Auteur : Zen et l'art de la programmation informatique
1. Introduction
1. Contexte des questions
Avec l'accélération de l'urbanisation moderne, la zone de construction des villes a augmenté de façon exponentielle et diverses industries à forte intensité de population telles que la finance, l'électricité, la logistique, l'éducation, etc. Parmi eux, le domaine des bâtiments intelligents est également en plein essor. En raison de la complexité de la planification et de l'aménagement urbain, de l'impact des structures de réseau telles que les moyens de transport et les routes, la distance entre les parcelles n'est pas uniforme, ce qui entraîne un environnement de vie surpeuplé. communautés, entraînant des embouteillages dans la circulation urbaine. Le niveau de pollution sonore s'est intensifié et a également accru la pression sur les activités sociales et économiques. En transformant la conception des bâtiments traditionnels, les bâtiments intelligents peuvent mieux résoudre ce problème, améliorer la qualité de vie des résidents, réduire le fardeau des parkings, des viaducs, des routes encombrées, etc., et promouvoir le développement économique ainsi que l'équité et la justice sociales.
2. Principaux contenus de la recherche
La conception de bâtiments intelligents est un nouveau type de théorie et de méthode de construction. Il combine des informations spatiales avec des informations écologiques et utilise l'apprentissage automatique, la vision par ordinateur, l'apprentissage profond et d'autres technologies pour réaliser des modèles intelligents de l'espace aux scènes, optimisant ainsi automatiquement la disposition des systèmes de construction, économisant la consommation d'énergie, réduisant les embouteillages et améliorant les résidents. ' qualité de vie. La tâche principale de la conception de bâtiments intelligents est de prédire les changements environnementaux en établissant des modèles et d'optimiser les styles architecturaux en fonction des résultats de la prédiction afin d'atteindre l'objectif d'optimisation des effets. Par conséquent, les axes de recherche en matière de conception de bâtiments intelligents comprennent principalement :
Perception environnementale et génération d'informations sur les bâtiments - en acquérant des données multimodales de l'environnement environnant, en utilisant l'infographie, l'ingénierie des caractéristiques et d'autres technologies pour générer des informations sur les bâtiments et effectuer une analyse spatiale et le positionnement des bâtiments ;
Modélisation et requête de bases de données spatiales : établir une base de données spatiale basée sur l'emplacement géographique, utiliser la technologie d'apprentissage en profondeur pour la compréhension des images et générer des informations sémantiques spatiales architecturales, qui peuvent être utilisées pour analyser la relation entre les bâtiments ;
Formation et optimisation de modèles : utiliser les technologies d'apprentissage automatique et d'apprentissage par renforcement pour entraîner des modèles afin de prédire les changements spatiaux et les représentations architecturales, et combiner des stratégies de contrôle pour optimiser les effets architecturaux ;
Conception de l'interface utilisateur - Concevez une interface utilisateur interactive pour présenter le plan architectural aux utilisateurs, leur permettant de l'ajuster et de le personnaliser de manière flexible, et de recevoir des commentaires en temps réel.
2. Explication des concepts et termes de base
(1) Processus de production de construction
De manière générale, le processus de production architecturale comprend cinq étapes :
Phase d'évaluation des exigences (briefing de conception) : les planificateurs de produits collecteront les documents d'exigences de l'équipe de conception architecturale, les informations générales sur le projet, l'analyse des concurrents et les informations connexes. Sur la base du document d'exigences, l'équipe de conception architecturale commence le processus de conception architecturale.
Étape de conception (Revue de conception) : L'équipe de conception architecturale formulera une conception schématique basée sur les besoins du client, sollicitera les opinions de toutes les parties prenantes et prendra la décision finale après avoir recueilli les opinions de toutes les parties.
Dessins de construction : L'équipe de conception architecturale dessine des dessins de conception architecturale sur la base du plan de conception et gère le projet en fonction du budget, du calendrier et de la tolérance au risque.
Préparation technique : L'équipe de conception architecturale doit s'assurer que des préparatifs suffisants sont effectués pour la planification du projet, la participation de l'institut de conception, la gestion des fonds, le personnel de construction, l'approvisionnement en matériaux et d'autres aspects.
