CN117829787A - 一种基于bim和ai大模型的工程安全智能管理方法及*** - Google Patents
一种基于bim和ai大模型的工程安全智能管理方法及*** Download PDFInfo
- Publication number
- CN117829787A CN117829787A CN202410247730.5A CN202410247730A CN117829787A CN 117829787 A CN117829787 A CN 117829787A CN 202410247730 A CN202410247730 A CN 202410247730A CN 117829787 A CN117829787 A CN 117829787A
- Authority
- CN
- China
- Prior art keywords
- data
- safety
- engineering
- bim
- database
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 73
- 238000005516 engineering process Methods 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 3
- 238000009435 building construction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于BIM和AI大模型的工程安全智能管理方法及***，涉及工程安全管理技术领域，包括：建立并整合IoT技术的BIM数据库，实时收集工程现场数据；分析施工资料和安全标准，建立危险源信息数据库和专业知识库；利用BIM技术融合各数据库，形成统一的工程安全管理大数据库；基于危险源分类设定临界值，定义安全等级状态，并制定预警指标体系；建立基于BP神经网络的预警模型，利用大数据库中的数据进行训练；创建AI驱动的智能助理***，提供***和预警服务。本发明提高了工程安全管理的效率和准确性，通过整合BIM和AI技术实现实时数据监控、高效风险预测和智能预警，从而显著提升建筑工程项目的安全水平和管理效能。
Description
技术领域
本发明涉及工程安全管理技术领域，具体为一种基于BIM和AI大模型的工程安全智能管理方法及***。
背景技术
建筑行业作为传统行业存在诸多痛点。高耗能、低效率；工程项目多、管理粗放化；信息不流畅、监管效率难以提高；工地人员复杂、管理难度高；过程数据难采集、重大决策缺乏支撑等等，不仅让安全生产浮于表面，更是严重影响了企业管理运营的效率，导致利润率低下，制约着整个行业的发展。最值得关注的是，我国建筑工程施工安全问题究其原因，主要是企业和工人安全意识不足；施工现场存在高空、露天、交叉作业等风险因素；场地狭窄，工程量大，施工环境差；工程安全管理模式相对落后等。
BIM技术具有可视性、模拟性、优化性和协调性的特点，将BIM技术运用到工程安全管理中，结合IoT、VR技术，能够有效减少安全事故的发生。现有的基于BIM 技术在工程安全管理方面，主要是通过构建建筑信息模型（BIM），构建智慧工地管理平台，可实现施工模拟、方案优化、危险源的识别、控制、预警等多方智能联动管理、安全教育等。
AI技术通过计算机模拟人的思维过程和智能行为，具备数据挖掘、机器学习、认知与知识工程、智能计算等应用能力。结合图像识别和视频分析技术，通过深度学习建立模型，进而对检测的目标进行辨识，且检测结果均具备一定的准确性和实时性，提高了工程安全管理的效率。目前AI技术在工程安全管理方面的应用主要有安全帽识别、反光衣识别、升降梯超员、危险区域入侵、明火识别、烟雾识别、安全晨会识别、基坑临边防护、洞口防护告警等。
结合实际工程项目中BIM和AI技术的应用情况，现有的基于BIM和AI技术的工程安全管理仍存在一些不足：BIM模型精度不够；BIM模型与实际施工现场存在差异；AI图像识别准确率低，存在识别错误的情况；应用范围较窄，多局限在图像识别方面，对文本类、自然语言类以及危险预测方面的应用较少；多为智慧工地平台***，缺少交互等。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：如何利用BIM和AI技术，结合实时数据监控和智能分析，有效识别和预警工程安全中的潜在风险，从而提高工程项目的安全管理效率和效果。
为解决上述技术问题，本发明提供如下技术方案：一种基于BIM和AI大模型的工程安全智能管理方法，包括：建立BIM数据库，并整合IOT技术，实时收集工程现场的数据；
分析施工项目资料、安全标准规范和历史事故案例，对潜在危险源进行数据类型分类并记录，并汇集工程安全相关的教育材料和考试题库，建立危险源信息数据库和专业知识库；
利用BIM技术融合BIM数据库、工程工地现场数据库、危险源信息数据库和工程行业专业知识库，形成统一的工程安全管理大数据库，实现数据的互联互通和统一管理；
