基于BIM与深度学习的混凝土供料优化方法与流程

摘要: 本发明涉及混凝土施工供料调度。更具体地说,本发明涉及一种基于bim与深度学习的混凝土供料优化方法。背景技术:1、在混凝土结构施工过程中,供料计划的合理性直接影响...
基于BIM与深度学习的混凝土供料优化方法与流程

本发明涉及混凝土施工供料调度。更具体地说,本发明涉及一种基于bim与深度学习的混凝土供料优化方法。

背景技术:

1、在混凝土结构施工过程中,供料计划的合理性直接影响工程的质量、进度与成本。目前,行业内普遍采用“需求预估-固定排期”的静态供料模式,即施工前依据工程总量和施工组织设计制定材料供应计划,按固定时间节点向搅拌站下单。然而,实际施工中,泵送效率波动、车辆路途拥堵、浇筑面条件变化以及多变的温湿度等动态因素持续影响供料进程。静态计划在执行中往往与现场进度产生显著偏差,导致“供料超前”引发混凝土在工地长时间等待而加剧坍落度损失,或“供料滞后”造成设备闲置与工期延误,使得质量保障与效率提升难以兼顾。

2、现有技术已尝试引入建筑信息模型(bim)或深度强化学习等方法优化施工调度。例如,利用bim技术提取构件信息辅助进度管理,或采用强化学习生成调度策略。然而,这些方案仍存在明显局限:其一,供料计划的编制大多依赖施工前的静态数据,未能将运输途中混凝土坍落度随时间和环境温湿度的动态演变实时耦合至调度决策中,导致坍落度损失约束难以得到有效满足;其二,当施工进度与计划产生偏差时,已有方法缺乏将实际进度反馈至调度模型并自动修正优化目标或约束条件的能力,调度计划与现场执行的脱节无法及时弥合;其三,对于运输车辆故障、道路突发拥堵、传感器数据异常等偶发事件,现有系统往往依赖人工被动应对,缺少系统化的异常感知与容错调度机制,进一步削弱了供料计划的可靠性和鲁棒性。

3、因此,亟需一种能够在供料调度过程中同时兼顾混凝土质量约束(坍落度损失)与经济性目标(供料总等待时间、设备利用率),并具备动态感知、闭环反馈与异常容错能力的智能化供料优化方法。

技术实现思路

1、本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。

2、本发明还有一个目的是提供一种基于bim与深度学习的混凝土供料优化方法,其解决现有供料调度技术无法在动态施工环境下同时兼顾混凝土坍落度质量约束与供料效率,且缺乏对施工进度偏差和异常事件的实时感知与动态重调度能力的问题。

3、为了实现根据本发明的这些目的和其它优点,提供了一种基于bim与深度学习的混凝土供料优化方法,包括以下步骤:

4、s1:构建施工项目的bim模型,提取各混凝土浇筑构件的空间位置信息和几何尺寸信息;根据所述几何尺寸信息计算各构件的混凝土需求方量;根据施工组织设计的工序逻辑关系建立所述混凝土浇筑构件之间的施工先后依赖关系;将每个混凝土浇筑构件定义为一个供料任务,并根据所述空间位置信息确定各供料任务之间的空间拓扑关系;生成包含所述需求方量、所述施工先后依赖关系和所述空间拓扑关系的供料需求数据集;

5、s2:实时采集混凝土搅拌站的供应能力数据、运输车辆的gps定位数据与路况数据、现场浇筑设备的浇筑速率数据、以及施工现场的环境温度与湿度数据,将采集的数据与步骤s1中的供料需求数据集共同构成多源异构动态数据库;

6、s3:基于所述多源异构动态数据库,构建混凝土坍落度经时损失的实时预测模型,所述实时预测模型以根据所述gps定位数据与路况数据确定的预计运输时间,以及所述环境温度与湿度数据为输入参数,建立坍落度损失值与各输入参数之间的量化关系;

7、s4:构建基于图神经网络与深度强化学习的供料调度优化模型,所述构建包括:1)采用图神经网络提取所述供料需求数据集中的所述空间拓扑关系和所述施工先后依赖关系,形成供料任务关系图;2)以最小化供料总等待时间和最大化浇筑设备利用率为优化目标,同时以满足按所述施工先后依赖关系不间断供料、以及根据所述实时预测模型实时估算的坍落度损失不超过预设阈值为约束条件,构建约束优化函数;3)采用深度强化学习算法对所述约束优化函数进行迭代求解,生成供料计划;

8、s5:将所述供料计划映射至bim模型进行可视化推演,判断推演结果是否满足所述约束条件;若不满足,则将约束违反情况作为反馈信号输入步骤s4的深度强化学习算法,触发重新执行步骤s4的求解过程,并重复上述推演与判断步骤,直至推演结果满足所述约束条件;若满足,则输出当前供料计划。

9、优选的是,步骤s4中,以根据所述实时预测模型实时估算的坍落度损失不超过预设阈值、以及满足供料连续性为约束条件,具体包括:

10、将所述实时预测模型实时估算的坍落度损失值与预设阈值进行比较,当估算的坍落度损失值小于或等于所述预设阈值时,允许执行当前的供料计划;当估算的坍落度损失值大于所述预设阈值时,触发重新执行步骤s4的求解过程,并将重新生成的供料计划的运输时间约束在使得坍落度损失值不超过所述预设阈值的范围内。

11、优选的是,步骤s4中所述供料调度优化模型还包括坍落度损失趋势感知模块,所述坍落度损失趋势感知模块执行以下操作:

12、根据步骤s3的实时预测模型,对每一辆在途运输车辆的混凝土坍落度损失值进行连续滚动预测,生成坍落度损失随运输时间变化的时间序列预测曲线;

