建筑结构材料用量预测方法、装置、电子设备及存储介质

1.本发明涉及人工智能及建筑结构设计技术领域，尤其涉及一种建筑结构材料用量预测方法、装置、电子设备及存储介质。


背景技术：

2.在建筑结构的设计阶段和招投标过程中，建筑结构的工程造价是工程师和业主都关心的一项核心指标，而材料用量是工程造价的重要组成部分。因此，需要基于目标建筑结构的设计方案，高效、准确地评估其材料用量。
3.传统的材料用量评估主要依赖工程师的个人经验或者结构设计软件的计算统计。其中，前者的可靠度难以保证；后者所需的计算耗时较长，难以满足各类计算机辅助设计方法对于评估效率的要求。
4.对此，现有技术提出了一种基于神经网络的材料用量预测方法，但该方法尚无法考虑建筑结构相关领域的先验知识，导致预测的材料用量违背工程师的基本常识，预测精度较低。
5.因此，解决现有技术无法准确、高效预测目标建筑结构的材料用量的问题，显得十分必要。


技术实现要素：

6.本发明提供一种建筑结构材料用量预测方法、装置、电子设备及存储介质，用以克服现有技术无法准确、高效预测目标建筑结构材料用量的缺陷，实现对目标建筑结构材料用量的准确、高效预测，且符合建筑结构相关的先验知识。
7.一方面，本发明提供一种建筑结构材料用量预测方法，包括：获取目标建筑结构的设计条件，所述设计条件包括抗震设计条件、抗风设计条件以及结构整体几何设计条件；获取目标建筑结构的结构设计方案，所述结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量；其中，所述材料用量预测模型通过嵌入先验知识，以材料用量数据集为训练集，以最小材料用量损失和先验知识损失之和为目标进行优化训练得到。
8.进一步地，所述将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量，包括：提取所述结构设计方案中的第一高维特征；提取所述设计条件中的第二高维特征；拼接所述第一高维特征与所述第二高维特征，得到融合高维特征；将所述融合高维特征映射为材料用量，得到所述目标建筑结构中各类材料的材料用量。
9.进一步地，所述材料用量预测模型包括第一子模型、第二子模型以及第三子模型；所述提取所述结构设计方案中的第一高维特征，包括：将所述结构设计方案表征为结构设计图谱，所述结构设计图谱以结构构件的节点为图谱节点，以结构构件的节点坐标为节点
特征，以结构构件为图谱边，以结构构件的几何尺寸为边特征；将所述结构设计图谱输入至所述第一子模型，得到所述第一高维特征。
10.进一步地，所述材料用量预测模型包括第一子模型、第二子模型以及第三子模型；所述提取所述设计条件中的第二高维特征，包括：将所述设计条件表征为设计特征向量，所述设计特征向量包含地震荷载、风荷载、建筑高度以及建筑宽度；将所述设计特征向量输入至所述第二子模型，得到所述第二高维特征。
11.进一步地，所述材料用量预测模型包括第一子模型、第二子模型以及第三子模型；所述将所述融合高维特征映射为材料用量，得到所述目标建筑结构中各类材料的材料用量，包括：将所述融合高维特征输入至所述第三子模型，得到所述目标建筑结构中各类材料的材料用量。
12.进一步地，所述先验知识包括：所述目标建筑结构的混凝土用量小于所有混凝土构件的体积之和；所述目标建筑结构中任一钢材增强构件的钢材用量大于构造要求的最小钢材用量；所述目标建筑结构的砌块用量小于所有砌体构件的体积之和；所述目标建筑结构中任一复合材料增强构件的复合材料用量大于构造要求的最小复合材料用量。
13.进一步地，训练所述材料用量预测模型的具体步骤包括：将所述材料用量数据集作为训练集，并基于先验知识，通过第一预设公式计算材料用量损失，通过第二预设公式计算先验知识损失，以最小化所述材料用量损失和所述先验知识损失之和为训练目标，完成对所述材料用量预测模型的训练。
14.进一步地，构建所述材料用量数据集的具体步骤包括：基于历史工程项目，获取相应的历史设计条件、历史建筑设计方案以及历史结构设计方案；以所述历史设计条件和所述历史建筑设计方案为输入数据，以所述历史结构设计方案为真实标签数据，构建历史结构方案数据集；将历史结构方案数据集作为训练集，训练预先构建的结构方案设计模型，并以最小化所述结构方案设计模型输出的结构设计方案与其对应真实标签数据之间的差异为训练目标；将所述历史建筑设计方案和随机生成的预设数量的增广设计条件输入至训练好的所述结构方案设计模型，得到所述预设数量的增广结构设计方案；基于构建的结构参数化建模分析流程，根据所述增广设计条件和所述增广结构设计方案，计算得到对应的材料用量数据；以所述增广结构设计方案和所述增广设计条件为输入数据，以所述材料用量数据为真实标签数据，构建得到所述材料用量数据集；其中，所述结构参数化建模分析流程包括：读取建模信息，创建结构模型，开展结构设计，输出材料用量。
