针对结构的机器学习工具制造技术

一种针对结构的机器学习工具，用于（1）设计结构，（2）验证施工，以及（3）评估由恶化、属性变化或破坏性事件造成的损坏。该工具包括各种预先训练的机器学习模型和后处理算法。该工具包括用户界面，该用户界面允许用户上传他们的数据，通过一个或多个预先训练的机器学习模型对该数据进行分析，并以各种方式对该机器学习结果进行后处理。该工具显示该结果，并允许用户以各种格式将其输出。户以各种格式将其输出。户以各种格式将其输出。

【技术实现步骤摘要】
【国外来华专利技术】针对结构的机器学习工具
[0001]相关申请数据
[0002]本申请要求于2019年2月28日提交的美国专利申请第62/812,029的优先权权益，所述美国专利申请的全部内容在法律允许的范围内通过引用并入本文。


[0003]本公开涉及采用机器学习的工具。本公开还涉及自动化结构评估。

技术介绍

[0004]结构设计通常由相应领域的各种专业人员共同完成，包括但不限于岩土工程师、结构工程师、机械工程师、电气工程师、建筑师和室内设计师。每个专业团体都依赖于其它团体在相应领域的专长。设计考虑通常包括多个变量，如项目使用、形状、美学、风效应和地震效应、太阳能效应、能源、水使用等。对这些变量的考虑通常是根据不同专业人员所涉及的经验和知识进行试错的。
[0005]为了将设计传达给其它利益相关方，专业人员制作绘图集和规范文件，并提交给其它专业人员、客户和总承包商。这些绘图和规范统称为合同文件，并且然后分发给分包商。分包商随后将它们转换成施工图，这些施工图描绘出与其相应行业相对应的结构部分。这些施工图由总承包商和专业人员审查，以符合合同文件。然后它们被用来制造零件和建造结构。绘图可以使用2D绘图软件或使用3D建模软件手工制作。
[0006]贯穿施工过程，承包商将实施质量保证/质量控制(QA/QC)程序，以确保工程质量，并确保工程满足预期。此外，检查员将检查施工工程，并将其与施工文件进行比较，以确保结构按预期建造。检查日期和时间由检查公司和一个或多个承包商提前协调。检查员将亲自访问现场，手动检查有问题的一个或多个物品，并准备一份检查报告以记录他们的发现。
[0007]变更通常发生在施工过程中，无论是由于设计变更、承包商错误、不可预见的条件还是其它原因。总承包商记录这些变更，并且一旦结构完成，向客户提交竣工绘图集。
[0008]在结构的整个寿命期间，将对其进行检查和维修，以对其进行维护。这些检查通常是手动执行的，并且可能是昂贵、耗时和危险的。它们在可能跨越几十年的时间间隔内不连续地进行。因此，在这些检查期间，可能会忽略可能导致结构严重损坏甚至倒塌的问题。
[0009]自然灾害发生后，由合格的专业人员对受损结构进行目视检查。由于对检查的巨大需求和专家的有限供应，受损建筑的业主和企业主可以等待几个月来完成检查。在某些情况下，在检查完成之前，他们不能居住或经营自己的企业。与自然灾害相关联的最大经济损失之一是由于维修和重建造成的停工期，而缓慢的人工检查过程加剧了该停工期。
[0010]以上所描述的传统过程发生在结构的整个生命周期中，从设计到施工再到操作和维护，通常都是手动的，效率低下，并有出错的余地。本专利技术将机器学习并入至这些过程中，以使它们自动化，提高它们的效率并减少错误。

