[发明专利]一种基于建筑信息模型的人工智能孪生式训练方法

说明书

本发明公开了一种基于建筑信息模型的人工智能孪生式训练方法，所述方法包括：获取若干建筑设计训练集，对于每一个所述建筑设计训练集，从建筑信息模型中获取与所述建筑设计训练集对应的构件的初始特征向量；对于建筑设计的每一个阶段，将所述初始特征向量输入初始模型中，并对所述初始模型进行训练，得到人工智能阶段模型；其中，所述初始模型由聚类函数和神经网络级联得到；将若干所述人工智能阶段模型进行融合，并对融合后的若干所述人工智能阶段模型进行训练，得到人工智能孪生模型。本发明通过对建筑设计的每一个阶段都进行训练纠正，并将聚类函数和神经网络进行级联，从而使得基于建筑信息模型的人工智能孪生模型的模拟精度更高。

技术领域

本发明涉及建筑设计技术领域，尤其涉及的是一种基于建筑信息模型的人工智能孪生式训练方法。

背景技术

随着技术的发展，各行各业已开始逐渐采用人工智能（AI）技术来解决部分重复性较高，周期性较长的工作。而目前在建筑设计过程中，也有很多重复性高，周期性较长的工作，采用人工设计导致浪费很多的时间成本和工作成本，现有技术也有AI模拟，但是现有的模拟方法是根据设计的最终结果来纠正计算，不关注每一个阶段过程的纠正，导致AI模拟精度不高。

因此，现有技术还有待改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于建筑信息模型的人工智能孪生式训练方法，旨在解决现有技术中模拟方法是根据设计的最终结果来纠正计算，不关注每一个阶段过程的纠正，导致AI模拟精度不高的问题。

本发明解决问题所采用的技术方案如下：

第一方面，本发明实施例提供一种基于建筑信息模型的人工智能孪生式训练方法，其中，所述方法包括：

获取若干建筑设计训练集，对于每一个所述建筑设计训练集，从建筑信息模型中获取与所述建筑设计训练集对应的构件的初始特征向量；

对于建筑设计的每一个阶段，将所述初始特征向量输入初始模型中，并对所述初始模型进行训练，得到人工智能阶段模型；其中，所述初始模型由聚类函数和神经网络级联得到；

将若干所述人工智能阶段模型进行融合，并对融合后的若干所述人工智能阶段模型进行训练，得到人工智能孪生模型。

在一种实现方式中，其中，所述建筑设计训练集包括项目名称、项目编号和项目身份标识号。

在一种实现方式中，其中，所述初始特征向量包括构件身份标识号、构件参数值、构件与相邻构件的距离、构件与相邻构件的绘制向量以及构件与相邻构件的从属关系。

在一种实现方式中，其中，所述获取若干建筑设计训练集，对于每一个所述建筑设计训练集，从建筑信息模型中获取与所述建筑设计训练集对应的构件的初始特征向量之后包括：

对于每一个所述建筑设计训练集，跟踪所述建筑设计训练集中构件的变动状态，并将所述变动状态添加到所述初始特征向量中。

在一种实现方式中，其中，所述对于建筑设计的每一个阶段，将所述初始特征向量输入初始模型中，并对所述初始模型进行训练，得到人工智能阶段模型包括：

将所述初始特征向量输入聚类函数，并对所述聚类函数进行训练，以得到训练好的聚类函数；

冻结训练好的聚类函数，并将训练好的聚类函数的输出输入到神经网络模型进行训练，当对神经网络模型的训练满足预设的条件时，完成对神经网络模型的训练；

将训练好的聚类函数和训练好的神经网络模型进行级联，得到人工智能阶段模型。

在一种实现方式中，其中，所述将所述初始特征向量输入聚类函数，并对所述聚类函数进行训练，以得到训练好的聚类函数包括：

获取用户绘制数据；