一种基于聚类算法的建筑幕墙优化方法及系统与流程

1.本发明属于建筑幕墙设计优化技术领域，更具体地，涉及一种基于聚类算法的建筑幕墙优化方法及系统。


背景技术：

2.随着社会经济与文化的快速发展，人们对建筑美学有了更高追求，传统规则的建筑造型已逐渐不能满足人们的审美需求，设计师更青睐于使用灵活多变的自由曲面来赋予建筑更多的可能性。对于这些几何形态复杂的建筑来说，要对其空间曲面造型进行完美诠释，必须使用众多幕墙面板去组装拼凑，而这些面板中势必含有大量的双曲面板。双曲面板具有加工难度大、周期长、成本高的特点，过多的双曲面板会给建筑施工建造带来一系列问题。在实际工程中，常见的解决方法是将双曲面板在一定精度范围内拟合为单曲面板，甚至进一步拟合为平面面板。在降低单块面板的加工难度方面，该方法的确可以起到一定的效果，但是对于使用玻璃纤维增强混凝土(glass fiber reinforced concrete，grc)这类材料的幕墙面板来说，每一块面板都是依靠模具浇筑而成，通过该方法优化得到的幕墙面板不能保证几何形态完全一致，因此并不能减少模具的种类与数量，无法进一步减少生产加工的工作量。


