【技術實現步驟摘要】
本專利技術涉及建筑設計，尤其是涉及一種基于深度學習的三維模型設計優化方法及系統。
技術介紹
1、在建筑設計領域，隨著時代的發展，項目的規模和復雜性不斷提升，傳統的建筑三維設計方法逐漸暴露出諸多弊端，傳統建筑三維設計主要依賴設計師的個人經驗與手工操作，設計師往往需耗費大量時間與精力構建建筑三維模型，在這個過程中，他們通過手動計算和分析來評估設計的可行性與性能。例如，對于建筑結構的穩定性分析，設計師可能需要依據經驗公式進行復雜的計算，這不僅效率低下，還容易因人為因素出現誤差。
2、在展示建筑外觀和內部結構方面，傳統方法存在局限性，難以全方位、準確地呈現建筑的細節，無法讓相關人員提前發現設計中諸如空間布局不合理、結構穩定性不足等問題，比如，在傳統的三維模型展示中，可能無法清晰地展示不同樓層之間的空間關系，導致在實際施工過程中才發現樓梯位置設置不合理，進而引發頻繁的變更和調整，極大地增加了項目成本和時間周期。
3、此外，傳統設計方法在建筑能耗分析和環境影響評估方面不夠精確。對于建筑的采光、通風、隔熱等性能的評估往往依賴于經驗判斷或簡單的計算工具，難以滿足現代建筑可持續發展的要求，例如，在評估建筑的能源消耗時，可能無法準確考慮到不同季節、不同時間段的光照和溫度變化對能源需求的影響，現階段需要一種基于深度學習的三維模型設計優化方法及系統。
技術實現思路
1、為了解決傳統的三維設計方法在效率、準確性、協同性和適應性存在的明顯不足的問題，本專利技術提供一種基于深度學習的三維
2、第一方面，本專利技術提供的一種基于深度學習的三維模型設計優化方法，采用如下的技術方案：
3、一種基于深度學習的三維模型設計優化方法，包括：
4、獲取原始的三維模型數據；
5、對獲取的三維模型數據進行數據預處理，包括數據清洗，并對清洗后的三維模型數據進行格式轉換和特征提取；
6、基于預處理后的三維模型數據進行智能分析引擎的構建，包括構建深度學習模塊、機械學習模塊和數據挖掘模塊；
7、根據構建完成的智能分析引擎進行參數優化，包括通過優化算法對智能分析引擎的輸出結果進行多目標優化；
8、利用優化完成的智能分析引擎進行預測模擬，包括集成結構分析軟件、能耗模擬軟件和光照模擬軟件口模型性能模擬，設置模擬參數進行性能預測；
9、將預測模擬結果進行實時共享和智能分析集成。
10、進一步地，所述數據清洗，并對清洗后的三維模型數據進行格式轉換和特征提取，包括采用高斯濾波算法對三維模型數據進行去噪處理，之后利用線性插值對缺失或不完整的數據進行補全，并將不同來源的三維模型數據轉換為統一的內部格式，最后利用計算機圖形學算法提取模型的幾何特征，結合材料庫和物理屬性計算工具，提取模型的物理特征。
11、進一步地，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，包括構建卷積神經網絡和循環神經網絡的混合模型，其中，卷積神經網絡用于提取三維模型的空間特征，循環神經網絡用于處理模型的時序信息，收集分析結果構建訓練數據集，并采用遷移學習和強化學習技術提高模型的泛化能力。
12、進一步地，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，還包括利用支持向量機和隨機森林學習分類算法對模型的性能進行分類和評估，分類完成后利用回歸算法預測模型的性能指標。
13、進一步地，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，還包括通過apriori算法計算模型參數之間的關聯規則，最后根據設計案例進行k-means聚類分析，用于歸類潛在的設計模式和優化策略。
14、進一步地，所述通過優化算法對智能分析引擎的輸出結果進行多目標優化，包括根據智能分析引擎的輸出結果，確定優化的方向和目標，采用遺傳算法進行優化算法迭代，通過設置合適的目標函數和約束條件，使優化算法在多個目標之間進行權衡，根據目標函數計算每個方案的適應度值，根據適應度值確定最終的迭代次數。
15、進一步地，所述利用優化完成的智能分析引擎進行預測模擬，包括將優化后的三維模型數據導入結構分析軟件中，根據優化目標確定模擬參數的范圍和取值，根據模擬參數的取值進行多參數組合模擬，利用分析軟件根據設置的模擬參數進行預測分析。
16、第二方面，一種基于深度學習的三維模型設計優化系統，包括：
17、數據獲取模塊，被配置為：獲取原始的三維模型數據；
18、預處理模塊，被配置為：對獲取的三維模型數據進行數據預處理，包括數據清洗，并對清洗后的三維模型數據進行格式轉換和特征提取；
19、轉換模塊，被配置為：基于預處理后的三維模型數據進行智能分析引擎的構建，包括構建深度學習模塊、機械學習模塊和數據挖掘模塊；
20、優化模塊，被配置為：根據構建完成的智能分析引擎進行參數優化，包括通過優化算法對智能分析引擎的輸出結果進行多目標優化；；
21、預測模塊，被配置為：利用優化完成的智能分析引擎進行預測模擬，包括集成結構分析軟件、能耗模擬軟件和光照模擬軟件口模型性能模擬，設置模擬參數進行性能預測；
22、變換模塊，被配置為：將預測模擬結果進行實時共享和智能分析集成。
23、第三方面，本專利技術提供一種計算機可讀存儲介質，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行所述的一種基于深度學習的三維模型設計優化方法。
24、第四方面，本專利技術提供一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行所述的一種基于深度學習的三維模型設計優化方法。
