本發(fā)明涉及建筑工程，具體涉及建筑風荷載的檢測技術(shù)，特別涉及基于bim模型的建筑結(jié)構(gòu)風荷載監(jiān)測方法及系統(tǒng)。

背景技術(shù)：

1、高層建筑風荷載是指空氣流動對高層建筑產(chǎn)生的動態(tài)壓力。風荷載實際上是一種隨機時變活荷載，不同于一般的靜力荷載，如樓面和屋面活荷載、吊車荷載、雪荷載等。風荷載對建筑物的影響主要體現(xiàn)在水平位移上，特別是超高層建筑，其結(jié)構(gòu)設(shè)計往往需要將風荷載作為主要控制荷載考慮。氣流經(jīng)過高聳結(jié)構(gòu)物時，會產(chǎn)生明顯的三維風荷載效應(yīng)，包括順風向、橫風向和扭轉(zhuǎn)風荷載，這些效應(yīng)會引起結(jié)構(gòu)在三個方向上的振動。

2、bim(建筑信息模型)技術(shù)在高層建筑風荷載模擬中發(fā)揮著重要作用。bim模型可以通過3d可視化技術(shù)呈現(xiàn)給設(shè)計師、業(yè)主和相關(guān)利益相關(guān)者，使他們能夠更好地理解設(shè)計概念和建筑形式。更重要的是，bim軟件具備進行風荷載模擬的能力，通過模擬建筑結(jié)構(gòu)在不同風速、風向等條件下的性能，幫助設(shè)計師優(yōu)化結(jié)構(gòu)設(shè)計。

3、其中在進行高層建筑風荷載模擬時，風速譜是一個至關(guān)重要的輸入?yún)?shù)。風速譜描述了風速隨時間變化的統(tǒng)計特性，對于準確模擬風荷載至關(guān)重要。然而，當前bim模型在模擬風荷載時面臨的一個主要問題是，現(xiàn)有的風速譜往往無法實現(xiàn)不同平穩(wěn)或非平穩(wěn)狀態(tài)的模擬。

4、平穩(wěn)風速譜假設(shè)風速的統(tǒng)計特性(如均值和方差)不隨時間變化，這種簡化處理在某些情況下可能無法準確反映實際風場的復雜性。非平穩(wěn)風速譜則考慮了風速隨時間的變化特性，更加接近實際風場的真實情況。然而，由于非平穩(wěn)風速譜的復雜性和多樣性，當前bim模型在模擬非平穩(wěn)風荷載方面仍存在較大挑戰(zhàn)。

5、為此，本發(fā)明提出基于bim模型的建筑結(jié)構(gòu)風荷載監(jiān)測方法及系統(tǒng)。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明希望提供基于bim模型的建筑結(jié)構(gòu)風荷載監(jiān)測方法及系統(tǒng)，以解決或緩解現(xiàn)有技術(shù)中存在的技術(shù)問題，即如何優(yōu)化生成非平穩(wěn)風速譜，實現(xiàn)建筑結(jié)構(gòu)風荷載監(jiān)測，并對此至少提供一種有益的選擇；本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

2、第一方面，基于bim模型的建筑結(jié)構(gòu)風荷載監(jiān)測方法：

3、(一)概述：

4、本發(fā)明旨在通過先進的統(tǒng)計分析和數(shù)據(jù)融合技術(shù)，優(yōu)化高層建筑風荷載的監(jiān)測與預測。首先利用bootstrap統(tǒng)計方法對bim模型或?qū)嶋H建筑模型中的風荷載點位進行重采樣和穩(wěn)定性評估，旨在減少獨立風荷載的數(shù)量，提高部分響應(yīng)識別的效率，并形成高質(zhì)量的風荷載數(shù)據(jù)集。其次采用熵權(quán)法對不同傳感器和不同時間點的風速數(shù)據(jù)進行融合，計算每個獨立風荷載的信息熵，并根據(jù)信息熵的大小賦予相應(yīng)的風速飄移權(quán)重，從而生成更準確的非平穩(wěn)風速譜。最后借助遞歸形式的卷積神經(jīng)網(wǎng)絡(luò)，并嵌入cbam注意力機制，將非平穩(wěn)風速譜作為輸入，預測未來幾時刻的風荷載響應(yīng)，為高層建筑的結(jié)構(gòu)設(shè)計和安全評估提供有力支持。

5、(二)技術(shù)方案：

6、為實現(xiàn)上述技術(shù)目標，基于bim模型或?qū)嶋H建筑模型，識別并提取建筑上的關(guān)鍵風荷載點位s后，執(zhí)行如下的步驟s1～s3。

