Autor: Zen y el arte de la programación informática
1. Introducción
1. Antecedentes de la pregunta
Con la aceleración de la urbanización moderna, el área de construcción de las ciudades ha aumentado exponencialmente y han florecido diversas industrias con uso intensivo de población, como las finanzas, la electricidad, la logística, la educación, etc. Entre ellos, el campo de los edificios inteligentes también está en auge. Debido a la complejidad de la planificación y el diseño urbano, el impacto de las estructuras de la red, como las instalaciones de transporte y las carreteras, la distancia entre las parcelas no es uniforme, lo que genera un entorno de vida abarrotado, lo que lleva a que un gran número de residentes opten por viajar a lugares remotos. comunidades, lo que ha provocado congestión del tráfico urbano. El nivel de contaminación acústica se ha intensificado y también ha aumentado la presión sobre las actividades sociales y económicas. Al transformar los diseños de edificios tradicionales, los edificios inteligentes pueden resolver mejor este problema, mejorar la calidad de vida de los residentes, reducir la carga sobre los estacionamientos, los pasos elevados, las carreteras congestionadas, etc., y promover el desarrollo económico y la equidad y justicia social.
2. Principales contenidos de la investigación
El Diseño de Edificios Inteligentes es un nuevo tipo de teoría y método de construcción. Combina información espacial con información ecológica y utiliza aprendizaje automático, visión por computadora, aprendizaje profundo y otras tecnologías para realizar modelos inteligentes desde el espacio hasta las escenas, optimizando así automáticamente el diseño de los sistemas del edificio, ahorrando consumo de energía, reduciendo la congestión del tráfico y mejorando a los residentes. ' calidad de vida. La tarea principal del diseño de edificios inteligentes es predecir los cambios ambientales mediante el establecimiento de modelos y optimizar los estilos arquitectónicos en función de los resultados de la predicción para lograr el objetivo de optimización del efecto. Por lo tanto, las direcciones de investigación del diseño de edificios inteligentes incluyen principalmente:
Percepción ambiental y generación de información sobre edificios: mediante la adquisición de datos multimodales del entorno circundante, utilizando gráficos por computadora, ingeniería de características y otras tecnologías para generar información sobre edificios y realizar análisis espaciales y posicionamiento de edificios;
Modelado y consulta de bases de datos espaciales: establezca una base de datos espacial basada en la ubicación geográfica, utilice tecnología de aprendizaje profundo para la comprensión de imágenes y genere información semántica espacial arquitectónica, que puede usarse para analizar la relación entre edificios;
Entrenamiento y optimización de modelos: uso de tecnologías de aprendizaje automático y aprendizaje por refuerzo para entrenar modelos para predecir cambios espaciales y representaciones arquitectónicas, y combinar estrategias de control para optimizar los efectos arquitectónicos;
Diseño de interfaz de usuario: diseñe una interfaz de usuario interactiva para presentar el plan arquitectónico a los usuarios, permitiéndoles ajustarlo y personalizarlo de manera flexible y recibir comentarios en tiempo real.
2. Explicación de conceptos y términos básicos
(1) Proceso de producción de la construcción
De manera general, el proceso de producción arquitectónica consta de cinco etapas:
Fase de evaluación de requisitos (reseña de diseño): los planificadores de productos recopilarán documentos de requisitos del equipo de diseño arquitectónico, información de antecedentes del proyecto, análisis de la competencia e información relacionada. Con base en el documento de requisitos, el equipo de diseño arquitectónico comienza el proceso de diseño arquitectónico.
Etapa de diseño (Revisión de diseño): el equipo de diseño arquitectónico formulará un diseño esquemático basado en las necesidades del cliente, solicitará opiniones de todas las partes interesadas y tomará la decisión final después de recopilar las opiniones de todas las partes.
Planos de construcción: el equipo de diseño arquitectónico elabora dibujos de diseño arquitectónico basados en el plan de diseño y gestiona el proyecto a través del presupuesto, el cronograma y la tolerancia al riesgo.
