CN117453923B - 一种对施工现场施工设备和建筑设施的关系进行优化的方法 - Google Patents
一种对施工现场施工设备和建筑设施的关系进行优化的方法 Download PDFInfo
- Publication number
- CN117453923B CN117453923B CN202311106384.0A CN202311106384A CN117453923B CN 117453923 B CN117453923 B CN 117453923B CN 202311106384 A CN202311106384 A CN 202311106384A CN 117453923 B CN117453923 B CN 117453923B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- construction
- construction site
- dcn
- scoring
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种对施工现场施工设备和建筑设施的关系进行优化的方法,该方法包括:首先通过采集多个施工现场的施工设备和建筑设施的知识图谱;通过M‑DCN神经网络对知识图谱的关系进行训练,获取训练后的M‑DCN神经网络的最终的评分函数;随后,根据新的工程项目的知识图谱,提取知识图谱中的信息带入M‑DCN神经网络最终的评分函数,计算其知识三元组评分函数得分情况;通过得到的知识三元组评分函数得分情况分别和多个施工现场的知识三元组评分函数得分情况进行对比,对新的工程项目的知识图谱之间的关系进行优化;该方法能够对施工现场的知识图谱进行优化,优化后知识图谱将更加完善;同时,在优化后的知识图谱基础上生成的三维动态模型将更加完善和精确。
Description
技术领域
本发明涉及建筑施工领域,人工智能领域,具体而言,涉及一种对施工现场施工设备和建筑设施的关系进行优化的方法。
背景技术
在大规模施工现场进行现场施工前,为了实时监测施工现场的施工进程和安全,往往需要生成施工现场的三维动态模型;但大规模施工现场的三维动态模型生成面临如下问题:三维动态模型中,生成大量的复杂建筑结构和施工设备之间的对应关系,特别是建筑结构和对应施工设备在时序上的变化关系具有一定的难度。
知识图谱又称为科学知识图谱,在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系;将知识图谱用到建筑工程领域,可以用来描述施工现场的建筑和设备之间的对应关系;因此,怎么生成效果更加好的知识图谱,对描述施工现场的建筑和设备之间的对应关系是十分必要的。
现有的研究中,通过人工智能中的神经网络对研究对象之间的关系进行处理,最终生成研究对象的关系,已经被证实取得了巨大成果;因此,通过神经网络对施工现场的建筑和设备之间的相互关系进行处理,不仅能生成更加具体的施工现场建筑和设备之间的相互关系;同时能够优化施工现场的三维动态模型。
发明内容
本发明的目的在于克服现有技术存在的以上问题,以及在原有技术基础上大大提高其技术效果;为此,本发明提供了一种对施工现场施工设备和建筑设施的关系进行优化的方法,该方法包括:
从历史施工数据集中尽量多的获取多个施工现场的实际情况;所述实际情况指多个施工现场施工设备和建筑设施的关系生成的多个施工现场的知识图谱;将所述施工设备看做知识图谱的尾实体,用t表示;将所述建筑设施看做知识图谱的头实体,用h表示;将尾实体对头实体进行的施工操作看做知识图谱中各元素之间的关系,用r表示;
提取多个施工现场对应的知识图谱的知识三元组(h,r,t),将得到的所有知识三元组带入M-DCN神经网络进行训练,获取训练后的M-DCN神经网络最终的评分函数;所述M-DCN神经网络进行训练的公式为:
其中,φ(h,r,t)为M-DCN神经网络最终的评分函数,σ表示逻辑回归函数,其公式为:逻辑回归函数σ用于返回知识三元组(h,r,t)的置信度评分;f(x)表示非线性激活函数ReLU,vec(x)表示全连接操作,Wi r表示不同尺度的卷积核,所述不同尺度的卷积核分别用W1 r、W2 r、…Wn r表示;W表示共享矩阵用于讲所有特征图映射到与实体同一纬度;b表示偏执项;
分别记录多个施工现场的知识三元组评分函数得分情况,在对一个新的工程项目施工前,首先制作所述新的工程项目的知识图谱,提取知识图谱中的信息带入M-DCN神经网络最终的评分函数,计算其知识三元组评分函数得分情况;通过得到的知识三元组评分函数得分情况分别和多个施工现场的知识三元组评分函数得分情况进行对比,得到与所述新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱,并对新的工程项目施工现场知识图谱进行比较和优化。
进一步地,所述将尾实体对头实体进行的施工操作看做知识图谱中各元素之间的关系包括:根据尾实体对头实体进行的施工操作的具体操作事项和操作步骤生成知识图谱中各元素之间的关系。
