CN110765526A - 一种基于知识规则驱动的古建筑结构分析模型重建方法 - Google Patents

Abstract

本发明公开了一种基于知识规则驱动的古建筑结构分析模型重建方法，包括：设计古建筑结构模型组织方式；采集古建筑现状的相关数据；根据所述古建筑结构模型组织方式及所述相关数据，基于多约束知识规则库，进行空间聚类、结构提取及模型重构；重建基于知识规则驱动的空间计算模型，将所述空间计算模型转换为第一有限元分析模型。该方法以古建筑原始的设计数据和古建筑现状的整体损伤等结构信息为基础，以测绘学科和土木学科关键技术的协同耦合为手段，建立一套全新的多维度空间数据模型与结构状态分析模型，赋与古建筑实体对空间环境变化的感知计算能力；可为后续古建筑结构分析提供一个全面完整准确分析的第一有限元分析模型。

Description

一种基于知识规则驱动的古建筑结构分析模型重建方法

技术领域

本发明涉及建筑监测技术领域，涉及一种基于知识规则驱动的古建筑结构分析模型重建方法。

背景技术

保护文化遗产能够强化国家共同记忆、建立民族自信和传承彰显民族文化，是国家的重大需求，木结构古建筑作为我国乃至世界独树一帜的物质文化遗产结晶，历经气候变化、人类活动和地震等外部荷载，以及木材老化、疲劳等内部因素数百年甚至上千年的影响，安全性能不断降低，这样进行木结构整体健康状态评估就显得甚为重要。然而，木结构古建筑健康状态评定等级偏高，会忽视古建现存问题，引发安全事故，造成难以挽回的损失；反之，会造成因采取过度加固防范措施而导致经济浪费。

为什么不能正确评估木结构古建筑的结构现状？一方面由于我国古建筑结构形式多样、构造复杂、既有结构分析对象不明确，更重要一方面是由于检测条件的限制和文化遗产保护的相关要求，使得部分构件无法使用仪器进行检测，或者即使能够检测也存在设备精度问题导致存在较大的测量误差，这些所谓的“灰色信息”或“贫信息”极大地阻碍了对现存木结构古建筑安全性评估工作的正常开展。

深究其因，关键在于没有采用全面有效的评估方式、缺乏对古建筑实体多维度、多视角、多粒度的精准认知，尤其缺乏对古建筑实体结构特征的精细化建模方案、多源海量空间数据模型组织及其对随机性和模糊性作用下木结构综合评估手段的系统性研究。

从古建筑安全性评定行业规范来看，目前现行标准主要有《民用建筑可靠性鉴定标准》(GB50292-2015)[12]、《古建筑结构安全性鉴定技术规范第一部分:木结构》(DB11/T1190.1-2015)[13]和《古建筑木结构维护与加固技术规范》GB 50165-92等，这些规范往往是以定性鉴定为主，定量鉴定为辅，一般以抽样、观察的方式进行检测，存在部分构件无法检测或无法精确定量检测的问题；从古建筑评估分析方法来看，普遍采用层次分析法、灰色模糊分析法、静荷载实验评定法、灰色白化权函数聚类法和残损状况指标法等，这些方法针对古建安全性量化指标评定的内容较少，而且不能完整高效地对古建筑整体结构安全性进行评估。

从古建筑技术参数检测手段来看，主要分为二类，一类针对木结构内部缺陷与损伤的，包括木材阻抗仪、应力波、超声波、Pilodyn(皮罗钉)、X射线以及微波、红外线、核磁共振和雷达探测技术等；另一类是基于外观残损、尺寸、偏移、沉降、结构动力特性等测量类检测的，如目测法、三维激光扫描、有限元分析、动力特性测试技术以及荷载试验等。