对所述危险源信息数据库的数据进行安全等级分类，设定各类危险源的临界值，定义安全等级状态，制定安全事故预警指标体系；
建立基于BP神经网络的预警模型，利用工程安全大数据库中的数据，训练BP神经网络模型，实现对潜在安全事故的预警；
创建AI驱动的智能助理，开发基于AI大模型的智能助理***，提供***和预警服务，在检测到潜在风险时发出警报。
作为本发明所述的基于BIM和AI大模型的工程安全智能管理方法的一种优选方案，其中：所述BIM数据库包括，建筑物机电管综数据、建筑模型数据、结构模型数据和给排水***数据的
所述机电管综数据包括，建筑物机电***的运行状态、能耗数据和维护记录；
所述建筑模型数据包括，建筑物的设计参数、材料规格和施工进度信息；
所述结构模型数据包括，建筑物结构的应力分析、负载测试和稳定性评估数据；
所述给排水***数据包括，水管布局、流量监测和排水***性能数据；
所述整合IOT技术包括，通过IOT传感器收集的温度、湿度、气压和光照强度数据，通过视频摄像机和智慧安全帽收集的工人位置、活动和安全装备佩戴情况数据，通过RFID标签和传感器收集的机械设备运行状态、使用频率和维护记录数据。
作为本发明所述的基于BIM和AI大模型的工程安全智能管理方法的一种优选方案，其中：所述对潜在危险源进行分类记录包括，使用TF-IDF技术进行文本特征提取，从所述施工项目资料、安全标准规范和历史事故案例中识别和加权特点的词语，公式表示为：
；
其中，表示词语/>在文档/>中的出现频率；/>表示文档集中的文档总数；表示包含词语/>的文档数量，反映了词语/>的普遍重要性；/>表示逆文档频率；
应用机器学习算法，支持向量机SVM，对预处理和特征提取后的数据进行分析和分类，具体公式为：
；
其中，表示支持向量的拉格朗日乘子；/>表示训练数据点的标签；/>表示为RBF核函数，其中/>是一个正的缩放参数，用于控制高斯函数的宽度；/>表示输入向量/>和支持向量/>之间的欧氏距离的平方；/>表示决策边界的偏置项。
作为本发明所述的基于BIM和AI大模型的工程安全智能管理方法的一种优选方案，其中：所述工程工地现场数据库包括，劳务工人数据和各类设备仪器数据；
所述危险源信息数据库包括，发生危险的事故案例的数据信息；
所述工程行业专业知识库包括，工程行业安全教育知识及安全教育考试题库；
所述形成统一的工程安全管理大数据库包括，对所述BIM数据库、所述工程工地现场数据库、所述危险源信息数据库和所述工程行业专业知识库的数据格式进行标准化处理，统一数据编码、时间戳格式和数据字段命名，使数据在格式和结构上的保持一致性；
通过数据融合算法，将不同数据库中的数据整合到一个统一的平台上，公式为：
；
其中，表示第/>个数据源的数据集；/>表示分配给第/>个数据源的权重，/>表示融合后的数据集；
建立数据交换和共享机制，使数据在不同***间的互联互通。
作为本发明所述的基于BIM和AI大模型的工程安全智能管理方法的一种优选方案，其中：所述制定安全事故预警指标体系包括，构建一个综合评估模型，考虑人的因素、物的因素、环境因素、技术因素和管理因素，为每个因素赋予一个风险权重, 并评估其风险值/>，评估公式为：
；
其中，是因素的总数，/>是第/>个因素的权重，/>是第/>个因素的风险值；
为每个因素设定一个危险临界值，若某因素的风险评分超过其临界值，则其将被视为潜在危险；
基于总风险评分，将安全状况分为安全、隐患、危险三种状态；
设定两个阈值和/>，其中/>；
若，则被视为安全，继续保持当前的安全管理措施和监控水平，进行正常的安全检查；
若，则被视为存在安全隐患，提高监控和检查频率，对识别的隐患进行原因分析，制定和实施针对性的改进措施；
若，则安全状况会被视为危险，立即采取紧急措施，暂停相关作业区域的工作，进行全面的安全检查和风险评估。
作为本发明所述的基于BIM和AI大模型的工程安全智能管理方法的一种优选方案，其中：所述建立基于BP神经网络的预警模型包括，将所有权重初始化为随机小数值；
从训练数据集中选择样本和目标输出/>；
输入数据通过隐含层，计算其单元的输出，公式为：
；
其中，表示隐含层中第j个神经元的输出值，/>表示激活函数，/>表示隐含层中第j个神经元的偏置项，/>表示输入层中第i个神经元到隐含层中第j个神经元的权重，/>表示输入层中第i个神经元的输入值；
隐含层的输出被传递到输出层，计算最终的输出，公式为：
；
其中，表示输出层中第k个神经元的输出值，/>表示隐含层中第j个神经元到输出层中第k个神经元的权重，/>表示输出层中第k个神经元的偏置项；
计算最终输出和目标输出Y之间的误差值E，公式为：
；
其中，表示输出层中第k个神经元的误差值，/>表示第k个神经元的目标输出值；
若误差值E不满足要求，则计算误差梯度并进行权值调整，重新计算隐含层单元输出，直到误差满足预设的阈值；
若误差值E满足要求，则迭代结束。
作为本发明所述的基于BIM和AI大模型的工程安全智能管理方法的一种优选方案，其中：所述***和预警服务包括，利用BIM技术实时更新工程项目的建筑信息模型，确保所有数据反映当前的工程状态；