进一步地,所述提取多个施工现场对应的知识图谱的知识三元组(h,r,t)包括:提取多个施工现场每个实体对应的知识图谱的知识三元组(h,r,t),组成多个施工现场知识图谱的知识三元组集合;所述将得到的所有知识三元组带入M-DCN神经网络进行训练指将多个施工现场知识图谱的知识三元组集合带入M-DCN神经网络进行训练。
进一步地,所述f(x)表示非线性激活函数ReLU包括:非线性激活函数ReLU的概念是:当输入大于0时,直接返回作为输入提供的值;如果输入不大于0,则返回值为0。
进一步地,所述不同尺度的卷积核分别用W1 r、W2 r、…Wn r表示包括:M-DCN模型生成的每个关系相关的卷积核维度等于与其相关的不同尺度的卷积核W1 r、W2 r、…、和Wn r维度之和。
进一步地,所述并对新的工程项目施工现场知识图谱进行比较和优化包括:通过与新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱对新的工程项目的知识图谱进行比较和优化,优化新的工程项目的知识图谱的头实体和尾实体之间的关系,确保工程施工时更加安全和顺利的完成。
本发明的有益效果是:
本发明给出了一种对施工现场施工设备和建筑设施的关系进行优化的方法,该方法通过采集多个施工现场的实际情况,获取多个施工现场的施工设备和建筑设施的知识图谱;通过M-DCN神经网络对知识图谱的关系进行训练,获取训练后的M-DCN神经网络的最终的评分函数;随后,根据新的工程项目的知识图谱,提取知识图谱中的信息带入M-DCN神经网络最终的评分函数,计算其知识三元组评分函数得分情况;通过得到的知识三元组评分函数得分情况分别和多个施工现场的知识三元组评分函数得分情况进行对比,得到与所述新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱;通过相似的知识图谱对新的工程项目的知识图谱进行优化;该方法能够对施工现场的知识图谱进行优化,优化后知识图谱中施工设备和建筑设施之间的关系将更加完善;同时,在优化后的知识图谱基础上生成的三维动态模型将更加完善和精确。
附图说明
图1:本发明的一种对施工现场施工设备和建筑设施的关系进行优化的方法的流程图。
具体实施方式
以下结合附图对本发明的具体实施例进行详细说明。应当理解的是此处所给出的具体实施例仅用于说明和解释本发明,并不能用来限制本发明。
需要注意的是,在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以有其他实施方式以及其变形,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,根据本发明的实施例的一种对施工现场施工设备和建筑设施的关系进行优化的方法,该方法包括:步骤S100,从历史施工数据集中尽量多的获取多个施工现场的实际情况;所述实际情况指多个施工现场施工设备和建筑设施的关系生成的多个施工现场的知识图谱;将所述施工设备看做知识图谱的尾实体,用t表示;将所述建筑设施看做知识图谱的头实体,用h表示;将尾实体对头实体进行的施工操作看做知识图谱中各元素之间的关系,用r表示;步骤S101,提取多个施工现场对应的知识图谱的知识三元组(h,r,t),将得到的所有知识三元组带入M-DCN神经网络进行训练,获取训练后的M-DCN神经网络最终的评分函数;步骤S102,分别记录多个施工现场的知识三元组评分函数得分情况,在对一个新的工程项目施工前,首先制作所述新的工程项目的知识图谱,提取知识图谱中的信息带入M-DCN神经网络最终的评分函数,计算其知识三元组评分函数得分情况;通过得到的知识三元组评分函数得分情况分别和多个施工现场的知识三元组评分函数得分情况进行对比,得到与所述新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱,并对新的工程项目施工现场知识图谱进行比较和优化。
具体地,该方法首先通过采集多个施工现场的实际情况,获取多个施工现场的施工设备和建筑设施的知识图谱;随后通过M-DCN神经网络对知识图谱的关系进行训练,获取训练后的M-DCN神经网络的最终的评分函数;随后,根据新的工程项目的知识图谱,提取知识图谱中的信息带入M-DCN神经网络最终的评分函数,计算其知识三元组评分函数得分情况;通过得到的知识三元组评分函数得分情况分别和多个施工现场的知识三元组评分函数得分情况进行对比,得到与所述新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱;通过相似的知识图谱对新的工程项目的知识图谱进行优化。
步骤S100,从历史施工数据集中尽量多的获取多个施工现场的实际情况;所述实际情况指多个施工现场施工设备和建筑设施的关系生成的多个施工现场的知识图谱;将所述施工设备看做知识图谱的尾实体,用t表示;将所述建筑设施看做知识图谱的头实体,用h表示;将尾实体对头实体进行的施工操作看做知识图谱中各元素之间的关系,用r表示。
在上述实施例中,具体地,所述将尾实体对头实体进行的施工操作看做知识图谱中各元素之间的关系包括:根据尾实体对头实体进行的施工操作的具体操作事项和操作步骤生成知识图谱中各元素之间的关系;所述操作步骤包括尾实体对头实体的操作是分步骤进行的,且包括尾实体对头实体操作时的每个步骤所需时间。
