摘要：建筑抗震超限審查是高層建筑、特別是超高層建筑審查的重要內容，建筑平面凹凸不規則是建筑抗震超限審查的項目之一。目前的建筑平面凹凸不規則識別主要由人工依據設規范進行，然而日益復雜的建筑平面設計超出了規范的示例范圍，也加重了人工審查的負擔。建筑平面識別可以看成是圖片分類問題，考慮到實際工程中規則樣本和不規則樣本之間的不均衡性，利用異常檢測的思想，提出了一種基于建筑信息模型BIM和深度學習進行建筑平面凹凸不規則輔助識別的方法。首先，利用幾何對象之間的布爾交運算得到BIM模型的建筑平面;然后，通過圖片預處理，生成建筑平面外輪廓圖;最后，將建筑平面外輪廓圖輸入已訓練好的異常檢測深度學習模型，反饋識別結果。實驗結果表明，相比于傳統的圖片分類模型，采用異常檢測的思路對不規則建筑平面圖的識別率提高了，更符合實際工程的需要。

　　關鍵詞：建筑信息模型;抗震審查;深度學習;異常檢測;建筑平面;不規則識別

　　近年來，隨著城鎮化進程加速和建筑技術的發展，我國高層建筑的數量不斷攀升，復雜、多樣的建筑平面布置層出不窮。對于高層建筑來說，建筑平面布置極其重要。一方面，平面審查是高層建筑，特別是超高層建筑超限審查的最基本的要求;另一方面，不規則的平面會導致建筑結構整體的扭轉效應增大，危及結構的抗震安全[1]。目前，關于建筑平面不規則的審查主要依據相關建筑規范進行。規范中規定了多種平面不規則的類型，其中建筑平面凹凸不規則由于涉及復雜的平面幾何比例判別，無法直接根據計算軟件的計算結果得到，還需要人工進行判斷。

　　雖然相應規范給出了評判指標，即認為凹凸不規則的建筑平面主要指“凹凸尺寸大于相應投影方向總尺寸的30%”的平面形式，但是如何選取“凹凸尺寸”和“投影方向總尺寸”需要有經驗的專家根據實際的建筑平面圖進行確定。而對于復雜的平面形式，相應尺寸的選定更加繁瑣、更具有不確定性，且很難通過一些簡化的量化指標進行不規則的判定。此外，雖然規范中給出了建筑平面凹凸不規則的示例，但是許多實際工程項目中建筑平面的凹凸性判斷已經超出了這些示例范圍[2]，這也加重了人工審查的負擔，而人為判斷的主觀性也會影響審查的結果。

　　總的來說，建筑平面凹凸不規則的判斷是依賴專家經驗的過程，本文從圖片識別的角度出發，用深度學習方法提取建筑平面圖片特征，以學習專家進行不規則判斷的經驗。建筑平面凹凸不規則識別可以看成是圖片分類問題，規則的建筑圖片可被分為正常樣本類標簽為，存在凹凸不規則的建筑圖片可被分為異常樣本類標簽為。在計算機領域，深度學習模型已經在圖片分類問題上得到了廣泛的應用。它可以從大量的數據中自動學習到相應的特征，不僅避免了繁瑣耗時的特征工程設計，而且可以將特征表示和分類器聯合優化。在實際的應用場景中，深度學習模型也展現出了良好的性能，例如利用卷積神經網絡模型對建筑遙感圖像的分類[3]和建筑風格分類[4]等。

　　但是，經典的圖片分類模型如ResNET、VGG等并不適用于建筑平面凹凸不規則識別這一場景，主要原因在于兩點：第一，數據樣本的不均衡，由于現有存檔的建筑圖紙均已通過超限審查，所以異常樣本即建筑平面凹凸不規則的樣本難以收集;第二，在實際工程中，從建筑設計安全的角度考慮，需要盡可能識別出所有凹凸不規則的建筑平面即異常樣本。

　　因此，本文將建筑平面凹凸不規則識別定義為異常檢測問題。異常檢測問題特點就在于擁有大量的正常樣本和小量的異常樣本，旨在通過對大量正常樣本的訓練，得到可以識別出異常樣本的模型，為各個領域中的一些實際場景提供了很好的解決方案。在異常檢測的模型和方法上，生成對抗網絡GenerativeAdversarialNetworks，簡稱GAN更受研究者的青睞。2016年，RADFORD等學者[5]將CNN與GAN結合，提出了第一個將GAN應用在圖像領域的框架DCGAN。AnoGAN[6]在此基礎上提出了異常圖片檢測的方法，成為第一個將AN用于異常檢測領域的實踐。AnoGAN中的生成器和判別器均采用DCGAN的結構。

