本发明公开了一种用于房屋建筑结构健康协同评估与预测的方法及系统，方法包括采集结构构件的数据；数据包括几何结构数据、状态数据以及状况数据；根据几何结构数据构建房屋建筑特征图，进而得到结构特征向量；根据状态数据和状况数据，得到状态数据矩阵；根据结构特征向量和状态数据矩阵，得到当前健康评估值以及预测健康评估值；当前健康评估值用于评估房屋建筑当前健康状态；预测健康评估值用于预测房屋建筑未来健康状态。系统包括数据智能感知模块、评估与预测模块。该方法构建的房屋建筑特征图，能够体现出各结构构件的几何结构数据与房屋建筑结构健康之间的关系，并结合上状态数据矩阵对房屋建筑的结构健康状态进行评估和预测。
1.一种用于房屋建筑结构健康协同评估与预测的方法，其特征在于，包括：
S1：采集结构构件的数据；所述数据包括几何结构数据、状态数据以及状况数据；
S2：根据所述几何结构数据构建房屋建筑特征图，进而得到结构特征向量；根据所述状态数据和所述状况数据，得到状态数据矩阵；
步骤1：测绘房屋建筑的结构图纸；根据房屋建筑的结构图纸确定结构构件的空间布局；所述空间布局即为所述几何结构数据；
步骤2：测绘结构构件的结构图纸，根据结构构件的结构图纸确定各结构构件之间的连接方式和结构构件的属性；
步骤3：根据所述几何结构数据、所述各结构构件之间的连接方式和结构构件的属性，将房屋建筑描绘房屋建筑特征图；所述房屋建筑特征图包括节点和边；所述节点为结构构件；所述边为各结构构件之间的连接方式；
得到所述结构特征向量的过程为：将所述房屋建筑特征图输入至卷积神经网络中，卷积神经网络根据所述节点以及所述边，得到所述结构特征向量；所述结构特征向量，记为：；所述结构特征向量包括多个元素；多个所述元素均根据卷积神经网络中的激活函数得到，则元素的值在0‑1之间；所述卷积神经网络为图卷积神经网络；
所述状态数据矩阵包括当前状态数据矩阵和过往状态数据矩阵；
以结构构件为矩阵元素，以最新观测的状态数据和状况数据为元素属性，构建当前状态数据矩阵；
以结构构件为矩阵元素，以过往观测的状态数据和状况数据为元素属性，构建过往状态数据矩阵；
S3：根据所述结构特征向量和所述状态数据矩阵，得到当前健康评估值以及预测健康评估值；所述当前健康评估值用于评估房屋建筑当前健康状态；所述预测健康评估值用于预测房屋建筑未来健康状态；
得到所述当前健康评估值的过程为：根据所述数据构建数据集，根据所述数据集训练线性层模型；将结构特征向量、当前状态数据矩阵输入至训练后的线性层模型进行计算，得到所述当前健康评估值，计算公式为：其中， 表示当前健康评估值； 表示训练线性层模型得到的权重W的转置向量； 表示当前状态数据矩阵 的转置矩阵； 表示结构特征向量；表示偏置向量；
得到所述预测健康评估值的过程为：根据所述数据集训练预测模型，将过往状态数据矩阵输入至训练后的预测模型，得到预测的状态数据矩阵；将所述预测的状态数据矩阵、结构特征向量输入至训练后的线性层模型进行计算，得到所述预测健康评估值，计算公式为：其中， 表示预测健康评估值； 表示训练线性层模型得到的权重W的转置向量； 表示预测的状态数据矩阵 的转置矩阵； 表示结构特征向量；表示偏置向量。
2.根据权利要求1所述的一种用于房屋建筑结构健康协同评估与预测的方法，其特征在于，S1中，采集所述几何结构数据的过程为：测绘房屋建筑的结构图纸；根据房屋建筑的结构图纸确定结构构件的所述几何结构数据；
采集所述状态数据的过程为：在房屋建筑上设置观测点，并在观测点处安装传感器，通过传感器周期性地在所述观测点进行重复观测，得到所述状态数据，所述状态数据包括最新观测的状态数据以及过往观测的状态数据；
采集所述状况数据的过程为：通过人工记录方式确定房屋建筑的日常使用情况以及经营活动情况，根据日常使用情况以及经营活动情况得到所述状况数据。
3.根据权利要求2所述的一种用于房屋建筑结构健康协同评估与预测的方法，其特征在于，所述几何结构数据包括结构构件的位置数据；所述状态数据包括地基沉降数据、混凝土强度数据、构件强度数据、裂缝数据、应变数据、墙体倾斜数据、水平位移数据、振动数据以及建筑结构荷载数据；所述状况数据包括人员活动情况、主要载荷来源、建筑年限、最大客流量以及具体的经营活动。