步骤S101,提取多个施工现场对应的知识图谱的知识三元组(h,r,t),将得到的所有知识三元组带入M-DCN神经网络进行训练,获取训练后的M-DCN神经网络最终的评分函数。
在上述实施例中,具体地,所述M-DCN神经网络进行训练的公式为:
其中,φ(h,r,t)为M-DCN神经网络最终的评分函数,σ表示逻辑回归函数,其公式为:逻辑回归函数σ用于返回知识三元组(h,r,t)的置信度评分;f(x)表示非线性激活函数ReLU,vec(x)表示全连接操作,Wi r表示不同尺度的卷积核,所述不同尺度的卷积核分别用W1 r、W2 r、…Wn r表示;W表示共享矩阵用于讲所有特征图映射到与实体同一纬度;b表示偏执项。
在上述实施例中,具体地,所述提取多个施工现场对应的知识图谱的知识三元组(h,r,t)包括:提取多个施工现场每个实体对应的知识图谱的知识三元组(h,r,t),组成多个施工现场知识图谱的知识三元组集合;所述将得到的所有知识三元组带入M-DCN神经网络进行训练指将所有的多个施工现场知识图谱的知识三元组集合带入M-DCN神经网络进行训练。
在上述实施例中,具体地,所述f(x)表示非线性激活函数ReLU包括:非线性激活函数ReLU的概念是:当输入大于0时,直接返回作为输入提供的值;如果输入不大于0,则返回值为0。
进一步地,所述不同尺度的卷积核分别用W1 r、W2 r、…Wn r表示包括:M-DCN模型生成的每个关系相关的卷积核维度等于与其相关的不同尺度的卷积核W1 r、W2 r、…、和Wn r维度之和。
步骤S102,分别记录所有多个施工现场的知识三元组评分函数得分情况,在对一个新的工程项目施工前,首先制作所述新的工程项目的知识图谱,提取知识图谱中的信息带入M-DCN神经网络最终的评分函数,计算其知识三元组评分函数得分情况;通过得到的知识三元组评分函数得分情况分别和多个施工现场的知识三元组评分函数得分情况进行对比,得到与所述新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱,并对新的工程项目施工现场知识图谱进行比较和优化。
在上述实施例中,具体地,所述并对新的工程项目施工现场知识图谱进行比较和优化包括:通过与新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱对新的工程项目的知识图谱进行比较和优化,优化新的工程项目的知识图谱的头实体和尾实体之间的关系,确保工程施工时更加安全和顺利的完成。
在上述实施例中,优选地,可以通过同时选取若干个与新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱对新的工程项目的知识图谱进行比较和优化;优化后获得第一次优化的施工现场知识图谱,随后,通过提取第一次优化的施工现场知识图谱的信息带入M-DCN神经网络最终的评分函数,计算第一次优化后的施工现场知识图谱的得分情况,通过得到的第一次优化的施工现场知识图谱的知识三元组评分函数得分情况分别和多个施工现场的知识三元组评分函数得分情况进行对比,得到与所述第一次优化的施工现场知识图谱最接近的多个施工现场知识图谱,并对所述第一次优化的施工现场知识图谱再次进行优化;通过该过程不断迭代,直到最后一次迭代时,出现优化的施工现场知识图谱的得分情况几乎和多个施工现场知识图谱的其中一个或几个知识图谱的得分情况相同,则迭代结束,通过该方法完成了对新的工程项目施工现场中施工设备和建筑设施的关系的优化。
需要理解的是,上述实施例为本发明的一个或多个实施例,基于本发明还有很多其他实施例及其变形;本行业的普通技术人员在没有作出开拓性的创新的时候,通过本发明进行的变形和修改,均属于本发明的保护范围。
Claims (6)
1.一种对施工现场施工设备和建筑设施的关系进行优化的方法,其特征在于,所述方法包括:
从历史施工数据集中尽量多的获取多个施工现场的实际情况;所述实际情况指多个施工现场施工设备和建筑设施的关系生成的多个施工现场的知识图谱;将所述施工设备看做知识图谱的尾实体,用t表示;将所述建筑设施看做知识图谱的头实体,用h表示;将尾实体对头实体进行的施工操作看做知识图谱中各元素之间的关系,用r表示;
提取多个施工现场对应的知识图谱的知识三元组(h,r,t),将得到的所有知识三元组带入M-DCN神经网络进行训练,获取训练后的M-DCN神经网络最终的评分函数;所述M-DCN神经网络进行训练的公式为:
其中,φ(h,r,t)为M-DCN神经网络最终的评分函数,σ表示逻辑回归函数,其公式为:逻辑回归函数σ用于返回知识三元组(h,r,t)的置信度评分;f(x)表示非线性激活函数ReLU,vec(x)表示全连接操作,Wi r表示不同尺度的卷积核,所述不同尺度的卷积核分别用W1 r、W2 r、…Wn r表示;W表示共享矩阵用于讲所有特征图映射到与实体同一纬度;b表示偏执项;
分别记录多个施工现场的知识三元组评分函数得分情况,在对一个新的工程项目施工前,首先制作所述新的工程项目的知识图谱,提取知识图谱中的信息带入M一DCN神经网络最终的评分函数,计算其知识三元组评分函数得分情况;通过得到的知识三元组评分函数得分情况分别和多个施工现场的知识三元组评分函数得分情况进行对比,得到与所述新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱,并对新的工程项目施工现场知识图谱进行比较和优化。
