想要做出好产品,必须得有好原料。数据是既有建筑物/群的性能模拟的核心,其数量和质量将直接影响性能模拟方法的可行性与准确性。对于建筑而言,其日常运营维护会产生大量的信息记录,来源不一,格式各异。如冷源设备用能、冷水循环泵用电等能耗项目,以结构化格式进行组织存储;而各类设备的维修护理记录,则为非结构化的文本形式。正如煨炖需慢火,烹炸应猛灶,对于各类建筑性能模拟基础数据,我们面临的第一个任务就是研究、明确其格式与特点,从而设计相应的数据采集、处理与集成方法,构建起建筑物/群运维信息数据库,为建筑物/群性能模拟提供数据支撑。
城市地理信息平台
城市内建筑并非孤立,邻近建筑及周边地理环境都会对建筑运维产生影响。如果想要对某一建筑群进行分析,不仅需要建筑物/群的详细信息,也需要外环境区域尺度内的其他建筑信息与地形地貌数据。通过网络中的公开数据集——开放街道地图(open street map, OSM)可以获取这些信息:建筑数据来源于OSM下的子数据集OSM Buildings,行政区划数据则来源于其另一子数据集OSM-Boundaries。因为由OSM Buildings获取的原始数据包含了城市区域内所有建筑的信息,并统一存储于一个文件中,不利于查询存储,因此我们将建筑信息与规划信息进行集成,通过遍历的方法判断建筑所属的县/区。随后,我们将建筑数据按照其所属区划进行分级存储,共分市、县/区、乡镇/街道三级。
数据文件的层级组织
从OSM Buildings获取的原始数据仅包含建筑物的二维平面坐标,无法直接用于可视化及性能分析,因此还需根据平面几何信息和语义信息生成三维几何模型。总体流程如下图所示:首先由建筑物的语义信息获取其高度。随后,根据建筑物平面坐标及高度,确定其三维空间中的顶点坐标,并由三维顶点确定建筑物的顶面与立面。对每一个平面进行三角面片化,即以数个三角形的形式表示平面多边形。最终生成的区域建筑群模型存储在文件中。进行可视化时,调用函数对文件进行读取和解析,即可实现建筑模型的显示。
三维建筑模型的建立流程
至此我们已经完成了每个建筑单体模型的建立,但还没有将他们“放到地上”,即使其模型显示与其现实中的全局定位贴合。我们以WGS84坐标系——一种为GPS全球定位系统使用而建立的坐标系——为基准,将以经纬度为单位的全局坐标系转换为以米为单位的局部坐标系,并写入文件中以完成建筑模型的全局定位,将建筑模型严丝合缝地“放在”航拍地图上,最终效果如下所示。
平台的显示效果
建筑能耗监测系统标准化大数据提取
譬如人既有体貌,也由此有动作、情态。在上述分析中,所使用和集成的建筑物/群信息是静态的,而在实际运行中,既有建筑物/群同时也会产生大量动态的性能监测数据。
一般来说,建筑的性能监测数据项目众多,来源不一,结构各异,因此在利用时容易出现“信息断层”的问题。为解决这一问题,我们建立了面向动态监测的能耗数据模型。
能耗数据模型划分为四个层级,每个层级包含若干个能耗分项,分别对应着不同尺度上的建筑能耗。对于每个分项,我们采用参数形式的属性和约束进行描述,而实体之间则由继承关系互相联系,从而在不同层级的能耗记录之间形成树状层次关系。
能耗数据模型的逻辑结构
通过上述划分和联系,我们实现了逻辑层面对能耗数据模型的抽象,还需设计其在现实中的存储方式。我们采用关系型数据库,即行列表格的形式对能耗数据模型进行存储,依照确定的层次将监测数据进行划分,形成不同表。每条能耗记录都具有一个特异性的标识符,由此可以确定不同的表之间的关系。
基于规则的信息抽取与语义网构建
以上所讨论和涉及的大多都是结构化的数据,但在实际应用过程中,性能分析同样需要非结构化数据,如操作手册、运维日志等。它们大多以自然语言的形式存储于文本文档中,无法被计算机直接识别,采用人工进行处理则难免效率低下。因此,我们采用基于规则的信息抽取(IE)技术,从非结构化的文本中抽取信息,以“实体-关系-实体”的三元组形式表示。例如“阀门-控制-管道”这一三元组中,“阀门”和“管道”即为实体,“控制”为其间关系。由此,抽取的信息具有了结构化的形式,并可以通过关系连结为网络,即语义网。这种图形形式的结构化数据可以被计算机直接处理,从而提升了此类性能分析的效率。作为研究样例的机电、暖通、给排水(MEP)领域语义网如下所示。
