本發(fā)明屬于建筑工程，特別涉及一種基于大數(shù)據(jù)建模的建筑老化預測方法及建筑老化預測系統(tǒng)。
背景技術(shù)：
1、隨著建筑行業(yè)的不斷發(fā)展，既有建筑的老化問題日益凸顯，其準確預測與有效維護已成為當前工程領域的研究熱點。傳統(tǒng)的建筑老化評估及預測方法主要依賴經(jīng)驗判斷或基于有限數(shù)據(jù)的統(tǒng)計分析，然而，面對日益復雜且多變的建筑結(jié)構(gòu)與環(huán)境因素，現(xiàn)有技術(shù)在數(shù)據(jù)整合、模型精度以及預測效率方面仍面臨顯著挑戰(zhàn)。
2、具體而言，現(xiàn)有方案難以有效整合來自傳感器、歷史維護記錄、材料特性及環(huán)境監(jiān)測等多源異構(gòu)數(shù)據(jù)，導致信息碎片化；其老化預測模型往往精度不足，對長期老化趨勢的刻畫能力有限，難以適應實際工程中對高效性和準確性的嚴苛要求；加之對大數(shù)據(jù)建模能力的欠缺，使得預測結(jié)果難以全面反映建筑的真實老化狀態(tài)，進而影響維護和改造決策的科學性與時效性；因此，我們提出一種基于大數(shù)據(jù)建模的建筑老化預測方法及建筑老化預測系統(tǒng)以解決上述問題。
技術(shù)實現(xiàn)思路
1、為了解決上述問題，本發(fā)明提供了一種基于大數(shù)據(jù)建模的建筑老化預測方法及建筑老化預測系統(tǒng)，解決了建筑老化預測精度低的問題。
2、本發(fā)明通過如下方案來實現(xiàn)：一種基于大數(shù)據(jù)建模的建筑老化預測方法，包括如下步驟：
3、s1、獲取多源異構(gòu)建筑相關(guān)數(shù)據(jù)，所述多源異構(gòu)建筑相關(guān)數(shù)據(jù)包括建筑結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)、建筑環(huán)境氣候數(shù)據(jù)、建筑材料屬性數(shù)據(jù)、建筑歷史維護數(shù)據(jù)以及建筑設計數(shù)據(jù)；
4、s2、對多源異構(gòu)建筑相關(guān)數(shù)據(jù)進行預處理，以生成標準化的數(shù)據(jù)集，對數(shù)據(jù)集進行特征工程處理，以提取與建筑老化相關(guān)的多維度特征；
5、s3、構(gòu)建建筑老化知識圖譜，以表征建筑構(gòu)件、建筑材料、建筑環(huán)境與建筑老化現(xiàn)象之間的關(guān)聯(lián)關(guān)系；
6、s4、構(gòu)建多模態(tài)深度學習模型，并融合多維度特征以及建筑老化知識圖譜，以學習建筑老化過程中的非線性動態(tài)演化規(guī)律和多因素耦合效應；
7、s5、對所述多模態(tài)深度學習模型進行訓練；
8、s6、將待預測的建筑相關(guān)數(shù)據(jù)按照步驟s1-步驟s3進行處理后輸入訓練后的多模態(tài)深度學習模型中進行預測，以輸出預測結(jié)果。
9、本發(fā)明基于大數(shù)據(jù)建模的建筑老化預測方法的進一步改進在于，所述建筑結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)包括建筑結(jié)構(gòu)的應變、加速度、位移、傾斜角、裂縫寬度、溫度以及濕度；
10、所述建筑環(huán)境氣候數(shù)據(jù)包括環(huán)境溫度、環(huán)境濕度、風速、風向、降雨量以及日照強度；
11、所述建筑材料屬性數(shù)據(jù)包括混凝土、鋼材、磚石以及木材的抗壓強度、抗拉強度、彈性模量、耐久性、腐蝕速率、疲勞性能；
12、所述建筑歷史維護數(shù)據(jù)包括歷次檢查報告、維修日期、維修內(nèi)容、維修材料、維修成本以及故障類型；
13、所述建筑設計數(shù)據(jù)包括設計圖紙、施工規(guī)范、竣工驗收報告、荷載條件以及地理位置。
14、本發(fā)明基于大數(shù)據(jù)建模的建筑老化預測方法的進一步改進在于，所述對多源異構(gòu)建筑相關(guān)數(shù)據(jù)進行預處理具體包括如下步驟：
