摘 要：本文以建筑設(shè)計(jì)的智能優(yōu)化為研究對(duì)象，構(gòu)建完整的技術(shù)流程，提出一種新的深度學(xué)習(xí)優(yōu)化方法。本文以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）深度網(wǎng)絡(luò)為框架，優(yōu)化建筑結(jié)構(gòu)BIM設(shè)計(jì)結(jié)果承載的數(shù)據(jù)流，得到更理想的優(yōu)化結(jié)果。在整個(gè)方法的設(shè)計(jì)過程中，從空間金字塔池化處理、路徑聚合網(wǎng)絡(luò)引入、基于YOLOv4 的頭設(shè)計(jì)、標(biāo)簽平滑處理和損失函數(shù)5個(gè)方面對(duì)CNN網(wǎng)絡(luò)進(jìn)行詳細(xì)設(shè)計(jì)。試驗(yàn)結(jié)果表明，CNN深度網(wǎng)絡(luò)不僅對(duì)BIM模型的優(yōu)化精度高，而且使用優(yōu)化后的模型指導(dǎo)施工可以大幅降低建筑成本。

關(guān)鍵詞：CNN網(wǎng)絡(luò)；建筑設(shè)計(jì)；智能建造；池化處理

中圖分類號(hào)：TU 20" " " " " " " " 文獻(xiàn)標(biāo)志碼：A

智能建造的設(shè)計(jì)過程廣泛應(yīng)用各種先進(jìn)科技手段，包括互聯(lián)網(wǎng)技術(shù)、軟件設(shè)計(jì)技術(shù)、信息技術(shù)、數(shù)據(jù)挖掘技術(shù)、物聯(lián)網(wǎng)技術(shù)以及深度學(xué)習(xí)技術(shù)，是能夠改造建筑工程設(shè)計(jì)施工流程、提升建筑工程建造效率的一種全新領(lǐng)域[1]。智能建造的依托性技術(shù)是BIM技術(shù)，這是一種具體應(yīng)用于建筑設(shè)計(jì)領(lǐng)域的信息技術(shù)。利用BIM技術(shù)可以對(duì)建筑結(jié)構(gòu)進(jìn)行三維仿真模型可視化設(shè)計(jì)，對(duì)建筑設(shè)計(jì)進(jìn)行模塊化、后臺(tái)信息數(shù)據(jù)化管理[2]。在BIM技術(shù)的支持下，建筑結(jié)構(gòu)的信息化模型可以在智能建造的各個(gè)環(huán)節(jié)中使用，在此期間，配合深度學(xué)習(xí)算法對(duì)設(shè)計(jì)結(jié)果進(jìn)行局部?jī)?yōu)化和整體優(yōu)化[3]。深度學(xué)習(xí)算法基于深度神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)能力更全面、高效，輸入建筑設(shè)計(jì)的BIM信息后，利用迭代進(jìn)行訓(xùn)練和學(xué)習(xí)，深度神經(jīng)網(wǎng)絡(luò)可以自動(dòng)優(yōu)化建筑設(shè)計(jì)結(jié)果，在該過程中，智能化特征突出。基于此，本文根據(jù)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）深度網(wǎng)絡(luò)的變形結(jié)構(gòu)設(shè)計(jì)建筑的智能化流程，并對(duì)優(yōu)化效果進(jìn)行性能測(cè)試。

1 基于CNN網(wǎng)絡(luò)的建筑智能化設(shè)計(jì)優(yōu)化流程

采用BIM技術(shù)和深度學(xué)習(xí)技術(shù)優(yōu)化建筑智能設(shè)計(jì)。根據(jù)BIM設(shè)計(jì)的建筑結(jié)構(gòu)信息化模型可以生成基本的數(shù)據(jù)信息，并用于后續(xù)處理，CNN深度學(xué)習(xí)網(wǎng)絡(luò)將優(yōu)化BIM模型，得到最佳的設(shè)計(jì)結(jié)果，具體流程如圖1所示。