13、根据所述时间序列预测曲线,计算预计到达施工现场时刻的坍落度预测值,并将该预测值与所述预设阈值进行比较;

14、当所述预计到达施工现场时刻的坍落度预测值大于所述预设阈值时,触发所述供料调度优化模型执行以下至少一种调整方式:1) 调整在途运输车辆的运输路径,以缩短剩余运输时间;2)重新分配后续供料任务,将在途运输车辆的供料任务与坍落度损失速率较低的其他运输车辆进行任务交换;3) 提前通知施工现场调整浇筑顺序,优先安排坍落度损失较快的混凝土先行浇筑。

15、优选的是,步骤s5还包括:

16、根据bim模型中的供料计划生成施工进度计划基准曲线;

17、通过施工现场传感器采集浇筑方量、已完成浇筑比例或进度偏差,生成实际施工进度曲线;

18、将所述施工进度计划基准曲线与所述实际施工进度曲线进行比对;

19、当实际进度滞后于计划进度时,触发步骤s4的供料调度优化模型上调浇筑设备利用率的优化权重或缩短供料到达时间间隔;

20、当实际进度超前于计划进度时,触发所述供料调度优化模型下调浇筑设备利用率的优化权重、延长供料到达时间间隔或收紧坍落度阈值约束;

21、当进度偏差超过预设容许范围时,触发所述供料调度优化模型重新执行完整求解过程。

22、优选的是,所述约束优化函数还包括将所述坍落度损失值超过预设阈值的偏离程度作为惩罚项,以使所述深度强化学习算法在最小化供料总等待时间和最大化浇筑设备利用率的同时,最小化因坍落度损失超限而产生的惩罚成本。

23、优选的是,所述供料调度优化模型为多智能体深度强化学习模型,其中每一辆运输车辆对应一个智能体,每个智能体以本车的gps定位、剩余运输距离、罐内坍落度实时预测值为状态输入,以车速选择、到达时刻、卸料顺序建议为动作输出,多个智能体通过集中式训练与分布式执行的方式协同学习,生成各车辆的独立调度方案。

24、优选的是,步骤s4还包括:根据所述供料任务关系图,对多个供料任务之间的时间冲突和资源冲突进行检测;当检测到冲突时,选择以下至少一种冲突消解方式:1) 调整冲突任务的执行顺序,使冲突任务按施工先后依赖关系重排序;2) 为冲突任务分配不同的浇筑设备,以资源分散方式消解冲突;3) 向冲突任务中优先级较低的任务发送延迟指令,推迟该任务的执行时间。

25、优选的是,步骤s4中所述供料调度优化模型还包括异常事件处理模块,所述异常事件处理模块执行以下操作:

26、1) 检测运输过程中的异常事件,所述异常事件包括运输车辆故障事件、运输路径受阻事件和传感器数据异常事件;

27、2) 根据检测到的异常事件类型,执行对应的容错调度方式,具体如下:

28、当发生运输车辆故障事件时,将故障车辆标记为不可用,触发所述深度强化学习算法重新执行步骤s4的求解过程,为故障车辆未执行的供料任务重新分配可用车辆;

29、当发生运输路径受阻事件时,重新规划受影响车辆的运输路径,并根据更新后的预计到达时间重新调用步骤s3的实时预测模型计算坍落度损失值,若该损失值超过所述预设阈值,则触发所述供料调度优化模型对后续供料计划进行重调度;

30、当发生传感器数据异常事件时,采用数据补偿方法对异常数据进行修复,并将修复后的数据输入所述供料调度优化模型;

31、3) 当多个异常事件同时发生时,按运输车辆故障事件、运输路径受阻事件、传感器数据异常事件的优先级顺序依次执行对应的容错调度方式。

32、本发明至少包括以下有益效果:

33、第一、通过构建bim模型提取构件信息并与实时动态数据融合,实现了供料需求与施工进度的精准匹配,有效避免了供料超前或滞后造成的资源浪费与工期延误。

34、第二、通过建立混凝土坍落度经时损失实时预测模型,并将其作为约束条件纳入调度优化,实现了对混凝土质量的主动控制,保障了施工质量。

35、第三、采用图神经网络提取供料任务间的空间拓扑关系与施工先后依赖关系,结合深度强化学习算法求解多目标约束优化函数,能够在满足坍落度阈值和供料连续性的前提下,最小化供料总等待时间并最大化浇筑设备利用率,显著提升了供料效率。

36、第四、通过将供料计划映射至bim模型进行可视化推演,并在不满足约束时触发重调度,形成了闭环自适应调整机制,确保了供料计划的可靠性和可执行性。

37、第五、通过坍落度损失趋势感知模块对在途车辆进行连续滚动预测,并在预测超限时主动调整运输路径、进行任务交换或调整浇筑顺序,实现了坍落度损失的提前干预,进一步降低了混凝土质量风险。

38、第六、通过采集实际施工进度并与计划基准曲线比对,根据进度偏差动态调整优化权重、供料时间间隔或坍落度阈值,实现了供料计划对施工进度的动态适配,增强了调度系统的柔性和鲁棒性。

39、第七、通过多智能体深度强化学习架构,使各运输车辆作为独立智能体协同决策,提升了大规模调度场景下的计算效率和去中心化鲁棒性。

40、第八、通过异常事件处理模块,对运输车辆故障、路径受阻、传感器数据异常等事件进行分类检测和优先级处理,并执行任务重分配、路径重规划、数据补偿等容错操作,显著提高了供料系统对突发状况的适应能力和稳定性。

41、本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。