根据所述工程状态，识别潜在危险区域；
确定并记录被识别为危险区域的具体坐标；
判断工人与识别的危险区域的边界距离是否大于安全距离阈值Z，
若工人与识别的危险区域的边界距离＞Z，则判定为工人现阶段为安全；
若工人与识别的危险区域的边界距离＜Z，则判定为工人现阶段为危险，***自动发出警报，提醒相关人员和管理者注意潜在的安全风险，提示进行相应的防护措施，将事件和采取的措施记录在安全检查报告中。
一种基于BIM和AI大模型的工程安全智能管理***，其特征在于：包括，
BIM数据库模块：建立BIM数据库，并整合IOT技术，实时收集工程现场的数据；
危险源信息数据库模块：分析施工项目资料、安全标准规范和历史事故案例，对潜在危险源进行数据类型分类并记录，并汇集工程安全相关的教育材料和考试题库，建立危险源信息数据库和专业知识库；
数据融合与管理模块：利用BIM技术融合BIM数据库、工程工地现场数据库、危险源信息数据库和工程行业专业知识库，形成统一的工程安全管理大数据库，实现数据的互联互通和统一管理；
安全事故预警指标体系模块：对所述危险源信息数据库的数据进行安全等级分类，设定各类危险源的临界值，定义安全等级状态，制定安全事故预警指标体系；
BP神经网络预警模块：建立基于BP神经网络的预警模型，利用工程安全大数据库中的数据，训练BP神经网络模型，实现对潜在安全事故的预警；
智能助理模块：创建AI驱动的智能助理，开发基于AI大模型的智能助理***，提供***和预警服务，在检测到潜在风险时发出警报。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。
本发明的有益效果：本发明提高了工程安全管理的效率和准确性，通过整合BIM和AI技术实现实时数据监控、高效风险预测和智能预警，从而显著提升建筑工程项目的安全水平和管理效能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1为本发明第一个实施例提供的一种基于BIM和AI大模型的工程安全智能管理方法的整体流程图；
图2为本发明第一个实施例提供的一种基于BIM和AI大模型的工程安全智能管理方法的建筑施工安全事故预警指标体系图；
图3为本发明第一个实施例提供的一种基于BIM和AI大模型的工程安全智能管理方法的基于BP神经网络的建筑施工安全事故预警模型网络结构图；
图4为本发明第一个实施例提供的一种基于BIM和AI大模型的工程安全智能管理方法的危险源识别与警示流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
实施例1
参照图1~图4，为本发明的一个实施例，提供了一种基于BIM和AI大模型的工程安全智能管理方法，包括：
S1：建立BIM数据库，并整合IOT技术，实时收集工程现场的数据。
建立BIM数据库，包含建筑物的机电管综、建筑模型、结构模型、给排水等属性信息。
机电管综数据包括，建筑物机电***的运行状态、能耗数据和维护记录。
建筑模型数据包括，建筑物的设计参数、材料规格和施工进度信息。
结构模型数据包括，建筑物结构的应力分析、负载测试和稳定性评估数据。
给排水***数据包括，水管布局、流量监测和排水***性能数据。
利用IOT技术，通过视频摄像机、RFID标签、阅读器、传感器、智慧安全帽、RFID手持终端等，采集工程现场数据（表1），包括劳务工人数据、各类传感器数据、各类摄像头数据、各类环境监管设备数据、各类仪器设备数据等。
表1 工程工地现场数据库（仅展示局部）
S2：分析施工项目资料、安全标准规范和历史事故案例，对潜在危险源进行数据类型分类并记录，并汇集工程安全相关的教育材料和考试题库，建立危险源信息数据库和专业知识库。
使用TF-IDF技术进行文本特征提取，从所述施工项目资料、安全标准规范和历史事故案例中识别和加权特点的词语，公式表示为：
；
其中，表示词语/>在文档/>中的出现频率；/>表示文档集中的文档总数；/>表示包含词语/>的文档数量，反映了词语/>的普遍重要性；/>表示逆文档频率，用于减少常见词语的影响，增强稀有词语的权重。
应用机器学习算法，支持向量机SVM，对预处理和特征提取后的数据进行分析和分类，具体公式为：
；
其中，表示支持向量的拉格朗日乘子；/>表示训练数据点的标签；/>表示为RBF核函数，其中/>是一个正的缩放参数，用于控制高斯函数的宽度；/>表示输入向量/>和支持向量/>之间的欧氏距离的平方；/>表示决策边界的偏置项。
进一步的，TF-IDF技术有效地提取文本数据中的关键特征，通过计算词语的频率和逆文档频率，识别出施工项目资料、安全标准规范和历史事故案例中的关键词语。该技术通过逆文档频率减少常见词语的影响，同时增强稀有但重要词语的权重，从而更准确地反映词语在安全管理上的重要性，并为后续的机器学习算法提供了高质量的预处理数据，确保了数据分析的准确性和有效性。
