System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。