一种基于BIM与精益建造的数据驱动式管理方法

摘要

本发明属于建筑施工技术领域，尤其是一种基于BIM与精益建造的数据驱动式管理方法。该基于BIM与精益建造的数据驱动式管理方法，通过设置BIM模型建立单元，并向BIM模型建立单元内并入算法优化单元和深化模拟单元，通过设计优化，减少多余工序；在项目前期，利用BIM技术建立全面的建筑信息模型，包括结构、设备、施工过程等各方面的数据，与设计沟通进行设计优化，通过推广标准化、工厂化、装配化、信息化、机械化技术革新，施工措施优化，减少资源浪费、降低质量风险，提高工程品质。

说明书

技术领域

本发明涉及建筑施工技术领域，尤其涉及一种基于BIM与精益建造的数据驱动式管理方法。

背景技术

在当前的建筑行业中，项目管理和施工过程常面临一系列的挑战和困难。传统的管理方法往往存在信息不透明、资源浪费、进度延误等问题。此外，由于复杂的建筑项目特性和工程难题，提高施工效率和质量的需求日益迫切。随着信息技术和建造行业的发展，建筑信息模型(Building Information Modeling,BIM)和精益建造(Lean Construction)等概念逐渐被引入到建筑项目管理中。BIM技术提供了一种集成化的协同平台，能够实现设计、施工、运维各个阶段的信息共享和协作。而精益建造则注重通过减少浪费和优化流程，提高施工效率和质量。

在当前的建筑行业中，项目管理和施工过程常面临着信息不透明、资源浪费、进度延误等一系列问题。传统的管理方法和施工方式往往导致多余的工序和低效的资源利用，从而造成质量风险和工程品质下降。为了解决这些问题，近年来兴起了BIM技术和精益建造理念的应用。然而，当前的BIM应用在建筑项目管理中仍存在局限性。例如，BIM模型在实际应用中通常仅用于设计和可视化，并未充分考虑施工过程的优化和工程管控需求。此外，项目前期缺乏全面、准确的建筑信息模型，限制了设计优化和施工措施的精确规划。

所以，本发明旨在提供一种创新的基于BIM与精益建造的数据驱动式管理方法，通过深化模拟和优化单元的应用，以及充分利用BIM技术建立全面的建筑信息模型，实现建筑项目管理的智能化、精益化和可持续化，从而提高工程品质并降低资源浪费的风险。

发明内容

基于现有的BIM模型在施工建筑领域运用不成熟的技术问题，本发明提出了一种基于BIM与精益建造的数据驱动式管理方法。

本发明提出的一种基于BIM与精益建造的数据驱动式管理方法，包括BIM模型建立单元、数据采集与整合单元、数据分析与优化单元、进度管理与协调单元、资源管理与优化单元、质量控制与问题解决单元以及信息共享与协作单元，所述BIM模型建立单元使用BIM技术创建建筑信息模型，所述BIM模型建立单元含建筑物的几何形状、构件属性和工程量信息。

优选地，所述BIM模型建立单元内设置有算法优化单元和深化模拟单元，所述算法优化单元结合人工智能和机器学习等技术，将智能算法应用于BIM数据分析和决策优化中，所述算法优化单元包括数据收集单元、特征选择单元、算法训练单元、模型验证单元以及预测与应用单元，所述数据收集单元从历史项目数据、传感器数据、供应链数据中收集和整理相关数据，并进行数据清洗、处理和转换，所述特征选择单元是根据具体的预测目标，选择与之相关的特征，并对这些特征进行进一步的工程处理，以提取具有信息量的特征。

通过上述技术方案，利用算法优化单元结合BIM和精益建造的数据和流程，使得预测算法与数据驱动式管理方法相互协同，提高项目效率和质量。

优选地，所述算法训练单元是根据预测目标和数据特性，选择适合的预测算法，所述算法训练单元的预测算法具体运用了ARIMA公式，所述ARIMA公式为：

y(t)＝c+φ(1)y(t-1)+φ(2)y(t-2)+...+φ(p)y(t-p)+ε(t)-θ(1)ε(t-1)-θ(2)ε(t-2)-...-θ(q)ε(t-q)

