【技术实现步骤摘要】
本专利技术涉及建筑工程，特别涉及基于shufflenet神经网络的建筑屋面施工方法及系统。
技术介绍
1、建筑屋面施工是建筑工程领域中的一个关键步骤，它直接影响建筑物的结构稳定性、安全性和耐久性。在建筑屋面施工过程中，对应力特性的敏感性是一个重要考虑因素。
2、建筑屋面施工包括结构的组装、屋面材料的安装，以及与屋顶结构相关的其他工作，例如防水处理、绝缘层的安装等。这个过程需要确保建筑物的屋顶具有足够的承载能力、抗风抗震性能。在屋面结构中，应力特性的敏感性指的是对外部力和荷载的响应程度。不同材料和结构设计对荷载的敏感性不同，这直接关系到结构的稳定性和安全性。
3、在传统建筑工程中，有限元分析是一种常用的数值方法，用于模拟和评估建筑结构的应力和变形。然而，对于建筑屋面施工，传统有限元分析存在一些弊端：
4、(1)主动数据输入困难：有限元分析需要大量的输入数据，包括材料的物理性质、结构的几何形状、约束条件等。这些数据的获取可能需要复杂的实验或者详细的工程资料，对于实际的建筑屋面施工来说，采集这些数据可能会很困难，导致分析结果的准确性受到影响。
5、(2)复杂模型及计算资源：对于大规模建筑结构，传统有限元分析需要构建复杂的模型，而且计算成本较高。在实际施工项目中，需要考虑计算资源的限制以及分析时间的成本，这可能导致分析结果的延迟。
6、(3)难以捕捉非线性关系：建筑结构在施工和使用过程中可能经历非线性的变形和应力变化，有限元分析在处理这些非线性关系时可能存在困难，导致分析结果的
7、为此，提出基于shufflenet神经网络的建筑屋面施工方法及系统。
技术实现思路
1、有鉴于此，本专利技术实施例希望提供基于shufflenet神经网络的建筑屋面施工方法及系统，以解决或缓解现有技术中存在的技术问题，即主动数据输入困难、复杂模型及计算资源和难以捕捉非线性关系，并对此至少提供一种有益的选择；
2、本专利技术实施例的技术方案是这样实现的：
3、第一方面，基于shufflenet神经网络的建筑屋面施工方法：
4、(一)概论
5、旨在通过深度学习技术提高建筑屋面施工过程的效率和准确性。该方法结合了拓扑化、shufflenet神经网络的shuffleunit层、通道分离和逐点卷积层以及shufflenet单元，从而实现对建筑屋面结构的应力特性进行准确评估。
6、(二)技术框架
7、2.1t0、拓扑化
8、输入：建筑屋面的平面形状结构图；
9、处理：执行拓扑化，根据结构图形成网格图g(0)；
10、在所述t0中，所述网格图g(0)为：
11、g＝(v,e)
12、v是所述结构图的顶点集合；
13、e是所述结构图的边集合；
14、所述执行拓扑视为邻接矩阵a；所述邻接矩阵a的矩阵形式为：
15、∣v∣×∣v∣
16、所述邻接矩阵a中的每个元素aij表示节点i和j之间是否存在连接；将所述邻接矩阵a进行归一化：
17、
18、d是度矩阵，其每个元素dij为：
19、
20、对于每个节点i及其上的所述应力发生点d，构成一个节点特征矩阵x：
21、x＝[(x1,d1),(x2,d2),...,(x∣v∣,dn)]
22、对于网格图g，送入空间变换网络模块进行预处理：
23、
24、w0是第一层权重矩阵，relu是修正线性单元激活函数；g(0)是被送入空间变换网络模块进行预处理后的网格图。
25、2.2t1、shuffleunit层
26、输入：网格图g(0)；
27、处理：
28、执行逐点分组卷积：将g(0)输入通道分成若干组，每组执行逐点卷积。
29、在所述t1中，所述逐点分组卷积的操作为：
30、设输入是一个包含c个通道的所述网格图g(0)，逐点分组卷积将通道分成g组，然后对每组进行逐点卷积：
31、
32、其中，是第g组的输出，wg是第g组的卷积核，*表示卷积操作。
33、执行通道混洗操作：重新组合分组卷积的结果并输出为应力向量dv。
34、在所述t1中，所述通道混洗操作为：
35、通道混洗操作将分组后的通道重新组合：
36、
37、表示通道混洗操作，concat表示通道连接操作；
38、在所述t1中，所述输出为：
39、
40、2.3t2、通道分离和逐点卷积层
41、输入：应力向量dv
42、处理：
43、对每个通道进行分离卷积。再进行逐点卷积。
44、在所述t2中，所述通道分离的操作为将输入的所述应力向量dv分离成个通道：