15、s2011、對建筑結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)進行時間戳同步、數(shù)據(jù)對齊、缺失值填充以及異常值過濾，以形成連續(xù)、完整的時序數(shù)據(jù)流；
16、s2012、對建筑環(huán)境氣候數(shù)據(jù)進行時間戳同步、數(shù)據(jù)對齊、數(shù)據(jù)清洗以及格式轉(zhuǎn)換，以確保與建筑結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)的同步性；
17、s2013、對建筑材料屬性數(shù)據(jù)進行結(jié)構(gòu)化處理，并將非結(jié)構(gòu)化文本信息轉(zhuǎn)換為可量化的特征參數(shù)；
18、s2014、對建筑歷史維護數(shù)據(jù)進行事件序列化與特征提取，并從文本描述中識別關(guān)鍵維護事件類型、發(fā)生時間以及對建筑性能的影響程度；
19、s2015、對建筑設計數(shù)據(jù)進行編碼，并將設計參數(shù)和施工規(guī)范轉(zhuǎn)換為數(shù)值型特征；
20、s2016、對步驟s2011-s2015中所有處理后的數(shù)據(jù)進行歸一化處理，以消除不同量綱和數(shù)量級數(shù)據(jù)之間的影響。
21、本發(fā)明基于大數(shù)據(jù)建模的建筑老化預測方法的進一步改進在于，所述對數(shù)據(jù)集進行特征工程處理具體包括如下步驟：
22、s2021、從建筑結(jié)構(gòu)健康監(jiān)測時序數(shù)據(jù)中提取時域特征、頻域特征以及時頻域特征；
23、s2022、從建筑環(huán)境氣候數(shù)據(jù)中提取長期趨勢特征、季節(jié)性特征以及極端事件特征；
24、s2023、從建筑材料屬性數(shù)據(jù)中提取材料劣化速率參數(shù)、初始性能參數(shù)；
25、s2024、從建筑歷史維護數(shù)據(jù)中提取維護頻率、平均修復時間、故障復發(fā)率以及維護成本占比；
26、s2025、從建筑設計數(shù)據(jù)中提取建筑結(jié)構(gòu)類型、層數(shù)、總面積、設計壽命以及建筑關(guān)鍵構(gòu)件尺寸；
27、s2026、通過主成分分析或者獨立成分分析對步驟s2021-s2025提取的特征進行降維。
28、本發(fā)明基于大數(shù)據(jù)建模的建筑老化預測方法的進一步改進在于，所述時域特征包括均值、方差、標準差、峰度、偏度、波形因子、脈沖因子、裕度因子、峭度因子，所述頻域特征包括快速傅里葉變換后的主要頻率分量、功率譜密度峰值、能量中心頻率，所述時頻域特征包括小波變換后的小波能量、小波熵以及希爾伯特黃變換后的瞬時頻率和瞬時幅值。
29、本發(fā)明基于大數(shù)據(jù)建模的建筑老化預測方法的進一步改進在于，所述構(gòu)建建筑老化知識圖譜具體包括步驟：
30、定義建筑老化知識圖譜的實體類型，所述實體類型包括建筑、構(gòu)件、材料、環(huán)境因素、老化現(xiàn)象、維護活動以及損傷類型；
31、定義建筑老化知識圖譜的關(guān)聯(lián)關(guān)系類型，所述關(guān)聯(lián)關(guān)系類型包括包含、構(gòu)成因素、受影響的原因、導致發(fā)生的現(xiàn)象、發(fā)生區(qū)域、維修部位、表現(xiàn)為；
32、從建筑設計數(shù)據(jù)、建筑材料屬性數(shù)據(jù)以及建筑歷史維護數(shù)據(jù)中抽取實體和關(guān)聯(lián)關(guān)系，以構(gòu)建建筑老化知識圖譜的初始骨架；
33、利用自然語言處理技術(shù)，從非結(jié)構(gòu)化的建筑歷史維護數(shù)據(jù)中識別和抽取新的實體和關(guān)聯(lián)關(guān)系，以擴充建筑老化知識圖譜。
34、本發(fā)明基于大數(shù)據(jù)建模的建筑老化預測方法的進一步改進在于，所述構(gòu)建多模態(tài)深度學習模型具體包括如下步驟：
35、s401、構(gòu)建一個多尺度時序卷積網(wǎng)絡模塊，用于處理建筑結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)和建筑環(huán)境氣候數(shù)據(jù)的時序特征，捕捉長期依賴關(guān)系和局部時間模式；