MEP领域语义网
MEP逻辑链自动生成
之前我们获取的都是现成的信息,但还有一些信息隐含在数据中,需要手动录入或应用技术手段获取,例如MEP逻辑链,即MEP组件之间的上下游连接。应用逻辑链可显著提高设备管理活动的效率,例如可以在紧急情况下帮助定位泄漏管道的上游阀门,从而实现快速检修。
基于BIM,我们提出了一种半自动生成MEP逻辑链的方法,包括三个步骤:分析以IFC或其他格式存储的MEP组件的几何信息,判断其间是否存在空间连接,譬如一个管道的起点横截面参数大约等于另一管道终点的横截面参数,则可以将两个管道视为已连接,并以MEP组件对的形式表示,从而生成连接表;根据积累的知识和用户自定义生成标识规则,标识构件间的上下游逻辑关系;据此生成逻辑链。
MEP逻辑链生成流程图
信息模型轻量化
由上述流程可知,信息模型将存储多个来源的海量数据。正如人在负重过多时会行走缓慢,大体量的模型将为数据的传输、处理与显示带来不便,从而影响性能分析模拟的效率。其中,模型的几何信息占存储空间的相当大部分,因此需要通过种种手段,在最小化信息损失的前提下尽量减小其体量,即进行轻量化处理。
以MEP系统作为研究对象,我们通过基于映射的模型描述方法和网格简化算法实现存储优化。前者可以实现“一例多用”,即引用同一几何实例对相似度高的组件进行表示,后者可删改模型中对整体形状影响较小的几何元素。通过数据压缩算法实现传输优化,降低网格数据维度,同时根据预先定义的MEP属性名字典,对文本格式的属性数据进行编码。对模型存储和传输的优化将不可避免地降低模型显示精度,为此,我们通过三角网格聚类实现显示优化。通过上述流程,可在有效降低存储与传输数据量的同时,确保模型的高质量显示。下图显示了MEP模型存储优化与压缩结果。
MEP模型存储优化与压缩结果
|
在集成的多尺度建筑运维信息基础上,我们进一步实现了多个方面的建筑物/群性能模拟分析。
建筑能耗性能分析
基于此前建立的能源管理信息模型,我们对建筑能耗性能进行分析模拟。具体来说,共进行了如下两方面的工作:一是建筑能耗KPI的自动评估,二是建筑异常能耗模式的高效检测。
建筑能耗KPI通常以数学公式的形式表达。公式中的各项输入参数来自于建筑静态信息或传感器动态信息。由于数据壁垒的存在,用于KPI计算的数据通常需要人工输入,效率较低。对此,我们结合此前构建的能源管理信息模型,将KPI计算公式转换为本体,以实现和建筑本体与传感器本体的链接,从而实现建筑能耗信息获取与KPI输出。
建筑能耗KPI的计算流程
能耗监测数据不仅可以用以计算KPI,其中也包含着建筑物能耗使用的隐藏模式,包括能源异常使用的情况。
异常情况可以分为两类,一类是显式异常,即由于设备故障或传感器错误引发的异常,比如传感器读取了负数的电能消耗。这些异常通常可以被运维人员直观识别,但效率很低。考虑到异常情况占比很小,采用基于密度聚类的算法来进行识别。密度聚类算法根据数据集在空间的分布情况对其进行聚类,“距离”相近的点被划入同一类簇中。我们以温度记录为参照生成二维能耗监测数据,采用DBSCAN算法对数据进行密度聚类,不属于任何簇的点将被视为显式异常。
显式异常检测算法流程图
另一类是隐式异常,指由于更改能源使用模式而导致的异常,通常无法通过直接观察发现。对于这类异常,采用人工神经网络,基于静态建筑信息、气象数据、历史能耗监测数据和时间数据进行前瞻性预测,并将预测值作为异常数据确定的基准,若预测值与实测值偏差过大,则可以判定为异常。
建筑物/群风环境模拟
基于此前建立的风环境模拟信息模型,我们从单体建筑与建筑群两个尺度对建筑物/群风环境进行模拟。
在风通过多山地形时,其风向将被迫沿山脉走向偏转,而偏转程度随高度的增加逐渐降低,最终形成风螺旋形的轮廓线,即扭曲风廓线(twisted wind profile, TWP)。CFD技术常被应用于既有建筑的行人层面风(Pedestrian Level Wind, PLW)场分析中,但目前并没有一种模型可以持续地生成TWP,导致在扭曲风频繁发生的城市,其风环境分析的准确率降低。为此,我们基于标准k-ε模型提出了一种新的流入边界条件,在CFD分析中引入对扭曲效应的考虑,并进一步对TWP下单体建筑的PLW场进行数字模拟。通过与风洞试验的比较可发现,该方法可有效提升这种风环境下的模拟精度。