Exécution de la construction : L'équipe de conception architecturale commence la construction sur le chantier sur la base des dessins de conception technique. Après avoir terminé la conception détaillée du projet, elle procède à l'acceptation, à la décoration, à l'installation et à d'autres étapes.
(2) Informations spatiales
Les informations spatiales font référence aux caractéristiques de distribution des objets au sol exprimées sous forme de coordonnées spatiales. Les informations spatiales peuvent être divisées en trois catégories :
- Informations sur le point : représentent l'emplacement spatial d'un point et ses attributs, tels que le point central d'un bâtiment et le point final d'une route.
- Informations sur la ligne : indique la connexion spatiale d'un segment de ligne et ses attributs, tels que les conduites souterraines et les conduites d'eau.
- Informations de surface : représente la forme spatiale d'un patch tridimensionnel et ses attributs, tels que les surfaces de bâtiment et les surfaces de murs.
Les informations spatiales constituent la base de la science spatiale et peuvent être utilisées dans la recherche d'informations géographiques, les modèles d'environnement paysager, la visualisation de données spatiales et d'autres domaines.
(3) Informations écologiques
Les informations écologiques font référence à toutes les informations sur l'environnement écologique concernant le sol, les plans d'eau, les conditions climatiques, les types de végétation, les communautés animales et végétales, la répartition des biomes des écosystèmes et leurs lois. Les informations écologiques peuvent décrire les changements dans l'environnement dans lequel le bâtiment est situé et son impact sous de multiples perspectives. Par exemple, les informations sur le sol incluent le type de sol, sa couleur, sa texture, sa structure, etc. Les informations sur les masses d'eau comprennent les bassins versants et leur répartition dans les masses d'eau, les types et le contenu des masses d'eau, la répartition des canaux fluviaux, etc. Les informations climatiques comprennent la température, l’humidité, la direction du vent, la couverture nuageuse, les précipitations, l’éclairage, etc. Les informations sur la végétation comprennent la couverture forestière, la végétation de montagne, la végétation vallonnée, la végétation des lacs et des vallées, les communautés biologiques marines, etc. Les informations sur la communauté animale et végétale comprennent les caractéristiques de répartition des oiseaux, des poissons, des chats, des plantes sauvages, etc. Les informations sur la répartition des biomes écosystémiques comprennent les communautés microbiennes, la morphologie des virus, etc. Ces informations écologiques peuvent être utilisées comme informations auxiliaires ou comme modèle d'entrée dans les informations spatiales pour améliorer les performances d'économie d'énergie des bâtiments, améliorer les caractéristiques météorologiques urbaines, prédire la répartition des objets au sol, optimiser la planification et l'aménagement des logements, etc.
(4) Technologie de jumeau numérique (fabrication numérique)
La technologie des jumeaux numériques fait référence à une méthode innovante d'utilisation des technologies de l'information modernes, des systèmes numériques, des outils de dessin technique, des logiciels informatiques, du matériel informatique et d'autres moyens pour réaliser la construction virtuelle d'informations spatiales. Le développement de cette technologie se concentre sur la transformation d'informations architecturales du monde réel en modèles dans l'espace virtuel et sur l'utilisation de logiciels informatiques et de technologies de simulation informatique pour effectuer une simulation architecturale, une visualisation, une simulation, un dessin et une mise en page, afin de réaliser le processus d'expérience réelle. oeuvres architecturales. L’objectif de la technologie des jumeaux numériques est de convertir automatiquement et avec précision les informations spatiales en bâtiments, permettant ainsi d’obtenir une conception architecturale intelligente, intelligente et plus moderne.
3. Explication des principes de base de l'algorithme, des étapes de fonctionnement spécifiques et des formules mathématiques
(1) Algorithme de clustering spatial
L'algorithme de clustering spatial fait référence à la collecte d'objets similaires ou approximatifs en fonction de certaines caractéristiques pour former des clusters spatiaux. Étant donné que différentes catégories d'objets ont des attributs et des caractéristiques de distribution différents, les algorithmes de clustering peuvent être utilisés pour classer, identifier et diviser efficacement les données spatiales. Le but du clustering est de trouver les objets « similaires », c'est-à-dire les objets qui appartiennent à la même catégorie.