综上所述，目前还没有哪一种模型真正针对木结构古建筑健康评估这一国家重大需求而设计，也没有全面高效的古建筑健康评估方案。

发明内容

鉴于上述问题，需要设计一套针对木结构古建筑健康评估的多维结构分析模型，本发明提供了一种基于知识规则驱动的古建筑结构分析模型重建方法，利用海量激光点云及既有相关数据进行结构建模的方法，并在多维多级混合索引的支持下实现各类评估要素的定量分析。

本发明提供一种基于知识规则驱动的古建筑结构分析模型重建方法，包括：

设计古建筑结构模型组织方式；

采集古建筑现状的相关数据；

根据所述古建筑结构模型组织方式及所述相关数据，基于多约束知识规则库，进行空间聚类、结构提取及模型重构；

重建基于知识规则驱动的空间计算模型，将所述空间计算模型转换为第一有限元分析模型。

在一个实施例中，所述设计古建筑结构模型组织方式，包括：

构建古建筑的数据结构；所述数据结构的数据为：采集的多源精细空间数据和已有资料收集整理的原始数据；

设计概念模型、逻辑模型和物理模型；

构建空间索引机制；

生成古建筑结构模型组织方式；所述古建筑结构模型组织方式包括以下属性：构造特征、材料特征、结构关系、几何关系和拓扑关系。

在一个实施例中，所述采集古建筑现状的相关数据，包括：

采集古建筑的点云数据、GIS数据、BIM数据、CAD数据、多光谱数据、应力波数据、摄影测量数据图像、第二有限元模型。

在一个实施例中，所述概念模型，包括：语义约束、单元分解、几何表达和模型支撑；

所述语义约束包括：柱架层、铺作层、屋盖层和台基层；

所述单元分解包括：点单元、框架单元、面单元和体单元；

所述几何表达包括：点、线、面和体；

所述模型支撑包括：点云模型、B-REP模型、TIN模型和第三有限元模型。

在一个实施例中，所述逻辑模型，包括：构件截面、构件材料、构件单元和构件关系。

在一个实施例中，所述数据结构的来源，包括：点云模型、NURBS模型、CSG模型、3D-TIN模型和原始有限元分析模型。

在一个实施例中，所述构建空间索引机制，包括：建立八叉树与三维K-D树、四叉树与最小外包围盒构成的QMBB、3D-R和QMBB树混合索引。

在一个实施例中，将所述空间计算模型转换为第一有限元分析模型，包括：

根据空间计算模型，确定点云的最小外包盒；

划分格网及根据预设规则划分四边形；

优化所述四边形，实现转换为第一有限元分析模型。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明提供的一种基于知识规则驱动的古建筑结构分析模型重建方法，以古建筑原始的设计数据和古建筑现状的整体损伤等结构信息为基础，以测绘学科和土木学科关键技术的协同耦合为手段，建立一套全新的多维度空间数据模型与结构状态分析模型，赋与古建筑实体对空间环境变化的感知计算能力；可为后续古建筑结构分析提供一个全面完整准确分析的第一有限元分析模型。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例提供的基于知识规则驱动的古建筑结构分析模型重建方法的流程图；

图2为本发明实施例提供的基于知识规则驱动的古建筑结构分析模型重建方法的原理图；

图3为本发明实施例提供的多层次架构概念模型框架设计示意图；

图4为本发明实施例提供的基于面向对象的逻辑模型框架设计示意图。

图5为本发明实施例提供的三维点云的最小外包盒示意图。

图6为本发明实施例提供的格网划分示意图。

图7a-7e为本发明实施例提供的四边形划分不同样式的示意图。

图8为本发明实施例提供的判断四边形的凹凸性示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本发明实施例提供的一种基于知识规则驱动的古建筑结构分析模型重建方法，参照图1所示，包括：

S1、设计古建筑结构模型组织方式；

S2、采集古建筑现状的相关数据；

S3、根据所述古建筑结构模型组织方式及所述相关数据，基于多约束知识规则库，进行空间聚类、结构提取及模型重构；

S4、重建基于知识规则驱动的空间计算模型，将所述空间计算模型转换为第一有限元分析模型。

该方法以古建筑原始的设计数据和古建筑现状的整体损伤等结构信息为基础，以测绘学科和土木学科关键技术的协同耦合为手段，建立一套全新的多维度空间数据模型与结构状态分析模型，赋与古建筑实体对空间环境变化的感知计算能力；可为后续古建筑结构分析提供一个全面完整准确分析的第一有限元分析模型。