其中，

y(t)是时间序列在时间点t的观测值；

c是常数；

p是AR模型中的阶数，表示自回归项的数量；

d是差分阶数，表示进行差分操作的次数，用于处理非平稳时间序列；

q是MA模型中的阶数，表示滑动平均项的数量；

φ(1),φ(2),...,φ(p)是自回归系数，表示y(t)与过去p个观测值之间的线性关系；

ε(t)是白噪声误差，表示序列中未解释的随机波动；

θ(1),θ(2),...,θ(q)是滑动平均系数，表示ε(t)与过去q个误差之间的线性关系。

通过上述技术方案，利用历史观测值和模型参数进行预测，通过向前迭代，模型可以预测未来若干个时间点的数值，并给出预测的置信区间。

优选地，所述算法训练单元还运用了基于深度学习的序列模型，所述基于深度学习的序列模型包括长短期记忆网络和变换器，所述长短期记忆网络是一种递归神经网络的变体，专门用于处理序列数据。

通过上述技术方案，利用基于深度学习的序列模型的建模能够捕捉到时间序列中的长期依赖关系，使得适用于建筑工程中的预测任务。

优选地，所述长短期记忆网络的核心思想是通过门控机制来控制信息的流动，包括遗忘门、输入门和输出门，其公式为：

遗忘门：

f_t＝σ(W_f·[h_{t-1},x_t]+b_f)，

输入门：

i_t＝σ(W_i·[h_{t-1},x_t]+b_i)，

细胞状态更新：

输出门：

o_t＝σ(W_o·[h_{t-1},x_t]+b_o)，

h_t＝o_t*tanh(C_t)，

其中，

h_t表示当前时刻t的隐藏状态或输出；

x_t表示当前时刻t的输入；

σ表示Sigmoid函数；

·表示逐元素乘法；

W和b表示模型的权重参数和偏置参数；

所述变换器是一种基于自注意力机制的序列模型，对序列数据并行处理，所述变换器的核心是多头注意力机制，通过对输入序列进行自注意力计算来捕捉序列中不同位置的重要性，其数学公式为：

自注意力机制：

Attention(Q,K,V)＝softmax(QK^T/√d_k)V，

多头注意力机制：

MultiHead(Q,K,V)＝Concat(head_1,...,head_h)W_o，其中，head_i＝Attention(QW_{Qi},KW_{Ki},VW_{Vi})，

前馈神经网络：

FFN(x)＝max(0,xW_1+b_1)W_2+b_2

其中，

Q、K、V分别表示查询、键和值，

d_k表示注意力机制中的键的维度，

h表示头数，

W和b表示模型的权重参数和偏置参数。

通过上述技术方案，这些数学公式描述了长短期记忆网络和变换器模型中各个元素之间的计算关系和流程。通过调整和优化模型中的参数，可以让模型适应具体的建筑工程预测任务，并达到更好的性能。

优选地，所述模型验证单元将数据集划分为训练集和测试集，并对训练后的模型进行评估和验证，所述预测与应用单元使用经过验证的模型进行实际预测，将预测结果以可视化和报表形式呈现给相关人员，以支持决策制定、资源调配和项目管理方面的工作。

通过上述技术方案，利用模型验证单元常用的评估指标包括均方误差、平均绝对误差、决定系数等，根据评估结果，对模型进行调整和优化，确保其预测性能达到要求。

优选地，所述深化模拟单元包括模型功能扩展单元、人工智能单元、实时数据反馈单元、协同工作单元和安全管理单元，所述模型功能扩展单元集成有空间布局和属性数据信息，在模拟和分析中全面地考虑各种因素，并做出更准确的决策，所述人工智能单元利用机器学习和人工智能技术，对建筑数据进行分析和学习，以提取隐藏的规律和模式，所述实时数据反馈单元将实际运行过程中的实时数据反馈到BIM模型中，与模拟数据进行对比和校验，所述安全管理单元在深化模拟和虚拟现实中引入安全管理功能。

