【技術實現步驟摘要】
本專利技術涉及建筑輔助設計，尤其涉及一種基于深度學習技術來實現高層住區消防場地自動生成設計的方法。
技術介紹
1、高層居住區的總平面布局設計是一個復雜的系統工程，涉及諸多因素，如建筑的間距、功能分區、交通組織以及消防疏散等，其中，消防疏散場地的合理規劃至關重要的一環。而在傳統的建筑設計流程中，高層居住區總平面布局主要依靠設計師的專業知識和經驗，通過手繪圖和使用相關設計軟件（如autocad等）進行設計。這種傳統的方式會面臨效率低下，且易受設計師個人主觀因素影響的問題，這就導致設計方案的質量參差不齊。此外，隨著建筑規范和標準的不斷更新，以及人們對居住環境安全性要求的提高，傳統設計方法在應對復雜的消防疏散場地規劃要求時就顯得力不從心。
2、隨著計算機技術的發展，一些基于人工智能技術的方法被應用于建筑設計中來提高工作效率，如有基于深度學習的幼兒園校園布局自動生成研究，有研究通過深度學習和abm建模的混合方法來生成自動化的2d建筑布局（該方法首先通過基于代理的建模生成滿足拓撲條件的氣泡圖，然后通過規則算法將氣泡圖轉換為熱圖，最后使用pix2pix算法將熱圖轉換為建筑空間布局），還有研究利用深度學習和圖形算法自動生成建筑布局（通過輸入控制的空間注意力u-net模型精確分割建筑區域，并利用圖像運算細化布局）等，這都表明在建筑領域運用人工智能有諸多研究，但是缺少將深度學習模型用于高層住區消防場地自動生成的方法，而消防疏散場地的合理規劃又是建筑設計布局中的重要環節，因此基于深度學習的高層住區消防場地自動生成設計方法具有重要意義。p>
技術實現思路
1、本專利技術實施例所要解決的技術問題在于，提供一種基于深度學習的高層住區消防場地自動生成設計方法，可較為高效、準確地、靈活地生成滿足消防疏散要求的總平面布局方案，提高設計質量和效率。
2、為了解決上述技術問題，本專利技術實施例提供了一種基于深度學習的高層住區消防場地自動生成設計方法，包括以下步驟：
3、s1：獲取高層住區場地設計的數據樣本;
4、s2：對所述數據樣本進行清洗和標準化處理，并劃分作為訓練集的真實樣本與作為測試集的真實樣本；
5、s3：使用生成式對抗網絡中的pix2pix模型作為核心架構，將所述訓練集輸入所述pix2pix模型的生成器中生成圖像，并將所述圖像和與其對應的所述訓練集的真實樣本同時輸入到判別器中，根據所述圖像的真實性輸出判別結果；生成器則根據判別器的反饋信息，通過計算損失函數來確定如何調整自身參數，以提高生成圖像的質量和可信賴度；
6、s4：將所述測試集輸入到訓練好的pix2pix模型中，生成高層居住區消防場地布局方案圖像；
7、s5：對所述高層居住區消防場地布局方案圖像進行評估與優化pix2pix模型。
8、進一步地，所述s1還包括在對所述數據樣本的數據完整性進行檢查的檢查表，所述檢查表包括比例尺標注、出入口標注、消防場地的位置、面積、出入口位置，對不滿足所述檢查表的條件的樣本判定為不符合要求。
9、進一步地，所述s1還包括制定標注規范標準，對不滿足標注的樣本判定為不符合樣本收集標準。
10、進一步地，所述清洗和標準化處理的步驟包括：
11、去除樣本圖像中的噪聲和無關信息，使圖像只保留與建筑布局和消防場地相關的元素；
12、將樣本圖像調整為統一的尺寸與分辨率；
13、對收集到的符合篩選條件的樣本進行結構化整理和編碼。
14、進一步地，所述s3中所述判別器根據圖像的真實性輸出判別結果：判別器輸出的是一個表示圖像真實性的概率值，取值范圍通常在0到1之間，接近0表示判別器認為圖像是生成的假圖像，接近1表示判別器認為圖像是真實的圖像。
15、進一步地，所述s3中所述生成器則根據判別器的反饋信息，通過計算損失函數來確定調整自身參數，當生成器和判別器的損失函數值在連續的若干輪訓練中不再有明顯變化，或者損失函數值下降到一個預先設定的閾值以下時，認為模型達到了收斂狀態。
16、進一步地，所述s2中還包括步驟：
17、將對應每份訓練集真實樣本制作只具有基礎信息：周邊道路和場地的圖片與真實樣本一起作為訓練集數據；
18、將對應每份測試集真實樣本制作只具有基礎信息：周邊道路和場地的圖片作為測試集數據。
19、進一步地，還包括：使用只具有基礎信息的訓練集數據生成需要的高層住區消防場地布局設計；
20、使用只具有基礎信息的測試集數據，利用其內置的編碼器部分對圖像進行特征提取，將圖像信息壓縮為一個包含場地和周邊道路的關鍵信息的特征向量為后續生成布局提供基礎。