Le principe de l'algorithme de clustering spatial est de construire d'abord une matrice de contiguïté (Adjacency Matrix) puis de partitionner la matrice (Partition). L'étape clé de cet algorithme consiste à déterminer les critères de division. La mesure de distance est généralement utilisée pour calculer la distance entre deux objets, puis les diviser en fonction de la valeur de la distance. La distance est définie comme la distance euclidienne, la distance de Manhattan, la distance de Chebyshev ou d'autres mesures de distance.
Lorsque la métrique de distance est choisie correctement, les étapes de l’algorithme sont les suivantes :
Considérez la matrice de contiguïté comme la relation de connexion entre les nœuds, considérez chaque nœud comme un point et chaque arête représente la relation de connexion entre deux nœuds.
Chaque arête se voit attribuer un poids, et différents poids sont attribués en fonction de différentes mesures de distance. Par exemple, la distance euclidienne se voit attribuer 1, la distance de Manhattan se voit attribuer 1,4, la distance de Chebyshev se voit attribuer 1,5, et ainsi de suite.
Calculez le poids total de l’ensemble du graphique en fonction des poids.
Initialisez de manière aléatoire K points centraux, où K est le nombre de clusters spécifié par l'utilisateur.
Dans chaque processus d'itération, déterminez d'abord de quels centres un certain nœud est le plus proche, puis classez ce nœud dans la catégorie correspondant au centre le plus proche.
Mettez à jour la position du point central et recalculez la valeur du point central.
Lorsque les résultats du clustering ne changent pas entre deux itérations, ou jusqu'à ce que la limite maximale d'itération soit atteinte, l'itération est arrêtée.
Renvoie le résultat final du clustering.
Le résultat du regroupement est le résultat final du regroupement d’objets similaires.
(2) Algorithme de segmentation de graphiques spatiaux
L'algorithme de segmentation de graphe spatial fait référence à la segmentation de plusieurs sous-graphes spatiaux à partir d'un graphe spatial pour représenter différentes catégories d'objets. L'algorithme de segmentation de graphe spatial, comme l'algorithme de clustering spatial, utilise également des informations spatiales pour la classification. Mais il existe certaines différences entre celui-ci et les algorithmes de clustering. Le but de l'algorithme de clustering est de trouver ces objets « similaires », tandis que le but de l'algorithme de segmentation de graphe spatial est de maintenir la structure géométrique de tous les objets de chaque sous-graphe cohérente.
Le principe de l'algorithme de segmentation de graphe spatial consiste à construire d'abord une matrice de contiguïté, puis à trier les nœuds en fonction de la connectivité du chemin le plus court et enfin à utiliser la méthode de couverture de chemin minimale pour diviser le graphe en plusieurs sous-graphes connectés.
Les étapes de l'algorithme de segmentation de graphe spatial sont les suivantes :
Filtrer le bruit et supprimer les différences de hauteur locales grâce à des méthodes morphologiques (telles que la corrosion, l'expansion, etc.).
Utilisez l'algorithme de Kruskal ou l'algorithme de Prim pour trouver le poids du chemin le plus court et construire l'ensemble des arêtes du graphique.
Triez l'ensemble des arêtes par ordre croissant de poids et construisez un arbre couvrant le poids minimum, c'est-à-dire que chaque arête doit passer par au moins un nœud intermédiaire avant de pouvoir être ajoutée à l'arbre.
Chaque nœud est regroupé en fonction du spanning tree avec un poids minimum.
Selon les résultats du regroupement, chaque sous-graphe connecté est regroupé hiérarchiquement et les points du sous-graphe sont divisés en sous-graphes correspondants.
Répétez les étapes 4 et 5 jusqu'à ce que tous les points soient attribués à un sous-graphe.
(3) Algorithme de maillage analytique spatial
L'algorithme de maillage analytique spatial fait référence à la division de l'espace en unités de maillage adaptées à la modélisation et à la simulation basées sur la structure géométrique des objets au sol. L'algorithme de maillage analytique spatial peut représenter des caractéristiques évidentes dans l'espace de manière fine et joue un rôle important dans la simulation du comportement physique du bâtiment, de la dispersion du vent, de la conduction thermique, etc. Le principe de l'algorithme de maillage analytique spatial est d'abord d'établir la correspondance entre les objets au sol et les unités de grille, puis de diviser la grille en fonction de cette correspondance.