通过上述技术方案，利用人工智能单元内的人工智能和机器学习技术，可以实现自动化的模型校准、优化建议、冲突检测等功能，进一步提高模拟和预测的准确性和效率。

优选地，所述协同工作单元运用了模糊集理论，所述模糊集理论是描述不确定性和模糊性的数学工具，用于多目标优化中处理模糊目标和约束。

优选地，所述模糊集理论包括梯形隶属度函数和三角隶属度函数中，其公式为：

梯形隶属度函数：

f(x)＝

{0,x≤a

(x-a)/(b-a),a

1,b

(d-x)/(d-c),c

0,x≥d

其中a、b、c和d分别表示梯形函数的起点、上升边界、下降边界和终点；

三角隶属度函数其公式为：

f(x)＝

{0,x≤a

(x-a)/(b-a),a

(c-x)/(c-b),b

0,x≥c

其中a、b和c表示三角函数的起点、峰值和终点。

通过上述技术方案，利用这些隶属度函数可以用于描述在模糊集中元素与某一特定类别之间的隶属关系，同时，模糊集理论的应用不仅仅局限于隶属度函数，还涉及到模糊逻辑、模糊推理和模糊控制等方面，根据具体的问题和背景，可以选择适当的模糊集理论公式进行应用和建模。

优选地，所述数据采集与整合单元对项目中涉及的数据进行收集，所述数据分析与优化单元对BIM模型和项目数据进行处理和分析，并获取有关项目进度、资源利用、质量控制方面的信息，所述进度管理与协调单元通过BIM模型和数据分析，对项目进度的监控和管理，所述资源管理与优化单元通过数据分析，对建筑项目中的资源使用情况进行评估和优化，所述质量控制与问题解决单元监控建筑项目的质量指标，及时识别出潜在的质量问题，并采取相应措施进行解决，所述信息共享与协作单元利用BIM模型和数据平台，实现项目信息的共享和团队成员之间的协作。

通过上述技术方案，利用将设计文档、施工计划、材料清单等数据输入数据采集与整合单元，将这些数据整合到BIM模型中，形成全面的项目数据集。

本发明中的有益效果为：

1、通过设置BIM模型建立单元，并向BIM模型建立单元内并入算法优化单元和深化模拟单元，通过设计优化，减少多余工序；在项目前期，利用BIM技术建立全面的建筑信息模型，包括结构、设备、施工过程等各方面的数据，与设计沟通进行设计优化，通过推广标准化、工厂化、装配化、信息化、机械化技术革新，施工措施优化，减少资源浪费、降低质量风险，提高工程品质。

2、通过设置将施工全过程的各个领域的数据整合到BIM模型中，建立一体化的数据管理系统，确保数据的准确性和一致性，通过工序合理穿插，减少工作面闲置；过程优化与改进：基于数据分析结果，采用精益建造原则，优化施工流程、资源分配、供应链管理等方面，实现建筑项目的高效管理与优化。

3、通过设置在算法优化单元和深化模拟单元内分别引用ARIMA公式和模糊集理论，并将ARIMA公式与深度学习的序列模型结合，进而对工程项目进行分配以及对工程进度进行推算，使得工序合理穿插，减少工作面闲置；并基于数据分析结果，采用精益建造原则，优化施工流程、资源分配、供应链管理等方面，实现建筑项目的高效管理与优化，通过系统性合约规划，减少无效成本浪费，通过全过程质量管控，提高工程品质。

附图说明

图1为本发明提出的一种基于BIM与精益建造的数据驱动式管理方法的示意图；

图2为本发明提出的一种基于BIM与精益建造的数据驱动式管理方法的算法优化单元结构框图；

图3为本发明提出的一种基于BIM与精益建造的数据驱动式管理方法的深化模拟单元结构框图。

图中：1、BIM模型建立单元；11、算法优化单元；111、数据收集单元；112、特征选择单元；113、算法训练单元；114、模型验证单元；115、预测与应用单元；12、深化模拟单元；121、模型功能扩展单元；122、人工智能单元；123、实时数据反馈单元；124、协同工作单元；125、安全管理单元；2、数据采集与整合单元；3、数据分析与优化单元；4、进度管理与协调单元；5、资源管理与优化单元；6、质量控制与问题解决单元；7、信息共享与协作单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1-图3，一种基于BIM与精益建造的数据驱动式管理方法，包括BIM模型建立单元1、数据采集与整合单元2、数据分析与优化单元3、进度管理与协调单元4、资源管理与优化单元5、质量控制与问题解决单元6以及信息共享与协作单元7，BIM模型建立单元1使用BIM技术创建建筑信息模型，BIM模型建立单元1含建筑物的几何形状、构件属性和工程量信息。