2.根据权利要求1所述的一种对施工现场施工设备和建筑设施的关系进行优化的方法,其特征在于,所述将尾实体对头实体进行的施工操作看做知识图谱中各元素之间的关系包括:根据尾实体对头实体进行的施工操作的具体操作事项和操作步骤生成知识图谱中各元素之间的关系。
3.根据权利要求1所述的一种对施工现场施工设备和建筑设施的关系进行优化的方法,其特征在于,所述提取多个施工现场对应的知识图谱的知识三元组(h,r,t)包括:提取多个施工现场每个实体对应的知识图谱的知识三元组(h,r,t),组成多个施工现场知识图谱的知识三元组集合;所述将得到的所有知识三元组带入M-DCN神经网络进行训练指将多个施工现场知识图谱的知识三元组集合带入M-DCN神经网络进行训练。
4.根据权利要求1所述的一种对施工现场施工设备和建筑设施的关系进行优化的方法,其特征在于,所述f(x)表示非线性激活函数ReLU包括:非线性激活函数ReL U的概念是:当输入大于0时,直接返回作为输入提供的值;如果输入不大于0,则返回值为0。
5.根据权利要求1所述的一种对施工现场施工设备和建筑设施的关系进行优化的方法,其特征在于,所述不同尺度的卷积核分别用W1 r、W2 r、…Wn r表示包括:M-DCN模型生成的每个关系相关的卷积核维度等于与其相关的不同尺度的卷积核W1 r、W2 r、…、和Wn r维度之和。
6.根据权利要求1所述的一种对施工现场施工设备和建筑设施的关系进行优化的方法,其特征在于,所述并对新的工程项目施工现场知识图谱进行比较和优化包括:通过与新的工程项目施工现场知识图谱最接近的多个施工现场知识图谱对新的工程项目的知识图谱进行比较和优化,优化新的工程项目的知识图谱的头实体和尾实体之间的关系,确保工程施工时更加安全和顺利的完成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311106384.0A CN117453923B (zh) | 2023-08-30 | 2023-08-30 | 一种对施工现场施工设备和建筑设施的关系进行优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311106384.0A CN117453923B (zh) | 2023-08-30 | 2023-08-30 | 一种对施工现场施工设备和建筑设施的关系进行优化的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117453923A CN117453923A (zh) | 2024-01-26 |
CN117453923B true CN117453923B (zh) | 2024-03-19 |
Family
ID=89584314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311106384.0A Active CN117453923B (zh) | 2023-08-30 | 2023-08-30 | 一种对施工现场施工设备和建筑设施的关系进行优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117453923B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8452725B2 (en) * | 2008-09-03 | 2013-05-28 | Hamid Hatami-Hanza | System and method of ontological subject mapping for knowledge processing applications |
CN111339321A (zh) * | 2020-05-18 | 2020-06-26 | 中国人民解放军国防科技大学 | 知识图谱中三元组真实性检测方法和装置 |
CN111813950A (zh) * | 2020-05-20 | 2020-10-23 | 淮阴工学院 | 一种基于神经网络自适应寻优调参的建筑领域知识图谱构建方法 |
CN112334979A (zh) * | 2019-02-27 | 2021-02-05 | 谷歌有限责任公司 | 通过计算设备检测持续对话 |
CN112685609A (zh) * | 2021-01-04 | 2021-04-20 | 福州大学 | 一种结合平移机制与卷积神经网络的知识图谱补全方法 |
CN113011185A (zh) * | 2020-07-17 | 2021-06-22 | 上海浦东华宇信息技术有限公司 | 法律领域文本分析识别方法、***、存储介质及终端 |
CN113918727A (zh) * | 2021-09-16 | 2022-01-11 | 西南交通大学 | 一种基于知识图谱和迁移学习的施工项目知识转移方法 |