從圖1可以看出，在確定智能化的建筑任務(wù)需求后，設(shè)計(jì)人員運(yùn)用BIM技術(shù)完成建筑結(jié)構(gòu)的模型設(shè)計(jì)，生成BIM模塊數(shù)據(jù)流。BIM模塊數(shù)據(jù)流將和建筑模塊庫中的數(shù)據(jù)流一起送入CNN深度學(xué)習(xí)網(wǎng)絡(luò)的輸入端，在CNN網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和學(xué)習(xí)。CNN網(wǎng)絡(luò)穩(wěn)定后，進(jìn)一步優(yōu)化BIM模型，得到結(jié)構(gòu)更合理、施工成本更低的優(yōu)化結(jié)果并輸出。BIM模型優(yōu)化結(jié)果即建筑設(shè)計(jì)智能優(yōu)化后的結(jié)果，將作為后續(xù)施工工作的指導(dǎo)性模型、圖紙和文件。從上述流程可以看出，CNN 深度學(xué)習(xí)網(wǎng)絡(luò)在整個(gè)智能化設(shè)計(jì)和優(yōu)化的過程中具有重要的作用，因此需要對(duì)其進(jìn)行詳細(xì)設(shè)計(jì)。

2 建筑智能設(shè)計(jì)優(yōu)化中的CNN深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)

本文對(duì)CNN 深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行Faster改型設(shè)計(jì)，CNN深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

從圖2可以看出，在智能建造技術(shù)框架下，根據(jù)BIM軟件平臺(tái)生成的建筑物信息化設(shè)計(jì)模型將成為Faster-CNN深度學(xué)習(xí)網(wǎng)絡(luò)的輸入，不同的模塊單元形成多組輸入序列送入網(wǎng)絡(luò)。整個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)不斷執(zhí)行卷積和池化處理，完成對(duì)信息模型的學(xué)習(xí)、訓(xùn)練和迭代過程，共有2次卷積處理和2次池化處理。卷積處理會(huì)根據(jù)輸入信息進(jìn)一步生成特征信息，特征信息作為輸入?yún)⑴c池化處理，進(jìn)一步生成池化特征。整個(gè)深度網(wǎng)絡(luò)采取多通道并行排布的結(jié)構(gòu)，各個(gè)通道經(jīng)過自己所屬的卷積層和池化層處理后，得到池化特征，再執(zhí)行全連接處理，得到BIM模型的最終優(yōu)化結(jié)果。最終優(yōu)化結(jié)果是在非人工設(shè)計(jì)的情況下由深度學(xué)習(xí)網(wǎng)絡(luò)自動(dòng)完成的，充分體現(xiàn)了智能建造的技術(shù)特點(diǎn)。以CNN深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)為依托，為了達(dá)到BIM模型最佳的優(yōu)化效果，進(jìn)一步在5個(gè)關(guān)鍵點(diǎn)進(jìn)行詳細(xì)設(shè)計(jì)。

2.1 空間金字塔池化處理

在BIM建筑智能優(yōu)化過程中，經(jīng)常使用卷積與全連接網(wǎng)絡(luò)相互聯(lián)接的方法進(jìn)行訓(xùn)練。這2個(gè)部分之間的連接應(yīng)具有恒定的維度，獲取相似大小的特征映射，并將其傳遞至全連接網(wǎng)絡(luò)以便于分類。傳統(tǒng)的解決方案是切割或者調(diào)整各建造單元的大小、形狀等參數(shù)來操作輸入案例，這樣的方式可能會(huì)破壞被測(cè)物體在建造單元上的相對(duì)位置和大小信息，降低對(duì)象特征的精確性。為解決這個(gè)問題，本文使用一種名為SPP的新架構(gòu)，它能將各種規(guī)模的特征映射轉(zhuǎn)換為統(tǒng)一規(guī)格的特征映射，不需要修改原始建造單元。SPP模型在最后的一個(gè)卷積層后加入一個(gè)空間池化層，將特征映射分為多個(gè)小區(qū)域。在每個(gè)通道上執(zhí)行最大的池化計(jì)算，最終得到一個(gè)確定長(zhǎng)度的特征映射，再用全連接網(wǎng)絡(luò)進(jìn)行分類。在這個(gè)過程中，采用5×5、9×9和13×13 3種不同的卷積核尺寸處理最大池化，在處理完畢后合并輸出，整個(gè)流程并不涉及特征映射的尺度變化。最大池化操作流程如圖3所示。

2.2 引入路徑聚合網(wǎng)絡(luò)