在一个实施例中，S1中设计古建筑结构模型组织方式包括三个方面：数据结构、古建筑结构设计和空间索引机制。

第一：数据结构；是指古建筑原有的设计数据，采集的多源精细空间数据和已有资料收集整理的原始数据；可分为点云模型、NURBS模型、CSG模型、3D-TIN模型和原始有限元分析模型。其中，比如原始有限元分析模型是人为定义或想象而设计的模式。

第二：古建筑结构设计；包括：概念模型、逻辑模型和物理模型。

第三：空间索引机制；包括：八叉树与三维K-D树、四叉树与最小外包围盒构成的QMBB、3D-R和QMBB树混合索引。

基于上述三方面数据，可构建古建筑结构几何模型，包括5个属性：构造特征、材料特征、结构关系、几何关系和拓扑关系。

构造特征，表示古建筑的表象信息，比如坏了与否、墙体是否脱皮、榫卯情况；材料特征，比如木材种类、强度、是否涂抹黄油；结构关系，表示鉴定单元、主要构件、一般构件等的连接关系；拓扑关系表示柱和梁的连接关系。

下面通过具体实施例对基于知识规则驱动的古建筑结构分析模型重建方法进行详细说明。

参照图2所示，针对多种高精度测绘传感器获取的三维点云数据，高分影像数据、多光谱数据和后处理过程中产生的点云模型等多源空间数据，进行去噪、配准、去冗、分割等预处理操作后，生成高精度点云模型，同时建立八叉树和K-D树混合的空间索引结构-OctKD树，采用3D-R树空间索引管理点云模型数据。

结合古建筑结构语义、材料特性、几何和拓扑等多约束规则，采用逆向工程的思想和同几何分析技术将点云模型等空间信息模型无缝转换为第一有限元分析模型，配合正态云模型和组合赋权评估方法，进行典型实验区空间数据的结构分析与健康状态评估等。

按照以下技术路线开展工作：如图2所示，设计古建筑结构模型组织方式、重建基于规则驱动的古建筑结构模型，进一步地，可构建多要素认知的古建筑健康状态云模型评估体系。

(1)古建筑结构模型的组织与设计

通过多源精细空间数据的采集和已有资料的收集整理，梳理古建筑结构模型构造特征、材料、几何、拓扑和结构关系等特征，分别从概念模型设计、逻辑模型设计和物理模型设计三个维度逐层递进地开展研究工作：

首先针对古建筑健康状态评估精确定量分析的要求，通过提炼需求、抽象细化、逻辑整理等方法，建立结构分析的概念层次表达与内在逻辑结构，结合健康评估规范的具体指标和多源数据的结构约束，探索古建筑结构模型的物理实现方法。拟建立类似“语义约束-单元分解-几何表达”多层次架构概念模型框架，如图3所示。

在概念模型设计的基础上进一步从鉴定单元、子单元和构件的材料特性、拓扑关系等几方面设计逻辑模型层次，如图4所示。采用面向对象的思路定义不同层级和对象间的联系与继承，设计多级混合空间索引保障分析与评估算法的高效运行，可邀请古建安全鉴定专家对模型设计的实用性和有效性进行评估。

(2)研究基于知识规则驱动的古建筑结构模型重建方法

利用多时序现场采集数据(激光雷达、无人机、多光谱、应力波)和既有数据源(如BIM、CAD、有限元模型)数据，采用知识规则驱动的方式将其易对象化、可扩展性强的优势充分发挥，以面向对象的方式封装规则行为和掘取属性，通过激光点云数据的特征语义分割与信息提取、构件结构关系推导与空间关系重构，充分分析整理提炼各项约束规则，建立较为完备的知识规则库，探索采用点云模型、CSG模型或NUBRS模型为蓝本构建空间分析模型，进一步转换为第一有限元模型作为结构分析模型。

