一种基于大数据的建筑工程管理方法与流程

本发明属于建筑工程管理，尤其涉及一种基于大数据的建筑工程管理方法。

背景技术：

1、运用大数据理念，搭建建设工程质量监督平台，对工程建设全面监控，提升工程整体施工质量。利用信息监控平台，了解项目建设过程，对建设工程进行动态监控，有利于项目管理的高效运作。

2、现有技术公开号为cn116823171a的文献提出了一种基于大数据的建筑工程质量监督与管理方法，利用大数据的方法在建筑工程检测平台中预先建立的建筑工程三维模型数据库，并结合获取实时的现场工程数据，从建筑工程三维模型数据库中选取出与其匹配度最高的三维可视化模型，再对选出的三维可视化模型进行修改和标注，标示出主要建筑部位的尺寸、所使用材料的种类、对应的质量控制点以及重点维护部位等信息。

3、该方法虽然这种方法在一定程度上能够提升建筑工程管理的效率和质量，但仍存在一些问题和挑战，涉及建筑工程管理方向较为单一，对于材料管理、进度管理和安全管理的智能化程度仍有待提高，在质量管理方面，虽然能够基于三维模型进行质量控制，但缺乏动态的数据监测，无法实现精细化的质量管理。

4、鉴于此，我们提出了一种基于大数据的建筑工程管理方法。

技术实现思路

1、本发明提供了一种基于大数据的建筑工程管理方法，所述技术方案包括以下几个方面。

2、一种基于大数据的建筑工程管理方法，所述方法包括：

3、s1、在施工场地内设置数据采集装置和巡检，收集实时影像及数据，并传回至中央数据库；

4、s2、将施工场地分为不同子区域，针对每个区域进行质量监控，确定各子区域的质量等级，在三维模型中标注对应区域；

5、s3、通过无人机获取施工图像，利用语义分割，计算施工进度，预测剩余施工时间，若预测延期，使用强化学习算法优化项目计划和任务分配；

6、s4、实施人脸识别及防护装备识别以进入施工场地，在防护装备上设置射频装置，保障信息一致性，通过施工场地内摄像头不定期检测并识别危险行为；

7、s5、在材料包装上嵌入rfid标签，追踪全链条流转，将材料和施工位置视为有向图，利用图神经网络进行嵌入学习，通过深度强化学习优化材料的调度方案。

8、进一步的，确定各子区域的质量等级：

9、计算各子区域各项检测的合格率，基于神经网络构建质量评级模型；

10、用已有的标注数据对模型进行训练，通过交叉验证、网格搜索等方法调整模型参数，优化模型性能；

11、将待评估子区域的特征输入训练好的模型，模型输出该子区域的质量等级。

12、进一步的，计算施工进度：

13、无人机按照规划执行飞行任务，拍摄不同角度的施工图像，从建筑信息模型中生成对应角度的三维模型视图；

14、对无人机采集的施工图像与三维模型视图进行处理，应用语义分割模型，对施工图像与三维模型视图进行分割；

15、对于同一角度的施工图像与三维模型视图，计算各自分割结果对应的交并比作为该角度施工进度的量化指标；

16、无人机获取的施工图像为ireal，对应的三维模型视图为imodel，经过语义分割后，两图像中同一类别的像素分别被标记为sreal和smodel，交并比定义为：iou＝∣sreal∩smodel∣/∣sreal∪smodel∣；

17、其中，∣sreal∩smodel∣表示两类像素集合的交集面积，∣sreal∪smodel∣表示并集面积；

18、对于某一拍摄角度，其施工进度pangle可以通过交并比值结合工程量w来估算；该角度下实际完成工程量与理想完成工程量的比例为r，则：r＝(iou×w)/w；

19、该角度的施工进度百分比为：pangle＝100×r＝100×iou；

20、对于n个拍摄角度，每个角度的权重为wi，对应的施工进度为pi；总体施工进度ptotal通过加权平均计算：ptotal＝∑i＝1nwi×pi。

21、进一步的，预测剩余施工时间：

22、收集并整合未来天气预报、资源状态、出勤情况，形成影响施工进度的多元数据集，归一化或标准化影响因素数据；

23、将影响因素数据dt＝(tt,rt,at)转换为时间序列格式，设置lstm单元数量、输入维度、返回序列，采用全连接层配合线性激活函数f(x)＝wx+b,将lstm层的输出转化为施工进度预测值，损失函数为均方误差mse；