在建筑群尺度,我们提出了结合中尺度与微观尺度的风环境模拟方法。通过耦合中尺度的天气研究和预测模型和微尺度的CFD模型,将周边建筑对风环境的影响纳入考虑,并且可以预报特定时刻的风场变化。模拟共分为两个步骤:一是从欧洲中期天气预报中心的数据集中获取区域尺度的气象数据,用于指定中尺度模型的边界和初始条件;二是从中尺度模型中提取建筑群周边的详细风场和温度场,用于指定CFD模拟的初始和边界条件。
中-微尺度风环境模拟架构
运维规律挖掘与分析
除能耗、风环境等显式性能指标外,建筑运维过程中还存在大量无法被直接量化的潜在性能,例如机电设备的故障发生规律等。这些性能同样体现着建筑物的运行状态,并对改进建筑运维效率有重要意义。基于上文中定义的运维规律挖掘信息模型,我们采用数据挖掘技术对海量运维信息之下潜在的运维规律进行挖掘与分析。
建筑在运营维护期产生大量设备维修数据。这些数据数量多且记录的属性非常复杂。为获取其整体规律,可采用数据挖掘中的“聚类分析”技术。聚类分析是指将待分析对象分组为由相似对象组成的多个类的过程。我们用k-means聚类方法,将大量数据分组为多个具有内部相似性的群体。通过分析这些单独的群体内部的规律,可以得到一系列有价值的信息,辅助决策者更好使用数据。
在运维期,由于时间跨度大,管理内容多,很多与设备关联的非结构化文件会关联到BIM中。这些文件大多需要手动关联或半自动进行匹配,存在较高的出错率。人工检查匹配的正确性是不现实的。由于匹配有误的情况只占极少数,因此可以假设其余大多数匹配都具有内在规律。综合考虑,我们采用数据挖掘中的离群点检测技术,具体使用k-局部密度离群点检测算法。其基本原理可以理解为,计算每个对象附近K个最近邻的距离,由此确定该对象附近点的局部密度,根据其与k个最近邻局部密度的关系判断它“离群”的程度,即离群系数,最终从所有对象中获得“最离群”的对象点。
在运维管理阶段,多次发生的维修顺序可以为运维资源的合理分配提供经验性的参照,并对未来的设备维修提供一定程度的预测。对此,我们利用频繁模式分析这一信息挖掘技术。频繁模式是指频繁地出现在数据集中的模式,比如超市中啤酒和尿布常常被放在一起以促进销量,因为年轻的父亲在去超市买尿布时往往会给自己买些啤酒。而设备维修中也存在类似的情况。我们以现有的Apriori算法为基础,根据维修记录特点提出了一种改进的频繁模式算法,可以降低算法时间空间花费。
建筑物/群安全性能模拟
安全性能同样是既有建筑物/群性能分析评价体系的重要内容。按专业划分,建筑安全性能又可分为结构本身的安全、以及应急安全下的人员安全两部分。
针对桥梁结构,我们提出了基于多源数据集成的结构安全闭环管理框架,如下图所示。该框架可以划分为5层:模型层,描述建筑中与结构安全有关的数据模型;云数据库层,利用模型层中的模型开发数据库架构;平台层,采用中间件法集成各类工程和管理软件;工作流层,描述施工中结构安全的每个过程;利益相关者层,即面向施工中的利益相关者。通过五层框架,可以实现工作流级别和数据级别的结构安全闭环管理。工作流级别的任务由包括设计师、承包商与顾问等不同参与方完成;数据级别的任务则重点在于解决不同参与方间数据共享的问题。由此,我们建立了桥梁安全信息模型,可以实现对桥梁结构的动态模拟,实时监控和评估结构安全性,以更早地发现和评估潜在风险。
结构安全闭环管理框架
针对地铁结构,其安全保护主要关注外部项目对地铁的影响。距离是评估外部项目影响大小的重要指标。考虑到实际工程大多近似垂直于地平面,我们将地铁几何模型和外部项目几何模型均投影到高程为0的水平面上,然后计算投影之间的距离,进而计算它们在三维空间之间的距离。此外,根据《广东省城市轨道交通既有结构保护技术规范》(DBJ/T15-120-2017),影响等级的划分有两个相关指标:接近度和影响程度。接近度由距离和地铁结构的深度决定,而影响程度则决定于外部建筑物的开挖深度、支护类型等因素。这些信息已经集成在了安全管理信息模型中,可从中提取以进行初步评价。