更进一步的，SVM是一种强大的分类算法，特别适用于具有复杂特征空间的数据，如工程安全管理中的多维数据。SVM的核技巧（如RBF核）允许在高维空间中有效地处理数据，即使在原始空间中数据不是线性可分的。通过最大化决策边界的边距来提高分类的准确性和鲁棒性，这对于区分复杂的安全风险场景尤为重要。通过调整核函数的参数来适应不同的数据特征和分布，增强了模型在不同工程项目中的适用性。
S3：利用BIM技术融合BIM数据库、工程工地现场数据库、危险源信息数据库和工程行业专业知识库，形成统一的工程安全管理大数据库，实现数据的互联互通和统一管理。
对所述BIM数据库、所述工程工地现场数据库、所述危险源信息数据库和所述工程行业专业知识库的数据格式进行标准化处理，统一数据编码、时间戳格式和数据字段命名，使数据在格式和结构上的保持一致性。
通过数据融合算法，将不同数据库中的数据整合到一个统一的平台上，公式为：
；
其中，表示第/>个数据源的数据集；/>表示分配给第/>个数据源的权重，这个权重可以基于数据源的可靠性、准确性或其他相关性标准确定；/>表示融合后的数据集。
建立数据交换和共享机制，使数据在不同***间的互联互通。
S4：对所述危险源信息数据库的数据进行安全等级分类，设定各类危险源的临界值，定义安全等级状态，制定安全事故预警指标体系。
建立建筑施工安全事故预警指标体系（图2），对工程危险源进行分类，确定不同危险源的危险临界值，根据临界值可分为安全、隐患、危险3种安全等级状态。
考虑人的因素、物的因素、环境因素、技术因素和管理因素，为每个因素赋予一个风险权重, 并评估其风险值/>，评估公式为：
；
其中，是因素的总数，/>是第/>个因素的权重，/>是第/>个因素的风险值。
为每个因素设定一个危险临界值，若某因素的风险评分超过其临界值，则其将被视为潜在危险。
基于总风险评分，将安全状况分为安全、隐患、危险三种状态；
设定两个阈值和/>，其中/>。
若，则被视为安全，继续保持当前的安全管理措施和监控水平，进行正常的安全检查；
若，则被视为存在安全隐患，提高监控和检查频率，对识别的隐患进行原因分析，制定和实施针对性的改进措施；
若，则安全状况会被视为危险，立即采取紧急措施，暂停相关作业区域的工作，进行全面的安全检查和风险评估。
应说明的是，各类安全风险因素的具体阈值和权重，可根据具体的实际情况和历史数据分析进行调整和设定。这意味着在不同的工程环境和条件下，***可以灵活地调整这些参数，以确保安全评估的准确性和适应性。这种灵活性允许***更好地反映各种安全风险因素在特定项目中的实际重要性和影响，从而提高预警***的有效性和可靠性。
S5：建立基于BP神经网络的预警模型，利用工程安全大数据库中的数据，训练BP神经网络模型，实现对潜在安全事故的预警。
研究基于BP神经网络的建筑施工安全事故预警模型（图3），形成工程安全AI大模型（图4），结合工程安全大数据库，进行样本训练，实现危险源识别与警示。
利用工程安全大数据库中的数据，训练BP神经网络模型，实现对潜在安全事故的预警，具体包括，
将所有权重初始化为随机小数值；
从训练数据集中选择样本和目标输出/>；
输入数据通过隐含层，计算其单元的输出，公式为：
；
其中，表示隐含层中第j个神经元的输出值，/>表示激活函数，/>表示隐含层中第j个神经元的偏置项，/>表示输入层中第i个神经元到隐含层中第j个神经元的权重，/>表示输入层中第i个神经元的输入值。
隐含层的输出被传递到输出层，计算最终的输出，公式为：
；
其中，表示输出层中第k个神经元的输出值，/>表示隐含层中第j个神经元到输出层中第k个神经元的权重，/>表示输出层中第k个神经元的偏置项。
计算最终输出和目标输出Y之间的误差值E，公式为：
；
其中，表示输出层中第k个神经元的误差值，/>表示第k个神经元的目标输出值。
若误差值E不满足要求，则计算误差梯度并进行权值调整，重新计算隐含层单元输出，直到误差满足预设的阈值；若误差值E满足要求，则迭代结束。
S6：创建AI驱动的智能助理，开发基于AI大模型的智能助理***，提供***和预警服务，在检测到潜在风险时发出警报。
利用BIM技术实时更新工程项目的建筑信息模型，确保所有数据反映当前的工程状态。
根据所述工程状态，识别潜在危险区域。确定并记录被识别为危险区域的具体坐标。判断工人与识别的危险区域的边界距离是否大于安全距离阈值Z。
若工人与识别的危险区域的边界距离＞Z，则判定为工人现阶段为安全；若工人与识别的危险区域的边界距离＜Z，则判定为工人现阶段为危险，***自动发出警报，提醒相关人员和管理者注意潜在的安全风险，提示进行相应的防护措施，将事件和采取的措施记录在安全检查报告中。
应说明的是，创建工程安全智能助理，能够在后台***直接调取大数据中的各类数据，并依据AI大模型给出响应的回答和解决方案。工程安全智能助理具备***、预警功能，能够对现场数据进行监控和分析，当某个监测项目的监测数据超出警戒值，会以不同色彩信号灯报警，不同颜色代表不同的预警级别，可以及时找到问题所在位置与危险程度，并结合BIM三维可视化模型来更清晰和直观地显示。同时，工程安全智能助理也能够提供知识问答、智能引导等功能。
