一种基于BIM的智能施工过程监测方法及系统

1.一种基于BIM的智能施工过程监测方法，其特征在于，包括：构建地铁车站转换段暗挖施工现场对应的BIM，并基于所述BIM对地铁车站转换段暗挖施工现场进行有限元分析，确定应力集中区域；采集所述应力集中区域对应的安全影响因素，并采用预先部署的机器学习模型对所述安全影响因素进行识别，确定支撑结构优化数据；将所述支撑结构优化数据传输给现场工作人员，以使现场工作人员根据所述支撑结构优化数据进行施工，完成基于BIM的智能施工过程监测；所述机器学习模型的预先部署方法，包括：构建具备数据矩阵识别能力的机器学习模型，并对所述机器学习模型的超参数进行初始化编码，获取多个超参数编码；获取预先存储的历史安全影响因素以及历史安全影响因素对应的支撑结构优化数据标签，并根据历史安全影响因素以及历史安全影响因素对应的支撑结构优化数据标签，获取每个超参数编码对应的适应度；根据所述超参数编码对应的适应度，确定适应度最大的超参数编码作为最优编码；采用随机链式搜索策略对超参数编码进行联合链式搜索，得到联合链式搜索之后的超参数编码；以所述最优编码为基础，采用概率决策均衡搜索策略对联合链式搜索之后的超参数编码进行全局与局部的均衡搜索，得到均衡搜索之后的超参数编码；采用自适应随机混沌搜索策略对均衡搜索之后的超参数编码进行全局搜索，得到全局搜索之后的超参数编码；重复执行随机链式搜索策略、概率决策均衡搜索策略以及自适应随机混沌搜索策略，直至满足训练结束条件，重新获取最优编码；根据重新获取的最优编码，对所述机器学习模型部署；对所述机器学习模型的超参数进行初始化编码，获取多个超参数编码，包括：在所述机器学习模型的超参数对应的上限与下限之间进行随机初始化，并将初始化之后的超参数编码为向量，得到初始超参数编码；以所述初始超参数编码为基础，获取多个其他的超参数编码为：其中， 表示第 k 个超参数编码，且k=1时，为 初始超参数编码， 表示第 k +1个超参数编码， 表示求余函数， 表示圆周率，sin表示正弦函数， 表示第一常数项，且设置为0.5；b表示第二常数项，且设置为0.2；采用随机链式搜索策略对超参数编码进行联合链式搜索，得到联合链式搜索之后的超参数编码，包括：针对任意一个超参数编码，为所述超参数编码随机匹配一个其他超参数编码，得到每个所述超参数编码对应的联合搜索编码；根据所有超参数编码对应的适应度，将超参数编码按照适应度从大到小的顺序排列，得到排列之后的超参数编码；针对个排列之后的超参数编码，根据所述超参数编码对应的联合搜索编码，对超参数编码进行联合链式搜索，得到联合链式搜索之后的超参数编码为：其中， 表示第 t 次训练时第 i 个排序后的超参数编码的第 d 维超参数， i =1,2,..,M，M表示超参数编码总数， d =1,2,..,D，D表示超参数编码中超参数总维度， 表示第 i 个联合链式搜索之后的超参数编码的第 d 维超参数，sin表示正弦函数，cos表示余弦函数， 表示圆周率， 表示（0,1）之间的第一随机数， 表示（0,1）之间的第二随机数， 表示第 i 个排序后的超参数编码对应的联合搜索编码的第 d 维超参数；以所述最优编码为基础，采用概率决策均衡搜索策略对联合链式搜索之后的超参数编码进行全局与局部的均衡搜索，得到均衡搜索之后的超参数编码，包括：以当前训练次数为基础，获取自适应决策概率为：其中， 表示自适应决策概率， 表示预设的概率基本值， 表示韦伯分布控制因子，W表示韦伯分布函数， T 表示预设的最大训练次数， t 表示当前训练次数； 表示韦伯分布的形状参数， 表示韦伯分布的尺度参数，e表示自然常数；生成（0,1）之间的第三随机数，并判断所述第三随机数是否小于自适应决策概率，若是，则对联合链式搜索之后的超参数编码进行莱维飞行搜索，获取均衡搜索之后的超参数编码，否则以所述最优编码为基础，对联合链式搜索之后的超参数编码进行最优方向搜索，获取均衡搜索之后的超参数编码；对联合链式搜索之后的超参数编码进行莱维飞行搜索，获取均衡搜索之后的超参数编码为：其中， 表示第 t 次训练时第 j 个联合链式搜索之后的超参数编码的第 d 维超参数， 表示第 j 个均衡搜索之后的超参数编码的第 d 维超参数， j =1,2,..,M，M表示超参数编码总数， 表示第 t +1次训练时第 j 个联合链式搜索之后的超参数编码对应的更新速度中的第 d 维元素， 表示第一惯性权重， 表示第 t 次训练时第 j 个联合链式搜索之后的超参数编码对应的更新速度中的第 d 维元素， 表示第一学习因子， 表示第二学习因子， 表示设置于（1,3）之间的搜索范围控制因子， 表示第 j 个联合链式搜索之后的超参数编码 与第一随机超参数编码 之间的欧式距离， 表示第 j 个联合链式搜索之后的超参数编码 与第二随机超参数编码 之间的欧式距离， 表示（0,1）之间的第一莱维飞行因子， 表示（0,1）之间的第二莱维飞行因子；以所述最优编码为基础，对联合链式搜索之后的超参数编码进行最优方向搜索，获取均衡搜索之后的超参数编码为：其中， 表示最优编码的第 d 维超参数。 2.根据权利要求1所述的基于BIM的智能施工过程监测方法，其特征在于，构建地铁车站转换段暗挖施工现场对应的BIM，并基于所述BIM对地铁车站转换段暗挖施工现场进行有限元分析，确定应力集中区域，包括：构建地铁车站转换段暗挖施工现场对应的BIM，并基于所述BIM对施工现场进行有限元分析，获取地铁车站转换段暗挖施工现场对应的应力数据；将地铁车站转换段暗挖施工现场对应的BIM均匀划分为多个不同的区域，并根据地铁车站转换段暗挖施工现场对应的应力数据，确定超过预设应力阈值的应力数据大于预设百分比的区域为应力集中区域。 3.根据权利要求1所述的基于BIM的智能施工过程监测方法，其特征在于，采集所述应力集中区域对应的安全影响因素，包括：将所述应力集中区域划分为若干个子应力集中区域，并针对每一个子应力集中区域，采用子应力集中区域中心对应的应力、应变、位移以及岩性，得到子应力集中区域对应的安全影响因素；将所有子应力集中区域对应的安全影响因素共同组成所述应力集中区域对应的安全影响因素。 4.根据权利要求3所述的基于BIM的智能施工过程监测方法，其特征在于，采用预先部署的机器学习模型对所述安全影响因素进行识别，确定支撑结构优化数据，包括：将应力集中区域对应的安全影响因素组成数据矩阵，并将所述数据矩阵输入预先部署的机器学习模型中，得到支撑结构优化数据。 5.根据权利要求1所述的基于BIM的智能施工过程监测方法，其特征在于，采用自适应随机混沌搜索策略对均衡搜索之后的超参数编码进行全局搜索，得到全局搜索之后的超参数编码，包括：获取混沌搜索控制因子为：其中， 表示第 t 次训练时的混沌搜索控制因子，且在初始时刻，混沌搜索控制因子在（0,1）之间随机生成， 表示第 t +1次训练时的混沌搜索控制因子， 表示求余函数， 表示圆周率；根据所述混沌搜索控制因子，对均衡搜索之后的超参数编码进行全局搜索，得到全局搜索之后的超参数编码为：其中， 表示第 t 次训练时第 n 个均衡搜索之后的超参数编码的第 d 维超参数， n =1,2,..,M，M表示超参数编码总数， 表示第 n 个全局搜索之后的超参数编码的第 d 维超参数， 表示第 t +1次训练时第 n 个均衡搜索之后的超参数编码对应的更新速度中的第 d 维元素， 表示第 t 次训练时第 n 个均衡搜索之后的超参数编码对应的更新速度中的第 d 维元素， 表示第二惯性权重， 表示第三学习因子， 表示随机生成的新超参数编码的第 d 维超参数， 表示（-1,1）之间均匀分布的第四随机数， 表示第二惯性权重的预设最大值， 表示第二惯性权重的预设最小值， 表示第三学习因子的预设最大值， 表示第三学习因子的预设最小值， 表示（0,1）之间均匀分布的第五随机数。 6.一种基于BIM的智能施工过程监测系统，该基于BIM的智能施工过程监测系统能够执行权利要求1至5中任一所述的基于BIM的智能施工过程监测方法，其特征在于，包括：BIM数据分析模块、机器学习模块以及数据反馈模块；所述BIM数据分析模块，用于构建地铁车站转换段暗挖施工现场对应的BIM，并基于所述BIM对地铁车站转换段暗挖施工现场进行有限元分析，确定应力集中区域；所述机器学习模块，用于采集所述应力集中区域对应的安全影响因素，并采用预先部署的机器学习模型对所述安全影响因素进行识别，确定支撑结构优化数据；所述数据反馈模块，用于将所述支撑结构优化数据传输给现场工作人员，以使现场工作人员根据所述支撑结构优化数据进行施工，完成基于BIM的智能施工过程监测。