在实际中,每天都会有大量的巡检记录上传,需要管理人员查看并找出应首先处理的最紧急项目。但这种方法不仅耗时长,而且缺乏效率。考虑到地铁保护巡检记录是按照预定义的模板写入,使用的术语也往往具有很强的专业性,我们可以基于关键词数据库对巡查记录进行处理。通过咨询相关管理人员确定关键词,建立关键词数据库;然后通过分词、同义词合并等步骤处理巡检记录,以关键词为依据,从巡检记录中提取所需信息;最后通过神经网络自动输出项目的具体风险评分,以此作为管理决策依据。
针对人员安全,应急疏散是相当重要的一环。紧急情况发生时,如果能够为人员提供一条避开危险区域且快速的路线,就可以大大增加逃生的几率。BIM模型中集成了建筑的空间信息,结合动态监测获取的数据,可以快速地找出一条全局最优路径。
基于BIM模型,我们提出了依据空间元素和空间拓扑自动生成疏散模型的技术,在此基础上通过神经网络找出最佳路径。首先依据空间元素(如房间、走廊、通道和门等)和空间拓扑(空间元素之间的连接)生成大量的疏散场景及其建议路径;然后依据其长度和安全性评估生成路径的质量,选择其中较高质量的路径用于训练神经网络,并通过自学习迭代提高神经网络的预测效果。下图表现了自学习迭代的效果。此外,我们还嵌入动态算法以模拟人员相互之间的影响。
自学习迭代效果
|
[1] Peng Y, Lin J R, Zhang J P, et al. A hybrid data mining approach on BIM-based building operation and maintenance[J]. Building and environment, 2017, 126: 483-495.
[2] Zhou Y, Hu Z Z, Zhang W. Development and Application of an Industry Foundation Classes-Based Metro Protection Information Model[J]. Mathematical Problems in Engineering, 2018, 2018:1-20.
[3] Weerasuriya A U, Hu Z Z, Zhang X L, et al. New inflow boundary conditions for modeling twisted wind profiles in CFD simulation for evaluating the pedestrian-level wind field near an isolated building[J]. Building and Environment, 2018, 132:303-318.
[4] Hu Z Z, Yuan S, Benghi C, et al. Geometric optimization of building information models in MEP projects: Algorithms and techniques for improving storage, transmission and display[J]. Automation in Construction, 2019, 107: 102941.
[5] Wen Q, Zhang J P, Hu Z Z, et al. A Data-Driven Approach to Improve the Operation and Maintenance Management of Large Public Buildings[J]. IEEE Access, 2019, 7: 176127-176140.
[6] Xiao Y Q, Li S W, Hu Z Z. Automatically Generating a MEP Logic Chain from Building Information Models with Identification Rules[J]. Applied Sciences, 2019, 9(11): 2204.