CN114610900A (zh) * | 2022-03-14 | 2022-06-10 | 上海交通大学 | 知识图谱补全方法及*** |
CN114880468A (zh) * | 2022-04-21 | 2022-08-09 | 淮阴工学院 | 基于BiLSTM与知识图谱的建筑规范审查方法与*** |
CN115186819A (zh) * | 2022-06-22 | 2022-10-14 | 电子科技大学 | 一种结合子图结构和关系类型的知识图谱补全方法 |
CN116187175A (zh) * | 2023-02-02 | 2023-05-30 | 杭州交联电气工程有限公司 | 基于电气行业知识图谱的变配电站神经网络识别方法 |
CN116389695A (zh) * | 2023-06-06 | 2023-07-04 | 深圳市城市公共安全技术研究院有限公司 | 建筑工地监控方法、装置、建筑工地巡查设备及存储介质 |
CN116402133A (zh) * | 2023-04-12 | 2023-07-07 | 中南大学 | 一种基于结构聚合图卷积网络的知识图谱补全方法及*** |
CN116429055A (zh) * | 2022-12-29 | 2023-07-14 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于知识图谱-多监测点的大坝变形监控方法、装置、设备以及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220108188A1 (en) * | 2020-10-01 | 2022-04-07 | International Business Machines Corporation | Querying knowledge graphs with sub-graph matching networks |
US20220237446A1 (en) * | 2021-01-28 | 2022-07-28 | International Business Machines Corporation | Hybrid graph neural network |
-
2023
- 2023-08-30 CN CN202311106384.0A patent/CN117453923B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8452725B2 (en) * | 2008-09-03 | 2013-05-28 | Hamid Hatami-Hanza | System and method of ontological subject mapping for knowledge processing applications |
CN112334979A (zh) * | 2019-02-27 | 2021-02-05 | 谷歌有限责任公司 | 通过计算设备检测持续对话 |
CN111339321A (zh) * | 2020-05-18 | 2020-06-26 | 中国人民解放军国防科技大学 | 知识图谱中三元组真实性检测方法和装置 |
CN111813950A (zh) * | 2020-05-20 | 2020-10-23 | 淮阴工学院 | 一种基于神经网络自适应寻优调参的建筑领域知识图谱构建方法 |
CN113011185A (zh) * | 2020-07-17 | 2021-06-22 | 上海浦东华宇信息技术有限公司 | 法律领域文本分析识别方法、***、存储介质及终端 |
CN112685609A (zh) * | 2021-01-04 | 2021-04-20 | 福州大学 | 一种结合平移机制与卷积神经网络的知识图谱补全方法 |
CN113918727A (zh) * | 2021-09-16 | 2022-01-11 | 西南交通大学 | 一种基于知识图谱和迁移学习的施工项目知识转移方法 |
CN114610900A (zh) * | 2022-03-14 | 2022-06-10 | 上海交通大学 | 知识图谱补全方法及*** |
CN114880468A (zh) * | 2022-04-21 | 2022-08-09 | 淮阴工学院 | 基于BiLSTM与知识图谱的建筑规范审查方法与*** |
CN115186819A (zh) * | 2022-06-22 | 2022-10-14 | 电子科技大学 | 一种结合子图结构和关系类型的知识图谱补全方法 |
CN116429055A (zh) * | 2022-12-29 | 2023-07-14 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于知识图谱-多监测点的大坝变形监控方法、装置、设备以及介质 |
CN116187175A (zh) * | 2023-02-02 | 2023-05-30 | 杭州交联电气工程有限公司 | 基于电气行业知识图谱的变配电站神经网络识别方法 |
