基于神经网络的建筑风险监测与评估方法和系统技术方案

本发明专利技术公开了一种基于神经网络的建筑风险监测与评估方法和系统，所述方法包括如下步骤：划定监测区域并采集研究数据，构建GIS模块，获得风险监测建筑集合；针对每一风险监测建筑构建超椭圆模型；基于超椭圆模型构建建筑超矩阵；采集建筑状态信息和图像数据并从中提取风险信息，以更新建筑超矩阵；构建神经网络模块并训练，将建筑超矩阵作为输入，提取每个风险监测建筑的风险信息，并通过数值模拟的方法进行模拟，获得建筑风险时空演变图并展示和评估。本技术降低了建筑模型的数据处理量，提高了处理效率和更新效率，获得了较好的经济效益和社会效益。益和社会效益。益和社会效益。

【技术实现步骤摘要】
基于神经网络的建筑风险监测与评估方法和系统


[0001]本专利技术涉及基于人工智能的风险挖掘技术，尤其是基于神经网络的建筑风险监测与评估方法。

技术介绍

[0002]建筑风险监测是指对建筑物的结构、功能、安全等方面进行实时或定期的检测和评估，以发现和预防可能导致建筑物损坏、倒塌或人员伤亡的风险因素，保障建筑物的安全使用和城市安全发展。建筑风险监测具有重要的社会意义和经济价值，是城市安全管理的重要组成部分。
[0003]现有的建筑风险监测方法主要包括两类：传统的人工巡检方法和现代的智能监测方法。人工巡检方法是指通过专业人员对建筑物进行定期或不定期的视觉观察、仪器测量、试验检测等方式，获取建筑物的形变、裂缝、位移、应力等数据，并进行分析判断。人工巡检方法效率低、成本高、精度差，且受人为因素影响大，难以实现对大规模、复杂或高层建筑物的全面覆盖。
[0004]智能监测方法是指通过部署各种传感器和设备，如光纤光栅、应变计、倾角计、加速度计、GPS等，实时或动态地采集建筑物的结构响应数据和环境数据，并通过云端服务器或本地计算机进行数据处理、分析和预警，一般采用BP神经网络、LSTM网络或CNN网络来实现。智能监测方法虽然能够提高监测效率和精度，但也面临着诸如传感器类型繁多，造成信息处理困难，建筑物模型和数据量庞大和数据质量不稳定，造成数据处理速度慢等问题。上述问题制约着智能监测技术的商业化应用。
[0005]总之，当前有必要借助人工智能等新技术，对现有的建筑风险监测方法进行创新和优化，提高监测效能和水平。