Preparación de ingeniería: el equipo de diseño arquitectónico debe garantizar que se realicen preparativos suficientes para la planificación del proyecto, la participación en el instituto de diseño, la gestión de fondos, la dotación de personal de construcción, la adquisición de materiales y otros aspectos.
Ejecución de la Construcción: El equipo de diseño arquitectónico inicia la construcción en el sitio de construcción con base en los planos de diseño de ingeniería. Después de completar el diseño detallado del proyecto, se procede con la aceptación, decoración, instalación y otros pasos.
(2) Información espacial
La información espacial se refiere a las características de distribución de los objetos terrestres expresadas en forma de coordenadas espaciales. La información espacial se puede dividir en tres categorías:
- Información de punto: representa la ubicación espacial de un punto y sus atributos, como el punto central de un edificio y el punto final de una carretera.
- Información de línea: indica la conexión espacial de un segmento de línea y sus atributos, como líneas de tuberías subterráneas y líneas de tuberías de agua.
- Información de superficie: representa la forma espacial de un parche tridimensional y sus atributos, como superficies de edificios y superficies de paredes.
La información espacial es la base de la ciencia espacial y se puede utilizar en la recuperación de información geográfica, modelos de entorno paisajístico, visualización de datos espaciales y otros campos.
(3) Información Ecológica
La información ecológica se refiere a toda la información del entorno ecológico sobre el suelo, cuerpos de agua, condiciones climáticas, tipos de vegetación, comunidades de animales y plantas, distribución de biomas de ecosistemas y sus leyes. La información ecológica puede describir cambios en el entorno donde se ubica el edificio y su impacto desde múltiples perspectivas. Por ejemplo, la información del suelo incluye tipo de suelo, color, textura, estructura, etc. La información sobre cuerpos de agua incluye cuencas y su distribución de cuerpos de agua, tipos y contenidos de cuerpos de agua, distribución de canales de ríos, etc. La información climática incluye temperatura, humedad, dirección del viento, nubosidad, precipitaciones, iluminación, etc. La información sobre la vegetación incluye cobertura forestal, vegetación montañosa, vegetación montañosa, vegetación de lagos y valles, comunidades biológicas marinas, etc. La información sobre la comunidad animal y vegetal incluye características de distribución de aves, peces, gatos, plantas silvestres, etc. La información sobre la distribución del bioma del ecosistema incluye comunidades microbianas, morfología de virus, etc. Esta información ecológica se puede utilizar como información auxiliar o modelo de entrada en información espacial para mejorar el rendimiento de ahorro de energía de los edificios, mejorar las características meteorológicas urbanas, predecir la distribución de los objetos del suelo, optimizar la planificación y el diseño de las viviendas, etc.
(4) Tecnología de gemelo digital (fabricación digital)
La tecnología de gemelos digitales se refiere a un método innovador de utilizar tecnología de la información moderna, sistemas digitales, herramientas de dibujo de ingeniería, software, equipos de hardware y otros medios para llevar a cabo la construcción virtual de información espacial. El desarrollo de esta tecnología se centra en transformar la información arquitectónica del mundo real en modelos en el espacio virtual, y utilizar software y tecnología de simulación por computadora para llevar a cabo simulación, visualización, simulación, dibujo y diseño arquitectónico, a fin de realizar el proceso de experimentar verdaderamente. obras arquitectónicas. El objetivo de la tecnología de gemelos digitales es convertir de forma automática y precisa información espacial en edificios, logrando así un diseño arquitectónico inteligente, inteligente y más moderno.
3. Explicación de los principios básicos del algoritmo, pasos operativos específicos y fórmulas matemáticas.
(1) Algoritmo de agrupamiento espacial
El algoritmo de agrupamiento espacial se refiere a la recopilación de objetos similares o aproximados en función de ciertas características para formar grupos espaciales. Dado que diferentes categorías de objetos tienen diferentes atributos y características de distribución, los algoritmos de agrupamiento se pueden utilizar para clasificar, identificar y dividir datos espaciales de manera efectiva. El propósito de la agrupación es encontrar objetos "similares", es decir, objetos que pertenecen a la misma categoría.
