生模型的桥梁结构整体刚度进行迭代修正,直至所述目标函数的结果满足预设的迭代终止条件。
8.如权利要求7所述基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述目标函数表示如下:
其中,f(x)表示所述目标函数,λaj是第j阶的所述模拟的频率特征值参数,λtj是第j阶的所述实测频率特征值参数,mf为模态阶次。
9.如权利要求7所述基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述预设的迭代终止条件包括:
根据所述频率特征值参数与所述实测频率特征值参数计算得到所述目标函数的结果;
判断所述目标函数的结果是否小于预设容许值;
若是,将最后一次迭代对应的桥梁结构整体刚度作为所述桥梁结构数字孪生模型最新的桥梁结构整体刚度;
若否,则调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,基于调整后的所述桥梁结构数字孪生模型重新计算模拟的频率特征值参数,重新计算得到所述目标函数的结果,再返回执行所述判断所述目标函数的结果是否小于预设容许值的步骤。
10.如权利要求7所述基于BIM-FEM的桥梁结构数字孪生体,其特征在于,所述调整所述桥梁结构数字孪生模型的桥梁结构整体刚度包括:
当本次调整是本轮更新的首次调整时,采取预设调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,其中,所述预设调整方式为增大所述桥梁结构整体刚度和减小所述桥梁结构整体刚度中的一者;
当本次调整并非本轮更新的首次调整时,获取上一次调整前的桥梁结构整体刚度所对应的目标函数的结果和上一次调整后的桥梁结构整体刚度所对应的目标函数的结果,将两个结果进行对比,当上一次调整后的桥梁结构整体刚度所对应的目标函数的结果小于上一次调整前的桥梁结构整体刚度所对应的目标函数的结果时,继续沿用上一次调整的调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,当上一次调整后的桥梁结构整体刚度所对应的目标函数的结果大于上一次调整前的桥梁结构整体刚度所对应的目标函数的结果时,采用与上一次调整相反的调整方式调整所述桥梁结构数字孪生模型的桥梁结构整体刚度,其中,增大所述桥梁结构整体刚度和减小所述桥梁结构整体刚度为相反的调整方式;
所述通过摄像器和称重器获取桥面的车辆荷载分布模型包括:
通过所述摄像器和所述称重器获取桥面的车辆位置数据、车辆大小数据和车辆车速及车速变化数据;
通过所述车速变化数据计算车辆的加速度,根据所述车辆的加速度,结合牛顿第二定律,获得车辆的纵向作用力;
根据所述车辆位置数据、所述车辆大小数据和所述车辆的纵向作用力,得到所述车辆荷载分布模型;
所述通过所述摄像器和所述称重器获取桥面的车辆位置数据、车辆大小数据和车辆车速及车速变化数据包括:
通过所述摄像器获取目标车辆的第一车速,其中,所述目标车辆为桥面上待确定车速的车辆;
获取所述目标车辆的GPS数据,根据所述GPS数据确定所述目标车辆的第二车速;
当所述第一车速与所述第二车速的差值大于预设差值时,将所述第二车速作为所述目标车辆的车辆车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657457.9A CN116702607A (zh) | 2023-06-05 | 2023-06-05 | 一种基于bim-fem的桥梁结构数字孪生体及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657457.9A CN116702607A (zh) | 2023-06-05 | 2023-06-05 | 一种基于bim-fem的桥梁结构数字孪生体及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702607A true CN116702607A (zh) | 2023-09-05 |
Family
ID=87825100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310657457.9A Pending CN116702607A (zh) | 2023-06-05 | 2023-06-05 | 一种基于bim-fem的桥梁结构数字孪生体及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702607A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629549A (zh) * | 2024-01-26 | 2024-03-01 | 辛集中交建设有限公司 | 一种桥梁建筑健康监测与安全预警*** |
CN117951798A (zh) * | 2024-03-26 | 2024-04-30 | 中国建筑第二工程局有限公司 | 一种基于bim的建筑内隔板建模方法、介质及*** |
-
2023
- 2023-06-05 CN CN202310657457.9A patent/CN116702607A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629549A (zh) * | 2024-01-26 | 2024-03-01 | 辛集中交建设有限公司 | 一种桥梁建筑健康监测与安全预警*** |
CN117629549B (zh) * | 2024-01-26 | 2024-04-09 | 辛集中交建设有限公司 | 一种桥梁建筑健康监测与安全预警*** |
CN117951798A (zh) * | 2024-03-26 | 2024-04-30 | 中国建筑第二工程局有限公司 | 一种基于bim的建筑内隔板建模方法、介质及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521403B (zh) | 多线激光雷达的参数标定方法及装置、设备及可读介质 | |
Morgenthal et al. | Framework for automated UAS-based structural condition assessment of bridges | |
CN108871353B (zh) | 路网地图生成方法、***、设备及存储介质 | |
CN116702607A (zh) | 一种基于bim-fem的桥梁结构数字孪生体及方法 | |
CN101467153B (zh) | 用于获取摄影测量数据来估计碰撞严重性的方法和设备 | |
CN111191487A (zh) | 车道线的检测及驾驶控制方法、装置和电子设备 | |
CN109946701B (zh) | 一种点云坐标转换方法及装置 | |
CN110826549A (zh) | 基于计算机视觉的巡检机器人仪表图像识别方法及*** | |
US20200258297A1 (en) | Method in constructing a model of a scenery and device therefor | |
CN102159918A (zh) | 用于测定机动车的车轮或车轴几何形状的方法和测量装置 | |
CN109671174A (zh) | 一种电塔巡检方法及装置 | |
EP4116935B1 (en) | High-definition map creation method and device, and electronic device | |
CN112347550A (zh) | 耦合式室内三维语义建图及建模方法 | |
CN113252700A (zh) | 一种结构裂缝检测方法、设备及*** | |
CN111080682B (zh) | 点云数据的配准方法及装置 | |
CN114964212B (zh) | 面向未知空间探索的多机协同融合定位与建图方法 | |
CN109993700B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
CN104729529B (zh) | 地形图测量***误差判断的方法和*** | |
Yang et al. | Deep neural network based visual inspection with 3d metric measurement of concrete defects using wall-climbing robot | |
CN111986512A (zh) | 一种目标距离确定方法及装置 | |
CN113538668A (zh) | 地质模型构建方法、***、存储介质以及电子设备 | |
CN115439469B (zh) | 基于无人机的建筑缺陷检测方法、装置及电子设备 | |
CN116047480A (zh) | 一种激光雷达到姿态传感器的外参标定方法 | |
CN115619740A (zh) | 一种高精度视频测速方法、***、电子设备及存储介质 | |
CN113744361B (zh) | 一种基于三目视觉的三维高精地图构建方法及装置 |
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 |