45、
46、是第c个分离后的通道，是第c个通道的分离卷积核，*表示卷积操作；
47、在所述t2中，所述逐点卷积的操作为对每个分离后的通道进行逐点卷积：
48、
49、其中，是第c个通道的逐点卷积结果，是第c个通道的逐点卷积核；
50、在所述t2中，所述输出为将逐点卷积的结果连接起来，得到最终的输出：
51、
52、concat表示通道连接操作。
53、其中，relu表示整流线性单元操作，bn表示批归一化操作。
54、2.4t3、shufflenet单元
55、输入：t1的输出dv和t2的输出
56、处理：由若干个shufflenet单元组成网络结构：
57、2.4.1t31、卷积层
58、输入：网格图g(0)
59、处理：包含若干个3*3的小卷积核，执行卷积操作，使用相同的填充p和步幅s以保持输入图像的尺寸。
60、在所述t3中，所述t31包括：
61、采用3x3的小卷积核进行卷积操作，使用相同的填充p和步幅s以保持输入图像的尺寸：
62、conv(x)＝wconv*x
63、其中，conv表示卷积操作，wconv是卷积核。
64、2.4.2t32、最大池化层
65、输入：应力向量dv
66、处理：对dv执行最大池化操作，以减小特征图的空间尺寸。
67、在所述t3中，所述t32包括：
68、对应力向量dv执行最大池化操作，以减小特征图的空间尺寸：
69、maxpool(dv)＝maxpool(dv)
70、其中，maxpool表示最大池化操作，maxpool表示最大池化函数。
71、2.4.3t33、全连接层
【技术保护点】
1.基于ShuffleNet神经网络的建筑屋面施工方法，其特征在于，包括如下层状架构：
2.根据权利要求1所述的基于ShuffleNet神经网络的建筑屋面施工方法，其特征在于：在所述T0中，所述网格图G(0)为：
3.根据权利要求1所述的基于ShuffleNet神经网络的建筑屋面施工方法，其特征在于：在所述T1中，所述逐点分组卷积的操作为：
4.根据权利要求2所述的基于ShuffleNet神经网络的建筑屋面施工方法，其特征在于：在所述T1中，所述通道混洗操作为：
5.根据权利要求1所述的基于ShuffleNet神经网络的建筑屋面施工方法，其特征在于：在所述T2中，所述通道分离的操作为将输入的所述应力向量DV分离成个通道：
6.根据权利要求1所述的基于ShuffleNet神经网络的建筑屋面施工方法，其特征在于：在所述T3中，所述T31包括：
7.根据权利要求1所述的基于ShuffleNet神经网络的建筑屋面施工方法，其特征在于：在所述T3中，所述T32包括：
8.根据权利要求1所述的基于Shuffl
9.根据权利要求1所述的基于ShuffleNet神经网络的建筑屋面施工方法，其特征在于：在所述T4中，对所述应力向量DV中的每个元素DVi应用所述softmax激活函数：
10.基于ShuffleNet神经网络的建筑屋面施工系统，其特征在于：所述系统包括处理器、与所述处理器耦接的寄存器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-9中任意一项所述的基于ShuffleNet神经网络的建筑屋面施工方法。
...【技术特征摘要】
1.基于shufflenet神经网络的建筑屋面施工方法，其特征在于，包括如下层状架构：
2.根据权利要求1所述的基于shufflenet神经网络的建筑屋面施工方法，其特征在于：在所述t0中，所述网格图g(0)为：
3.根据权利要求1所述的基于shufflenet神经网络的建筑屋面施工方法，其特征在于：在所述t1中，所述逐点分组卷积的操作为：
4.根据权利要求2所述的基于shufflenet神经网络的建筑屋面施工方法，其特征在于：在所述t1中，所述通道混洗操作为：
5.根据权利要求1所述的基于shufflenet神经网络的建筑屋面施工方法，其特征在于：在所述t2中，所述通道分离的操作为将输入的所述应力向量dv分离成个通道：
6.根据权利要求1所述的基于shufflenet神经网络的建筑屋面施工方法，其特征在...
【专利技术属性】
技术研发人员：王利莉，
申请(专利权)人：广州科技职业技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。