以上实施例中，还包括一种基于BIM和AI大模型的工程安全智能管理***，具体为：
BIM数据库模块：建立BIM数据库，并整合IOT技术，实时收集工程现场的数据。
危险源信息数据库模块：分析施工项目资料、安全标准规范和历史事故案例，对潜在危险源进行数据类型分类并记录，并汇集工程安全相关的教育材料和考试题库，建立危险源信息数据库和专业知识库。
数据融合与管理模块：利用BIM技术融合BIM数据库、工程工地现场数据库、危险源信息数据库和工程行业专业知识库，形成统一的工程安全管理大数据库，实现数据的互联互通和统一管理。
安全事故预警指标体系模块：对所述危险源信息数据库的数据进行安全等级分类，设定各类危险源的临界值，定义安全等级状态，制定安全事故预警指标体系。
BP神经网络预警模块：建立基于BP神经网络的预警模型，利用工程安全大数据库中的数据，训练BP神经网络模型，实现对潜在安全事故的预警。
智能助理模块：创建AI驱动的智能助理，开发基于AI大模型的智能助理***，提供***和预警服务，在检测到潜在风险时发出警报。
计算机设备可以是服务器。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口通过输入/输出接口连接到***总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力监控***的数据集群数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于BIM和AI大模型的工程安全智能管理方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（MagnetoresistiveRandomAccessMemory，MRAM）、铁电存储器（FerroelectricRandomAccessMemory，FRAM）、相变存储器（PhaseChangeMemory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（RandomAccessMemory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（StaticRandomAccessMemory，SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
实施例2
为本发明的一个实施例，提供了一种基于BIM和AI大模型的工程安全智能管理方法，为了验证本发明的有益效果，通过经济效益计算和仿真/对比实验进行科学论证。
实验设计：选择5个不同规模和复杂度的建筑工程项目，应用本发明方法和现有技术方案，进行为期60天的对比实验。
性能评估：评估风险预测准确率、数据处理时间、***稳定性、用户满意度等指标。
数据分析：收集并分析实验数据，计算本发明方法相较于现有技术方案的改进百分比。
整合数据进行统计对比，如表2所示：
表2 性能指标对比表
本发明方法将风险预测准确率提高至95.4%，相比现有技术方案的80.2%有显著改善，表明本发明在识别和预测工程安全风险方面更为准确和高效。本发明方法减少了数据处理所需的时间，从3.8小时降至2.3小时，提高了处理效率。本发明方法显著提高了***稳定性，故障次数从每月3次减少到1次，减少了***故障带来的风险。在用户满意度方面得分为8.2，高于现有技术方案的6.4分，显示了用户对新***的高度认可。本发明方法使安全事故减少率显著提高，从11.6%提升至22.4%，有效防止了安全事故的发生。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于BIM和AI大模型的工程安全智能管理方法，其特征在于，包括：
建立BIM数据库，并整合IOT技术，实时收集工程现场的数据；
分析施工项目资料、安全标准规范和历史事故案例，对潜在危险源进行数据类型分类并记录，并汇集工程安全相关的教育材料和考试题库，建立危险源信息数据库和专业知识库；
利用BIM技术融合BIM数据库、工程工地现场数据库、危险源信息数据库和工程行业专业知识库，形成统一的工程安全管理大数据库，实现数据的互联互通和统一管理；
对所述危险源信息数据库的数据进行安全等级分类，设定各类危险源的临界值，定义安全等级状态，制定安全事故预警指标体系；
建立基于BP神经网络的预警模型，利用工程安全大数据库中的数据，训练BP神经网络模型，实现对潜在安全事故的预警；
创建AI驱动的智能助理，开发基于AI大模型的智能助理***，提供***和预警服务，在检测到潜在风险时发出警报。
2.如权利要求1所述的基于BIM和AI大模型的工程安全智能管理方法，其特征在于：所述BIM数据库包括，建筑物机电管综数据、建筑模型数据、结构模型数据和给排水***数据的
所述机电管综数据包括，建筑物机电***的运行状态、能耗数据和维护记录；
所述建筑模型数据包括，建筑物的设计参数、材料规格和施工进度信息；