技术实现思路

[0006]专利技术目的：提供一种基于神经网络的建筑风险监测与评估方法，以解决本申请在研究过程中发现的新问题，包括现有建筑模型或图像数据量庞大，计算速度慢，监测数据来源多造成的处理困难，以及神经网络模块训练和预测过程中存在的问题。
[0007]技术方案：根据本申请的一个方面，基于神经网络的建筑风险监测与评估方法，包括如下步骤：步骤S1、划定监测区域并采集研究数据，构建GIS模块，以研究数据作为输入，基于预配置的规则从监测区域中提取至少一个风险监测建筑，形成风险监测建筑集合；步骤S2、依序读取风险监测建筑集合中每一风险监测建筑，构建每一风险监测建筑的超椭圆模型或读取风险监测建筑的BIM模型转换为超椭圆模型；基于超椭圆模型构建建筑超矩阵；步骤S3、针对每一风险监测建筑布设至少一组传感器，每隔预定的周期采集建筑状态信息并通过无人机或摄像头获取风险监测建筑的图像数据；从建筑状态信息和图像数
据中提取风险信息，并更新建筑超矩阵，形成至少N个时刻的建筑超矩阵集合；N为大于1的自然数；步骤S4、构建神经网络模块并训练，将建筑超矩阵作为输入，提取每个风险监测建筑的风险信息，并通过数值模拟的方法进行模拟，获得建筑风险时空演变图并展示和评估。
[0008]根据本申请的一个方面，所述步骤S1进一步为：步骤S11、基于建筑风险的类型、范围和影响程度，划定研究区域，并对研究区域进行聚类，形成至少一类待监测区域；步骤S12、采集研究区域的地理信息和基础设施信息，形成研究数据并映射至每类待监测区域；步骤S13、基于ArcGIS或QGIS构建GIS模块，以研究数据作为输入数据，基于山川河流或交通路网作为分界线，将每个待监测区域划分为至少一个监测单元，每个监测单元包括至少一个风险监测建筑，形成风险监测建筑集合。
[0009]根据本申请的一个方面，所述步骤S2进一步为：步骤S21、依序读取风险监测建筑集合中的每一风险监测建筑，判断是否存在BIM模型，若不存在，则查找该风险监测建筑的结构形式，根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型；所述结构形式包括：框架结构、剪力墙结构、框架剪力墙结构、板柱剪力墙结构、筒体结构、框架核心筒结构和筒中筒结构；步骤S22、若存在BIM模型，则将每一风险监测建筑对应的BIM模型转换为超椭圆模型；步骤S23、将超椭圆模型转换为超椭圆矩阵，并构建与超椭圆矩阵同型的位姿变换矩阵、物化参数矩阵和风险系数矩阵；步骤S24、将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵相乘，得到建筑超矩阵。
[0010]根据本申请的一个方面，所述步骤S21进中根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型的过程一步为：步骤S211、从数据库中查找该风险监测建筑对应的结构形式并读取风险监测建筑的基础信息，根据结构形式对风险监测建筑进行结构分解，获得将建筑构件分成P类，每类包括Q个型号尺寸不同的构件单元，提取构件单元的柱截面参数以及位姿和尺寸数据；步骤S212、构建具有P个转换接口的模型生成器，依序将构件单元转化为超椭圆表示形式，形成超椭圆形式的构件单元集合；步骤S213、读取超椭圆形式的构件单元集合，并构造超椭圆形式的风险监测建筑模型，判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出；P、Q为自然数。
[0011]根据本申请的一个方面，所述步骤S22进一步为：步骤S221、读取风险监测建筑的BIM模型，并抽取风险监测建筑的各个构件单元，获取构件单元部分节点的坐标参数，形成关键节点数据集；步骤S222、通过关键节点数据集计算超椭圆模型参数，获得构件单元的超椭圆模型；
步骤S223、基于构建的超椭圆模型，重新生成风险监测建筑的结构模型并判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出。