21、進一步地，所述s4還包括基于提取到的特征向量，通過生成器的解碼器部分參考在訓練階段學習到的眾多高層居住區消防場地布局模式，通過反卷積或轉置卷積操作，逐步將特征向量還原為圖像形式，同時融入消防場地的規劃原則：依據消防規范要求消防場地與建筑之間需保持安全距離，在生成過程中，一旦檢測到場地紅線位置，便自動在合適距離外規劃消防場地位置；并根據周邊道路信息確保消防通道能與道路順暢連接，生成對應的連接通道布局。
22、實施本專利技術實施例，具有如下有益效果：
23、（1）高效性：本專利技術利用深度學習的pix2pix模型能夠快速自動生成高層居住區消防場地布局方案，大大縮短了設計周期，提高了設計效率，能夠在短時間內為設計師提供多個可行的設計方案，滿足快速發展的建筑市場對設計效率的要求。
24、（2）消防疏散合理性：通過對大量實際案例的學習和消防疏散場地約束損失的引入，本專利技術生成的布局方案能夠較為全面地考慮消防疏散場地的各種因素，如面積、形狀、位置與建筑的關系等，確保在火災等緊急情況下居民能夠快速、安全地疏散，有效提高了居住區的消防安全性能，彌補了現有技術在消防疏散規劃方面的不足。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述S1還包括在對所述數據樣本的數據完整性進行檢查的檢查表，所述檢查表包括比例尺標注、出入口標注、消防場地的位置、面積、出入口位置，對不滿足所述檢查表的條件的樣本判定為不符合要求。
3.根據權利要求2所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述S1還包括制定標注規范標準，對不滿足標注的樣本判定為不符合樣本收集標準。
4.根據權利要求1所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述清洗和標準化處理的步驟包括：
5.根據權利要求1所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述S3中所述判別器根據圖像的真實性輸出判別結果：判別器輸出的是一個表示圖像真實性的概率值，取值范圍在0到1之間，接近0表示判別器認為圖像是生成的假圖像，接近1表示判別器認為圖像是真實的圖像。
6.根據權利要求5所述的基
7.根據權利要求1所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述S2中還包括步驟：
8.根據權利要求7所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，還包括：使用只具有基礎信息的訓練集數據生成需要的高層住區消防場地布局設計；
9.根據權利要求8所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述S4還包括基于提取到的特征向量，通過生成器的解碼器部分參考在訓練階段學習到的眾多高層居住區消防場地布局模式，通過反卷積或轉置卷積操作，逐步將特征向量還原為圖像形式，同時融入消防場地的規劃原則：依據消防規范要求消防場地與建筑之間需保持安全距離，在生成過程中，一旦檢測到場地紅線位置，便自動在合適距離外規劃消防場地位置；并根據周邊道路信息確保消防通道能與道路順暢連接，生成對應的連接通道布局。
...【技術特征摘要】
1.一種基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述s1還包括在對所述數據樣本的數據完整性進行檢查的檢查表，所述檢查表包括比例尺標注、出入口標注、消防場地的位置、面積、出入口位置，對不滿足所述檢查表的條件的樣本判定為不符合要求。
3.根據權利要求2所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述s1還包括制定標注規范標準，對不滿足標注的樣本判定為不符合樣本收集標準。
4.根據權利要求1所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述清洗和標準化處理的步驟包括：
5.根據權利要求1所述的基于深度學習的高層住區消防場地自動生成設計方法，其特征在于，所述s3中所述判別器根據圖像的真實性輸出判別結果：判別器輸出的是一個表示圖像真實性的概率值，取值范圍在0到1之間，接近0表示判別器認為圖像是生成的假圖像，接近1表示判別器認為圖像是真實的圖像。
6.根據權利要求5所述的基于深度學習的高層住區消防場地自...
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。