[發明專利]一種基于人工智能的建筑施工圖設計方法

在審

• 申請號: 201811549468.0
• 申請日: 2018-12-18
• 公開（公告）號: CN109657347A
• 公開（公告）日: 2019-04-19
• 發明（設計）人: 劉威鑫;徐峰
• 申請（專利權）人: 上海荷福人工智能科技（集團）有限公司
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N20/00
• 代理公司: 成都華風專利事務所(普通合伙) 51223
• 代理人: 徐豐;張巨箭

1.一種基于人工智能的建筑施工圖設計方法，通過建立設計數據庫服務器存儲樓形產品數據，利用外設對所需設計的建筑進行地面結構分析，并對比相關內置限定條件，完成建筑設計方法，并將出具的設計方案輸入審查服務器進行后期審查并出具審查報告，對達到審查要求的設計方案在輸入至施工圖設計服務器，進行施工圖的編制并輸出，其特征在于，具體包括如下步驟：

步驟1：建立設計數據庫服務器，通過服務器收集建筑物的模型數據，并預先存儲可供選擇的建筑參數；建立審查服務器，在審查服務器中預存圖紙的規范標準；建立施工設計服務器，錄入施工設計方案和標準；

步驟2：采集地圖數據，對待建設地區進行地形數據錄入，并在線進行建筑地的圈定，上傳CAD基地文件；

步驟3：向服務器了錄入建筑物的基礎參數，限定建筑物各項基礎數據；

步驟4：服務器內進行數據對比，通過內部的模型數據結合步驟3錄入的建筑物的基礎參數，自動生成樓型產品模型，并生成電子文件輸出；

步驟5：將步驟4輸出的電子文件輸入至審查服務器進行審核，審核完成之后出具審核后的審核報告，比對預先存儲的審核數據對所輸入的設計方案電子文件進行標準審核，高于審核標準的設計方案進入施工圖設計階段，并出具相應的施工圖設計方案、說明書和設計圖紙。

2.根據權利要求1所述的一種基于人工智能的建筑施工圖設計方法，其特征在于：所述建筑參數包括一級建筑參數、二級建筑參數和三級建筑參數。

3.根據權利要求1所述的一種基于人工智能的建筑施工圖設計方法，其特征在于：所述的施工圖設計方案和標準包括施工圖的制圖標準規范，識別建筑施工圖常用的符號、建筑材料、總平面圖、建筑構造及配件圖例，全套施工圖的編排為：圖紙目錄、總平面圖(施工總說明)、建筑施工圖、結構施工圖、給水排水施工圖、采暖通風施工圖、電氣施工圖。

4.根據權利要求2所述的一種基于人工智能的建筑施工圖設計方法，其特征在于：所述一級建筑參數包括軸網和建筑模型。

5.根據權利要求2所述的一種基于人工智能的建筑施工圖設計方法，其特征在于：所述二級建筑參數包括建筑系列、二維轉三維和門窗工具。

6.根據權利要求2所述的一種基于人工智能的建筑施工圖設計方法，其特征在于：所述三級建筑參數包括柱子、梁、樓板、墻體和樓梯、項目名稱、門編號、類型和防火等級，以及過梁、地坪標高、門套樣式、門扇厚度、門扇高度、門扇寬度和備注。

7.根據權利要求1所述的一種基于人工智能的建筑施工圖設計方法，其特征在于：所述CAD基地文件包括待建地區的地形地貌、圈地范圍以及在建地方案報告。

8.根據權利要求3所述的一種基于人工智能的建筑施工圖設計方法，其特征在于：所述的規范標準內容包括總圖與指標數據、設計說明、日照參數、消防設計、車庫與排風設計標準、防火設計標準、人防標準、層高及控高標準、保溫和無障礙標準。

9.根據權利要求1所述的一種基于人工智能的建筑施工圖設計方法，其特征在于：所生成的電子文件包括了設計總平面圖、樓型各層平面圖、立面圖、說明書以及概算書。

10.根據權利要求1所述的一種基于人工只能的建筑設計方法，其特征在于：所述的自動生成樓型模型產品模型的過程采、審查服務器以及施工圖設計服務器均采用深度學習模型進行，對預先構建的初始深度學習模型進行訓練，得到中間深度學習模型；其中，所述初始深度學習模型為：加載有分類目標函數的深度學習模型；

利用所述中間深度學習模型，計算所述訓練樣本集中各個樣本的特征向量，并根據所述訓練樣本集中各個樣本的特征向量，計算中心點距離目標函數的中間參數的初始值；

將中心點距離目標函數添加到中間深度學習模型中并加載所述中間參數的初始值，得到目標深度學習模型；

導入訓練樣本集中的預設數量個樣本作為批次數據；

利用當前目標深度學習模型，計算當前批次數據中各個樣本的特征向量，并根據當前批次數據中各個樣本的特征向量，更新中間參數的參數值；

基于當前批次數據中各個樣本的特征向量，計算所述中心點距離目標函數的函數值和分類目標函數的函數值，并判斷計算得到的中心點距離目標函數的函數值是否收斂到第一預定區間，且計算得到的分類目標函數的函數值是否收斂到第二預定區間；

如果否，利用中心點距離目標函數的反向傳播梯度和所述分類目標函數的反向傳播梯度，調整當前目標深度學習模型的參數，并返回執行所述導入訓練樣本集中的預設數量個樣本作為批次數據的步驟；

如果是，結束對當前目標深度學習模型的訓練。