4.根据权利要求1所述的一种用于房屋建筑结构健康协同评估与预测的方法，其特征在于，所述房屋建筑的结构图纸包括建筑总平面图、建筑立面图以及建筑剖面图；结构构件的结构图纸包括构件截面尺寸、构件配筋图、结构平面布置图以及节点连接构造详图。
5.一种用于房屋建筑结构健康协同评估与预测的系统，其特征在于，应用于权利要求
1‑4任一项所述的一种用于房屋建筑结构健康协同评估与预测的方法，包括数据智能感知模块、评估与预测模块；所述数据智能感知模块包括传感器，所述数据智能感知模块用于采集结构构件的数据；所述评估与预测模块包括构件‑构件相互作用模块、构件状态‑房屋结构健康状态关联模块；所述构件‑构件相互作用模块用于根据几何结构数据得到结构特征向量；所述构件状态‑房屋结构健康状态关联模块包括线性层模型和预测模型；所述构件状态‑房屋结构健康状态关联模块用于通过线性层模型对房屋建筑结构健康进行评估得到当前健康评估值，以及通过预测模型和线性层模型对房屋建筑结构健康进行预测得到预测健康评估值。
一种用于房屋建筑结构健康协同评估与预测的方法及系统
技术领域
[0001] 本发明涉及房屋建筑结构健康评估与预测技术领域，具体涉及一种用于房屋建筑结构健康协同评估与预测的方法及系统。
背景技术
[0002] 近年来，全国多地发生自建房倒塌事故，造成重大人员伤亡和财产损失。事故发生后，住建部部署开展全国自建房安全专项整治。尤其是我国农村自建房基数庞大，建设高峰期大概在2000年，经过10到20年的使用寿命，近些年自建房的安全问题可能会集中爆发。如何对建筑结构状况进行预测，为建筑在特殊气候条件、特定使用运营状况下房屋结构异常严重时发出预警，保护国家财产和人民安全，成为亟需解决的问题。
[0003] 目前，虽然常规的人工无损检测方法可以对建筑结构健康状态进行检测，但是由于房屋的规模相对较大，房屋数量基数大，其监测工作费时费力；如果被监测的建筑涉及经营性活动，还需要中断经营活动。现有的自动化建筑结构健康监测系统则是通过在建筑中的不同位置安装各种传感器，再将传感器采集到的监测数据统一发送到监控计算机，对数据进行评估生成健康评估结果。这种方式需要在房屋上永久安装各种传感器，开销较大，且需要后期对传感器进行维护才能使系统正常工作；其次现有的建筑结构健康检测或预测方法，只考虑引起建筑结构外加变形或约束变形的因素（如基础沉降、温度变化等），即检测或预测的依据是基于各结构构件（梁、板、柱、墙体、基础等）的状态数据，而忽略了被检测建筑中各结构构件的空间布局。因为即使传感器对两栋房屋建筑的观测数据（如地基沉降数据、墙体倾斜数据、裂缝数据等）一样，但由于其房屋结构不同，其健康状况也不一定相同。尤其是大量的自建房出现私自改建工程承重结构的现象，所以对房屋建筑结构健康预测时不能忽略房屋建筑中各结构构件的空间布局对房屋建筑结构健康的影响。
发明内容
[0004] 因此，本发明要解决的技术问题在于克服现有技术中对房屋建筑结构健康检测技术的不足，从而提供一种用于房屋建筑结构健康协同评估与预测的方法。
[0005] 本发明提供了一种用于房屋建筑结构健康协同评估与预测的方法，该方法包括：
[0006] S1：采集结构构件的数据；数据包括几何结构数据、状态数据以及状况数据；
[0007] S2：根据几何结构数据构建房屋建筑特征图，进而得到结构特征向量；根据状态数据和状况数据，得到状态数据矩阵；
[0008] S3：根据结构特征向量和状态数据矩阵，得到当前健康评估值以及预测健康评估值；当前健康评估值用于评估房屋建筑当前健康状态；预测健康评估值用于预测房屋建筑未来健康状态。
[0009] 优选的，S1中，采集几何结构数据的过程为：测绘房屋建筑的结构图纸；根据房屋建筑的结构图纸确定结构构件的几何结构数据；
[0010] 采集状态数据的过程为：在房屋建筑上设置观测点，并在观测点处安装传感器，通过传感器周期性地在观测点进行重复观测，得到所述状态数据，所述状态数据包括最新观测的状态数据以及过往观测的状态数据；
[0011] 采集状况数据的过程为：通过人工记录方式确定房屋建筑的日常使用情况以及经营活动情况，根据日常使用情况以及经营活动情况得到状况数据。
