(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111673650.9 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114417464 A (43)申请公布日 2022.04.29 (73)专利权人 清华大学 地址 100084 北京市海淀区双清路3 0号清 华大学 (72)发明人 陆新征　费一凡　廖文杰　赵鹏举　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 任少瑞 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/27(2020.01)(56)对比文件 CN 112966760 A,2021.0 6.15 CN 112507409 A,2021.0 3.16 US 2021287138 A1,2021.09.16 Xinzheng Lu等.CIM -Powered Multi- Hazard Simulati on Framew ork Coveri ng both Individual Bui ldings and Urban Areas. 《sustai nability》 .2020, 审查员 宁雪莹 (54)发明名称 多模态数据驱动 的建筑结构构件的生成方 法及装置 (57)摘要 本发明提供一种多模态数据驱动 的建筑结 构构件的生成方法及装置， 本发 明提供的多模态 数据驱动的建筑结构构件的生 成方法及装置， 通 过构件布置生成模型与构 件截面生成模型， 可以 根据输入的包含多种特征数据的多模态数据得 到相应的构 件布置特征和构 件截面特征， 进而能 够快速、 可靠的完成建筑结构构件的智能化设 计， 由于不依赖人工经验， 设计结果稳定性更高。 权利要求书3页 说明书14页 附图5页 CN 114417464 B 2022.09.02 CN 114417464 B 1.一种多模态数据驱动的建筑结构 构件的生成方法， 其特 征在于， 包括： 获取建筑结构的建筑设计图纸和设计条件文本， 从所述建筑设计图纸中提取建筑分隔 特征数据和建筑空间特 征数据， 并从所述设计条件文本中提取设计条件特 征数据； 将所述建筑分隔特征数据、 建筑空间特征数据和设计条件特征数据融合为第 一特征张 量， 将所述第一特征张量输入预先训练完成的构件布置生 成模型， 得到构件布置特征数据， 并从所述构件布置特 征数据中提取建筑结构 构件的平面布置设计数据； 将所述构件布置特征数据、 建筑空间特征数据和设计条件特征数据融合为第 二特征张 量， 将所述第二特征张量输入预先训练完成的构件截面生 成模型， 得到构件截面特征数据， 并从所述构件 截面特征数据中提取建筑结构 构件的截面尺寸设计数据； 将所述平面布置设计数据与截面尺寸设计数据进行匹配和整合， 得到建筑结构构件的 结构设计结果。 2.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法， 其特征在 于， 将所述建筑分隔特征数据、 建筑空间特征数据和设计条件特征数据融合为第一特征张 量， 包括： 分别将所述建筑分隔特征数据和所述建筑空间特征数据表征为二阶矩阵， 得到建筑分 隔特征矩阵和建筑空间特 征矩阵； 将所述设计条件特征数据表征为零阶标量， 并将所述零阶标量复制为二阶矩阵， 得到 设计条件特 征矩阵； 将所述建筑分隔特征矩阵、 建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处 理， 并将所述建筑分隔特征矩阵、 建筑空间特征矩阵和设计条件特征矩阵的归一化处理结 果进行堆叠， 得到第一特 征张量。 3.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法， 其特征在 于， 将所述构件布置特征数据、 建筑空间特征数据和设计条件特征数据融合为第二特征张 量， 包括： 分别将所述构件布置特征数据和所述建筑空间特征数据表征为二阶矩阵， 得到构件布 置特征矩阵和建筑空间特 征矩阵； 将所述设计条件特征数据表征为零阶标量， 并将所述零阶标量复制为二阶矩阵， 得到 设计条件特 征矩阵； 将所述构件布置特征矩阵、 建筑空间特征矩阵和设计条件特征矩阵分别进行归一化处 理， 并将所述构件布置特征矩阵、 建筑空间特征矩阵和设计条件特征矩阵的归一化处理结 果进行堆叠， 得到第二特 征张量。 4.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法， 其特征在 于， 所述构件布置生成模型包括： 第一深度特征提取层， 用于对所述第一特征张量进行深度特征提取与学习， 得到第一 深度数据特 征； 第一映射输出层， 用于将所述第一深度数据特征进行映射输出， 得到构件布置特征数 据。 5.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法， 其特征在 于， 所述构件 截面生成模型包括：权　利　要　求　书 1/3 页 2 CN 114417464 B 2第二深度特征提取层， 用于对所述第二特征张量进行深度特征提取与学习， 得到第二 深度数据特 征； 第二映射输出层， 用于将所述第二深度数据特征进行映射输出， 得到构件截面特征数 据。 6.根据权利要求1或4所述的一种 多模态数据驱动的建筑结构构件的生成方法， 其特征 在于， 所述构件布置生成模型的训练过程包括： 获取建筑设计图纸样本、 设计条件文本样本以及相应的结构设计图纸样本； 从所述建筑设计图纸样本中提取建筑分隔特征数据样本、 建筑空间特征数据样本， 从 所述设计条件文本样本中提取设计条件特征数据样本， 并从所述结构设计图纸样本中提取 构件布置特 征数据样本； 将所述建筑分隔特征数据样本、 建筑空间特征数据样本和设计条件特征数据样本 融合 为第一特 征张量样本； 将所述第一特征张量样本和所述构件布置特征数据样本随机划分为第一训练集和第 一测试集； 采用第一训练集对预先构建的深度神经网络进行训练， 采用第 一测试集对训练后的深 度神经网络进行测试， 并将测试合格的深度神经网络作为构件布置生成模型。 7.根据权利要求1或5所述的一种 多模态数据驱动的建筑结构构件的生成方法， 其特征 在于， 所述构件 截面生成模型的训练过程包括： 获取建筑设计图纸样本、 设计条件文本样本以及相应的结构设计图纸样本； 从所述建筑设计图纸样本 中提取建筑空间特征数据样本， 从所述设计条件文本样本中 提取设计条件特征数据样本， 并从所述结构设计图纸样本中提取构件布置特征数据样本和 构建截面特 征数据样本； 将所述构件布置特征数据样本、 建筑空间特征数据样本和设计条件特征数据样本 融合 为第二特 征张量样本； 将所述第二特征张量样本和所述构件截面特征数据样本随机划分为第二训练集和第 二测试集； 采用第二训练集对预先构建的深度神经网络进行训练， 采用第 二测试集对训练后的深 度神经网络进行测试， 并将测试合格的深度神经网络作为构件 截面生成模型。 8.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法， 其特征在 于， 从所述构件布置特 征数据中提取建筑结构 构件的平面布置设计数据， 包括： 根据预设的结构构件类别与 特征数据 元素值之间的映射关系， 从所述构件布置特征数 据中提取建筑结构 构件的初步平面布置数据； 根据预设的结构构件坐标与 特征数据 元素下标之间的映射关系， 基于所述初步平面布 置数据， 得到结构 构件的最终平面布置数据； 将所述最终平面布置数据作为建筑结构 构件的平面布置设计数据。 9.根据权利要求1所述的一种多模态数据驱动的建筑结构构件的生成方法， 其特征在 于， 从所述构件 截面特征数据中提取建筑结构 构件的截面尺寸设计数据， 包括： 从所述构件 截面特征数据中提取 结构构件对应的数据元 素值； 根据预设的所述数据 元素值与结构构件尺寸之间的映射关系， 得到建筑结构构件的初权　利　要　求　书 2/3 页 3 CN 114417464 B 3