El principio del algoritmo de agrupamiento espacial es construir primero una matriz de adyacencia (Matriz de adyacencia) y luego dividir la matriz (Partición). El paso clave en este algoritmo es cómo determinar los criterios de división. La medición de distancia se utiliza generalmente para calcular la distancia entre dos objetos y luego dividirlos según el valor de la distancia. La distancia se define como distancia euclidiana, distancia de Manhattan, distancia de Chebyshev u otras medidas de distancia.
Cuando la métrica de distancia se elige correctamente, los pasos del algoritmo son los siguientes:
Piense en la matriz de adyacencia como la relación de conexión entre nodos, piense en cada nodo como un punto y cada borde representa la relación de conexión entre dos nodos.
A cada borde se le asigna un peso y se asignan diferentes pesos según las diferentes medidas de distancia. Por ejemplo, a la distancia euclidiana se le asigna 1, a la distancia de Manhattan se le asigna 1,4, a la distancia de Chebyshev se le asigna 1,5, y así sucesivamente.
Calcule el peso total de todo el gráfico en función de los pesos.
Inicialice aleatoriamente K puntos centrales, donde K es el número de grupos especificados por el usuario.
En cada proceso de iteración, primero determine a qué centros está más cercano un determinado nodo y luego clasifique este nodo en la categoría correspondiente al centro más cercano.
Actualice la posición del punto central y vuelva a calcular el valor del punto central.
Cuando los resultados de la agrupación no cambian entre dos iteraciones, o hasta que se alcanza el límite máximo de iteración, la iteración se detiene.
Devuelve los resultados finales de la agrupación.
El resultado de la agrupación es el resultado final de agrupar objetos similares.
(2) Algoritmo de segmentación de gráficos espaciales
El algoritmo de segmentación de gráficos espaciales se refiere a segmentar múltiples subgrafos espaciales de un gráfico espacial para representar diferentes categorías de objetos. El algoritmo de segmentación de gráficos espaciales, al igual que el algoritmo de agrupamiento espacial, también utiliza información espacial para la clasificación. Pero existen algunas diferencias entre este y los algoritmos de agrupación. El objetivo del algoritmo de agrupamiento es encontrar esos objetos "similares", mientras que el objetivo del algoritmo de segmentación de gráficos espaciales es mantener consistente la estructura geométrica de todos los objetos en cada subgrafo.
El principio del algoritmo de segmentación de gráficos espaciales es construir primero una matriz de adyacencia, luego ordenar los nodos de acuerdo con la conectividad de ruta más corta y, finalmente, utilizar el método de cobertura de ruta mínima para dividir el gráfico en múltiples subgrafos conectados.
Los pasos del algoritmo de segmentación de gráficos espaciales son los siguientes:
Filtrar el ruido y suprimir las diferencias de altura locales mediante métodos morfológicos (como corrosión, expansión, etc.).
Utilice el algoritmo de Kruskal o el algoritmo de Prim para encontrar el peso de ruta más corto y construir el conjunto de bordes del gráfico.
Ordene el conjunto de bordes en orden ascendente de peso y construya un árbol de expansión de peso mínimo, es decir, cada borde debe pasar por al menos un nodo intermedio antes de poder agregarse al árbol.
Cada nodo se agrupa según el árbol de expansión con un peso mínimo.
Según los resultados de la agrupación, cada subgrafo conectado se agrupa jerárquicamente y los puntos del subgrafo se dividen en los subgrafos correspondientes.
Repita los pasos 4 y 5 hasta que todos los puntos estén asignados a un subgrafo.