[0012] 优选的，几何结构数据包括结构构件的位置数据；状态数据包括地基沉降数据、混凝土强度数据、构件强度数据、裂缝数据、应变数据、墙体倾斜数据、水平位移数据、振动数据以及建筑结构荷载数据；状况数据包括人员活动情况、主要载荷来源、建筑年限、最大客流量以及具体的经营活动。
[0013] 优选的，S2中，根据几何结构数据构建房屋建筑特征图的过程为：
[0014] 步骤1：测绘房屋建筑的结构图纸；根据房屋建筑的结构图纸确定结构构件的空间布局；空间布局即为几何结构数据；
[0015] 步骤2：测绘结构构件的结构图纸，根据结构构件的结构图纸确定各结构构件之间的连接方式和结构构件的属性；
[0016] 步骤3：根据几何结构数据、各结构构件之间的连接方式和结构构件的属性，将房屋建筑描绘房屋建筑特征图；房屋建筑特征图包括节点和边；节点为结构构件；边为各结构构件之间的连接方式。
[0017] 优选的，S2中，得到结构特征向量的过程为：将房屋建筑特征图输入至卷积神经网络中，卷积神经网络根据节点以及边，得到结构特征向量；结构特征向量，记为： ；结构特征向量包括多个元素；多个元素均根据卷积神经网络中的激活函数得到，则元素的值在0‑1之间；卷积神经网络为图卷积神经网络。
[0018] 优选的，S2中，状态数据矩阵包括当前状态数据矩阵和过往状态数据矩阵；
[0019] 以结构构件为矩阵元素，以最新观测的状态数据和状况数据为元素属性，构建当前状态数据矩阵；
[0020] 以结构构件为矩阵元素，以过往观测的状态数据和状况数据为元素属性，构建过往状态数据矩阵。
[0021] 优选的，S3中，得到当前健康评估值的过程为：根据数据构建数据集，根据数据集训练线性层模型；将结构特征向量、当前状态数据矩阵输入至训练后的线性层模型进行计算，得到当前健康评估值，计算公式为：
[0022]
[0023] 其中， 表示当前健康评估值； 表示训练线性层模型得到的权重W的转置向量； 表示当前状态数据矩阵 的转置矩阵； 表示结构特征向量；表示偏置向量。
[0024] 优选的，S3中，得到预测健康评估值的过程为：根据数据集训练预测模型，将过往状态数据矩阵输入至训练后的预测模型，得到预测的状态数据矩阵；将预测的状态数据矩阵、结构特征向量输入至训练后的线性层模型进行计算，得到预测健康评估值，计算公式为：
[0025]
[0026] 其中， 表示预测健康评估值； 表示训练线性层模型得到的权重W的转置向量； 表示预测的状态数据矩阵 的转置矩阵； 表示结构特征向量；表示偏置向量。
[0027] 优选的，房屋建筑的结构图纸包括建筑总平面图、建筑立面图、以及建筑剖面图；结构构件的结构图纸包括构件截面尺寸、构件配筋图、结构平面布置图以及节点连接构造详图。
[0028] 本发明还提供了一种用于房屋建筑结构健康协同评估与预测的系统，该系统应用于上述方法，且该系统包括：数据智能感知模块、评估与预测模块；数据智能感知模块包括传感器，数据智能感知模块用于采集结构构件的数据；评估与预测模块包括构件‑构件相互作用模块、构件状态‑房屋结构健康状态关联模块；构件‑构件相互作用模块用于根据几何结构数据得到结构特征向量；构件状态‑房屋结构健康状态关联模块包括线性层模型和预测模型；构件状态‑房屋结构健康状态关联模块用于通过线性层模型对房屋建筑结构健康进行评估得到当前健康评估值，以及通过预测模型和线性层模型对房屋建筑结构健康进行预测得到预测健康评估值。
[0029] 本发明技术方案，具有如下优点：该方法弥补了现有技术中普遍只使用建筑结构的状态数据对房屋建筑结构健康状态进行评估或预测的缺陷；其构建的房屋建筑特征图，能够体现出各结构构件的几何结构数据与房屋建筑结构健康之间的关系，并结合上状态数据矩阵对房屋建筑的结构健康状态进行评估和预测。
附图说明
[0030] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031] 图1为本发明实施中一种用于房屋建筑结构健康协同评估与预测的方法的流程图；
[0032] 图2为本发明实施中数据采集流程图；
[0033] 图3为本发明实施中房屋建筑特征图构建的流程图；
[0034] 图4为本发明实施中得到当前健康评估值的流程图；