15.进一步地，所述第一预设公式如下：
16.lm＝mseloss(q
adjust
,q
real
)
17.q
adjust
＝q
orig-λ
·
relu(q
orig-q
max
)+λ
·
relu(q
min-q
orig
)
18.其中，lm为材料用量损失，q
adjust
为修正材料用量，q
real
为真实材料用量，q
orig
为初始材料用量，q
max
为预期的最大材料用量，q
min
为预期的最小材料用量，λ为材料损失修正权重，relu(
·
)为激活函数，mseloss(
·
)为均方差损失函数。
19.进一步地，所述第二预设公式如下：
20.lk＝μ
·
sum(relu(q
orig-q
max
))+μ
·
sum(relu(q
min-q
orig
))
21.其中，lk为先验知识损失，q
orig
为初始材料用量，q
max
为预期的最大材料用量，q
min
为预期的最小材料用量，μ为先验损失修正权重，relu(
·
)为激活函数，sum(
·
)为求和函数。
22.第二方面，本发明还提供一种建筑结构材料用量预测装置，包括：设计条件获取模块，用于获取目标建筑结构的设计条件，所述设计条件包括抗震设计条件、抗风设计条件以及结构整体几何设计条件；结构设计方案获取模块，用于获取目标建筑结构的结构设计方案，所述结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；材料用量预测模块，用于将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量；其中，所述材料用量预测模型通过嵌入先验知识，以材料用量数据集为训练集，以最小材料用量损失和先验知识损失之和为目标进行优化训练得到。
23.第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的建筑结构材料用量预测方法。
24.第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的建筑结构材料用量预测方法。
25.本发明提供的建筑结构材料用量预测方法，通过获取目标建筑结构的设计条件，以及结构设计方案，并将获取的设计条件和结构设计方案共同作为输入数据输入至材料用量预测模型中，以得到目标建筑结构中各类材料的材料用量。该方法通过向材料用量预测模型中嵌入先验知识，克服了现有技术因无法考虑建筑结构相关领域的先验知识，导致材料用量预测值违背工程的基本常识，预测精度低的缺陷，实现了对目标建筑结构材料用量的准确、高效预测。
附图说明
26.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1为本发明提供的建筑结构材料用量预测方法的流程示意图；
28.图2为本发明提供的材料用量预测流程示意图；
29.图3为本发明提供的材料用量预测模型的推理示意图；
30.图4为本发明提供的材料用量数据集的构建流程示意图；
31.图5为本发明提供的建筑结构材料用量预测方法的整体流程示意图；
32.图6为本发明提供的建筑结构材料用量预测装置的结构示意图；
33.图7为本发明提供的电子设备的结构示意图。
具体实施方式
34.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
35.图1示出了本发明所提供的建筑结构材料用量预测方法的流程示意图。如图1所
示，该方法包括：
36.s110，获取目标建筑结构的设计条件，该设计条件包括抗震设计条件、抗风设计条件以及结构整体几何设计条件；
37.s120，获取目标建筑结构的结构设计方案，该结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；
38.s130，将结构设计方案以及设计条件输入至预先训练的材料用量预测模型，得到目标建筑结构中各类材料的材料用量。
39.可以理解的是，要想对目标建筑结构中各类材料的材料用量进行预测，首先需要获取目标建筑结构的结构设计方案以及设计条件，目标建筑结构为需要对各类材料用量进行预测的建筑结构。
