[發明專利]基于分布式傳感器的建筑采光設計智能系統在審
| 申請號: | 202010167752.2 | 申請日: | 2020-03-11 |
| 公開(公告)號: | CN111382475A | 公開(公告)日: | 2020-07-07 |
| 發明(設計)人: | 王哲;喬培銘;李匯鋒;靳有章;陳躍;胡晗;黃雷;劉貫珠;陳旭;劉超奇 | 申請(專利權)人: | 鄭州工程技術學院 |
| 主分類號: | G06F30/13 | 分類號: | G06F30/13;G06F30/27;G06N3/08 |
| 代理公司: | 鄭州芝麻知識產權代理事務所(普通合伙) 41173 | 代理人: | 董曉勇 |
| 地址: | 450044 河*** | 國省代碼: | 河南;41 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 基于 分布式 傳感器 建筑 采光 設計 智能 系統 | ||
本發明公開了一種基于分布式傳感器的建筑采光設計智能系統,該系統包括:標準化單元、數據增強單元、神經網絡訓練單元、采光度計算單元、獎懲計算單元、房屋采光系數生成單元、房屋采光設計平面圖生成單元,這些單元協作對建筑采光設計樣本數據進行分析訓練從而實現了建筑采光設計的智能化。利用本發明,在建筑采光方案設計中,能夠降低人工調參量,提高效率。
技術領域
本發明涉及人工智能及智慧建筑技術領域,具體涉及一種基于分布式傳感器的建筑采光設計智能系統。
背景技術
為了在建筑采光設計中,貫徹國家的技術經濟政策,充分利用天然光,創造良好光環境和節約能源,我國規定《建筑采光設計標準》GB50033-2013。
目前,在建筑采光設計中,使用現有的主流采光模擬軟件,設計采樣點作為虛擬傳感器讀數,輔助調節窗戶大小、形狀或其他采光物。在模擬軟件中,設計師只能憑經驗隨機選取自己認為合理的修改,從而設計出符合標準的采光方案。顯然,傳統的采光設計方法,人工調參量大、效率低。
因此,現有建筑采光設計技術存在人工調參量大、效率低的問題。
發明內容
本發明提供了一種基于分布式傳感器的建筑采光設計智能系統,實現了建筑采光設計的智能化,能夠降低人工調參量,提高效率。
一種基于分布式傳感器的建筑采光設計智能系統,該系統包括:
標準化單元,用于根據采集的房屋建筑設計圖生成房屋元素標準矩陣、窗體高度標準矩陣;
數據增強單元,用于隨機生成房屋所在建筑物的地理信息數據以及房屋所在樓層信息數據做數據增強;
神經網絡訓練單元,用于將房屋元素標準矩陣、窗體高度標準矩陣、房屋所在建筑物的地理信息數據、房屋所在樓層信息數據輸入神經網絡中,神經網絡輸出為所有動作的價值,動作包括:將一單元非承重墻轉化為窗體、將一單元窗體轉化為非承重墻、將一單元窗體高度增加單位高度、將一單元窗體高度減小單位高度;基于強化學習方法對神經網絡進行迭代訓練,根據神經網絡的輸出修改房屋元素標注矩陣、窗體高度矩陣;
采光度計算單元,用于使用房屋元素標準矩陣、窗體高度標準矩陣、房屋所在建筑物的地理信息數據、房屋所在樓層信息數據生成三維房屋建筑模型,利用采光模擬軟件在三維房屋建筑模型的每個室內空地網格元素中心設置虛擬傳感器,并根據虛擬傳感器的讀數計算網格采光度,利用整體采光度衡量方法計算房屋整體采光度;
獎懲計算單元,用于根據房屋整體采光度以及獎懲規則生成獎勵值;
房屋采光系數生成單元,用于將實際情景的房屋建筑設計圖經過標準化單元處理后得到的矩陣與實際房屋所在建筑物的地理信息數據、房屋所在樓層信息數據輸入訓練好的神經網絡,神經網絡輸出連續決策直至采光度達標;
房屋采光設計平面圖生成單元,用于當房屋整體采光度達標時,根據房屋元素標準矩陣、窗體高度標準矩陣還原房屋天然采光設計平面圖。
標準化單元包括:
初始化模塊,用于將房屋建筑設計圖按照固定單位面積進行劃分,每個固定單位面積為一個網格元素,根據網格元素的類型對矩陣進行初始化,網格元素的類型包括:承重墻、非承重墻、窗體、室內空地、室外空地;
填充模塊,用于對矩陣的邊緣進行填充,將其轉化為規定尺寸的房屋元素標準矩陣;
窗體高度處理模塊,用于根據窗體高度與房屋元素標準矩陣生成規定尺寸的窗體高度標準矩陣。
基于強化學習方法對神經網絡進行訓練包括:
步驟一,生成一個隨機數,當隨機數大于閾值時,由神經網絡輸出每個動作的價值,從可行動作中選取價值最大的動作,否則,從可行動作中隨機選擇一個動作;
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于鄭州工程技術學院,未經鄭州工程技術學院許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202010167752.2/2.html,轉載請聲明來源鉆瓜專利網。
- 上一篇:一種深度學習模型的訓練方法及裝置
- 下一篇:一種本地緩存的數據清除方法和裝置





