一种混合算法驱动建筑数字孪生体自演化的方法技术

本发明专利技术涉及混合算法驱动建筑数字孪生体自演化的方法，旨在为建筑数字孪生体提供一种可行的演化算法，以模拟建筑在全生命周期中的动态变化。首先结合数字孪生体的高保真建模特性为建筑实体创建相应的数字孪生体，并说明建筑数字孪生体的运行过程，给物理模型的高精度建模提供了有效的支撑。接着利用数字孪生体通过模型

【技术实现步骤摘要】
一种混合算法驱动建筑数字孪生体自演化的方法


[0001]本专利技术涉及一种混合算法驱动建筑数字孪生体自演化的方法。

技术介绍

[0002]数字孪生体是一种高度集成多学科、多尺度、多物理场、多概率的仿真模型。它可以通过模型的自演化感知同步物理实体的行为、结构、参数和运行状态，从而实现物理实体在信息空间的高精度建模，还可以利用自身的计算性能超前物理实体运行，预测物理实体的状态变化，促进物理实体向更优的方向演化。自演化一词精确表达了数字孪生体的功能，一是在历史数据和实时数据的混合驱动下同步或预测物理实体的运行状态，二是在预测结果的基础上选择最佳优化决策方案引导物理实体向更优的方向演化。
[0003]目前建筑的物理规律预测模型按原理主要分为理论公式、数值计算和机器学习三类，但这些方法均存在一定的局限性和不足。如：建筑在高度复杂的不确定性内外荷载因素的影响下，其物理特性会产生不稳定的变化，仅通过固定的理论公式预测物理规律较为片面，无法反映物理规律随时间产生的动态变化；当面对建筑复杂的力学性质时，数值计算模型可能会预设一些简化或理想的前提条件，有损模型预测精度，这在某些要求严苛的工作条件下可能会产生严重的后果；虽然机器学习模型已经被广泛运用到各类工程预测中，但模型的不可解释性可能会在进一步的决策控制中带来麻烦。另外，由于传感器的测量误差和周边环境的影响，运行状态监测数据并不能精确输入模型，这为建立高精度的物理规律预测模型带来阻碍。
[0004]多项式回归模型是应用最广的预测模型之一，它利用监测点的历史状态属性数据与观测经历时间的相关性建立数学表达式。经过对历史状态属性数据的反复拟合，选择最优拟合模型作为预测模型。该预测模型要求误差平方和尽量小而且符合历史物理规律的变化趋势。多项式回归模型一般而言模型阶数越高误差平方和越小，但当阶数过高时模型可能会产生过拟合和振荡风险，因此最优拟合模型往往不是误差平方和最小的模型。
[0005]多项式回归模型虽然能够较为精确地模拟历史物理规律的变化趋势，但由于多项式回归模型的系数矩阵是时间常量，决定了其无法根据物理规律的动态变化作出自适应调整，导致模型的预测值与实测数据的背离程度随时间增大。