所述结构模型数据包括，建筑物结构的应力分析、负载测试和稳定性评估数据；
所述给排水***数据包括，水管布局、流量监测和排水***性能数据；
所述整合IOT技术包括，通过IOT传感器收集的温度、湿度、气压和光照强度数据，通过视频摄像机和智慧安全帽收集的工人位置、活动和安全装备佩戴情况数据，通过RFID标签和传感器收集的机械设备运行状态、使用频率和维护记录数据。
3.如权利要求2所述的基于BIM和AI大模型的工程安全智能管理方法，其特征在于：所述对潜在危险源进行数据类型分类包括，使用TF-IDF技术进行文本特征提取，从所述施工项目资料、安全标准规范和历史事故案例中识别和加权特点的词语，公式表示为：
；
其中，表示词语/>在文档/>中的出现频率；/>表示文档集中的文档总数；/>表示包含词语/>的文档数量，反映了词语/>的普遍重要性；/>表示逆文档频率；
应用机器学习算法，支持向量机SVM，对预处理和特征提取后的数据进行分析和分类，具体公式为：
；
其中，表示支持向量的拉格朗日乘子；/>表示训练数据点的标签；/>表示为RBF核函数，其中/>是一个正的缩放参数，用于控制高斯函数的宽度；/>表示输入向量 /> 和支持向量 /> 之间的欧氏距离的平方。
4.如权利要求3所述的基于BIM和AI大模型的工程安全智能管理方法，其特征在于：所述工程工地现场数据库包括，劳务工人数据和各类设备仪器数据；
所述危险源信息数据库包括，发生危险的事故案例的数据信息；
所述工程行业专业知识库包括，工程行业安全教育知识及安全教育考试题库；
所述形成统一的工程安全管理大数据库包括，对所述BIM数据库、所述工程工地现场数据库、所述危险源信息数据库和所述工程行业专业知识库的数据格式进行标准化处理，统一数据编码、时间戳格式和数据字段命名，使数据在格式和结构上的保持一致性；
通过数据融合算法，将不同数据库中的数据整合到一个统一的平台上，公式为：
；
其中，表示第/>个数据源的数据集，/>表示分配给第/>个数据源的权重，/>表示融合后的数据集；
建立数据交换和共享机制，使数据在不同***间的互联互通。
5.如权利要求4所述的基于BIM和AI大模型的工程安全智能管理方法，其特征在于：所述制定安全事故预警指标体系包括，构建一个综合评估模型，考虑人的因素、物的因素、环境因素、技术因素和管理因素，为每个因素赋予一个风险权重, 并评估其风险值 />，评估公式为：
；
其中，是因素的总数，/>是第/>个因素的权重，/>是第/>个因素的风险值；
为每个因素设定一个危险临界值，若某因素的风险评分超过其临界值，则其将被视为潜在危险；
基于总风险评分，将安全状况分为安全、隐患、危险三种状态；
设定两个阈值和/>，其中/>；
若，则被视为安全，继续保持当前的安全管理措施和监控水平，进行正常的安全检查；
若，则被视为存在安全隐患，提高监控和检查频率，对识别的隐患进行原因分析，制定和实施针对性的改进措施；
若，则安全状况会被视为危险，立即采取紧急措施，暂停相关作业区域的工作，进行全面的安全检查和风险评估。
6.如权利要求5所述的基于BIM和AI大模型的工程安全智能管理方法，其特征在于：所述建立基于BP神经网络的预警模型包括，
将所有权重初始化为随机小数值；
从训练数据集中选择样本和目标输出/>；
输入数据通过隐含层，计算其单元的输出，公式为：
；
其中，表示隐含层中第j个神经元的输出值，/>表示激活函数，/>表示隐含层中第j个神经元的偏置项，/>表示输入层中第i个神经元到隐含层中第j个神经元的权重，/>表示输入层中第i个神经元的输入值；
隐含层的输出被传递到输出层，计算最终的输出，公式为：
；
其中，表示输出层中第k个神经元的输出值，/>表示隐含层中第j个神经元到输出层中第k个神经元的权重，/>表示输出层中第k个神经元的偏置项；
计算最终输出和目标输出Y之间的误差值E，公式为：
；
其中，表示输出层中第k个神经元的误差值，/>表示第k个神经元的目标输出值；
若误差值E不满足要求，则计算误差梯度并进行权值调整，重新计算隐含层单元输出，直到误差满足预设的阈值；
若误差值E满足要求，则迭代结束。
7.如权利要求6所述的基于BIM和AI大模型的工程安全智能管理方法，其特征在于：所述***和预警服务包括，利用BIM技术实时更新工程项目的建筑信息模型，确保所有数据反映当前的工程状态；
根据所述工程状态，识别潜在危险区域；
确定并记录被识别为危险区域的具体坐标；
判断工人与识别的危险区域的边界距离是否大于安全距离阈值Z，
若工人与识别的危险区域的边界距离＞Z，则判定为工人现阶段为安全；
若工人与识别的危险区域的边界距离＜Z，则判定为工人现阶段为危险，***自动发出警报，提醒相关人员和管理者注意潜在的安全风险，提示进行相应的防护措施，将事件和采取的措施记录在安全检查报告中。
8.一种采用如权利要求1-7任一所述方法的一种基于BIM和AI大模型的工程安全智能管理***，其特征在于：包括，
BIM数据库模块：建立BIM数据库，并整合IOT技术，实时收集工程现场的数据；