为了完善BIM模型建立单元1，BIM模型建立单元1内设置有算法优化单元11和深化模拟单元12，算法优化单元11结合人工智能和机器学习等技术，将智能算法应用于BIM数据分析和决策优化中，算法优化单元11包括数据收集单元111、特征选择单元112、算法训练单元113、模型验证单元114以及预测与应用单元115，数据收集单元111从历史项目数据、传感器数据、供应链数据中收集和整理相关数据，并进行数据清洗、处理和转换，特征选择单元112是根据具体的预测目标，选择与之相关的特征，并对这些特征进行进一步的工程处理，以提取具有信息量的特征，利用算法优化单元11结合BIM和精益建造的数据和流程，使得预测算法与数据驱动式管理方法相互协同，提高项目效率和质量，算法训练单元113是根据预测目标和数据特性，选择适合的预测算法，算法训练单元113的预测算法具体运用了ARIMA公式，ARIMA公式为：

y(t)＝c+φ(1)y(t-1)+φ(2)y(t-2)+...+φ(p)y(t-p)+ε(t)-θ(1)ε(t-1)-θ(2)ε(t-2)-...-θ(q)ε(t-q)

其中，

y(t)是时间序列在时间点t的观测值；

c是常数；

p是AR模型中的阶数，表示自回归项的数量；

d是差分阶数，表示进行差分操作的次数，用于处理非平稳时间序列；

q是MA模型中的阶数，表示滑动平均项的数量；

φ(1),φ(2),...,φ(p)是自回归系数，表示y(t)与过去p个观测值之间的线性关系；

ε(t)是白噪声误差，表示序列中未解释的随机波动；

θ(1),θ(2),...,θ(q)是滑动平均系数，表示ε(t)与过去q个误差之间的线性关系，利用历史观测值和模型参数进行预测，通过向前迭代，模型可以预测未来若干个时间点的数值，并给出预测的置信区间，算法训练单元113还运用了基于深度学习的序列模型，基于深度学习的序列模型包括长短期记忆网络和变换器，长短期记忆网络是一种递归神经网络的变体，专门用于处理序列数据，利用基于深度学习的序列模型的建模能够捕捉到时间序列中的长期依赖关系，使得适用于建筑工程中的预测任务，长短期记忆网络的核心思想是通过门控机制来控制信息的流动，包括遗忘门、输入门和输出门，其公式为：

遗忘门：

f_t＝σ(W_f·[h_{t-1},x_t]+b_f)，

输入门：

i_t＝σ(W_i·[h_{t-1},x_t]+b_i)，

细胞状态更新：

输出门：

o_t＝σ(W_o·[h_{t-1},x_t]+b_o)，

h_t＝o_t*tanh(C_t)，

其中，

h_t表示当前时刻t的隐藏状态或输出；

x_t表示当前时刻t的输入；

σ表示Sigmoid函数；

·表示逐元素乘法；

W和b表示模型的权重参数和偏置参数；

变换器是一种基于自注意力机制的序列模型，对序列数据并行处理，变换器的核心是多头注意力机制，通过对输入序列进行自注意力计算来捕捉序列中不同位置的重要性，其数学公式为：

自注意力机制：

Attention(Q,K,V)＝softmax(QK^T/√d_k)V，

多头注意力机制：

MultiHead(Q,K,V)＝Concat(head_1,...,head_h)W_o，其中，head_i＝Attention(QW_{Qi},KW_{Ki},VW_{Vi})，

前馈神经网络：

FFN(x)＝max(0,xW_1+b_1)W_2+b_2

其中，

Q、K、V分别表示查询、键和值，

d_k表示注意力机制中的键的维度，

h表示头数，

W和b表示模型的权重参数和偏置参数，这些数学公式描述了长短期记忆网络和变换器模型中各个元素之间的计算关系和流程。通过调整和优化模型中的参数，可以让模型适应具体的建筑工程预测任务，并达到更好的性能。