25、綜上所述，本專利技術具有如下的有益技術效果：
26、1、本專利技術通過智能分析引擎的深度學習模塊能夠適應不同類型的三維模型數據，通過遷移學習和強化學習技術不斷學習和適應新的設計任務和場景，利用多目標優化過程中，根據不同的設計需求和優化目標，靈活調整目標函數和約束條件，使設計方法適應各種復雜的設計要求，并集成多種專業軟件，能夠對不同領域的三維設計進行性能模擬和評估，提高了設計方法的通用性和適應性。
27、2、本專利技術通過將優化后的三維模型數據導入結構分析軟件、能耗模擬軟件和光照模擬軟件中，實現了多方面的性能模擬，確保設計的可靠性和合理性，減少了人工操作誤差，根據優化目標確定模擬參數的范圍和取值，并進行多參數組合模擬，能夠探索不同設計方案的性能表現，有助于設計師找到最優的設計參數組合，提高設計質量。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的三維模型設計優化方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述數據清洗，并對清洗后的三維模型數據進行格式轉換和特征提取，包括采用高斯濾波算法對三維模型數據進行去噪處理，之后利用線性插值對缺失或不完整的數據進行補全，并將不同來源的三維模型數據轉換為統一的內部格式，最后利用計算機圖形學算法提取模型的幾何特征，結合材料庫和物理屬性計算工具，提取模型的物理特征。
3.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，包括構建卷積神經網絡和循環神經網絡的混合模型，其中，卷積神經網絡用于提取三維模型的空間特征，循環神經網絡用于處理模型的時序信息，收集分析結果構建訓練數據集，并采用遷移學習和強化學習技術提高模型的泛化能力。
4.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，還包括利用支持向量機和隨機森林學習分類算法對模型的性能進行分
5.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，還包括通過Apriori算法計算模型參數之間的關聯規則，最后根據設計案例進行K-means聚類分析，用于歸類潛在的設計模式和優化策略。
6.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述通過優化算法對智能分析引擎的輸出結果進行多目標優化，包括根據智能分析引擎的輸出結果，確定優化的方向和目標，采用遺傳算法進行優化算法迭代，通過設置合適的目標函數和約束條件，使優化算法在多個目標之間進行權衡，根據目標函數計算每個方案的適應度值，根據適應度值確定最終的迭代次數。
7.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述利用優化完成的智能分析引擎進行預測模擬，包括將優化后的三維模型數據導入結構分析軟件中，根據優化目標確定模擬參數的范圍和取值，根據模擬參數的取值進行多參數組合模擬，利用分析軟件根據設置的模擬參數進行預測分析。
8.一種基于深度學習的三維模型設計優化系統，其特征在于，包括：
9.一種計算機可讀存儲介質，其中存儲有多條指令，其特征在于，所述指令適于由終端設備的處理器加載并執行如權利要求1所述的一種基于深度學習的三維模型設計優化方法。
10.一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，其特征在于，所述指令適于由處理器加載并執行如權利要求1所述的一種基于深度學習的三維模型設計優化方法。
...【技術特征摘要】
1.一種基于深度學習的三維模型設計優化方法，其特征在于，包括：
2.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述數據清洗，并對清洗后的三維模型數據進行格式轉換和特征提取，包括采用高斯濾波算法對三維模型數據進行去噪處理，之后利用線性插值對缺失或不完整的數據進行補全，并將不同來源的三維模型數據轉換為統一的內部格式，最后利用計算機圖形學算法提取模型的幾何特征，結合材料庫和物理屬性計算工具，提取模型的物理特征。
3.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，包括構建卷積神經網絡和循環神經網絡的混合模型，其中，卷積神經網絡用于提取三維模型的空間特征，循環神經網絡用于處理模型的時序信息，收集分析結果構建訓練數據集，并采用遷移學習和強化學習技術提高模型的泛化能力。
4.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，還包括利用支持向量機和隨機森林學習分類算法對模型的性能進行分類和評估，分類完成后利用回歸算法預測模型的性能指標。
5.根據權利要求1所述的一種基于深度學習的三維模型設計優化方法，其特征在于，所述構建深度學習模塊、機械學習模塊和數據挖掘模塊，還包括通過apriori算法計算模型參數之間...
【專利技術屬性】
技術研發人員：祝人杰，趙鵬，梁汝鳴，樸延虎，王曉明，張展，張會旺，何世鼎，李昌昊，姜遠達，
申請(專利權)人：中建八局第二建設有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。