基于深度学习的飘窗位置花篮式悬挑架施工优化方法技术

基于深度学习的飘窗位置花篮式悬挑架施工优化方法，区别于以往，采用了预埋连接件以及改良版的盘扣架支腿等，避免了焊接切割等传统施工项目中需要的操作，但是该施工方法的一些具体参数需要进行优化。因此本次申请则提出使用一种深度学习的方法，对连墙件预埋螺栓节点深度，改良版的盘扣架支腿预警力，花篮式悬挑架长度以及穿洞斜拉杆固定钢的传入深度，拉杆长度等进行数据收集，通过采用复合BP网络对该施工方法的最终承载极值进行预测指导，进而对现场应用进行辅助指导，为该新型施工方法保驾护航做到施工方案最优化。驾护航做到施工方案最优化。驾护航做到施工方案最优化。

【技术实现步骤摘要】
基于深度学习的飘窗位置花篮式悬挑架施工优化方法


[0001]本专利技术属于建筑领域及深度学习领域领域，具体为基于深度学习的飘窗位置花篮式悬挑架施工优化方法。

技术介绍

[0002]当前我国建筑行业中，民用居住型建筑依旧是体量较大的主流项目。施工所用外架如何选型、搭建是一个住宅项目的施工重点，通常要从施工需求、工层质量、安全生产、施工成本等多方面考虑衡量。花篮式悬挑脚手架是其中一种较常见的外架，本次申请中在施工方法里提出了一种建筑飘窗位置的花篮式悬挑架搭设施工技术，从提升工层质量减少开洞封堵、增加脚手架稳定性、节约施工成本等多方面进行开拓创新，但是该种施工方法作为一种新兴施工技术，需要一种更加智能且全面的评价方法，以快速预测出其具体现场安装后的悬挑架实际性能。