24、对模型进行训练，通过反向传播和梯度更新优化模型参数，使用训练好的lstm模型对未来第t天的施工进度进行预测；

25、输入为第t天及之前若干天的归一化影响因素数据序列dt-n:t-1＝(dt-n,dt-n+

26、1,...,dt-1)，其中n为模型所需的观察窗口长度；

27、生成预测值p^t：p^t＝lstm(dt-n:t-1；θ)，其中，θ代表lstm模型的所有参数；

28、反归一化预测值p^t，得到原始尺度上的施工进度预测值。

29、进一步的，强化学习算法优化项目计划和任务分配：

30、计算预测施工进度p^t与设计施工进度计划pplan,t的偏差：δpt＝p^t-pplan,t；

31、若∣δpt∣≥δ，δ为设定的阈值，，启用强化学习算法；

32、强化学习算法的目标是最大化期望累积奖励gt：gt＝∑k＝0∞γkrt+k+1；

33、其中，rt是在时间步t获得的即时奖励，γ是折扣因子，选择一个策略π(at∣st)，通过与环境交互，更新策略以最大化gt；

34、状态st包括历史项目数据、实时资源状态、天气预报，动作at代表项目计划调整决策。

35、进一步的，实施人脸识别及防护装备识别：

36、通过人脸识别技术确认入场人员身份，计算机视觉识别其是否正确佩戴防护装备；

37、防护装备设置有rfid射频装置，保障信息一致性，综合人脸识别和rfid射频装置确定出勤情况；

38、不定期对高风险区域的施工人员进行姿态识别，确定是否存在危险行为。

39、进一步的，在材料包装上嵌入rfid标签：

40、在物流过程中，通过固定或手持读写设备在仓库、运输节点、施工现场入口等关键位置扫描rfid标签，实时上传至中央数据库；

41、施工现场入口处设立rfid门禁系统，自动记录材料入场时间；

42、现场各工作区域配备手持设备或固定读写点，定期或按需扫描材料，确保材料去向明确，防止丢失或误用。

43、进一步的，将材料和施工位置视为有向图：

44、将施工现场划分为多个工作区域，将材料视为节点，材料在不同区域之间的流动视为有向边；

45、构建包含材料节点、位置节点及二者间转移关系的有向图模型，定义两种类型的节点，即材料节点m和位置节点l；

46、每个材料节点m∈m表示一种具体的材料，包含属性为种类、规格、需求量；

47、每个位置节点l∈l表示施工现场的一个工作区域，包含属性为空间距离、施工进度关联性；

48、定义有向边e来表示材料在不同位置之间的流动；

49、对于材料节点m和位置节点l，材料m能从位置l流向另一个位置l′，则存在一条从m出发，指向l′的有向边(m,l′)∈e；

50、边的权重可用来表示材料在两个位置之间流动的强度或概率。

51、进一步的，利用图神经网络进行嵌入学习：

52、为每个节点v分配一个初始节点特征向量xv，对应其在图中的属性，将所有节点的特征向量排列成一个矩阵h(0)＝[x1,x2,…,xn]t，其中n＝∣m∣+∣l∣是节点总数；

53、通过多层gcn进行消息传递和节点更新，计算第l层的节点特征矩阵h(l)：h(l+1)＝σ(d～-1/2a～d～-1/2h(l)w(l))，其中，σ是激活函数)，a～＝a+in是带自环的邻接矩阵，a为原邻接矩阵，in为单位矩阵，d～ii＝∑ja～ij是度矩阵，w(l)是第l层的权重矩阵；

54、在训练完成后，每个节点的最终隐状态hv(k)，其中k为最后一层的索引，作为该节点的嵌入向量表示，这些低维、稠密的向量包含了材料属性、位置特性以及节点间转移规律等高维特征的编码。