7、2.1步驟s1，風荷載點位提取與部分響應(yīng)識別：

8、通過統(tǒng)計分析形成部分響應(yīng)識別風荷載的數(shù)據(jù)集d；

9、其中，對提取的風荷載點位進行bootstrap重采樣，評估各點位風荷載的穩(wěn)定性和相關(guān)性，然后通過統(tǒng)計分析，挑選并刪減獨立風荷載，形成部分響應(yīng)識別風荷載的數(shù)據(jù)集d，數(shù)據(jù)集d包括不同的獨立風荷載s：

10、設(shè)原始風荷載點位數(shù)據(jù)集為p＝{p1,p2,…,pn}，其中pi表示第i個風荷載點位。經(jīng)過bootstrap重采樣后得到一系列重采樣數(shù)據(jù)集其中每個元素都包含從p中隨機抽取的m個(可重復)樣本，然后計算其風荷載的方差和協(xié)方差ρj，對原始風荷載點位進行篩選：

11、

12、其中，d是部分響應(yīng)識別風荷載的數(shù)據(jù)集；si表示第i個獨立風荷載；p是原始風荷載點位數(shù)據(jù)集；表示包含si的重采樣數(shù)據(jù)集pj*的方差；ρj(si)表示包含獨立風荷載si的重采樣數(shù)據(jù)集pj*的協(xié)方差；閾值和閾值tρ是預先設(shè)定的穩(wěn)定性和相關(guān)性閾值。

13、2.2步驟s2，數(shù)據(jù)融合與非平穩(wěn)風速譜生成：

14、對數(shù)據(jù)集d中的風速數(shù)據(jù)進行熵權(quán)法融合，考慮不同傳感器s和不同時間點t的數(shù)據(jù)；計算每個獨立風荷載s的信息熵e，信息熵越小，表示變異程度越大，信息量越多。根據(jù)信息熵的結(jié)果，為每個獨立風荷載s賦予相應(yīng)的風速飄移權(quán)重w。將所有經(jīng)賦權(quán)重的獨立風荷載s’構(gòu)成權(quán)重矩陣形式的非平穩(wěn)風速譜d’。

15、2.2.1步驟s200，獲取信息熵：

16、設(shè)數(shù)據(jù)集d中的風速數(shù)據(jù)為{vs,t}，其中s表示不同的傳感器，t表示不同的時間點。計算每個獨立風荷載s的信息熵es：

17、es＝-∑tps,tlogps,t；

18、其中，ps,t表示傳感器s在時間點t的風速數(shù)據(jù)vs,t出現(xiàn)的概率。

19、2.2.2步驟s201，權(quán)重賦值：

20、根據(jù)信息熵的結(jié)果為每個獨立風荷載s賦予相應(yīng)的風速飄移權(quán)重ws。

21、權(quán)重ws與信息熵es成反比，即信息熵越小，權(quán)重越大：

22、

23、其中，是歸一化因子，用于確保所有權(quán)重的和為1。

24、2.2.3步驟s203，形成非平穩(wěn)風速譜d′：

25、將所有經(jīng)賦權(quán)重的獨立風荷載s′構(gòu)成權(quán)重矩陣形式的非平穩(wěn)風速譜d′，即：

26、d′＝{ws·s′∣s′∈d}；

27、其中，ws·s′表示將獨立風荷載s′乘以其對應(yīng)的權(quán)重ws。

28、2.3步驟s3，風荷載響應(yīng)預測：

29、將某一時刻的非平穩(wěn)風速譜d’作為遞歸卷積神經(jīng)網(wǎng)絡(luò)(具有cbam注意力機制模塊)的輸入，輸出該時刻后幾時刻的風荷載響應(yīng)。該遞歸卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如下依次連接的：

30、2.3.1輸入層：

31、輸入非平穩(wěn)風速譜d′∈rn×m，其中n是傳感器數(shù)量，m是時間步長。

32、2.3.2第一cbam卷積層：

33、使用卷積核對輸入數(shù)據(jù)進行特征提取。卷積操作能夠捕捉輸入數(shù)據(jù)中的局部特征，并通過滑動窗口的方式覆蓋整個輸入。cbam注意力機制模塊則進一步增強了對重要特征的關(guān)注度，通過自適應(yīng)地調(diào)整特征圖的權(quán)重，使得網(wǎng)絡(luò)能夠更加專注于對預測任務(wù)有用的信息。包括：

34、1)卷積核k1∈rk1×k1，其中k1是卷積核大?。?/p>

35、2)relu激活函數(shù)；

36、3)cbam輸出器f1：f1＝cbam(relu(d′*k1))。

37、2.3.3遞歸層：

38、處理時間序列數(shù)據(jù)，捕捉輸入數(shù)據(jù)中的時間依賴關(guān)系。遞歸層通過接收當前時間步的輸入和上一時間步的遞歸輸出，并使用權(quán)重矩陣和偏置進行線性變換，然后應(yīng)用激活函數(shù)進行非線性變換，從而實現(xiàn)對時間序列數(shù)據(jù)的建模和預測。包括：

