钢筋下料组合优化方法与流程

本发明涉及人工智能和钢筋计算，具体涉及一种基于bim技术结合人工智能算法的钢筋下料组合优化方法。

背景技术：

1、钢筋计算领域通常都是以线性规划为准则，现场会根据钢筋下料单凭借有经验的师傅进行原料估算或理论值计算。

2、现有技术中针对钢筋优化下料研究较多的有一维线性规划法、启发式的遗传算法、混合遗传算法、模拟退火算法等。

3、其中上述描述的后几种方法对钢筋优化人员专业化要求高，难于在项目实际应用过程中推广。而传统的人工优化下料方法受人为影响因素大，过程繁琐，难以保证能够十分有效地进行钢筋下料优化。

技术实现思路

1、本发明旨在提供一种基于bim技术结合人工智能算法的钢筋下料组合优化方法，以解决如何减少现场材料加工损耗、提高调运准确度和高效施工的问题。

2、本发明的目的是解决现有技术的不足，提供一种基于bim技术结合人工智能算法的钢筋下料组合优化方法，包括以下步骤：

3、第一步、工程实体模型搭建：

4、通过revit软件搭建结构模型和关键部位钢筋模型；通过明细表的词缀快速提取钢筋所需要的关键信息条目；

5、第二步、数据采集：

6、取结构形式相似、施工类型相似的段为样板，进行数据采集，归档后进行清理并作为学习模板进行数学模型的深度学习的素材；

7、第三步、数据库设计与数据清理：

8、设立6大数据库类型，分别是编码数据库、原始数据库、计算模型数据库、基准效率数据库、定额数据库、影响因素数据库；最后将所有信息进行归类，通过excel进行数据整理与清洗，将数据进行导入；

9、第四步、数学模型搭建与计算：

10、使用tensorflow中的keras标准数学模型为基准，采用python开发语言对钢筋原料录入的信息的条目进行设计和适配，运行后进行机器学习。

11、优选地，第一步中所述的关键信息条目包括钢筋型号、形变、钢筋长度、数量和/或所属构件类型。

12、优选地，第一步在有规律主体中利用钢筋传播的功能快速实现钢筋模型的搭建。

13、优选地，所述的编码数据库是对“任务单元”的定义与路径识别，是以工程量清单子项的编码为依据，施工工序为对象，钢筋计算应用中所有的数据都与对应的编码关联。

14、优选地，所述的原始数据库是对钢筋工序的“任务单元”具体数据的全部存储；该原始数据库以大数据的架构进行搭建，并以云服务器进行存储。

15、优选地，所述的影响因素数据库用于存储钢筋施工工艺的影响因素及其可选项。

16、优选地，所述的计算模型数据库依据每一个“任务单元”特征设计相应的计算模型，通过人工智能的方式对计算模型进行训练、优化、印证并固化存储。

17、优选地，所述的基准效率数据库用于存储单项工人效率数据表和单项机械效率数据表。

18、优选地，所述的定额数据库用于存储单项消耗量定额表和单项机械台班产量定额表。

19、优选地，利用tenforflow playground来对数学模型进行图形化学习展示；能够清晰地看出学习进程与最终优化后的图形化效果。

20、有益效果

21、与现有技术相比，本发明的有益效果是：

22、本发明所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法是一种通过提取现场实际的影响因子数据（包括损耗、环境影响、操作人员影响等），利用人工智能的学习算法快速找出与现场适配的材料组合，达成减少现场材料加工损耗、提高调运准确度和高效施工的目的而研究的一套方法。

23、传统方法无论是人工计算还是采用线性规划的数学算法计算，都只是根据图纸去求钢筋的配比最优解，未考虑现场实际情况。

24、本发明所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法是提取现场实际的影响因素在大数据学习过程中找到最优解。通过现场的材料记录单反馈回来的数据发现，传统方法常常会存在优化过于极限，用量不足需要补料的情况，材料用量偏差大概在2%左右。而本发明利用人工智能算法可以将材料用量偏差降低到0.2%的区间内，更加符合现场的用料用工情况。

25、特征提取的要素是本发明所述的方法最先提出的，通过大量施工管理人员的经验进行分析、判断，最终形成了需要的特征数据条目，这部分也是机器算法的核心。

技术特征：

1.一种基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法包括以下步骤：

2.根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，第一步中所述的关键信息条目包括钢筋型号、形变、钢筋长度、数量和/或所属构件类型。

3.根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，第一步在有规律主体中利用钢筋传播的功能快速实现钢筋模型的搭建。

4.根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，所述的编码数据库是对“任务单元”的定义与路径识别，是以工程量清单子项的编码为依据，施工工序为对象，钢筋计算应用中所有的数据都与对应的编码关联。

5.根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，所述的原始数据库是对钢筋工序的“任务单元”具体数据的全部存储；该原始数据库以大数据的架构进行搭建，并以云服务器进行存储。

6.根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，所述的影响因素数据库用于存储钢筋施工工艺的影响因素及其可选项。

7.根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，所述的计算模型数据库依据每一个“任务单元”特征设计相应的计算模型，通过人工智能的方式对计算模型进行训练、优化、印证并固化存储。

8.根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，所述的基准效率数据库用于存储单项工人效率数据表和单项机械效率数据表。

9.根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，所述的定额数据库用于存储单项消耗量定额表和单项机械台班产量定额表。

10. 根据权利要求1所述的基于bim技术结合人工智能算法的钢筋下料组合优化方法，其特征在于，利用tenforflow playground来对数学模型进行图形化学习展示；能够清晰地看出学习进程与最终优化后的图形化效果。

技术总结
本发明涉及一种基于BIM技术结合人工智能算法的钢筋下料组合优化方法，包括以下步骤：第一步、工程实体模型搭建：搭建结构模型和关键部位钢筋模型；通过明细表的词缀快速提取钢筋所需要的关键信息条目；第二步、数据采集：取结构形式相似、施工类型相似的段为样板，进行数据采集，归档后进行清理并作为学习模板进行数学模型的深度学习的素材；第三步、数据库设计与数据清理：设立6大数据库类型，将所有信息进行归类，通过excel进行数据整理与清洗，将数据进行导入；第四步、数学模型搭建与计算：采用python开发语言对钢筋原料录入的信息的条目进行设计和适配，运行后进行机器学习。

技术研发人员：刘震国,张垚,刘进,陈建兵,刘波,王建飞,吴过,霍燃平,王雨麒,何沛基
受保护的技术使用者：北京城建集团有限责任公司
技术研发日：
技术公布日：2024/1/13