在一个实施例中，在一个实施例中，上述步骤S4中，将所述空间计算模型转换为第一有限元分析模型，包括如下步骤:

1确定点云的最小外包盒

包围盒也叫外接最小矩形,是一种求解离散点集最优包围空间的算法，常见的包围盒算法有AABB包围盒、包围球、方向包围盒OBB以及固定方向凸包FDH。如图5所示，为三维点云的最小外包盒示意图。

2划分格网

根据点云分辨率设定格网大小，假设点云分辨率为1mm，格网分辨率可设为2mm，当网格的长度不能刚好划分成完整网格时，保留余下的小网格，如下图6。

3划分四边形

格网划分好以后，点云随机分布在各个格网中，连接点和格网顶点构成四边形。由于点云在个网中分布的数量不均，可能产生以下情况：

3.1格网中只有一个点

3.2格网中有两个点

3.3格网中有三个点

3.4格网中有四个点

3.5格网中有多个点

当格网中有四个分布均匀的点时最容易划分出规则四边形，如图7a所示，所以对于前三种情况，制定补点规则，将网格中点补成四个点。计算格网的法向，在法向方向上经过已知点做出与法向垂直的平面，如下图7b所示，将点添加到平面内，各点间距尽量一致，采用图7a的方法划分四边形。

若网格中有多个点，每个格网里面的点云用BUNBS曲面拟合，每个格网里面的点较少，拟合较快，正好也是四边形顶点，如图7c所示。

对于网格中有四个点时，判断点的分布，当四个点分布均时可以直接划分四边形，若点较集中或分散在格网边界附近，如图7d、7e时直接划分四边形边长太短，用NURBS曲面拟合。

4四边形划分规则：

4.1凸凹性:划分为凸四边形；

通过三角形质量判断四边形的凸凹性，三角形ABC的质量可以下式a来衡量：

n是此三角形的单位法向。四边形ABCD通过对角线AC,BD可以分成四个三角形。假设a1,a2,a3,a4是四个三角形的a值，且a1>a2>a3>a4则四边形的变形因子β可用下式表示:

按逆时针走向标识四边形ABCD时,当0<β<1是凸四边形,β<0是凹四边形的β＝0时为三角形，如图8所示。

4.2边长：边长适中，设定边长的最大最小值，在这个范围内划分四边形

4.3边界：连接边界内的网格顶点

计算点云的法向，确定点云的边界，计算边界点云法向与网格顶点的夹角α。当α>90°，判定为边界内部；当α<90°，判定为边界外部；

5优化四边形

衡量四边形网格质量优劣的指标有两个

1单元内角：内角接近90度的单元越多网格质量越好

2规则节点(周围单元数目为4的节点)：网格内部规则节点越多网格质量越好

结构化网格是比较理想的网格,但是只适用于形状规则的区域。对于任意的几何形状,通常构成非结构化网格，质量难以保证，要对生初始网格进行优化,采用拓扑优化的方法,减少网格内部不规则节点的数目,使网格形态接近结构化网格，以提高网格的质量。

区域网格重划分方法大致过程如下：选择两个不规则节点,以这两个节点的最短路径作为骨架,通过区域生长重新生成只包含一个不规则节点的规则网格单元,代替原始网格。这样不规则节点的数量就会逐渐减少，网格质量不断优化。

本发明带来的技术效果：

(1)三维空间计算模型：点云模型或NURBS模型到有限元分析模型的几何无缝转换算法：点云密集精确的点坐标可直接转换为有限元分析几何模型，有利于通过提高有限元形函数的阶数(控制点node数量)来提高近似精度，也可将点云模型转换为NURBS模型或者3D-TIN模型再进行有限元分析模型转换，如果采用NURBS模型进行转换，其本身有一套自适应方法,如h自适应、p自适应及k自适应，这为实现真正意义上的无缝自适应模型转换提供了条件，由于这种自适应是对原始网格的再次利用，故可以避免网格重划分的再次交互，大大缩短有限元分析时间，显著提高有限元分析的效率。