40.在步骤s110中，对目标建筑结构的设计条件进行获取，该设计条件包括但不限于目标建筑结构的抗震设计条件、抗风设计条件以及结构整体几何设计条件。
41.在步骤s120中，在步骤s110获取目标建筑结构的设计条件的基础上，对目标建筑结构的结构设计方案进行获取，该结构设计方案包括但不限于墙、柱、梁、板以及支撑的空间位置，以及墙、柱、梁、板以及支撑的几何尺寸，例如相应结构的长度、宽度和高度。
42.在步骤s110和步骤s120分别获取目标建筑结构的设计条件和结构设计方案的基础上，进一步地，执行步骤s130，将结构设计方案和设计条件作为输入数据，输入至预先训练好的材料用量预测模型中，以得到相应的输出，即目标建筑结构中各类材料的材料用量。
43.需要说明的是，现有材料用量预测方法无法考虑建筑结构相关领域的先验知识，从而导致预测得到的材料用量违背了工程师的基本常识，预测精度较低。
44.考虑及此，本实施例提供的材料用量预测模型，会嵌入先验知识，以克服上述缺陷，并以材料用量数据集为训练集，以最小材料用量损失和先验知识损失之和为目标对其进行优化训练，以保证目标建筑结构中各类材料用量的预测精确度。
45.其中，先验知识包括：1)目标建筑结构的混凝土用量小于所有混凝土构件的体积之和；2)目标建筑结构中任一钢材增强构件的钢材用量大于构造要求的最小钢材用量；3)目标建筑结构的砌块用量小于所有砌体构件的体积之和；4)目标建筑结构中任一复合材料增强构件的复合材料用量大于构造要求的最小复合材料用量。
46.目标建筑结构中各类材料的材料用量包括但不限于混凝土用量、钢材用量、砌块用量以及复合材料用量。
47.在本实施例中，通过获取目标建筑结构的设计条件，以及结构设计方案，并将获取的设计条件和结构设计方案共同作为输入数据输入至材料用量预测模型中，以得到目标建筑结构中各类材料的材料用量。该方法通过向材料用量预测模型中嵌入先验知识，克服了现有技术因无法考虑建筑结构相关领域的先验知识，导致材料用量预测值违背工程的基本常识，预测精度低的缺陷，实现了对目标建筑结构材料用量的准确、高效预测。
48.在上述实施例的基础上，进一步地，图2示出了本发明所提供的材料用量预测流程示意图，用于对步骤s130作进一步的解释。
49.如图2所示，将设计条件以及结构设计方案输入至预先训练的材料用量预测模型，得到目标建筑结构中各类材料的材料用量，包括：
50.s131，提取结构设计方案中的第一高维特征；
51.s132，提取设计条件中的第二高维特征；
52.s133，拼接第一高维特征与第二高维特征，得到融合高维特征；
53.s134，将融合高维特征映射为材料用量，得到目标建筑结构中各类材料的材料用量。
54.可以理解的是，通过预先训练好的材料用量预测模型对目标建筑结构的设计条件和结构设计方案进行处理，具体地，分别提取结构设计方案中的第一高维特征，以及设计条件中的第二高维特征。
55.进一步地，对提取的第一高维特征和第二高维特征进行拼接处理，得到融合高维特征，并将融合高维特征映射为材料用量，从而得到目标建筑结构中各类材料的材料用量。
56.优选地，在一个实施例中，材料用量预测模型包括三个子模型，即第一子模型、第二子模型以及第三子模型。
57.在上述基础上，在一个具体的实施例中，提取结构设计方案中的第一高维特征，具体地，将结构设计方案表征为结构设计图谱，该结构设计图谱以结构构件的节点为图谱节点，以结构构件的节点坐标为节点特征，以结构构件为图谱边，以结构构件的几何尺寸作为边特征；将结构设计图谱输入至第一子模型，得到第一高维特征。
58.其中，结构构件的几何尺寸，例如结构构件的长度、高度和宽度。
59.展开地，将结构设计图谱输入至第一子模型后，第一子模型通过图神经网络层，对结构设计图谱的节点特征和边特征进行聚合，从而得到更新的边特征。
60.进一步地，第一子模型通过全连接神经网络层，对更新的边特征进行映射，并将所有更新的边特征进行求和处理，得到相应的高维特征向量，即第一高维特征。
61.在另一个具体的实施例中，提取设计条件中的第二高维特征，具体地，将设计条件表征为设计特征向量，设计特征向量包含地震荷载、风荷载、建筑高度以及建筑宽度；将设计特征向量输入至第二子模型，得到第二高维特征。
62.展开地，设计条件包括抗震设防烈度、场地条件以及结构高度，将抗震设防烈度表征为地震影响系数最大值α
max
，将场地条件表征为场地特征周期tg，将结构高度表征为建筑层数ns，从而形成一个长度为3的全局特征向量，即设计特征向量。
63.进一步地，将设计特征向量输入至第二子模型中，第二子模型通过全连接神经网络将设计特征向量映射为相应的高维特征向量，即第二高维特征。