　　在訓練階段，AnoGAN僅利用正常圖片讓生成器學習正常圖片其在潛在空間中的分布表示，使潛在空間中的隨機采樣均能表示正常圖片的潛在空間特征;在測試階段，通過對比輸入圖片的潛在空間特征與潛在空間中隨機采樣之間的差異來識別異常圖片。為了減少輸入圖片與潛在空間映射的復雜性，不少學者基于AnoGAN進行了后續的研究，相繼提出了利用GAN進行異常圖片檢測的模型框架。

　　其中GANomaly[7]在多個圖片數據集上都展示出了更好的分類性能。對于建筑平面凹凸不規則判斷來說，正確地提取建筑的外輪廓是極其重要的一步，其來源可以是二維圖紙或建筑信息模型BuildingInformationModeling，簡稱BIM。建筑外輪廓在二維圖紙中需要人工進行識別，而利用IM中建筑實體的語義化信息可以進行自動化抽取。作為BIM的通用數據交換格式標準，工業基礎類Industry FoundationClass，簡稱IFC可以作為BIM模型信息提取的來源。

　　綜上所述，本文在GANomaly模型的基礎上，利用異常圖片檢測的思想，提出基于IM和深度學習的快速、有效識別方法，以輔助人工進行建筑平面凹凸不規則的判斷，提高建筑抗震超限審查的效率和準確性。方法本文將建筑平面凹凸不規則識別問題定義為基于圖片的異常檢測問題。該方法主要包括三個部分，首先從BIM模型中獲取建筑平面，接著通過圖片預處理得到建筑平面外輪廓圖，最后利用已訓練好的深度學習模型對建筑平面外輪廓圖進行計算，并反饋識別結果。

　　1.1基于IFC的BIM模型建筑平面獲取

　　BIM模型建筑平面獲取的第一步是獲取每一層的標高。在IFC文件中，樓層以實體IFCBUILDINGSTOREY表示，通過實體定義與實例數據之間的對應關系，可以得到樓層實體的高度。IFC文件中的實例數據描述“#160=IFCBUILDINGSTOREY(‘169yy__4LDGwpM8wCMTLG0’,#41,’標高’,$,’標高上標頭’,#159,$,’標高’,.ELEMENT.,6000.);”表示名稱Name為“標高”的樓層標高高度Elevation為6m。接著，根據所獲取的標高高度，建立剖切平面，并通過BIM模型與該剖切平面之間的布爾交運算得到每一層的建筑平面。

　　借助IfcOpenShell庫[8]和pythonocc庫[9]，本文按以下個步驟提取BIM模型的建筑平面，算法流程如圖所示：讀入IFC文件，獲取所有IFC實體IfcProduct的幾何形狀;生成模型的包圍盒，根據包圍盒的大小以及截面高度，創建平面;遍歷所有的IFC實體，通過其幾何形狀與所創建的平面之間的布爾交運算，得到指定截面高度下的相交截面;將所有的相交截面組合在一起，即可得到BIM模型的建筑平面。

　　1.2建筑平面外輪廓圖片預處理

　　因為建筑平面凹凸不規則主要基于建筑平面外輪廓來判斷，所以圖片預處理的目的是突出待識別的建筑平面外輪廓區域，以提高建筑平面凹凸不規則識別的準確率，同時降低計算復雜度。首先，根據用戶繪制的建筑平面外輪廓路徑，生成實心多邊形。由于建筑平面圖大多不是規則的圖形，為了方便后續的計算、編碼和重構，將建筑平面外輪廓圖以白色背景填充，生成方形圖片，且要求圖片的邊長均為16的倍數。接著，在輸入深度學習模型之前，將建筑平面外輪廓圖進行二值化處理，外輪廓區域內的像素灰度值設為，外輪廓區域外像素灰度值設為。