39、遞歸函數(shù)：r(xt)＝σ(wrxt+urr(xt-1)+br)；

40、其中，xt是當前時間步的輸入，r(xt-1)是上一時間步的遞歸輸出，σ是relu激活函數(shù)，wr和ur是權(quán)重矩陣，br是偏置。

41、2.3.4第二cbam卷積層：

42、使用卷積核進行特征提取，并通過cbam注意力機制模塊增強對重要特征的關(guān)注度。然而由于它接收的是遞歸層的輸出，因此它提取的特征包含了時間序列數(shù)據(jù)的時間依賴關(guān)系。包括：

43、1)卷積核：k2∈rk2×k2，其中k2是卷積核大??；

44、2)relu激活函數(shù)；

45、3)cbam輸出及遞歸輸入器f2＝cbam(relu(f1*k2)),xt＝f2。

46、2.3.5輸出層：

47、將遞歸層的輸出通過全連接層進行線性變換，得到預測的風荷載響應(yīng)。全連接層使用權(quán)重矩陣和偏置對輸入數(shù)據(jù)進行線性組合，從而生成最終的預測結(jié)果。

48、輸出層為全連接層o＝wor(xt)+bo；

49、其中，wo是權(quán)重矩陣，bo是偏置，o是預測的風荷載響應(yīng)。

50、2.3.6遞歸卷積神經(jīng)網(wǎng)絡(luò)的訓練方法：

51、p1、數(shù)據(jù)預處理：去除非平穩(wěn)風速譜d′中的噪聲、異常值和無關(guān)信息，將輸入數(shù)據(jù)的數(shù)值范圍通過z-score歸一化調(diào)整到一個相對較小的范圍內(nèi)。

52、p2、模型初始化：使用正態(tài)分布對模型中的權(quán)重和偏置進行隨機初始化。

53、p3、前向傳播：將預處理后的非平穩(wěn)風速譜d′輸入到網(wǎng)絡(luò)中。通過卷積層和cbam注意力機制模塊逐層提取輸入數(shù)據(jù)的特征。遞歸層處理提取的特征，捕捉時間序列數(shù)據(jù)中的時間依賴關(guān)系。全連接層將遞歸層的輸出轉(zhuǎn)換為最終的風荷載響應(yīng)預測值。

54、p4、損失計算：使用交叉熵cross-entropy衡量模型預測值與真實標簽之間的差異。并根據(jù)損失函數(shù)計算當前批次數(shù)據(jù)的損失值。

55、p5、反向傳播：利用鏈式法則逐層計算損失函數(shù)關(guān)于模型參數(shù)的梯度。根據(jù)計算得到的梯度和預先設(shè)定的學習率，使用adam優(yōu)化器更新模型的權(quán)重和偏置。

56、p6、迭代訓練：重復前向傳播、損失計算和反向傳播，不斷迭代訓練過程，直到滿足停止條件(達到最大迭代次數(shù)或損失函數(shù)值小于閾值)。

57、(三)解決技術(shù)問題的機制：

58、3.1風荷載點位提取與部分響應(yīng)識別：

59、應(yīng)用bootstrap重采樣技術(shù)，對提取的風荷載點位進行多次隨機抽樣，評估各點位風荷載的穩(wěn)定性和相關(guān)性。通過統(tǒng)計分析，挑選出對整體風荷載響應(yīng)貢獻較大的獨立風荷載，刪減冗余信息，形成部分響應(yīng)識別風荷載的數(shù)據(jù)集d。這一過程有效減少了需要獨立處理的風荷載數(shù)量，提高了后續(xù)分析的效率和準確性。

60、3.2數(shù)據(jù)融合與非平穩(wěn)風速譜生成：

61、針對數(shù)據(jù)集d中的風速數(shù)據(jù)，采用熵權(quán)法進行融合處理。該方法基于信息熵理論，能夠客觀反映數(shù)據(jù)的變異程度和信息量大小。通過計算每個獨立風荷載的信息熵，為變異程度大、信息量多的風荷載賦予更大的權(quán)重，反之則賦予較小的權(quán)重。這一過程充分考慮了不同傳感器和不同時間點數(shù)據(jù)的差異性和重要性，提高了風速數(shù)據(jù)的整體質(zhì)量。將所有經(jīng)賦權(quán)重的獨立風荷載按照一定規(guī)則組合起來，形成權(quán)重矩陣形式的非平穩(wěn)風速譜d’。該風速譜不僅包含了風速隨時間變化的非平穩(wěn)特性，還體現(xiàn)了不同風荷載之間的空間相關(guān)性和相互影響。