64.在又一个具体的实施例中，将融合高维特征映射为材料用量，得到目标建筑结构中各类材料的材料用量，具体地，将融合高维特征输入至第三子模型，得到目标建筑结构中各类材料的材料用量。
65.展开地，将融合高维特征输入至第三子模型中，第三子模型通过全连接神经网络将融合高维特征映射为材料用量向量，即目标建筑结构中各类材料的材料用量。
66.其中，关于材料用量向量，例如，材料用量向量的长度为6，分别为剪力墙的混凝土用量和钢筋用量、梁的混凝土用量和钢筋用量以及楼板的混凝土用量和钢筋用量。
67.另，图3示出了本发明所提供的材料用量预测模型的推理示意图。
68.如图3所示，本实施例的材料用量预测模型包括三个子神经网络模型，即上述第一子模型、第二子模型以及第三子模型。
69.在第一子模型中，第一子模型通过图神经网络层对结构设计图谱的节点特征和边
特征进行聚合，得到更新的边特征，并通过全连接神经网络层，对更新的边特征进行映射，且对所有更新的边特征进行求和处理，得到第一高维特征。
70.在第二子模型中，将地震影响系数最大值、场地特征周期以及建筑层数所形成的设计特征向量输入至第二子模型中，即可得到相应第二高维特征。
71.在第三子模型中，将融合第一高维特征和第二高维特征得到的融合高维特征映射为材料用量向量，即目标建筑结构中各类材料的材料用量。
72.在本实施例中，通过分别提取结构设计方案中的第一高维特征，以及设计条件中的第二高维特征，并对第一高维特征和第二高维特征进行拼接，以得到融合高维特征，进而将融合高维特征映射为材料用量，得到目标建筑结构中各类材料的材料用量，该方法能够实现对目标建筑结构材料用量的准确、高效预测。
73.在上述实施例的基础上，进一步地，该方法还包括对材料用量预测模型进行训练，具体地，将材料用量数据集作为训练集，并基于先验知识，通过第一预设公式计算材料用量损失，通过第二预设公式计算先验知识损失，以最小化材料用量损失和先验知识损失之和为训练目标，完成对材料用量预测模型的训练。
74.可以理解的是，预先构建了一个知识嵌入神经网络，即材料用量预测模型，包括3个子神经网络模型，即上文所述的第一子模型、第二子模型以及第三子模型。
75.在对材料用量预测模型进行训练之前，首先需要构建材料用量数据集，具体地，图4示出了本发明所提供的材料用量数据集的构建流程示意图。
76.如图4所示，构建材料用量数据集的具体步骤包括：
77.s410，基于历史工程项目，获取相应的历史设计条件、历史建筑设计方案以及历史结构设计方案；
78.s420，以历史设计条件和历史建筑设计方案为输入数据，以历史结构设计方案为真实标签数据，构建历史结构方案数据集。
79.可以理解的是，收集不同建筑结构的历史工程项目，并获取其中相应的历史设计条件、历史建筑设计方案以及历史结构设计方案。
80.例如，在一个具体的实施例中，收集了430个钢筋混凝土剪力墙结构的实际工程案例，包括历史设计条件、历史建筑设计方案和对应的历史结构设计方案。
81.其中，历史设计条件如抗震设防烈度、场地条件以及结构高度，历史建筑设计方案如隔墙和门窗的平面布置，历史结构设计方案如剪力墙、梁的平面布置。
82.历史设计条件、历史建筑设计方案以及历史结构设计方案即构成结构设计方案数据集。
83.s430，将历史结构方案数据集作为训练集，训练预先构建的结构方案设计模型，并以最小化结构方案设计模型输出的结构设计方案与其对应真实标签数据之间的差异为训练目标。
84.在步骤s420构建得到历史结构方案数据集的基础上，进一步地，利用历史结构方案数据集对结构方案设计模型进行训练，在训练过程中，将历史设计条件和历史建筑设计方案作为输入数据，输入至预先构建的对抗生成网络即结构方案设计模型中，并以历史结构设计方案作为真实标签数据，根据预设损失函数训练该结构方案设计模型。
85.其中，预设损失函数为结构方案设计模型输出的结构设计方案与对应的真实标签
数据的差异。训练完成之后，保存当前结构方案设计模型的模型参数，以供后续用于对历史数据进行增广，从而得到一个较大的材料用量数据集，进而更好地完成材料用量预测模型的训练。
86.s440，将历史建筑设计方案和随机生成的预设数量的增广设计条件输入至训练好的结构方案设计模型，得到预设数量的增广结构设计方案。
87.可以理解的是，对于每个历史建筑设计方案，可以随机生成设定阈值个设计条件的组合。关于具体组合方式，例如，抗震设防烈度可以为6度，也可以为7度，还可以为8度。又例如，结构高度可以为15m到100m。再例如，场地条件可以为i-iv类。
