[发明专利]多模态数据驱动的建筑结构构件的生成方法及装置

权利要求书

1.一种多模态数据驱动的建筑结构构件的生成方法，其特征在于，包括：

获取建筑结构的建筑设计图纸和设计条件文本，从所述建筑设计图纸中提取建筑分隔特征数据和建筑空间特征数据，并从所述设计条件文本中提取设计条件特征数据；

将所述建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量，将所述第一特征张量输入预先训练完成的构件布置生成模型，得到构件布置特征数据，并从所述构件布置特征数据中提取建筑结构构件的平面布置设计数据；

将所述构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量，将所述第二特征张量输入预先训练完成的构件截面生成模型，得到构件截面特征数据，并从所述构件截面特征数据中提取建筑结构构件的截面尺寸设计数据；

将所述平面布置设计数据与截面尺寸设计数据进行匹配和整合，得到建筑结构构件的结构设计结果。

2.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法，其特征在于，将所述建筑分隔特征数据、建筑空间特征数据和设计条件特征数据融合为第一特征张量，包括：

分别将所述建筑分隔特征数据和所述建筑空间特征数据表征为二阶矩阵，得到建筑分隔特征矩阵和建筑空间特征矩阵；

将所述设计条件特征数据表征为零阶标量，并将所述零阶标量复制为二阶矩阵，得到设计条件特征矩阵；

将所述建筑分隔特征矩阵、建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处理，并将所述建筑分隔特征矩阵、建筑空间特征矩阵和设计条件特征矩阵的归一化处理结果进行堆叠，得到第一特征张量。

3.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法，其特征在于，将所述构件布置特征数据、建筑空间特征数据和设计条件特征数据融合为第二特征张量，包括：

分别将所述构件布置特征数据和所述建筑空间特征数据表征为二阶矩阵，得到构件布置特征矩阵和建筑空间特征矩阵；

将所述设计条件特征数据表征为零阶标量，并将所述零阶标量复制为二阶矩阵，得到设计条件特征矩阵；

将所述构件布置特征矩阵、建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处理，并将所述构件布置特征矩阵、建筑空间特征矩阵和设计条件特征矩阵的归一化处理结果进行堆叠，得到第二特征张量。

4.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法，其特征在于，所述构件布置生成模型包括：

第一深度特征提取层，用于对所述第一特征张量进行深度特征提取与学习，得到第一深度数据特征；

第一映射输出层，用于将所述第一深度数据特征进行映射输出，得到构件布置特征数据。

5.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法，其特征在于，所述构件截面生成模型包括：

第二深度特征提取层，用于对所述第二特征张量进行深度特征提取与学习，得到第二深度数据特征；

第二映射输出层，用于将所述第二深度数据特征进行映射输出，得到构件截面特征数据。

6.根据权利要求1或4所述的一种多模态数据驱动的建筑结构构件的生成方法，其特征在于，所述构件布置生成模型的训练过程包括：

获取建筑设计图纸样本、设计条件文本样本以及相应的结构设计图纸样本；

从所述建筑设计图纸样本中提取建筑分隔特征数据样本、建筑空间特征数据样本，从所述设计条件文本样本中提取设计条件特征数据样本，并从所述结构设计图纸样本中提取构件布置特征数据样本；

将所述建筑分隔特征数据样本、建筑空间特征数据样本和设计条件特征数据样本融合为第一特征张量样本；

将所述第一特征张量样本和所述构件布置特征数据样本随机划分为第一训练集和第一测试集；

采用第一训练集对预先构建的深度神经网络进行训练，采用第一测试集对训练后的深度神经网络进行测试，并将测试合格的深度神经网络作为构件布置生成模型。