通过设置BIM模型建立单元1，并向BIM模型建立单元1内并入算法优化单元11和深化模拟单元12，通过设计优化，减少多余工序；在项目前期，利用BIM技术建立全面的建筑信息模型，包括结构、设备、施工过程等各方面的数据，与设计沟通进行设计优化，通过推广标准化、工厂化、装配化、信息化、机械化技术革新，施工措施优化，减少资源浪费、降低质量风险，提高工程品质。

为了对深化模拟单元12进行扩展，模型验证单元114将数据集划分为训练集和测试集，并对训练后的模型进行评估和验证，预测与应用单元115使用经过验证的模型进行实际预测，将预测结果以可视化和报表形式呈现给相关人员，以支持决策制定、资源调配和项目管理方面的工作，利用模型验证单元114常用的评估指标包括均方误差、平均绝对误差、决定系数等，根据评估结果，对模型进行调整和优化，确保其预测性能达到要求，深化模拟单元12包括模型功能扩展单元121、人工智能单元122、实时数据反馈单元123、协同工作单元124和安全管理单元125，模型功能扩展单元121集成有空间布局和属性数据信息，在模拟和分析中全面地考虑各种因素，并做出更准确的决策，人工智能单元122利用机器学习和人工智能技术，对建筑数据进行分析和学习，以提取隐藏的规律和模式，实时数据反馈单元123将实际运行过程中的实时数据反馈到BIM模型中，与模拟数据进行对比和校验，安全管理单元125在深化模拟和虚拟现实中引入安全管理功能，利用人工智能单元122内的人工智能和机器学习技术，可以实现自动化的模型校准、优化建议、冲突检测等功能，进一步提高模拟和预测的准确性和效率，协同工作单元124运用了模糊集理论，模糊集理论是描述不确定性和模糊性的数学工具，用于多目标优化中处理模糊目标和约束，模糊集理论包括梯形隶属度函数和三角隶属度函数中，其公式为：

梯形隶属度函数：

f(x)＝

{0,x≤a

(x-a)/(b-a),a

1,b

(d-x)/(d-c),c

0,x≥d

其中a、b、c和d分别表示梯形函数的起点、上升边界、下降边界和终点；

三角隶属度函数其公式为：

f(x)＝

{0,x≤a

(x-a)/(b-a),a

(c-x)/(c-b),b

0,x≥c

其中a、b和c表示三角函数的起点、峰值和终点，利用这些隶属度函数可以用于描述在模糊集中元素与某一特定类别之间的隶属关系，同时，模糊集理论的应用不仅仅局限于隶属度函数，还涉及到模糊逻辑、模糊推理和模糊控制等方面，根据具体的问题和背景，可以选择适当的模糊集理论公式进行应用和建模。

通过设置将施工全过程的各个领域的数据整合到BIM模型中，建立一体化的数据管理系统，确保数据的准确性和一致性，通过工序合理穿插，减少工作面闲置；过程优化与改进：基于数据分析结果，采用精益建造原则，优化施工流程、资源分配、供应链管理等方面，实现建筑项目的高效管理与优化。

并设置数据采集与整合单元2对项目中涉及的数据进行收集，数据分析与优化单元3对BIM模型和项目数据进行处理和分析，并获取有关项目进度、资源利用、质量控制方面的信息，进度管理与协调单元4通过BIM模型和数据分析，对项目进度的监控和管理，资源管理与优化单元5通过数据分析，对建筑项目中的资源使用情况进行评估和优化，质量控制与问题解决单元6监控建筑项目的质量指标，及时识别出潜在的质量问题，并采取相应措施进行解决，信息共享与协作单元7利用BIM模型和数据平台，实现项目信息的共享和团队成员之间的协作，利用将设计文档、施工计划、材料清单等数据输入数据采集与整合单元2，将这些数据整合到BIM模型中，形成全面的项目数据集。

通过设置在算法优化单元11和深化模拟单元12内分别引用ARIMA公式和模糊集理论，并将ARIMA公式与深度学习的序列模型结合，进而对工程项目进行分配以及对工程进度进行推算，使得工序合理穿插，减少工作面闲置；并基于数据分析结果，采用精益建造原则，优化施工流程、资源分配、供应链管理等方面，实现建筑项目的高效管理与优化，通过系统性合约规划，减少无效成本浪费，通过全过程质量管控，提高工程品质。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。