88.其中，设定阈值可以根据实际情况进行设置，例如，在一个具体的实施例中，对于每个历史建筑设计方案，可以随机生成10个设计条件的组合，从而得到设定阈值个增广设计条件。
89.预设数量也可以根据实际情况进行设置，例如，在另一个具体的实施例中，将4300组历史建筑设计方案和随机生成的增广设计条件输入预先训练好的结构方案设计模型中，得到对应的4300组历史结构设计方案，也即4300组增广结构设计方案。
90.s450，基于构建的结构参数化建模分析流程，根据增广设计条件和增广结构设计方案，计算得到对应的材料用量数据。
91.容易理解的是，在获取了增广设计条件和增广结构设计方案的基础上，进一步地，在结构设计软件中建立结构参数化建模分析流程，该结构参数化建模分析流程主要包括：读取建模信息，创建结构模型，开展结构设计，输出材料用量。
92.基于所述结构参数化建模分析流程，在将增广设计条件和历史建筑设计方案输入至结构方案设计模型中之后，读取结构方案设计模型输出的增广结构设计方案，并建立对应的结构模型，从而计算得到对应的材料用量。
93.s460，以增广结构设计方案和增广设计条件为输入数据，以材料用量数据为真实标签数据，构建得到材料用量数据集；
94.容易理解的，在步骤s440获取增广结构设计方案和增广设计条件，步骤s450计算得到对应的材料用量数据的基础上，可以就前述步骤得到的数据构建材料用量数据集。
95.在构建的材料用量数据集中，增广结构设计方案和增广设计条件为输入数据，材料用量数据为真实标签数据。基于构建的材料用量数据集，可以将材料用量数据集的80％(3440个样本)作为训练集，用以训练材料用量预测模型，将材料用量数据集的20％(860个样本)作为测试集，用以测试材料用量预测模型的预测效果。
96.在材料用量预测模型的训练过程中，利用第一子模型提取历史结构设计方案中的第一高维特征，具体地，将历史结构设计方案表征为结构设计图谱，该结构设计图谱以结构构件的节点为图谱节点，以结构构件的节点坐标为节点特征，以结构构件为图谱边，以结构构件的几何尺寸作为边特征，将结构设计图谱输入至第一子模型，即可得到第一高维特征。
97.利用第二子模型提取历史设计条件中的第二高维特征，具体地，将历史设计条件表征为设计特征向量，设计特征向量包含地震荷载、风荷载、建筑高度以及建筑宽度，将设计特征向量输入至第二子模型，即可得到第二高维特征。
98.将第一高维特征和第二高维特征拼接位融合特征向量，并将融合特征向量输入至第三子模型中，输出相应的材料用量向量。
99.最后，基于先验知识，通过第一预设公式计算材料用量损失，通过第二预设公式计算先验知识损失，以最小化材料用量损失和先验知识损失之和为训练目标，完成对材料用量预测模型的训练。
100.其中，第一预设公式如下：
101.lm＝mseloss(q
adjust
,q
real
)
102.q
adjust
＝q
orig-λ
·
relu(q
orig-q
max
)+λ
·
relu(q
min-q
orig
)
103.其中，lm为材料用量损失，q
adjust
为修正材料用量，q
real
为真实材料用量，q
orig
为初始材料用量，q
max
为预期的最大材料用量，q
min
为预期的最小材料用量，λ为材料损失修正权重，0≤λ≤1，relu(
·
)为激活函数，mseloss(
·
)为均方差损失函数。在一个具体的实施例中，以训练过程中混凝土和钢筋的材料用量损失为例，其修正公式表示如下：
[0104][0105][0106]
其中，和分别为修正后的混凝土用量和钢筋用量，和分别为材料用量预测模型输出的混凝土用量和钢筋用量，和分别为根据先验知识计算得到的混凝土用量最大值和钢筋用量最小值，relu(
·
)为激活函数。
[0107]
第二预设公式如下：
[0108]
lk＝μ
·
sum(relu(q
orig-q
max
))+μ
·
sum(relu(q
min-q
orig
))
[0109]
其中，lk为先验知识损失，q
orig
为初始材料用量，q
max
为预期的最大材料用量，q
min
为预期的最小材料用量，μ为先验损失修正权重，0≤μ≤1，relu(
·
)为激活函数，sum(
·
)为求和函数。
[0110]
在上述预设公式中，和的计算公式分别如下：
[0111][0112][0113]
其中，v
wall
、v
beam
、v
slab
分别为单个剪力墙、梁、楼板的体积，分别为按照构造要求的最小配筋率计算的单个剪力墙、梁、楼板的钢筋用量。