技术实现思路

[0011]本文公开了一个或多个涉及结合结构评估使用机器学习的系统或工具的专利技术。此新工具在本文主要被称为针对结构的机器学习工具，尽管有时它也被简称为工具或机器学习工具。此针对结构的机器学习工具经过专门训练和编程，以使用机器学习来评估结构的性能，从图像或绘图中标识结构的整体或部分，评估结构的损坏，或上述的任何组合。贯穿本公开的对涵盖深度学习的机器学习的引用。应当理解，一个或多个本专利技术落入机器学习的深度学习子集。
[0012]在解决弹性时，此机器学习工具可以缩放并用于为从个人财产所有者到在自然或人为灾难前后评估结构的城市、县或国家的广泛用户建立弹性项目。此评估可以与更广泛的弹性计划相连接，以解决事件发生后的关键需求。
[0013]在实施例中，机器学习工具包括：计算系统，所述计算系统具有一个或多个数据处理器和存储器；用户界面，可以经由所述用户界面向用户输出信息，并且所述用户可以经由所述用户界面输入信息和数据，所述数据标识一个或多个结构、其组件或两者；数据库，所述数据被存储在所述数据库中，数据库管理系统，所述数据库管理系统与所述数据库通信，以将所述数据存储在所述数据库中并且从所述数据库中检索所述数据；以及非瞬态数据处理器可执行指令，所述非瞬态数据处理器可执行指令被存储在所述存储器中，所述指令包括一个或多个预先训练的机器学习模型，其中，所述一个或多个机器学习模型被预先训练以处理所述数据库中的所述数据，从而从图像、点云数据或其三维表示或绘图中评估结构的性能或设计，从图像或点云数据中标识结构的组件，标识结构的一个或多个组件并从绘图中提取相关文本，从图像或点云数据中标识并评估结构中的损伤，或前述的任何组合。
[0014]在实施例中，机器学习工具包括：计算系统，所述计算系统具有一个或多个数据处理器和存储器；用户界面，可以经由所述用户界面向用户输出信息，并且所述用户可以经由所述用户界面输入信息和数据，所述数据标识一个或多个结构、其组件或两者；数据库，所述数据被存储在所述数据库中，数据库管理系统，所述数据库管理系统与所述数据库通信，以将所述数据存储在所述数据库中并且从所述数据库中检索所述数据；以及非瞬态数据处理器可执行指令，所述非瞬态数据处理器可执行指令被存储在所述存储器中，所述指令包括一个或多个预先训练的机器学习模型和一个或多个后处理算法，其中，所述一个或多个机器学习模型被预先训练以处理所述数据库中的所述数据，从而从图像、点云数据或其三维表示或绘图中评估结构的性能或设计，从图像或点云数据中标识结构的组件，标识结构的一个或多个组件并从绘图中提取相关文本，从图像或点云数据、或前述的任何组合中标识并评估结构中的损伤，并且所述一个或多个后处理算法包括，数量算法、测量算法、比较算法、数字模型生成算法或前述的任何组合。
[0015]在实施例中，所述一个或多个机器学习模型被预先训练以处理所述数据库中的所述数据，从而评估结构设计、标识结构组件以及评估结构中的损伤。
[0016]在实施例中，所述一个或多个后处理算法包括，数量算法、测量算法、比较算法和数字模型生成算法。
[0017]在实施例中，所述一个或多个机器学习模型被预先训练以处理所述数据库中的所述数据，从而评估结构设计、标识结构组件以及评估结构中的损伤，并且所述一个或多个后处理算法包括，数量算法、测量算法、比较算法和数字模型生成算法。
[0018]在实施例中，结构的组件包括结构组件和非结构组件。
[0019]在实施例中，所述数量算法将由所述一个或多个机器学习模型标识的每个类别的实例的数量相加，以提供针对每个类别的经标识的实例的总计数。
[0020]在实施例中，所述测量算法包括以下步骤：使用计算机视觉，检测由所述一个或多个机器学习模型标识的区域中的边缘，计算这些区域内的像素距离，并将所述像素距离转换成由所述用户基于相机属性及其与结构的空间关系指定的另一距离单位。
[0021]在实施例中，所述比较算法包括以下步骤：将从所述一个或多个机器学习模型中提取的信息与由所述用户输入的，通过对物理绘图的机器学习分析自动获得的，或是从数字绘图或数字模型中自动获得的基准进行比较；报告原始机器学习结果与所述基准之间的任何偏差。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种机器学习工具，包括：计算系统，所述计算系统具有一个或多个数据处理器和存储器；用户界面，可以经由所述用户界面向用户输出信息，并且所述用户可以经由所述用户界面输入信息和数据，所述数据标识一个或多个结构、其组件或两者；数据库，所述数据被存储在所述数据库中；数据库管理系统，所述数据库管理系统与所述数据库通信，以将所述数据存储在所述数据库中并且从所述数据库中检索所述数据；以及非瞬态数据处理器可执行指令，所述非瞬态数据处理器可执行指令被存储在所述存储器中，所述指令包括一个或多个预先训练的机器学习模型和一个或多个后处理算法，其中，所述一个或多个机器学习模型被预先训练以处理所述数据库中的所述数据，从而从图像、点云数据或其三维表示或绘图中评估结构的性能或设计，从图像或点云数据中标识结构的组件，标识结构的一个或多个组件并从绘图中提取相关文本，从图像或点云数据中标识并评估结构中的损伤，或前述的任何组合，并且所述一个或多个后处理算法包括，数量算法、测量算法、比较算法、数字模型生成算法或前述的任何组合。2.根据权利要求1所述的机器学习工具，其中，所述一个或多个机器学习模型被预先训练以处理所述数据库中的所述数据，从而评估结构设计、标识结构组件以及评估结构中的损伤。3.根据权利要求1所述的机器学习工具，其中，所述一个或多个后处理算法包括，数量算法、测量算法、比较算法和数字模型生成算法。4.根据权利要求1所述的机器学习工具，其中：所述一个或多个机器学习模型被预先训练以处理所述数据库中的所述数据，从而评估结构的设计、标识结构的组件以及评估结构中的损伤，并且所述一个或多个后处理算法包括，数量算法、测量算法、比较算法和数字模型生成算法。5.根据权利要求1所述的机器学习工具，其中，所述结构的组件包括结构组件和非结构组件。6.根据权利要求1所述的机器学习工具，其中，所述数量算法将由所述一个或多个机器学习模型标识的每个类别的实例的数量相加，以提供针对每个类别的经标识的实例的总计数。7.根据权利要求1所述的机器学习工具，其中，所述测量算法包括以下步骤：使用计算机视觉，检测由所述一个或多个机器学习模型标识的区域中的边缘，计算这些区域内的像素距离，并将所述像素距离转换成由所述用户基于相机属性及其与结构的空间关系指定的另一距离单位。8.根据权利要求1所述的机器学习工具，其中，所述比较算法包括以下步骤：将从所述一个或多个机器学习模型中提取的信息与由所述用户输入的，通过对物理绘图的机器学习分析自动获得的，或从数字绘图或数字模型中自动获得的基准进行比较；报告原始机器学习结果与所述基准之间的任何偏差。9.根据权利要求1所述的机器学习工具，其中，所述数字模型生成算法包括使用来自所述一个或多个机器学习模型的结果，通过对由所述一个或多个机器学习模型标识的每个类
别的所述像素或点进行分组，并将其转换成二维线或三维组件来生成所标识的元素的二维数字绘图或三维数字模型，其中所述二维线是通过将所述像素或点的组减少至穿过所述像素或点组的中心的线或折线来创建的。通过确定所述机器学习所标识的像素或点组的外部界限，确定其尺寸、位置和方向，并基于以上获得的所述类别信息、质心(位置)信息、角度(朝向)信息和尺寸信息生成适当的组件，从而创...

【专利技术属性】
技术研发人员：马克，
申请(专利权)人：SOM建筑设计事务所，
类型：发明
国别省市：