[0035] 图5为本发明实施中得到预测健康评估值的流程图。
具体实施方式
[0036] 下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037] 此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0038] 如图1所示，本实施例提供了一种用于房屋建筑结构健康协同评估与预测的方法，该方法包括：
[0039] S1：采集结构构件的数据；数据包括几何结构数据、状态数据以及状况数据；
[0040] 在本实施例中，结构构件包括但不限于地基、承重墙、柱、楼梯、门窗以及钢筋。
[0041] 具体的，如图2所示，在本实施例中，对六种常见的建筑结构的房屋从三个维度进行数据采集，分别为从几何结构采集几何结构数据、从结构状态采集状态数据、从使用/经营活动采集状况数据；
[0042] 采集几何结构数据的过程为：测绘房屋建筑的结构图纸；根据房屋建筑的结构图纸确定结构构件的几何结构数据；
[0043] 采集状态数据的过程为：在房屋建筑上设置观测点，并在不同的观测点处安装不同的传感器，通过各种传感器周期性地在观测点进行重复观测，得到状态数据，状态数据包括最新观测的状态数据以及过往观测的状态数据；实际情况例举如下：每周观测一次，则每周会得到观测数据；如需评估房屋建筑当前健康状态则使用最新观测的状态数据；如需得到预测的状态数据矩阵则使用过往观测的状态数据；本实施例中，传感器包括但不限于静力水准仪、倾角传感器、应力检测仪、测缝计、应变计；
[0044] 采集状况数据的过程为：通过人工记录方式确定房屋建筑的日常使用情况以及经营活动情况，根据日常使用情况以及经营活动情况得到状况数据。
[0045] 在本实施例中，如图2所示，几何结构数据包括结构构件的位置数据；状态数据包括地基沉降数据、混凝土强度数据、构件强度数据、裂缝数据、应变数据、墙体倾斜数据、水平位移数据、振动数据以及建筑结构荷载数据；状况数据包括人员活动情况、主要载荷来源、建筑年限、最大客流量以及具体的经营活动。
[0046] S2：根据几何结构数据构建房屋建筑特征图，进而得到结构特征向量；根据状态数据和状况数据，得到状态数据矩阵；
[0047] 具体的，如图3所示，根据几何结构数据对房屋建筑进行图形化表示，根据几何结构数据构建房屋建筑特征图的过程为：
[0048] 步骤1：测绘房屋建筑的结构图纸；根据房屋建筑的结构图纸确定结构构件的空间布局；空间布局即为几何结构数据；
[0049] 步骤2：测绘结构构件的结构图纸，根据结构构件的结构图纸确定各结构构件之间的连接方式和结构构件的属性；
[0050] 步骤3：根据几何结构数据、各结构构件之间的连接方式和结构构件的属性，将房屋建筑描绘房屋建筑特征图；房屋建筑特征图包括节点和边；节点为结构构件；边为各结构构件之间的连接方式。
[0051] 在本实施例中，房屋建筑的结构图纸包括建筑总平面图、建筑立面图、以及建筑剖面图；结构构件的结构图纸包括构件截面尺寸、构件配筋图、结构平面布置图以及节点连接构造详图。
[0052] 得到结构特征向量的过程为：将房屋建筑特征图输入至卷积神经网络中，卷积神经网络根据节点以及边，得到结构特征向量；结构特征向量，记为： ；结构特征向量包括多个元素；多个元素均根据卷积神经网络中的激活函数得到，则元素的值在0‑1之间，即；在本实施例中卷积神经网络为图卷积神经网络（GCNN）。
[0053] 激活函数表达式为：
[0054] 。
[0055] 传统的房屋建筑安全监测通常只能做到‘独栋独测’，所以缺乏统一的房屋建筑结构状态数据以及当前状态下所对应的房屋建筑结构健康数据，而一般的深度学习算法需要大量的数据集，本实施例通过图卷积神经网络可学习结构构件的空间布局与房屋建筑结构健康之间的关系，如此可以显著降低对结构状态数据以及当前状态下所对应的房屋建筑结构健康数据的依赖。
[0056] 从状态数据和状况数据两个维度对房屋建筑的状态进行表述，构建状态数据矩阵；
[0057] 具体的，状态数据矩阵包括当前状态数据矩阵和过往状态数据矩阵；
[0058] 以结构构件为矩阵元素，以最新观测的状态数据和状况数据为元素属性，构建当前状态数据矩阵；