[0114]
更进一步地，关于的计算方式，对于单个剪力墙构件，其边缘约束构件和墙体分布筋的最小分配筋量分别如下表1和表2所示。
[0115]
表1边缘约束构件的最小配筋量
[0116]
[0117][0118]
注：ac为边缘构件的截面面积。
[0119]
表2墙体分布筋的最小配筋率
[0120][0121]
关于的计算公式，对于梁构件，其纵向受拉钢筋、架立钢筋和箍筋的最小配筋量分别如表3至表6所示。
[0122]
表3框架梁(跨高比大于1.5)纵向受拉钢筋的最小配筋率(％)
[0123][0124]
注：f
t
为混凝土受拉强度，fy为钢筋屈服强度。
[0125]
表4连梁(跨高比不大于1.5)纵向受拉钢筋的最小配筋率(％)
[0126][0127]
注：f
t
为混凝土受拉强度，fy为钢筋屈服强度。
[0128]
表5架立钢筋的最小配筋量
[0129][0130]
表6箍筋的最小配筋量
[0131][0132]
注：hb为梁截面高度，d为纵向钢筋直径。
[0133]
关于的计算方式，对于板构件，其纵向受拉钢筋的最小配筋率(％)为0.20和45f
t
/fy中的较大值。
[0134]
另外，本实施例还提供了利用20％的材料用量数据集对材料用量预测模型进行测试的结测试结果。
[0135]
具体地，测试结果如下表7所示：
[0136]
表7材料用量预测模型的准确度
[0137][0138]
表7中，ape为绝对值百分比误差。
[0139]
在本实施例中，将构建的材料用量数据集作为训练集，并基于先验知识，通过第一预设公式计算材料用量损失，通过第二预设公式计算先验知识损失，并以最小化材料用量损失和先验知识损失之和为训练目标，从而完成对材料用量预测模型的训练，使得实际推理时能够对目标建筑结构材料用量进行准确、高效的预测。
[0140]
另外，图5示出了本发明所提供的建筑结构材料用量预测方法的整体流程示意图。
[0141]
如图5所示，首先，构建了一个结构方案设计模型，训练该模型时，以历史的设计条件和建筑设计方案为输入数据，以历史的结构设计方案为标签数据，训练至收敛后，保存相应模型参数。
[0142]
然后，基于历史的建筑设计方案和随机组合的设计条件，可以通过结构方案设计模型生成对应的大量的结构设计方案，而后，基于构建的结构参数化建模分析流程，可以计算得到相对应的材料用量列表，从而构建得到材料用量数据集。
[0143]
紧接着，以历史的设计条件和结构设计方案为输入数据，以材料用量为真实标签数据，对材料用量预测模型进行训练。根据图5可以看出，进行了知识嵌入，即嵌入了先验知识，以克服现有技术中存在的缺陷。
[0144]
将材料用量预测模型训练至收敛后，保存模型参数。
[0145]
最后，将训练好的材料用量预测模型用于实际推理，即以目标建筑结构的设计条件和结构设计方案为输入，即可得到相应的输出，即目标建筑结构中各类材料的材料用量，
例如图5中的混凝土2739.3立方米，钢筋271.0吨。
[0146]
图6示出了本发明所提供的建筑结构材料用量预测装置的结构示意图。如图6所示，该装置包括：
[0147]
设计条件获取模块610，用于获取目标建筑结构的设计条件，所述设计条件包括抗震设计条件、抗风设计条件以及结构整体几何设计条件；结构设计方案获取模块620，用于获取目标建筑结构的结构设计方案，所述结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；材料用量预测模块630，用于将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量；其中，所述材料用量预测模型通过嵌入先验知识，以材料用量数据集为训练集，以最小材料用量损失和先验知识损失之和为目标进行优化训练得到。
[0148]
在本实施例中，通过设计条件获取模块610和结构设计方案获取模块620分别获取目标建筑结构的设计条件和结构设计方案，材料用量预测模块630将获取的设计条件和结构设计方案共同作为输入数据输入至材料用量预测模型中，以得到目标建筑结构中各类材料的材料用量。该装置通过向材料用量预测模型中嵌入先验知识，克服了现有技术因无法考虑建筑结构相关领域的先验知识，导致材料用量预测值违背工程的基本常识，预测精度低的缺陷，实现了对目标建筑结构材料用量的准确、高效预测。
[0149]
需要说明的是，本实施例所提供的建筑结构材料用量预测装置，与上文描述的建筑结构材料用量预测方法可相互对应参照，在此不再赘述。
[0150]