[0012]根据本申请的一个方面，所述步骤S211中，当风险监测建筑的基础信息包含摄像头或无人机采集的点云图像时，对图像进行点云配准预处理：步骤S211a、读取点云图像集合并进行预处理，所述预处理至少包括条件滤波、去重和缺失值填充；步骤S211b、调用基于共面特征点的S4PCS点云匹配模块，选择两个点云图像作为第一点云和第二点云，并从第一点云中随机选择四个共面点并计算第一共面参数，遍历第二点云中所有可能得四个共面点，并计算第二共面参数；步骤S211c、查找点云图像中的构件单元，获取构建单元的类型数据，查找类型数据对应的待定参数的超椭圆模型，并基于第二点云的坐标求解各个构件单元的超椭圆模型；步骤S211d、计算从第一共面参数到第二共面参数的变换矩阵，并采用变换矩阵将第一点云变换到第二点云的坐标系中；计算变换后的第一点云的坐标是否有M个位于超椭圆模型中；M位自然数；若有，结束计算，输出构件单元对应的超椭圆模型；否则，进入下一步；步骤S211e、计算变换后的第一点云与第二点云之间的匹配对数，并记录最大匹配对数及其对应的变换矩阵，作为最优变换矩阵；然后返回步骤S211d。
[0013]根据本申请的一个方面，所述步骤S3进一步为：步骤S31、读取每一风险监测建筑的位置，并筛选布点位置，形成监测点位图；基于点位图布设至少两种类型的传感器，每种传感器至少包括一组传感器；所述传感器包括：振动传感器、静力水准仪、加速度计、应变传感器、倾角仪、位移计和温湿度传感器；步骤S32、通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于神经网络的建筑风险监测与评估方法，其特征在于，包括如下步骤：步骤S1、划定监测区域并采集研究数据，构建GIS模块，以研究数据作为输入，基于预配置的规则从监测区域中提取至少一个风险监测建筑，形成风险监测建筑集合；步骤S2、依序读取风险监测建筑集合中每一风险监测建筑，构建每一风险监测建筑的超椭圆模型或读取风险监测建筑的BIM模型转换为超椭圆模型；基于超椭圆模型构建建筑超矩阵；步骤S3、针对每一风险监测建筑布设至少一组传感器，每隔预定的周期采集建筑状态信息并通过无人机或摄像头获取风险监测建筑的图像数据；从建筑状态信息和图像数据中提取风险信息，并更新建筑超矩阵，形成至少N个时刻的建筑超矩阵集合；N为大于1的自然数；步骤S4、构建神经网络模块并训练，将建筑超矩阵作为输入，提取每个风险监测建筑的风险信息，并通过数值模拟的方法进行模拟，获得建筑风险时空演变图并展示和评估。2.如权利要求1所述的基于神经网络的建筑风险监测与评估方法，其特征在于，所述步骤S1进一步为：步骤S11、基于建筑风险的类型、范围和影响程度，划定研究区域，并对研究区域进行聚类，形成至少一类待监测区域；步骤S12、采集研究区域的地理信息和基础设施信息，形成研究数据并映射至每类待监测区域；步骤S13、基于ArcGIS或QGIS构建GIS模块，以研究数据作为输入数据，基于山川河流或交通路网作为分界线，将每个待监测区域划分为至少一个监测单元，每个监测单元包括至少一个风险监测建筑，形成风险监测建筑集合。3.如权利要求2所述的基于神经网络的建筑风险监测与评估方法，其特征在于，所述步骤S2进一步为：步骤S21、依序读取风险监测建筑集合中的每一风险监测建筑，判断是否存在BIM模型，若不存在，则查找该风险监测建筑的结构形式，根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型；所述结构形式包括：框架结构、剪力墙结构、框架剪力墙结构、板柱剪力墙结构、筒体结构、框架核心筒结构和筒中筒结构；步骤S22、若存在BIM模型，则将每一风险监测建筑对应的BIM模型转换为超椭圆模型；步骤S23、将超椭圆模型转换为超椭圆矩阵，并构建与超椭圆矩阵同型的位姿变换矩阵、物化参数矩阵和风险系数矩阵；步骤S24、将超椭圆矩阵、位姿变换矩阵、物化参数矩阵和风险系数矩阵相乘，得到建筑超矩阵。4.如权利要求3所述的基于神经网络的建筑风险监测与评估方法，其特征在于，所述步骤S21中根据该风险监测建筑对应的结构形式，构建模型生成器，获得风险监测建筑的超椭圆模型的过程一步为：步骤S211、从数据库中查找该风险监测建筑对应的结构形式并读取风险监测建筑的基础信息，根据结构形式对风险监测建筑进行结构分解，获得将建筑构件分成P类，每类包括Q个型号尺寸不同的构件单元，提取构件单元的柱截面参数以及位姿和尺寸数据；
步骤S212、构建具有P个转换接口的模型生成器，依序将构件单元转化为超椭圆表示形式，形成超椭圆形式的构件单元集合；步骤S213、读取超椭圆形式的构件单元集合，并构造超椭圆形式的风险监测建筑模型，判断是否存在结构冲突，若不存在，则符合要求，将其作为风险监测建筑的超椭圆模型输出；P、Q为自然数。5.如权利要求4所述的基于神经网络的建筑风险监测与评估方法，其特征在于，所述步骤S...

【专利技术属性】
技术研发人员：魏晓斌，汤东婴，张莉，陆斌，孙正华，刘洋，郭建祥，
申请(专利权)人：江苏省建筑工程质量检测中心有限公司，
类型：发明
国别省市：