危险源信息数据库模块：分析施工项目资料、安全标准规范和历史事故案例，对潜在危险源进行数据类型分类并记录，并汇集工程安全相关的教育材料和考试题库，建立危险源信息数据库和专业知识库；
数据融合与管理模块：利用BIM技术融合BIM数据库、工程工地现场数据库、危险源信息数据库和工程行业专业知识库，形成统一的工程安全管理大数据库，实现数据的互联互通和统一管理；
安全事故预警指标体系模块：对所述危险源信息数据库的数据进行安全等级分类，设定各类危险源的临界值，定义安全等级状态，制定安全事故预警指标体系；
BP神经网络预警模块：建立基于BP神经网络的预警模型，利用工程安全大数据库中的数据，训练BP神经网络模型，实现对潜在安全事故的预警；
智能助理模块：创建AI驱动的智能助理，开发基于AI大模型的智能助理***，提供***和预警服务，在检测到潜在风险时发出警报。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于BIM和AI大模型的工程安全智能管理方法的步骤。
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，所述计算机程序被处理器执行时实现基于BIM和AI大模型的工程安全智能管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410247730.5A CN117829787B (zh) | 2024-03-05 | 2024-03-05 | 一种基于bim和ai大模型的工程安全智能管理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410247730.5A CN117829787B (zh) | 2024-03-05 | 2024-03-05 | 一种基于bim和ai大模型的工程安全智能管理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117829787A true CN117829787A (zh) | 2024-04-05 |
| CN117829787B CN117829787B (zh) | 2024-07-05 |
Family
ID=90509876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410247730.5A Active CN117829787B (zh) | 2024-03-05 | 2024-03-05 | 一种基于bim和ai大模型的工程安全智能管理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117829787B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071546A (zh) * | 2024-04-09 | 2024-05-24 | 肇庆市银华投资建设有限公司 | 基于bim的施工过程管理方法及*** |
| CN118095975A (zh) * | 2024-04-29 | 2024-05-28 | 中亿丰数字科技集团股份有限公司 | 基于bim和ai大模型的工程质量智能管理方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507595A (zh) * | 2020-04-08 | 2020-08-07 | 广州高新工程顾问有限公司 | 一种基于bim的工程项目智能动态****** |
| WO2023142424A1 (zh) * | 2022-01-25 | 2023-08-03 | 国网江苏省电力有限公司南京供电分公司 | 基于gru-lstm神经网络的电力金融业务风控方法及*** |
| CN116911700A (zh) * | 2023-09-14 | 2023-10-20 | 中亿丰数字科技集团有限公司 | 一种基于bim与iot的工程安全与质量监管方法及*** |
| CN117541197A (zh) * | 2024-01-04 | 2024-02-09 | 中亿丰数字科技集团有限公司 | 一种基于bim和aiot数据驱动的智能建造方法及*** |
-
2024
- 2024-03-05 CN CN202410247730.5A patent/CN117829787B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111507595A (zh) * | 2020-04-08 | 2020-08-07 | 广州高新工程顾问有限公司 | 一种基于bim的工程项目智能动态****** |
| WO2023142424A1 (zh) * | 2022-01-25 | 2023-08-03 | 国网江苏省电力有限公司南京供电分公司 | 基于gru-lstm神经网络的电力金融业务风控方法及*** |