[0059] 以结构构件为矩阵元素，以过往观测的状态数据和状况数据为元素属性，构建过往状态数据矩阵。
[0060] 表1为状态数据矩阵形式；
[0061]
[0062] 由表1可知，状态数据矩阵的形式（7×n的矩阵）；如表1所示，表格的行表示结构构件，列表示结构构件的状态数据和状况数据（元素属性）；属性1‑属性n可设定为状态数据和状况数据所包含的数据；属性设置越多，则对房屋建筑的状态和状况刻画得越细致，更有利于之后的评估与预测，使得健康评估与预测更加准确。诸如地基沉降和裂缝等数据，这些为连续属性（例如：地基沉降数据为6.7cm，则可表示为地基构建沉降了6.7cm）；经营活动的类别等数据为标称属性，即标称的值就代表了房屋建筑从事某种经营活动的类别（例如：1‑自住房，2‑旅馆，3‑餐饮，4‑影院等等）。
[0063] S3：根据结构特征向量和状态数据矩阵，得到当前健康评估值以及预测健康评估值；当前健康评估值用于评估房屋建筑当前健康状态；预测健康评估值用于预测房屋建筑未来健康状态。
[0064] 具体的，如图4所示，房屋建筑的特征图即为房屋建筑特征图、构件‑构件间相互作用（SSI）即为图卷积神经网络、房屋建筑的结构特征向量即为结构特征向量、结构状态数据即为当前状态数据矩阵、线性层即为训练后的线性层模型、评估当前房屋建筑健康值即为当前健康评估值；则得到当前健康评估值的过程为：根据数据构建数据集，根据数据集训练线性层模型；将结构特征向量、当前状态数据矩阵输入至训练后的线性层模型进行计算，得到当前健康评估值；如图4中线性层的计算公式为：
[0065]
[0066] 其中， 表示当前健康评估值； 表示训练线性层模型得到的权重W的转置向量； 表示当前状态数据矩阵 的转置矩阵； 表示结构特征向量；表示偏置向量；由于sigmoid激活函数得到值在（0,1）之间，故乘以100使得当前健康评估值为0‑100的值，用于表示健康程度。
[0067] 如图5所示，房屋建筑的特征图即为房屋建筑特征图、构件‑构件间相互作用（SSI）即为图卷积神经网络、房屋建筑的结构特征向量即为结构特征向量、历史的结构状态数据即为过往状态数据矩阵、LSTM预测模型即为预测模型、线性层即为训练后的线性层模型、预测将来房屋建筑健康值即为预测健康评估值；则得到预测健康评估值的过程为：根据数据集训练预测模型，将过往状态数据矩阵输入至训练后的预测模型，得到预测的状态数据矩阵；将预测的状态数据矩阵、结构特征向量输入至训练后的线性层模型进行计算，得到预测健康评估值；如图5中线性层的计算公式为：
[0068]
[0069] 其中， 表示预测健康评估值； 表示训练线性层模型得到的权重W的转置向量； 表示预测的状态数据矩阵 的转置矩阵； 表示结构特征向量；表示偏置向量；由于sigmoid激活函数得到值在（0,1）之间，故乘以100使得预测健康评估值为0‑100的值，用于表示健康程度。在本实施例中预测模型是基于长短期记忆网络（LSTM）构建的。
[0070] 在本实施例中还提供了一种用于房屋建筑结构健康协同评估与预测的系统，该系统应用于上述方法，且该系统包括：数据智能感知模块、评估与预测模块；数据智能感知模块包括传感器，数据智能感知模块用于采集结构构件的数据；评估与预测模块包括构件‑构件相互作用模块（Structure member ‑ Structure member Interaction Module，SSIM）、构件状态‑房屋结构健康状态关联模块(Structure member condition ‑ Health condition of building structure Interaction Module，SHIM)；构件‑构件相互作用模块用于根据几何结构数据得到结构特征向量；构件状态‑房屋结构健康状态关联模块包括线性层模型和预测模型；构件状态‑房屋结构健康状态关联模块用于通过线性层模型对房屋建筑结构健康进行评估得到当前健康评估值，以及通过预测模型和线性层模型对房屋建筑结构健康进行预测得到预测健康评估值。
[0071] 显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