技术实现思路

[0006]本专利技术的目的在于提供一种混合算法驱动建筑数字孪生体自演化的方法。解决当前传统仿真模式下的建筑数字孪生体在建筑全生命周期的演化过程中难以模拟建筑实体物理规律的动态变化，以及物理模型的可解释性差和预测精度不高等问题。
[0007]一种混合算法驱动建筑数字孪生体自演化的方法，包括如下步骤：
[0008]步骤1：从历史状态存储单元获取历史状态属性数据建立多项式回归模型；
[0009]步骤2：交互模型的传感器实体感知同步建筑实体的运行状态；
[0010]步骤3：从交互模型的传感器实体获取实时状态属性数据建立实时观测数据模型；
[0011]步骤4：通过TKF算法融合多项式回归模型和实时观测数据模型；
[0012]步骤5：预测下一时刻多项式回归模型的系数矩阵；
[0013]步骤6：校正步骤1中的多项式回归模型，并重复步骤4至步骤6直至满足自适应演化需求与目标；
[0014]步骤7：将步骤6输出的目标回归系数代入多项式回归模型获得自演化后的物理模型；
[0015]步骤8：将自演化后的物理模型预测值返回静态信息模型，更新相关元素的状态属性参数；
[0016]步骤9：将自演化后的物理模型预测值传递给交互模型的控制器实体；
[0017]步骤10：控制器实体输出决策控制方案至执行器实体；
[0018]步骤11：执行器实体调控建筑实体的参数、行为和结构，引导其向更优的方向演化。
[0019]优选的是，本专利技术步骤1的具体过程如下：历史状态存储单元为物理模型提供建筑数字孪生体当前时刻的前k个历史状态属性数据，用于建立多项式回归模型以拟合初始物理规律。
[0020]优选的是，本专利技术步骤2的具体过程如下：交互模型的传感器实体感知同步建筑实体的运行状态，获取建筑实体的实时状态属性数据(自适应演化需求与目标)。
[0021]优选的是，本专利技术步骤3的具体过程如下：交互模型的传感器实体为物理模型提供实时状态属性数据，建立实时观测数据模型。
[0022]优选的是，本专利技术步骤4的具体过程如下：通过TKF算法融合多项式回归模型和实时观测数据模型。
[0023]优选的是，本专利技术步骤5至步骤6的具体过程如下：初始多项式回归模型在实时数据的驱动下，通过TKF算法计算分析场(更新后的多项式回归系数)，并将分析场作为模型的新输入校正初始模型，重复步骤4至步骤6直至满足自适应演化需求与目标。
[0024]优选的是，本专利技术步骤7的具体过程如下：在步骤4至步骤6的最后一次迭代更新后输出目标多项式回归系数，然后将目标回归系数代入多项式回归模型即可获得自演化后的物理模型(目标模型)。
[0025]优选的是，本专利技术步骤8的具体过程如下：物理模型将目标模型的预测值(校正后的建筑数字孪生体的状态属性参数)返回静态信息模型，更新静态信息模型中相关元素的状态属性，从而保证为历史状态存储单元提供精确可靠的数据源，同时也为下一次演化建立更加精确的初始预测模型做出贡献。
[0026]优选的是，本专利技术步骤9至步骤11的具体过程如下：输出目标模型的预测结果至交互模型的控制器实体，控制器实体根据预测结果分析物理规律的发生与发展，并结合工程经验知识输出决策控制方案至执行器实体，执行器据此调控建筑实体的参数、行为和结构，预防并降低建筑在运行过程中存在的风险，从而保障建筑的安全。
[0027]本专利技术采用上述技术方案，与现有技术相比具有如下优点：
[0028]1、建立的建筑数字孪生体是建筑实体的忠实复制品，具有自我演化的优越特性。它通过与建筑实体间的信息交互反馈和TKF算法的数据滤波性能实现状态属性数据的精确输入，进而集成建筑实体的动静态信息，感知同步实体和周围环境的动态变化，建立更加精
确的预测模型。
[0029]2、建立的建筑数字孪生体的自演化过程采用闭环校正方式。首先建立多项式回归模型作为初始物理规律预测模型，然后以多项式回归系数为校正对象，通过TKF算法融合建筑实体的实时状态属性值，预测下一时刻的多项式回归系数，最后将更新后的多项式回归系数作为新输入校正初始预测模型。重复以上步骤直至满足自适应需求与目标，实现动态模拟物理规律随时间产生的变化。特别地，“多项式回归+TKF”的自演化算法每一步都具有可解释性，在进一步的运行状态追溯和控制中可以起到辅助决策的作用。
[0030]3、多项式回归模型是通过对已观测数据的反复拟合而建立的最优拟合模型，因此将多项式回归模型作为初始预测模型能够较为精确地模拟历史运行状态发展趋势。由于物理规律不稳定的动态变化会造成未来的运行状态发展趋势不会延续历史运行状态发展趋势，致使多项式回归模型这种静态的趋势分析方法难以精确预测未来的运行状态，预测值与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混合算法驱动建筑数字孪生体自演化的方法，其特征在于包括如下步骤：步骤1：从历史状态存储单元获取历史状态属性数据建立多项式回归模型；步骤2：交互模型的传感器实体感知同步建筑实体的运行状态；步骤3：从交互模型的传感器实体获取实时状态属性数据建立实时观测数据模型；步骤4：通过TKF算法融合多项式回归模型和实时观测数据模型；步骤5：预测下一时刻多项式回归模型的系数矩阵；步骤6：校正步骤1中的多项式回归模型，并重复步骤4至步骤6直至满足自适应演化需求与目标；步骤7：将步骤6输出的目标回归系数代入多项式回归模型获得自演化后的物理模型；步骤8：将自演化后的物理模型预测值返回静态信息模型，更新相关元素的状态属性参数；步骤9：将自演化后的物理模型预测值传递给交互模型的控制器实体；步骤10：控制器实体输出决策控制方案至执行器实体；步骤11：执行器实体调控建筑实体的参数、行为和结构，引导其向更优的方向演化。2.如权利要求书1所述的混合算法驱动建筑数字孪生体自演化的方法，其特征在于上述步骤1的具体过程如下：历史状态存储单元为物理模型提供建筑数字孪生体当前时刻的前k个历史状态属性数据，用于建立多项式回归模型以拟合初始物理规律。3.如权利要求书1所述的混合算法驱动建筑数字孪生体自演化的方法，其特征在于上述步骤2的具体过程如下：交互模型的传感器实体感知同步建筑实体的运行状态，获取建筑实体的实时状态属性数据。4.如权利要求书1所述的混合算法驱动建筑数字孪生体自演化的方法，其特征在于上述步骤3的具体过程如下：交互模型的传感器实体为物理模型提供...

【专利技术属性】
技术研发人员：杨启亮，胡辰熙，邢建春，谢立强，贾海宁，孔琳琳，邹荣伟，
申请(专利权)人：中国人民解放军陆军工程大学，
类型：发明
国别省市：