| CN116911700A (zh) * | 2023-09-14 | 2023-10-20 | 中亿丰数字科技集团有限公司 | 一种基于bim与iot的工程安全与质量监管方法及*** |
| CN117541197A (zh) * | 2024-01-04 | 2024-02-09 | 中亿丰数字科技集团有限公司 | 一种基于bim和aiot数据驱动的智能建造方法及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071546A (zh) * | 2024-04-09 | 2024-05-24 | 肇庆市银华投资建设有限公司 | 基于bim的施工过程管理方法及*** |
| CN118095975A (zh) * | 2024-04-29 | 2024-05-28 | 中亿丰数字科技集团股份有限公司 | 基于bim和ai大模型的工程质量智能管理方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117829787B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117829787B (zh) | 一种基于bim和ai大模型的工程安全智能管理方法及*** | |
| CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及*** | |
| CN113254594B (zh) | 一种面向智慧电厂的安全知识图谱构建方法及*** | |
| CN113688169B (zh) | 基于大数据分析的矿山安全隐患辨识与预警*** | |
| CN112990942A (zh) | 一种基于云计算的化学品存储智能管理***及方法 | |
| CN117351521B (zh) | 基于数字孪生的输电线鸟类检测方法、***、介质及设备 | |
| CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
| CN114970176B (zh) | 电力作业的虚拟仿真方法、装置、计算机设备和存储介质 | |
| CN115578693A (zh) | 一种基于显著性神经网络模型的施工安全预警方法和装置 | |
| Wei | Research on university laboratory management and maintenance framework based on computer aided technology | |
| CN116205504A (zh) | 一种数字化应急预案管理方法及*** | |
| CN114625406A (zh) | 应用开发管控方法、计算机设备、存储介质 | |
| CN114707719A (zh) | 一种针对危险区域的人员行为预测方法 | |
| Mohan et al. | Artificial intelligence enabled safety for construction sites | |
| CN116205636B (zh) | 一种基于物联网技术的地铁设施维护管理方法及*** | |
| CN111080005B (zh) | 一种基于支持向量机的治安风险预警方法及*** | |
| CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及*** | |
| Alayed et al. | Real-Time Inspection of Fire Safety Equipment using Computer Vision and Deep Learning | |
| CN116402334A (zh) | 一种多模态数据合规分析与智能评估方法及装置 | |
| JP2022069949A (ja) | 優先度判定装置、優先度判定方法及び優先度判定システム | |
| CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 | |
| CN113723811A (zh) | 基于机器学习的设备维保单位评估方法、装置及电子设备 | |
| Lin et al. | Safety Helmet Wearing Behavior Detection Under Low Visibility Based on Deep Learning | |
| CN115050171A (zh) | 一种加油站数字化安全洞察***管理及展示平台 | |
| Liang et al. | Production Command Cockpit Safety Management System Based on Deep Neural Network |
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 |