36、s402、構(gòu)建一個圖神經(jīng)網(wǎng)絡模塊，用于處理建筑老化知識圖譜，學習構(gòu)件、材料與環(huán)境因素之間的結(jié)構(gòu)化關(guān)聯(lián)特征，捕捉損傷在結(jié)構(gòu)中的傳播路徑；
37、s403、構(gòu)建一個多層感知機網(wǎng)絡模塊，用于處理建筑材料屬性特征、建筑歷史維護特征以及建筑設計特征的靜態(tài)特征；
38、s404、構(gòu)建一個特征融合模塊，用于將多尺度時序卷積網(wǎng)絡模塊的輸出、圖神經(jīng)網(wǎng)絡模塊的輸出以及多層感知機網(wǎng)絡模塊的輸出進行深度融合；
39、s405、構(gòu)建一個老化預測輸出模塊，用于基于特征融合模塊的輸出，預測建筑的老化指標。
40、本發(fā)明基于大數(shù)據(jù)建模的建筑老化預測方法的進一步改進在于，所述老化指標包括未來一年內(nèi)某個結(jié)構(gòu)構(gòu)件的損傷概率、未來三年內(nèi)外墻涂料的剝落面積百分比、未來五年內(nèi)特定設備的維護成本預測值。
41、本發(fā)明基于大數(shù)據(jù)建模的建筑老化預測方法的進一步改進在于，步驟s5具體包括如下步驟：
42、s501、將所述多維度特征和所述建筑老化知識圖譜作為模型的輸入；
43、s502、將實際觀測到的建筑老化指標作為模型的訓練目標；
44、s503、采用反向傳播算法優(yōu)化模型參數(shù)；
45、s504、采用歷史數(shù)據(jù)集進行模型的訓練與驗證，并通過交叉驗證策略調(diào)整模型的超參數(shù)。
46、一種建筑老化預測系統(tǒng)，用于實現(xiàn)如上述所述的建筑老化預測方法，所述系統(tǒng)包括：
47、數(shù)據(jù)采集模塊，用于獲取多源異構(gòu)建筑相關(guān)數(shù)據(jù)，所述多源異構(gòu)建筑相關(guān)數(shù)據(jù)包括建筑結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)、建筑環(huán)境氣候數(shù)據(jù)、建筑材料屬性數(shù)據(jù)、建筑歷史維護數(shù)據(jù)以及建筑設計數(shù)據(jù)；
48、數(shù)據(jù)處理模塊，用于對多源異構(gòu)建筑相關(guān)數(shù)據(jù)進行預處理，以生成標準化的數(shù)據(jù)集，對數(shù)據(jù)集進行特征工程處理，以提取與建筑老化相關(guān)的多維度特征；
49、建筑老化知識圖譜構(gòu)建模塊，用于構(gòu)建建筑老化知識圖譜，以表征建筑構(gòu)件、建筑材料、建筑環(huán)境與建筑老化現(xiàn)象之間的關(guān)聯(lián)關(guān)系；
50、深度學習模型構(gòu)建模塊，用于構(gòu)建多模態(tài)深度學習模型，并融合多維度特征以及建筑老化知識圖譜，以學習建筑老化過程中的非線性動態(tài)演化規(guī)律和多因素耦合效應；
51、模型訓練模塊，用于對所述多模態(tài)深度學習模型進行訓練。
52、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果如下：
53、本發(fā)明通過構(gòu)建多源異構(gòu)數(shù)據(jù)融合架構(gòu)，利用深度學習模型對建筑全生命周期的結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)、環(huán)境參數(shù)、材料屬性以及歷史維護記錄進行深度學習與多尺度時序分析，精確捕捉建筑老化過程中的非線性動態(tài)演化規(guī)律和多因素耦合效應；還進一步引入知識圖譜技術(shù)，將建筑構(gòu)件、材料與環(huán)境因素之間的復雜關(guān)聯(lián)關(guān)系進行結(jié)構(gòu)化表征，提升了模型對老化機理的理解與預測精度，為既有建筑的維護和改造提供科學依據(jù)和技術(shù)支持，具有重要的實際應用價值。