PANet網(wǎng)絡(luò)主要用于實(shí)例分割，在自頂向下的路徑后添加1個(gè)自底向上的路徑來聚合不同層級(jí)的特征圖，提升實(shí)例分割的效率。具體來說：PANet在FPN的基礎(chǔ)上添加了1個(gè)PANet模塊，該模塊由自頂向下的路徑和自底向上的路徑2個(gè)子模塊組成。自頂向下的路徑對(duì)高層特征進(jìn)行向下采樣，以匹配低層特征的尺寸；自底向上的路徑對(duì)低層特征進(jìn)行向上采樣，以匹配高層特征的尺寸。這2個(gè)路徑的輸出關(guān)聯(lián)在一起，形成1個(gè)新的特征金字塔，每個(gè)層級(jí)都包括來自不同層級(jí)的信息。利用這種方式，PANet可以有效地聚合不同層級(jí)的特征，從而提升建造單元實(shí)例分割的性能。在該結(jié)構(gòu)中，F(xiàn)PN的輸出結(jié)構(gòu)不再參與預(yù)測(cè)，利用PAN結(jié)構(gòu)輸出的結(jié)果進(jìn)行預(yù)測(cè)。使用FPN技術(shù)獲得76×76特征圖像，對(duì)通道特征76×76×C進(jìn)行預(yù)測(cè)，C為通道數(shù)，使用PAN架構(gòu)處理從底層獲取的76×76特征圖像，與其在FPN中提取的38×38特征圖像進(jìn)行矩陣連接，生成用于預(yù)測(cè)的38×38×C。使用PAN架構(gòu)處理來自底層的38×38特征圖像，與其在FPN中提取的19×19特征進(jìn)行矩陣連接，以產(chǎn)生用于預(yù)測(cè)的19×19×C。

2.3 基于YOLOv4 的前端設(shè)計(jì)

YOLOv4頭部采用YOLOv3檢測(cè)頭，其本質(zhì)上是1×1和3×3卷積，經(jīng)過YOLOv4頸部的PAN結(jié)構(gòu)最終得到輸出的3個(gè)維度特征，分別為76×76×C、38×38×C和19×19×C，計(jì)算方法如公式（1）所示。

C=N×（4+1+M） " " " " "（1）

式中：N為特征圖的先驗(yàn)框，每個(gè)單元格須檢測(cè)N個(gè)目標(biāo)；“4”為預(yù)測(cè)框在圖像中的4個(gè)位置坐標(biāo)x、y、w和h；“1”為置信度，為在預(yù)測(cè)框中存在交通標(biāo)志的可能概率；M為標(biāo)簽類別的數(shù)目。這3種大小的特征所產(chǎn)生的預(yù)測(cè)框會(huì)分別產(chǎn)生3組新的預(yù)測(cè)邊界框以定位需要檢測(cè)的目標(biāo)的位置。這種檢測(cè)方法基本流程如下：按照預(yù)測(cè)框的置信度進(jìn)行排序，挑選每類分?jǐn)?shù)超過閾值的框以及相應(yīng)的置信度，利用非最大值抑制技術(shù)來獲得最終檢測(cè)結(jié)果。

2.4 標(biāo)簽平滑處理

標(biāo)簽平滑處理是一種正則化技術(shù)，其作用是減少神經(jīng)網(wǎng)絡(luò)的過擬合并提高分類性能。在裝配式單元處理過程中，樣本所屬類別的置信度為1，其余都為0，模型訓(xùn)練最終很可能出現(xiàn)過擬合。為了解決這個(gè)問題，在訓(xùn)練過程中引入1個(gè)平滑因子。標(biāo)簽的平滑分布等于在真實(shí)分布中添加了噪聲，防止模型過度信任準(zhǔn)確標(biāo)簽，因此預(yù)測(cè)結(jié)果的正負(fù)值差異不會(huì)太大。數(shù)據(jù)樣本標(biāo)簽如公式（2）、公式（3）所示。

（2）

（3）

式中：i為標(biāo)簽所在的行；y為標(biāo)簽所在的列；k為類別數(shù)量；ε為引入的光滑因子，其是1個(gè)數(shù)值趨于0的常數(shù)。

2.5 損失函數(shù)設(shè)計(jì)

交并集處理（Intersection Over Union，IOU）用于評(píng)估2種任意案例的相似性。這個(gè)方法經(jīng)常用于評(píng)估檢測(cè)算法性能并衡量預(yù)測(cè)結(jié)果的準(zhǔn)確度，計(jì)算過程如公式（4）所示。