(3) Algoritmo de cuadrícula analítica espacial
El algoritmo de cuadrícula analítico espacial se refiere a dividir el espacio en unidades de cuadrícula adecuadas para el modelado y la simulación basados en la estructura geométrica de los objetos terrestres. El algoritmo de cuadrícula analítica espacial puede representar características con características obvias en el espacio de manera detallada y juega un papel importante en la simulación del comportamiento físico de la construcción, la dispersión del viento, la conducción de calor, etc. El principio del algoritmo de cuadrícula analítico espacial es establecer primero la correspondencia entre los objetos terrestres y las unidades de la cuadrícula, y luego dividir la cuadrícula en función de esta correspondencia.
Los pasos del algoritmo de cuadrícula analítica espacial son los siguientes:
Determine las dimensiones y dimensiones de la cuadrícula.
Calcule las coordenadas centrales de la celda de la cuadrícula.
Divida el edificio en una cuadrícula que contenga un área determinada.
Calcule el vector normal, el ángulo de la silueta y otra información del punto central de la unidad de cuadrícula.
Genere el archivo del modelo de malla de modelado.
(4) Aprendizaje automático y aprendizaje profundo
El aprendizaje automático y el aprendizaje profundo son dos tecnologías de aprendizaje automático importantes en el campo del diseño de edificios inteligentes. El aprendizaje automático se puede utilizar para procesar información espacial compleja y no lineal y es la base para la construcción de edificios inteligentes. El aprendizaje profundo se puede utilizar para procesar información espacial masiva y de alta dimensión y es una tecnología de vanguardia en el campo de los edificios inteligentes.
(41) Aprendizaje automático
El aprendizaje automático se refiere al descubrimiento de patrones inherentes a los datos mediante algoritmos de entrenamiento para predecir o clasificar datos desconocidos. Los algoritmos de aprendizaje automático pueden aprender patrones a partir de datos conocidos y aplicarlos a datos desconocidos para predecirlos o clasificarlos. En el diseño de edificios inteligentes, se pueden utilizar algoritmos de aprendizaje automático para predecir la irregularidad de los edificios, la complejidad de la distribución espacial y la heterogeneidad del edificio en sí.
Los pasos básicos del aprendizaje automático son los siguientes:
Adquisición de datos: recopile datos de construcción, incluida información espacial de construcción, información de atributos, etc.
Limpieza de datos: limpie preliminarmente los datos, elimine los datos irrelevantes y garantice la calidad de los datos.
Etiquetado de datos: los edificios están etiquetados, cada edificio tiene una etiqueta o número único.
División de datos: divida los datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Ingeniería de características: mediante combinación, extracción, transformación y otros métodos, podemos obtener más información de características extrayendo las características de los edificios.
Modelo de entrenamiento: entrene el modelo seleccionando diferentes tipos de modelos de aprendizaje automático.
Evaluación del modelo: Evaluar el modelo y calcular los indicadores de desempeño del modelo.
Predicción: haga predicciones sobre nuevos datos y clasifique edificios según las predicciones del modelo.
(42) Aprendizaje profundo
El aprendizaje profundo se refiere al uso de la estructura de la red neuronal para simular la red de neuronas del cerebro humano y a la entrada de datos espaciales masivos y de alta dimensión en la red neuronal para entrenarla y obtener parámetros del modelo. El aprendizaje profundo se puede utilizar para procesar información espacial compleja y no lineal en el diseño de edificios inteligentes y puede mejorar eficazmente la eficiencia de los edificios y reducir los costos.
Los pasos básicos del aprendizaje profundo son los siguientes:
Adquisición de datos: recopile datos de construcción, incluida información espacial de construcción, información de atributos, etc.
División de datos: divida los datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Ingeniería de características: mediante combinación, extracción, transformación y otros métodos, podemos obtener más información de características extrayendo las características de los edificios.
Diseño de modelo: Diseñe un modelo de red neuronal convolucional (CNN) o de red neuronal recurrente (RNN).
Entrenamiento de modelos: entrene el modelo y optimice los parámetros del modelo.
Evaluación del modelo: Evaluar el modelo y calcular los indicadores de desempeño del modelo.
Predicción: haga predicciones sobre nuevos datos y clasifique edificios según las predicciones del modelo.