Les étapes de l’algorithme de maillage analytique spatial sont les suivantes :
Déterminez les dimensions et les dimensions de la grille.
Calculez les coordonnées centrales de la cellule de la grille.
Divisez le bâtiment en une grille contenant une certaine zone.
Calculez le vecteur normal, l'angle de la silhouette et d'autres informations du point central de l'unité de grille.
Sortez le fichier de modèle de maillage de modélisation.
(4) Apprentissage automatique et apprentissage profond
L’apprentissage automatique et l’apprentissage profond sont deux technologies d’apprentissage automatique importantes dans le domaine de la conception de bâtiments intelligents. L’apprentissage automatique peut être utilisé pour traiter des informations spatiales complexes et non linéaires et constitue la base de la construction de bâtiments intelligents. L’apprentissage profond peut être utilisé pour traiter des informations spatiales massives et de grande dimension et constitue une technologie de pointe dans le domaine des bâtiments intelligents.
(41) Apprentissage automatique
L'apprentissage automatique fait référence à la découverte des modèles inhérents aux données grâce à des algorithmes de formation pour prédire ou classer des données inconnues. Les algorithmes d'apprentissage automatique peuvent apprendre des modèles à partir de données connues et les appliquer à des données inconnues pour les prédire ou les classer. Dans la conception de bâtiments intelligents, les algorithmes d’apprentissage automatique peuvent être utilisés pour prédire l’irrégularité des bâtiments, la complexité de la répartition spatiale et l’hétérogénéité du bâtiment lui-même.
Les étapes de base de l’apprentissage automatique sont les suivantes :
Acquisition de données : collectez des données sur le bâtiment, y compris des informations spatiales sur le bâtiment, des informations sur les attributs, etc.
Nettoyage des données : nettoyez au préalable les données, supprimez les données non pertinentes et assurez la qualité des données.
Étiquetage des données : les bâtiments sont étiquetés, chaque bâtiment possède une étiquette ou un numéro unique.
Division des données : divisez les données en ensemble de formation, ensemble de validation et ensemble de test.
Ingénierie des caractéristiques : grâce à la combinaison, à l'extraction, à la transformation et à d'autres méthodes, nous pouvons obtenir davantage d'informations sur les caractéristiques en exploitant les caractéristiques des bâtiments.
Modèle de formation : entraînez le modèle en sélectionnant différents types de modèles d'apprentissage automatique.
Évaluation du modèle : évaluez le modèle et calculez les indicateurs de performance du modèle.
Prédiction : faites des prédictions sur de nouvelles données et classez les bâtiments en fonction des prédictions du modèle.
(42) Apprentissage profond
L'apprentissage profond fait référence à l'utilisation de la structure du réseau neuronal pour simuler le réseau neuronal du cerveau humain et à l'entrée de données spatiales massives et de haute dimension dans le réseau neuronal pour l'entraînement afin d'obtenir les paramètres du modèle. L’apprentissage profond peut être utilisé pour traiter des informations spatiales complexes et non linéaires dans la conception de bâtiments intelligents, et peut améliorer efficacement l’efficacité des bâtiments et réduire les coûts.
Les étapes de base du deep learning sont les suivantes :
Acquisition de données : collectez des données sur le bâtiment, y compris des informations spatiales sur le bâtiment, des informations sur les attributs, etc.
Division des données : divisez les données en ensemble de formation, ensemble de validation et ensemble de test.
Ingénierie des caractéristiques : grâce à la combinaison, à l'extraction, à la transformation et à d'autres méthodes, nous pouvons obtenir davantage d'informations sur les caractéristiques en exploitant les caractéristiques des bâtiments.
Conception de modèle : concevez un modèle de réseau neuronal convolutif (CNN) ou de réseau neuronal récurrent (RNN).
Formation du modèle : entraînez le modèle et optimisez les paramètres du modèle.
Évaluation du modèle : évaluez le modèle et calculez les indicateurs de performance du modèle.
Prédiction : faites des prédictions sur de nouvelles données et classez les bâtiments en fonction des prédictions du modèle.