(2)同几何分析技术：尽管有限元分析法应用广泛、理论成熟,但是在构造近似解时需要拓扑网格支持，这制约了有限元法进一步发展。在实际的具体实施例中，使用的主要源数据为木构件现状毫米级精细点云，是几何精确的，可从根本上降低几何模型误差，提高有限元分析的计算精度。

(3)木结构构件模态分析策略：以木结构古建筑为研究对象，采用多种不同的计算方法进行结构模型的模态分析，得出自振频率，振型，应力云图，结构形变等数据结果。并将结果进行对比分析，可得出古建筑木结构各项性能的准确参数。

本发明实施例提供的基于知识规则驱动的古建筑结构分析模型重建方法，首次尝试构建细粒度、富特征的古建筑实体结构综合分析模型。利用不同测绘传感器采集的多源数据建立古建筑高精度点云模型，结合古建筑的结构几何、语义、拓扑、材料特性、力学状态等结构信息，并利用该点云模型进行木结构有限元分析模型的无缝转换，采用逆向工程的思想和同几何分析技术，还原建筑物本体精确真实几何外形，填补了从几何信息到结构分析信息转换的研究空白，有利于古建筑整体结构和各构件节点的结构模态与动力特性评估，提升测绘学科与土木学科的关键技术在古建筑健康状态评估等应用领域的深度融合能力。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于知识规则驱动的古建筑结构分析模型重建方法，其特征在于，包括：

设计古建筑结构模型组织方式；

采集古建筑现状的相关数据；

根据所述古建筑结构模型组织方式及所述相关数据，基于多约束知识规则库，进行空间聚类、结构提取及模型重构；

重建基于知识规则驱动的空间计算模型，将所述空间计算模型转换为第一有限元分析模型。

2.如权利要求1所述的重建方法，其特征在于，所述设计古建筑结构模型组织方式，包括：

构建古建筑的数据结构；所述数据结构的数据为：采集的多源精细空间数据和已有资料收集整理的原始数据；

设计概念模型、逻辑模型和物理模型；

构建空间索引机制；

生成古建筑结构模型组织方式；所述古建筑结构模型组织方式包括以下属性：构造特征、材料特征、结构关系、几何关系和拓扑关系。

3.如权利要求1所述的重建方法，其特征在于，所述采集古建筑现状的相关数据，包括：

采集古建筑的点云数据、GIS数据、BIM数据、CAD数据、多光谱数据、应力波数据、摄影测量数据图像、第二有限元模型。

4.如权利要求2所述的重建方法，其特征在于，所述概念模型，包括：语义约束、单元分解、几何表达和模型支撑；

所述语义约束包括：柱架层、铺作层、屋盖层和台基层；

所述单元分解包括：点单元、框架单元、面单元和体单元；

所述几何表达包括：点、线、面和体；

所述模型支撑包括：点云模型、B-REP模型、TIN模型和第三有限元模型。

5.如权利要求2所述的重建方法，其特征在于，所述逻辑模型，包括：构件截面、构件材料、构件单元和构件关系。

6.如权利要求2所述的重建方法，其特征在于，所述数据结构的来源，包括：点云模型、NURBS模型、CSG模型、3D-TIN模型和原始有限元分析模型。

7.如权利要求1所述的重建方法，其特征在于，所述构建空间索引机制，包括：建立八叉树与三维K-D树、四叉树与最小外包围盒构成的QMBB、3D-R和QMBB树混合索引。

8.如权利要求1所述的重建方法，其特征在于，将所述空间计算模型转换为第一有限元分析模型，包括：

根据空间计算模型，确定点云的最小外包盒；

划分格网及根据预设规则划分四边形；

优化所述四边形，实现转换为第一有限元分析模型。

Images