（4）

式中：A、B分別為分析框與真實(shí)框。IOU越高，2個(gè)框的重疊程度越高，邊界框的分析結(jié)果越精確。

在真實(shí)場(chǎng)景中，如果A、B 2個(gè)框之間沒有重疊部分，無論它們間隔是遠(yuǎn)還是近，其結(jié)果都是相同的，說明無法根據(jù)這種方法來判斷IOU均為0，因此IOU并不能體現(xiàn)A、B 2個(gè)框之間的距離。在這個(gè)階段沒有梯度反饋，可能會(huì)導(dǎo)致訓(xùn)練流程結(jié)束。如果3種重疊方式的IOU均為0.45，則可以看到3種方式的A、B 2個(gè)框的契合程度有所差異，因此IOU無法識(shí)別分析框和真實(shí)框各種不同的對(duì)準(zhǔn)策略。

本節(jié)采用CIOU位置損失函數(shù)，與IOU相比，增加計(jì)算寬高比，CIOU計(jì)算過程如公式（5）所示。

（5）

式中：ρ為調(diào)整比例；b為場(chǎng)景寬度；bgt為場(chǎng)景寬度的全局最優(yōu)解；c為場(chǎng)景高度；a為損失系數(shù)；v為損失速度。

3 建筑智能設(shè)計(jì)優(yōu)化的試驗(yàn)結(jié)果與分析

上文給出了建筑設(shè)計(jì)BIM模型的CNN智能優(yōu)化方法，下面根據(jù)5個(gè)工程用料的分析試驗(yàn)來驗(yàn)證本文方法的性能。以住宅常規(guī)施工成本為參照，選擇一般設(shè)計(jì)方法作為對(duì)比方法，和本文提出的CNN智能優(yōu)化方法進(jìn)行對(duì)比，結(jié)果如圖4所示。

從圖4可以看出，與一般設(shè)計(jì)方法相比，基于CNN的智能優(yōu)化設(shè)計(jì)可以節(jié)省15%的工程用料，證明了智能和設(shè)計(jì)優(yōu)化方法的有效性。

在試驗(yàn)過程中，分析了在建筑設(shè)計(jì)智能優(yōu)化過程中CNN深度學(xué)習(xí)網(wǎng)絡(luò)的迭代過程，結(jié)果如圖5所示。

從圖5中的優(yōu)化精度曲線變化和擬合結(jié)果可以看出，隨著迭代次數(shù)不斷增加，CNN深度學(xué)習(xí)網(wǎng)絡(luò)優(yōu)化的效果越來越好，優(yōu)化精度一直保持在90%以上。當(dāng)?shù)螖?shù)增至700次時(shí)，優(yōu)化精度達(dá)到96%以上。

4 結(jié)論

信息技術(shù)、物聯(lián)網(wǎng)技術(shù)、數(shù)據(jù)挖掘技術(shù)以及深度學(xué)習(xí)技術(shù)改變了建筑工程領(lǐng)域。本文以BIM設(shè)計(jì)智能優(yōu)化過程為研究對(duì)象，構(gòu)建一種基于CNN深度學(xué)習(xí)網(wǎng)絡(luò)的智能優(yōu)化方法。在智能設(shè)計(jì)的技術(shù)框架體系中，以BIM模型作為數(shù)據(jù)流，構(gòu)建基于深度學(xué)習(xí)的優(yōu)化框架，并在池化處理、路徑聚合、標(biāo)簽平滑和損失函數(shù)等方面對(duì)深度網(wǎng)絡(luò)進(jìn)行詳細(xì)設(shè)計(jì)。針對(duì)5個(gè)工程案例進(jìn)行智能設(shè)計(jì)優(yōu)化試驗(yàn)對(duì)比，結(jié)果顯示基于CNN深度網(wǎng)絡(luò)的優(yōu)化設(shè)計(jì)節(jié)約工程用料成本約15%。

參考文獻(xiàn)

[1]毛超，彭窯胭.智能建造的理論框架與核心邏輯構(gòu)建[J].工程管理學(xué)報(bào)，2020，34（5）： 1-6.

[2]劉占省，劉子圣，孫佳佳，等.基于數(shù)字孿生的智能建造方法及模型試驗(yàn)[J].建筑結(jié)構(gòu)學(xué)報(bào)，2021，42（6）：26-36.

[3]李衛(wèi)軍，蘇衍江，張磊，等.基于新農(nóng)村建設(shè)的裝配式建筑結(jié)構(gòu)體系研究與思考[J].結(jié)構(gòu)工程師，2018，34（2）：173-179.