CN116402133A (zh) * | 2023-04-12 | 2023-07-07 | 中南大学 | 一种基于结构聚合图卷积网络的知识图谱补全方法及*** |
CN116389695A (zh) * | 2023-06-06 | 2023-07-04 | 深圳市城市公共安全技术研究院有限公司 | 建筑工地监控方法、装置、建筑工地巡查设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Construction and Completion of Operational Entity Relationship Knowledge Graph;Zhen Jia等;《IEEE》;20220909;第491-495页 * |
基于BIM和数据驱动的智能运维管理方法;胡振等;《清华大学学报(自然科学版)》;20211007;第199-207页 * |
建筑工程施工现场管理的优化策略探究;李炳江;《建材与装饰》;20200605;第133, 136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117453923A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2021240155B2 (en) | Control Pulse Generation Method, Apparatus, System, Device And Storage Medium | |
JP7438303B2 (ja) | ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム | |
US20180018167A1 (en) | Transforming data manipulation code into data workflow | |
CN105825269A (zh) | 一种基于并行自动编码机的特征学习方法及*** | |
CN117454495B (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN112348269A (zh) | 一种融合图结构的时间序列预测建模方法 | |
US20200302293A1 (en) | Methods and systems for field development decision optimization | |
CN117634617B (zh) | 知识密集型推理问答方法、装置、电子设备和存储介质 | |
CN113449878B (zh) | 数据分布式的增量学习方法、***、设备及存储介质 | |
CN117453923B (zh) | 一种对施工现场施工设备和建筑设施的关系进行优化的方法 | |
CN114546365A (zh) | 一种流程可视化的建模方法、服务器、计算机***及介质 | |
CN113377964A (zh) | 知识图谱链接预测方法、装置、设备及存储介质 | |
CN111695701B (zh) | 基于联邦学习实现数据集构建处理的***及其构建生成方法 | |
US20230315745A1 (en) | Information pushing method, apparatus, device, storage medium, and computer program product | |
CN113222151B (zh) | 一种量子态的变换方法及装置 | |
CN116302088B (zh) | 一种代码克隆检测方法、存储介质及设备 | |
CN104331738A (zh) | 基于博弈和遗传算法的网络重构算法 | |
CN116822462A (zh) | 电力***的仿真报告的生成方法与生成装置 | |
CN110610140A (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
JPH08314892A (ja) | 計量経済モデルにニューラルネットを適用した金利予測システム | |
Woo et al. | C3F: collaborative container-based model coupling framework | |
JP2023005281A (ja) | 設計計画生成システム及び方法 | |
JP6694197B2 (ja) | 学習ネットワーク生成装置、及び学習ネットワーク生成プログラム | |
CN110941651B (zh) | 一种基于不完备人口信息的交通模式选择分析方法 | |
Claghorn | Algorithmic landscapes: computational methods for the mediation of form, information, and performance in landscape architecture |
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 |