62、3.3風荷載響應(yīng)預測：

63、遞歸卷積神經(jīng)網(wǎng)絡(luò)模型捕捉風速譜中的空間結(jié)構(gòu)特征和時間動態(tài)變化特征，提高風荷載響應(yīng)預測的精度。將某一時刻的非平穩(wěn)風速譜d’作為模型的輸入，通過模型的遞歸計算和卷積操作，輸出該時刻后幾時刻的風荷載響應(yīng)。這一過程充分利用了非平穩(wěn)風速譜中的豐富信息，實現(xiàn)了對建筑結(jié)構(gòu)未來風荷載響應(yīng)的準確預測。

64、第二方面，基于bim模型的建筑結(jié)構(gòu)風荷載監(jiān)測系統(tǒng)：

65、如圖3所示，所述系統(tǒng)包括處理器、與所述處理器連接的存儲器，所述存儲器中存儲有程序指令，所述程序指令被所述處理器執(zhí)行時，使所述處理器執(zhí)行如上述所述的風荷載監(jiān)測方法；其中所述處理器連接有：

66、(1)應(yīng)用bootstrap統(tǒng)計方法，對提取的風荷載點位進行多次隨機抽樣的關(guān)鍵點位的風荷載點位提取與部分響應(yīng)識別模塊：基于bim(建筑信息模型)或?qū)嶋H建筑模型，精確識別并提取建筑表面受風荷載影響最大的關(guān)鍵點位。通過統(tǒng)計分析，挑選出對整體風荷載響應(yīng)貢獻較大的獨立風荷載，刪減冗余信息，形成部分響應(yīng)識別風荷載的數(shù)據(jù)集d。

67、進而，提高風荷載監(jiān)測的針對性和效率，減少數(shù)據(jù)處理量，為后續(xù)的數(shù)據(jù)融合和風速譜生成提供高質(zhì)量的基礎(chǔ)數(shù)據(jù)。

68、(2)針對數(shù)據(jù)集d中的風速數(shù)據(jù)，采用熵權(quán)法進行融合處理的數(shù)據(jù)融合與非平穩(wěn)風速譜生成模塊：計算每個獨立風荷載的信息熵，根據(jù)信息熵的大小賦予相應(yīng)的風速飄移權(quán)重。將所有經(jīng)賦權(quán)重的獨立風荷載按照一定規(guī)則組合起來，形成權(quán)重矩陣形式的非平穩(wěn)風速譜d’。

69、進而，可提高風速數(shù)據(jù)的整體質(zhì)量和可靠性。生成包含豐富信息的非平穩(wěn)風速譜，為后續(xù)的風荷載響應(yīng)預測提供有力支持。

70、(3)用于實現(xiàn)遞歸卷積神經(jīng)網(wǎng)絡(luò)模型的風荷載響應(yīng)預測模塊：嵌入有cbam(convolutional?block?attention?module)注意力機制。將某一時刻的非平穩(wěn)風速譜d’作為模型的輸入，通過模型的遞歸計算和卷積操作，輸出該時刻后幾時刻的風荷載響應(yīng)。

71、進而，可提高風荷載響應(yīng)預測的精度和時效性。為建筑結(jié)構(gòu)的安全評估和設(shè)計優(yōu)化提供準確、可靠的預測結(jié)果。

72、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

73、一、提高風荷載監(jiān)測的準確性：本發(fā)明通過精確提取建筑關(guān)鍵風荷載點位，并利用bootstrap統(tǒng)計方法進行部分響應(yīng)識別，有效減少了獨立風荷載的數(shù)量，降低了數(shù)據(jù)冗余，從而提高了風荷載監(jiān)測的準確性。采用熵權(quán)法對不同傳感器和不同時間點的風速數(shù)據(jù)進行融合，充分考慮了數(shù)據(jù)的變異程度和信息量大小，使得融合后的風速數(shù)據(jù)更加準確、全面，為后續(xù)的風荷載響應(yīng)預測提供了可靠的基礎(chǔ)。

74、二、生成高質(zhì)量的非平穩(wěn)風速譜：本發(fā)明通過賦予不同獨立風荷載相應(yīng)的風速飄移權(quán)重，生成了權(quán)重矩陣形式的非平穩(wěn)風速譜，該風速譜不僅包含了風速的非平穩(wěn)特性，還體現(xiàn)了風荷載之間的空間相關(guān)性和相互影響，為風荷載響應(yīng)預測提供了豐富的信息。

75、三、提升風荷載響應(yīng)的預測能力：本發(fā)明利用遞歸形式的卷積神經(jīng)網(wǎng)絡(luò)，并嵌入cbam注意力機制，能夠同時捕捉風速譜中的空間結(jié)構(gòu)特征和時間動態(tài)變化特征，從而提高了風荷載響應(yīng)的預測精度和時效性。