[7] Peng Y, Li S W, Hu Z Z. A self-learning dynamic path planning method for evacuation in large public buildings based on neural networks[J]. Neurocomputing, 2019, 365: 71-85.
[8] Leng S, Lin J R, Hu Z Z, et al. A Hybrid Data Mining Method for Tunnel Engineering Based on Real-Time Monitoring Data from Tunnel Boring Machines[J]. IEEE Access, 2020, 8: 90430-90449.
[9] Hu Z Z, Leng S, Lin J R, et al. Knowledge Extraction and Discovery Based on BIM: A Critical Review and Future Directions[J]. Archives of Computational Methods in Engineering, 2021: 1-22.
[10] Zhou Y C, Hu Z Z, Yan K X, et al. Deep Learning-Based Instance Segmentation for Indoor Fire Load Recognition[J]. IEEE Access, 2021, 9: 148771-148782.
[11] Yuan S, Hu Z Z, Lin J R, et al. A Framework for the Automatic Integration and Diagnosis of Building Energy Consumption Data[J]. Sensors, 2021, 21(4): 1395.
[12] Leng S, Lin J R, Li S W, et al. A Data Integration and Simplification Framework for Improving Site Planning and Building Design[J]. IEEE Access, 2021, 9: 148845-148861.
[13] Wu L T, Lin J R, Leng S, et al. Rule-based information extraction for mechanical-electrical-plumbing-specific semantic web[J]. Automation in Construction, 2022, 135: 104108.
[14] 冷烁, 胡振中. 基于BIM的人工智能综述[J]. 图学学报, 2018, 39(5): 806-816.
[15] 文桥, 张建平, 向雪松, 石涛, 胡振中. 基于GIS的大型公共建筑轻量级运维管理平台研发与应用[J]. 图学学报, 2019, 40(4): 751-760.
[16] Wang H W, Hu Z Z, Lin J R. Bibliometric review of visual computing in the construction industry[J]. Visual Computing for Industry, Biomedicine, and Art, 2020, 3(1): 1-15.
[17] 冷烁, 李孙伟, 胡振中. 基于开源技术的城市地理信息平台构建方法研究[J]. 图学学报, 2020, 41(6): 1001-1010.
[18] 张嘉鸿,冷烁,胡振中.面向乡村住宅的数据集成与轻量化技术研究[J/OL].土木建筑工程信息技术:1-7[2021-12-28]. http://kns.cnki.net/kcms/detail/11.5823.tu.20211125.1829.012.html.
[19] 胡振中,冷烁,袁爽.基于BIM和数据驱动的智能运维管理方法[J/OL].清华大学学报(自然科学版):1-9[2021-12-28]. DOI:10.16511/j.cnki.qhdxxb.2022.22.003.
[20] Yuan S, Hu Z Z, Peng Y. Application of BIM in Environmental Monitoring and Emergency Evacuation Management within Building Operation and Maintenance Phase: A Case Study[C]. Proceeding of ICCCBE 2018, Tampere, Finland, 2018.6.
[21] Xiao Y Q, Hu Z Z, Lin J R, Ontology-based Semantic Retrieval Method of Energy Consumption Management[C], Proceedings of the 35th CIB W78 2018 Conference, Chicago, USA, 2018.10.
[22] Leng S, Hu Z Z, Zheng L, et al. Automatic MEP knowledge acquisition based on documents and natural language processing[C], Proceedings of the 36th CIB W78 2019 Conference, New Castle, UK, 2019.9.
[23] Leng S, Hu Z Z. A Lightweight BIM-GIS Integration Method for Rural Building Design and Construction[C]//Creative Construction e-Conference 2020. Budapest University of Technology and Economics, 2020.6.
[24] 周一, 胡绮琳, 胡振中. 基于BIM的地铁保护系统研究与开发[C]. 第四届全国BIM学术会议论文集. 合肥, 中国. 2018.
[25] 吴浪韬, 冷烁, 梁雄, 罗征, 胡振中. 建筑机电设备知识图谱的构建和应用[C]. 第七届全国BIM学术会议论文集. 重庆, 中国. 2021.
|