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communications interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行建筑结构材料用量预测方法，该方法包括：获取目标建筑结构的设计条件，所述设计条件包括抗震设计条件、抗风设计条件以及结构整体几何设计条件；获取目标建筑结构的结构设计方案，所述结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量；其中，所述材料用量预测模型通过嵌入先验知识，以材料用量数据集为训练集，以最小材料用量损失和先验知识损失之和为目标进行优化训练得到。
[0151]
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0152]
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的建筑结构材料用量预测方法，该方法包括：获取目标建筑结构的设计条件，所述设计条件包括抗震设计条件、抗风设
计条件以及结构整体几何设计条件；获取目标建筑结构的结构设计方案，所述结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量；其中，所述材料用量预测模型通过嵌入先验知识，以材料用量数据集为训练集，以最小材料用量损失和先验知识损失之和为目标进行优化训练得到。
[0153]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0154]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0155]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种建筑结构材料用量预测方法，其特征在于，包括：获取目标建筑结构的设计条件，所述设计条件包括抗震设计条件、抗风设计条件以及结构整体几何设计条件；获取目标建筑结构的结构设计方案，所述结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量；其中，所述材料用量预测模型通过嵌入先验知识，以材料用量数据集为训练集，以最小材料用量损失和先验知识损失之和为目标进行优化训练得到。2.根据权利要求1所述的建筑结构材料用量预测方法，其特征在于，所述将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量，包括：提取所述结构设计方案中的第一高维特征；提取所述设计条件中的第二高维特征；拼接所述第一高维特征与所述第二高维特征，得到融合高维特征；将所述融合高维特征映射为材料用量，得到所述目标建筑结构中各类材料的材料用量。3.根据权利要求2所述的建筑结构材料用量预测方法，其特征在于，所述材料用量预测模型包括第一子模型、第二子模型以及第三子模型；所述提取所述结构设计方案中的第一高维特征，包括：将所述结构设计方案表征为结构设计图谱，所述结构设计图谱以结构构件的节点为图谱节点，以结构构件的节点坐标为节点特征，以结构构件为图谱边，以结构构件的几何尺寸为边特征；将所述结构设计图谱输入至所述第一子模型，得到所述第一高维特征。4.根据权利要求2所述的建筑结构材料用量预测方法，其特征在于，所述材料用量预测模型包括第一子模型、第二子模型以及第三子模型；所述提取所述设计条件中的第二高维特征，包括：将所述设计条件表征为设计特征向量，所述设计特征向量包含地震荷载、风荷载、建筑高度以及建筑宽度；将所述设计特征向量输入至所述第二子模型，得到所述第二高维特征。5.根据权利要求2所述的建筑结构材料用量预测方法，其特征在于，所述材料用量预测模型包括第一子模型、第二子模型以及第三子模型；所述将所述融合高维特征映射为材料用量，得到所述目标建筑结构中各类材料的材料用量，包括：将所述融合高维特征输入至所述第三子模型，得到所述目标建筑结构中各类材料的材料用量。6.根据权利要求1-5中任一项所述的建筑结构材料用量预测方法，其特征在于，所述先验知识包括：所述目标建筑结构的混凝土用量小于所有混凝土构件的体积之和；