技术实现要素：

3.针对现有技术的以上缺陷或改进需求，本发明提出了一种基于聚类算法的建筑幕墙优化方法及系统，能够尽可能地减少幕墙模板数量，降低施工难度与成本。
4.为实现上述目的，按照本发明的一个方面，提供了一种基于聚类算法的建筑幕墙优化方法，包括：
5.s1：获取建筑造型曲面的三维模型；
6.s2：基于建筑造型曲面开展网格划分，得到若干个独立的初始幕墙曲面；
7.s3：依据各初始幕墙曲面的几何特征，设置k-means算法各项输入参数；
8.s4：利用k-means算法对所有初始幕墙曲面进行聚类分析，将初始幕墙曲面其划分为多个群组；
9.s5：获取各群组中的所有初始幕墙曲面的几何特征参数的平均值；
10.s6：基于参数平均值建立各群组幕墙的统一幕墙模板；
11.s7：将各群组幕墙的统一幕墙模板定位至各群组内的各初始幕墙曲面上；
12.s8：基于统一幕墙模板与初始幕墙曲面进行误差分析；
13.s9：基于误差分析结果，利用智能优化算法对步骤s3中k-means算法的输入参数进行优化；
14.s10：得到k-means算法输入参数的最优结果后，输出满足要求的初始幕墙曲面，而将不满足要求的初始幕墙曲面设为新的初始幕墙曲面，开始下一轮循环计算。
15.在一些可选的实施方案中，步骤s2中的网格划分方法可以根据幕墙种类的不同，
结合实际项目特点进行自由选择，例如平面三角形网格可以利用delaunay三角形网格划分算法，空间四边形网格可以依据曲面uv进行网格划分等。
16.在一些可选的实施方案中，步骤s3中的k-means算法各项输入参数主要分为群组数量和聚类依据两大类，其中群组数量用来控制初始幕墙曲面具体分为多少组数，初始值可以设为小于初始幕墙曲面总数的任意值；聚类依据则包含一系列能反映所有初始幕墙曲面几何特征的参数，以此为基础来对所有初始幕墙曲面进行聚类分组。
17.其中，聚类依据参数与幕墙几何形态有直接关系，参数选取规则是：必须要能够完全描述并且唯一定义该几何形态，通常来说空间几何图形的参数数量要多于平面图形，且几何图形的边数越多，则所需要的参数越多，此处以平面三角形与空间四边形这两种常见幕墙形式为例：平面三角形可以选取两条相邻边的长度与其夹角角度，或者三条边的长度，作为聚类依据，这两种参数均能够确定一个唯一的平面三角形形态；空间四边形则可以选择四边的长度、对角线的长度以及对角线之间的最短距离作为聚类依据。
18.在一些可选的实施方案中，步骤s5中的几何特征参数与上述聚类依据参数类似，可以选择同样的参数，也可以根据几何生成逻辑进行略微调整，便于建模。
19.在一些可选的实施方案中，步骤s6中的统一幕墙模板，指的是以s5中几何特征参数的平均值为依据，按照建模逻辑，重新搭建的幕墙模板曲面模型，每个群组只需要一个统一幕墙模板。
20.其中，建模逻辑为：将原点作为幕墙面板的任意一点，同时也是基准点，依据几何特征参数的平均值，分别求出幕墙面板其余各点在空间中相对于基准点的具体位置，依次连接各点形成封闭的且无自相交的空间曲面，即为所需幕墙模板。
21.在一些可选的实施方案中，步骤s7中的定位方式，通常用三点定位或平面定位来实现。
22.在一些可选的实施方案中，步骤s8中的误差分析，主要是考察模板幕墙曲面与初始幕墙曲面各个对应角点之间的最大距离，依据实际工程需求设定一个最大容差值，按照最大距离与最大容差值之间的数值大小关系，将初始幕墙曲面分为a、b类，a类为距离小于最大容差值的初始幕墙曲面，b类为距离大于最大容差值的初始幕墙曲面。
23.在一些可选的实施方案中，步骤s9中的优化方法，具体参数设置如下：
24.优化目标：在a类曲面中，使利用同一种模板的幕墙面板数量尽可能多；
25.优化变量：步骤s3中k-means算法的群组数量输入参数；
26.优化算法：以进化算法为主的智能优化算法，例如遗传算法、粒子群算法等；
27.由此可求出，群组数量设置为何值时，可以使得利用同一个幕墙模板代替最多的初始幕墙曲面，并且提取出这个幕墙模板和对应的初始幕墙曲面(称为c类曲面)。
28.在一些可选的实施方案中，步骤s10即是将最优幕墙模板和c类初始幕墙曲面输出，并且将(a-c b)类初始幕墙曲面作为新的初始幕墙曲面，开始下一轮循环计算，直到所有初始幕墙曲面都被输出，即完成整个幕墙优化流程。
29.按照本发明的另一方面，提供了一种基于聚类算法的建筑幕墙优化系统，包括：
30.曲面划分模块，用于获取建筑造型曲面的三维模型，基于建筑造型曲面开展网格划分，得到若干个独立的初始幕墙曲面；
31.聚类分析模块，用于依据各初始幕墙曲面的几何特征，设置k-means算法各项输入
参数，利用k-means算法对所有初始幕墙曲面进行聚类分析，将初始幕墙曲面其划分为多个群组；
32.模板生产模块，用于获取各群组中的所有初始幕墙曲面的几何特征参数的平均值，基于参数平均值建立各群组幕墙的统一幕墙模板；
33.智能寻优模块，用于将各群组幕墙的统一幕墙模板定位至各群组内的各初始幕墙曲面上，基于统一幕墙模板与初始幕墙曲面进行误差分析，基于误差分析结果，利用智能优化算法对k-means算法的输入参数进行优化；
34.迭代循环模块，用于得到k-means算法输入参数的最优结果后，输出满足要求的初始幕墙曲面，而将不满足要求的初始幕墙曲面设为新的初始幕墙曲面，开始下一轮循环计算，完成所有幕墙的优化工作。
35.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
36.本发明提出的建筑幕墙优化方法主要是基于聚类算法中的k-means算法来实现的，该算法能够将若干个数据对象划分为多个聚类，保证每个聚类中的数据对象相似度高，而不同聚类中的数据对象相似度低。针对数量众多、几何形态相似但又有细微差别的幕墙曲面，只需少量操作即可在允许的误差范围内对所有幕墙曲面进行整理与优化，尽可能归并为完全一致的几何形态，极大程度减少了制造过程中幕墙模板的数量，降低加工难度与周期，减少施工造价。
附图说明
37.图1是本发明实施例提供的一种方法流程示意图；
38.图2是本发明实施例提供的一种系统架构示意图；
39.图3是本发明实施例提供的一种幕墙曲面的几何参数标识。
具体实施方式
40.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
41.本发明基于rhino软件和grasshopper平台实现，rhino软件具有极其强大的三维空间造型能力，被广泛应用于建筑设计、工业制造等领域，而grasshopper则是rhino软件上的一款参数化设计平台，它能通过可视化编程的方式，搭建具有特定功能的工作流程，仅需改变输入参数即可自动完成建模、分析的操作，极大提高工作效率。
42.本发明提出了一种基于聚类算法的建筑幕墙优化方法，具体流程如图1所示，并基于grasshopper建立一种基于聚类算法的建筑幕墙优化系统，具体架构如图2所示。下面以某空间四边形曲面为例，介绍本发明的具体实施步骤：
43.s1：读取建筑的部分曲面模型；
44.s2：利用quad panels运算器，按照uv方向将曲面均分为174个单独的幕墙面板曲面；
45.s3：将参数接入k-means运算器，群组数量设置为1～174中的任意值，聚类依据分别输入所有幕墙面板曲面的四边长度、对角线长度、对角线之间的最短距离；
46.s4：依据聚类分析结果，按照索引值将所有幕墙面板曲面划分为多个群组；
47.s5：分别获取各群组中幕墙面板曲面几何参数的平均值，如图3所示主要获取以下参数，ad、cd、bc、ab的长度，∠abc的度数，d与abc三点组成的平面之间的距离lend；
48.s6：基于步骤s5中获取的参数，建立新的空间四边形模板；
49.其中，步骤s6的建模思路具体包括s61-s66：
50.s61：以b点为基准点，将b点朝世界坐标的x向量方向移动bc长度得到c点；
51.s62：将x向量绕着世界坐标的z向量旋转∠abc度数得到某一向量，将b点朝该向量方向移动ab长度得到a点；
52.s63：分别以c点和a点为中心、cd与ad为半径，建立圆球，求两球的相交曲线curve1；
53.s64：通abc三点建立平面plane1，将plane1朝其z方向的反向移动lend距离，得到plane2；
54.s65：求curve1与plane2的交点，通常会有两个交点，取x坐标较大的那个点，得到d点；
55.s66：依次连接abcd四点，形成新的空间四边形曲面。
56.s7：分别针对模板曲面与初始曲面，以b点为原点，以ba与bc向量为x轴与y轴，建立两个平面，利用orient运算器将幕墙曲面定位至初始曲面位置；
57.s8：判断模板曲面与初始曲面的四个对应角点之间的最大距离，是否在设定的误差范围内，如在，则设置为a类曲面，否则设置为b类曲面；
58.s9：利用galapagos运算器所包含的遗传算法，以a类曲面中利用同一种模板的幕墙面板数量尽可能多为目标，对k-means运算器的群组数量输入端进行迭代寻优；
59.s10：优化完成后，将最优模板曲面及其对应的初始曲面的三维模型输出，其余曲面进入下一轮循环计算，重复s3-s10步骤。
60.在本实例中，设置允许误差范围为10mm，幕墙面板曲面类型由最开始的174种，经过若干轮优化，最终变为了132种，减少了25％左右。根据实际施工情况可适当放宽精度要求，能够获得更好优化效果。
61.需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
62.本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。