55、进一步的，通过深度强化学习优化材料的调度方案：

56、将节点嵌入向量hv(k)作为强化学习环境的状态表示，对于智能体需要决策的每个节点v，其状态由其自身的嵌入向量以及与其相邻节点的嵌入向量共同构成；

57、定义智能体在每个节点上的可用动作集，每个动作a通常对应一个实值或离散的决策变量，构建一个深度神经网络，输入为节点状态表示，输出为每个动作的概率分布或确定性动作值；

58、对于确定性策略梯度方法，网络直接输出确定性动作值，av＝π(sv；θ)＝fpolicy(hv(k)；θ)，其中，π是策略函数，sv是节点v的状态，θ是策略网络的参数，fpolicy是策略网络的前向传播函数；

59、奖励函数可以表示为r＝wcostrcost+wtransportrtransport-winventoryrinventory-woutageroutage+wtimelinessrtimeliness+wusagerusage，其中，wi是对应奖励成分ri的权重，且满足∑wi＝1，确保奖励值的尺度一致；

60、使用确定性策略梯度方法reinforce算法更新策略网络参数θ，参数更新规则为：其中，j(θ)是期望累积奖励，t是采样步数，rt是在时间步t收到的奖励；

61、智能体根据当前策略网络输出的确定性动作值，在环境中执行动作，并观察环境反馈，重复这一过程，不断积累经验并更新策略网络参数，直到达到预设的训练轮数或收敛条件。

62、本技术实施例提供的技术方案可以带来如下有益效果：

63、通过将施工场地细分为多个子区域，对每个子区域进行独立的质量监控和风险评估，可以更加精准地掌握施工状况，及时发现并解决问题，提高施工质量和效率。利用无人机获取多角度的施工图像，通过三维模型和影像的语义分割计算施工进度，结合天气、资源状态、出勤情况预测剩余施工时间，可以更加准确地掌握施工进度和潜在延期风险，为项目计划和任务分配提供有力支持。通过人脸识别和防护装备识别技术，可以确保入场人员的合规性和安全性，有效防止安全事故的发生。同时，对危险行为的自动识别和预警系统，可以及时发现潜在的安全隐患，采取相应措施，确保施工安全。在材料管理上，通过嵌入rfid标签，可以实时追踪材料的全链条流转，确保材料来源可追溯，防止假冒伪劣产品混入。同时，利用图神经网络和深度强化学习算法进行材料的智能化管理和优化调度，可以提高材料使用效率，减少浪费，降低施工成本。

技术特征：

1.一种基于大数据的建筑工程管理方法，其特征在于，所述方法包括：

2.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，确定各子区域的质量等级：

3.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，计算施工进度：

4.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，预测剩余施工时间：

5.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，强化学习算法优化项目计划和任务分配：

6.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，实施人脸识别及防护装备识别：

7.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，在材料包装上嵌入rfid标签：

8.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，将材料和施工位置视为有向图：

9.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，利用图神经网络进行嵌入学习：

10.根据根据权利要求1所述的一种基于大数据的建筑工程管理方法，其特征在于，通过深度强化学习优化材料的调度方案：

技术总结
本申请提出了一种基于大数据的建筑工程管理方法，属于建筑工程管理技术领域。通过无人机、摄像头、传感器等设备获取实时影像和数据，结合机器学习、深度学习等技术进行施工进度、质量监控、安全管理、材料管理等方面的优化调度，实现精细化的施工管理。该方法能够提高施工质量和效率，减少安全事故的发生，降低施工成本。研究使用长短期记忆网络(LSTM)进行施工进度趋势预测，引入强化学习算法，结合历史项目数据、实时资源状态、天气预报等信息，动态调整项目计划，以缩短工期并降低延误成本。结合多元数据集，通过GCN模型对节点进行嵌入学习，使用强化学习优化材料管理。通过人脸识别技术和深度学习算法，确保施工现场安全。

技术研发人员：林丽丽,牛福建,程元亮,牛欣慧,程培航
受保护的技术使用者：鄄城县房地产测绘中心
技术研发日：
技术公布日：2024/9/23