所述目标建筑结构中任一钢材增强构件的钢材用量大于构造要求的最小钢材用量；所述目标建筑结构的砌块用量小于所有砌体构件的体积之和；所述目标建筑结构中任一复合材料增强构件的复合材料用量大于构造要求的最小复合材料用量。7.根据权利要求6所述的建筑结构材料用量预测方法，其特征在于，训练所述材料用量预测模型的具体步骤包括：将所述材料用量数据集作为训练集，并基于先验知识，通过第一预设公式计算材料用量损失，通过第二预设公式计算先验知识损失，以最小化所述材料用量损失和所述先验知识损失之和为训练目标，完成对所述材料用量预测模型的训练。8.根据权利要求7所述的建筑结构材料用量预测方法，其特征在于，构建所述材料用量数据集的具体步骤包括：基于历史工程项目，获取相应的历史设计条件、历史建筑设计方案以及历史结构设计方案；以所述历史设计条件和所述历史建筑设计方案为输入数据，以所述历史结构设计方案为真实标签数据，构建历史结构方案数据集；将历史结构方案数据集作为训练集，训练预先构建的结构方案设计模型，并以最小化所述结构方案设计模型输出的结构设计方案与其对应真实标签数据之间的差异为训练目标；将所述历史建筑设计方案和随机生成的预设数量的增广设计条件输入至训练好的所述结构方案设计模型，得到所述预设数量的增广结构设计方案；基于构建的结构参数化建模分析流程，根据所述增广设计条件和所述增广结构设计方案，计算得到对应的材料用量数据；以所述增广结构设计方案和所述增广设计条件为输入数据，以所述材料用量数据为真实标签数据，构建得到所述材料用量数据集；其中，所述结构参数化建模分析流程包括：读取建模信息，创建结构模型，开展结构设计，输出材料用量。9.根据权利要求7所述的建筑结构材料用量预测方法，其特征在于，所述第一预设公式如下：l
m
＝mseloss(q
adjust
，q
real
)q
adjust
＝q
orig-λ
·
relu(q
orig-q
max
)+λ
·
relu(q
min-q
orig
)其中，l
m
为材料用量损失，q
adjust
为修正材料用量，q
real
为真实材料用量，q
orig
为初始材料用量，q
max
为预期的最大材料用量，q
min
为预期的最小材料用量，λ为材料损失修正权重，relu(
·
)为激活函数，mseloss(
·
)为均方差损失函数。10.根据权利要求7所述的建筑结构材料用量预测方法，其特征在于，所述第二预设公式如下：l
k
＝μ
·
sum(relu(q
orig-q
max
))+μ
·
sum(relu(q
min-q
orig
))其中，l
k
为先验知识损失，q
orig
为初始材料用量，q
max
为预期的最大材料用量，q
min
为预期的最小材料用量，μ为先验损失修正权重，relu(
·
)为激活函数，sum(
·
)为求和函数。11.一种建筑结构材料用量预测装置，其特征在于，包括：
设计条件获取模块，用于获取目标建筑结构的设计条件，所述设计条件包括抗震设计条件、抗风设计条件以及结构整体几何设计条件；结构设计方案获取模块，用于获取目标建筑结构的结构设计方案，所述结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；材料用量预测模块，用于将所述设计条件以及所述结构设计方案输入至预先训练的材料用量预测模型，得到所述目标建筑结构中各类材料的材料用量；其中，所述材料用量预测模型通过嵌入先验知识，以材料用量数据集为训练集，以最小材料用量损失和先验知识损失之和为目标进行优化训练得到。12.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至10任一项所述的建筑结构材料用量预测方法的步骤。13.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至10任一项所述的建筑结构材料用量预测方法的步骤。

技术总结
本发明提供一种基于知识嵌入神经网络的建筑结构材料用量预测方法、装置、电子设备及存储介质，其中的方法包括：获取目标建筑结构的设计条件，设计条件包括抗震设计条件、抗风设计条件以及结构整体几何设计条件；获取目标建筑结构的结构设计方案，结构设计方案包括墙、柱、梁、板、支撑的空间位置和几何尺寸；将设计条件以及结构设计方案输入至预先训练的材料用量预测模型，得到目标建筑结构中各类材料的材料用量。该方法通过向材料用量预测模型中嵌入先验知识，克服了现有技术因无法考虑建筑结构相关领域的先验知识，导致材料用量预测值违背工程的基本常识，预测精度低的缺陷，实现了对目标建筑结构材料用量的准确、高效预测。高效预测。高效预测。


技术研发人员：陆新征 费一凡 廖文杰
受保护的技术使用者：清华大学
技术研发日：2023.03.13
技术公布日：2023/7/22