技术实现思路

[0003]为解决以上问题，本专利技术提出了基于深度学习的飘窗位置花篮式悬挑架施工优化方法，能够快速预测出现场飘窗位置花篮式悬挑架的承载极限。
[0004]为实现上述目的，本专利技术采取的技术方案是：
[0005]基于深度学习的飘窗位置花篮式悬挑架施工优化方法，包括：
[0006]1)施工现场环境探测；
[0007]对具体的施工环境进行探测，包括对悬挑架有影响的相关参数，此外，每种不同设计参数的飘窗位置花篮式悬挑架的承载极限也进行验证和收集；
[0008]2)数据处理；
[0009]将上述特征值均采用归一化进行处理，此外对于异常值或者丢失值直接用平均数进行填充；
[0010]3)单层BP网络搭建与训练；
[0011]在原BP网络上增加一层循环网络模型以捕捉特征之间时序性，之后采用FC全连接，并在最后一层进行输出，预测出在当前设计参数下的，悬挑架其承载极限，对于LSTM层的输出项，则采用增权激活公式f1进行激活，在网络预测值后，添加一层最终输出层，即LAST
OUTPUT
层，并采用安全裕度公式对其进行给定；
[0012]4)整体网络搭建部署；
[0013]提出一种残差BP网络结构，利用一种更轻量的网络去预测原单层BP网络其预测值与真实值之间的误差，采用4层全连接层数通过本次残差BP网络结构，去预测出每组数据集，在步骤S3中预测产生的与真实值之间的误差，进而对实际安装应用过程中存在一个指导作用：
[0014]5)算法模型部署与应用；
[0015]采用一种基于新型单层BP网络并以一种残差BP网络对其悬挑架进行承载极限的
预测与指导给定，将模型直接部署到服务器当中，当在现场进行应用时，要在施工现场的人员对具体环境进行侦测，输入预设参数，即可返回该参数下所能承载的极限，保障人民生命财产安全。
[0016]作为本专利技术进一步改进，所述步骤3)中增权激活公式表示为：
[0017]此外针对本次网络算法模型，为了增加LSTM层的影响，对于LSTM层的输出项，则采用增权激活公式f1进行激活：
[0018][0019]0<α≤1
[0020]1≤β
[0021]其中，f(x)为经过函数激活后的输出值，α,β则为调节参数，通过增加β值，减小α值，即可总体增加LSTM层的输出，进而在网络体系中，增加其影响力；
[0022]所述步骤3)中安全裕度公式表示为：
[0023]悬挑架结构，其安全裕度需要保持一定的裕度，因此在网络预测值后，添加一层最终输出层，即LAST
OUTPUT
层，并采用安全裕度公式对其进行给定。
[0024][0025]其中，LAST
OUTPUT
为最终网络输出值，OutPut为单层BP网络的预测值，δ为安全裕度值。
[0026]作为本专利技术进一步改进，所述步骤4)中误差公式表示为：
[0027]通过本次残差BP网络结构，去预测出每组数据集，在步骤S3中预测产生的与真实值之间的误差，进而对实际安装应用过程中存在一个指导作用，其误差公式如下所示：
[0028]F
max
≤LAST
OUTPUT
‑
|Ero
pre
|
[0029]其中F
max
为实际承载最大载重，LAST
OUTPUT
为单层BP网络输的最终网络输出值，Ero
pre
则为残差BP网络结构输出的预测值，及对左侧网络准确性的一个评估。
[0030]与现有技术相比，本专利技术具有以下优点和有益效果：
[0031]1.本申请提供的一种基于深度学习的飘窗位置花篮式悬挑架施工优化方法使用一种新型的悬挑架施工方法，能够减少开洞封堵、增加脚手架稳定性、节约施工成本以及降低环境污染等；
[0032]2.本申请提供的一种基于深度学习的飘窗位置花篮式悬挑架施工优化方法使用整体多层BP网络对安装后的悬挑架性能进行预测，增加了预测的准确性，降低了错误率，并且采用安全裕度形式以及采用误差公式对网络预测的最大需用承载进行指导设定，极大的保证了人民生命财产安全。
[0033]3.本申请提供的一种基于深度学习的飘窗位置花篮式悬挑架施工优化方法使用一种轻量的BP网络对误差值进行预测，降低了其过拟合的可能。
附图说明
[0034]图1是根据本申请实施例提供的一种基于深度学习的飘窗位置花篮式悬挑架施工优化方法流层图；
[0035]图2是根据本申请实施例提供的一种基于深度学习的飘窗位置花篮式悬挑架施工优化方法单层BP网络示意图；
[0036]图3是根据本申请实施例提供的一种基于深度学习的飘窗位置花篮式悬挑架施工优化方法整体网络示意图。
具体实施方式
[0037]下面结合附图与具体实施方式对本专利技术作进一步详细描述：
[0038]如图1所示为本申请提供的基于深度学习的飘窗位置花篮式悬挑架施工优化方法流层图。
[0039]步骤S1：施工现场环境探测。
[0040]本次申请提出一种花篮式悬挑脚手架施工技术，相较于其他形式的脚手架技术，该施工方法在绿色环保方面具有显著优势。然而，在应用之前，需要对具体的施工环境进行探测。这包括确定悬挑架所需承受的最大载荷、悬挑架能够延伸的最大距离以及施工环境的风速、温度和湿度等因素。此外，针对本次提出的花篮式悬挑架施工方法中，影响最终性能的参数也需要进行数据收集，包括连墙件预埋螺栓节点的深度、改良版盘扣架支腿的预警力、花篮式悬挑架的长度以及穿洞斜拉杆固定钢的传入深度、拉杆的长度以及斜拉杆固定钢板之间的间距。最后，需要验证和收集每种不同设计参数的飘窗位置花篮式悬挑架的承载极限。
[0041]步骤S2：数据处理。
[0042]在步骤S1中，完成了对特征数据的收集，即包括连墙件预埋螺栓节点的深度、改良版盘扣架支腿的预警力、花篮式悬挑架的长度以及穿洞斜拉杆固定钢的传入深度、拉杆的长度以及斜拉杆固定钢板之间的间距，此外对于每种设计参数下的承载极限也进行收集表征。上述特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的飘窗位置花篮式悬挑架施工优化方法，其特征在于：包括：1)施工现场环境探测；对具体的施工环境进行探测，包括对悬挑架有影响的相关参数，此外，每种不同设计参数的飘窗位置花篮式悬挑架的承载极限也进行验证和收集；2)数据处理；将上述特征值均采用归一化进行处理，此外对于异常值或者丢失值直接用平均数进行填充；3)单层BP网络搭建与训练；在原BP网络上增加一层循环网络模型以捕捉特征之间时序性，之后采用FC全连接，并在最后一层进行输出，预测出在当前设计参数下的，悬挑架其承载极限，对于LSTM层的输出项，则采用增权激活公式f1进行激活，在网络预测值后，添加一层最终输出层，即LAST
OUTPUT
层，并采用安全裕度公式对其进行给定；4)整体网络搭建部署；提出一种残差BP网络结构，利用一种更轻量的网络去预测原单层BP网络其预测值与真实值之间的误差，采用4层全连接层数通过本次残差BP网络结构，去预测出每组数据集，在步骤S3中预测产生的与真实值之间的误差，进而对实际安装应用过程中存在一个指导作用：5)算法模型部署与应用；采用一种基于新型单层BP网络并以一种残差BP网络对其悬挑架进行承载极限的预测与指导给定，将模型直接部署到服务器当中，当在现场进行应用时，要在施工现场的人员对具体环境进行侦测，输入预设参数，即可返回该参数下所能承载的极限，保障人民生命财产安全。2.根据权利要求1所述的基于深度学习的飘窗位置花篮式悬挑架施工优化方法，其特征在于：所述步骤3)中增权激活公式...

【专利技术属性】
技术研发人员：张先发，孙剑锋，张爽，
申请(专利权)人：中国建筑第二工程局有限公司，
类型：发明
国别省市：