　　1.3GANomaly模型

　　GANomaly是一種基于潛在特征空間的圖片異常檢測模型，通過對比輸入圖片與重構圖片在潛在特征空間上的差異來判斷圖片是否為異常圖片。相比于直接比較輸入圖片與重構圖片的差異，潛在特征空間這一更高維的圖片特征更能反應圖片實質內容的差異，不會受到圖片微小變化的影響[10]。GANomaly模型使用兩個編碼器GE()和()以及一個解碼器GD()交錯相接構成模型的生成器NetG。用于生成輸入圖片的潛在特征向量GE、重構圖片X'以及重構圖片X'的潛在特征向量Z'X'。

　　這里兩個編碼器的結構是一樣的，但是具體參數的取值并不一樣，GANomaly模型結構的相關參數。和DCGAN一樣，編碼器和解碼器均通過調整stride參數，去除了池化層，并使用批量歸一化BatchNormalize加速模型的收斂。GANomaly模型的判別器()首先將圖片進行編碼，得到一個判別特征，然后對判別特征進行判別，最后輸出圖片標簽。模型的訓練采用和生成對抗網絡一樣的訓練策略，對于輸入圖片來說，判別器的認為是正常樣本;對于重構圖片X'來說，判別器認為是異常樣本。經過生成網絡和判別網絡之間的對抗訓練之后，生成器生成的重構圖片X'會越來越接近輸入圖片。

　　但由于在訓練過程中僅使用了正常圖片作為輸入，所以對于異常圖片來說，模型的參數并不適用，異常圖片進行編碼、重構、再編碼得到的兩個潛在特征向量和Z'之間的差異，由于誤差的累積，會變得更大。這樣一來，即可通過設置差異的閾值進行異常圖片的識別。為了實現這個目的，設置了四個損失函數圖片判別損失、特征向量損失、重構圖片損失、判別特征損失以約束模型的訓練過程。

　　2模型訓練與實驗結果

　　2.1數據集準備

　　目前，土木建筑行業還沒有現成的有關建筑平面不規則識別的開放數據集。因此，本文基于公開的樓層平面數據集CubiCasa5k數據集[11]，通過數據生成與數據增強，建立建筑平面凹凸不規則識別數據集。CubiCasa5k數據集擁有超過5000例平面樣本，包含超過80種平面類型[12]。每個平面對象都是一個獨立的svg文件。平面內的物理實體如空間、墻體、門、窗等在svg文件中以面向對象的方式進行存儲，采用多邊形polygon進行幾何表達。

　　在數據生成方面，采用圖所示的處理思路。首先遍歷并讀取平面svg文件，識別其中的墻體和空間對象，并獲取目標對象本身的polygon表達。接著，利用python第三方繪圖工具包matplotlib將每個目標對象多邊形進行重繪并填充，將該圖片保存后根據平面凹凸不規則的規范要求及專家論證對所生成的平面圖進行標注。

　　為了減輕數據樣本不均衡可能造成的分類失準，同時也為了提升數據樣本的數量等級，對不規則樣本通過旋轉、鏡像等操作進行數據增強。 最終得到的數據集共有64個建筑平面樣本。從樣本類型來看，可以分為簡單建筑平面形式和復雜建筑平面形式，簡單建筑平面形式又可細分為完全規則的建筑平面、以凸為主的建筑平面和以凹為主的建筑平面。所建立的數據集中，凹凸不規則建筑平面樣本60個，規則建筑平面樣本285個。在模型訓練時，隨機選擇80%的規則樣本作為訓練集，剩余20%的規則樣本和全部不規則樣本作為測試集。

　　3案例驗證分析

　　基于提出的方法，形成建筑平面凹凸不規則識別模塊，通過實例進行驗證。針對簡單建筑平面，根據《建筑抗震設計規范》以下簡稱《抗規》13給出的種建筑平面示例，對模型進行驗證分析。驗證數據集通過編寫程序隨機生成，每種建筑平面生成0000張樣本。從表可以看出，模型的識別率平均為93.76，在工程上具有較好的可靠性。

　　針對復雜建筑平面，選取兩幢高層建筑作為案例應用分析。建筑IM模型均使用AutodeskRevit建立，導出IFC文件后，自動提取建筑平面圖，并通過預處理生成大小為6464的建筑平面外輪。將生成的建筑平面外輪廓圖輸入訓練好的深度學習模型，可以得到識別結果如下：對于模型來說，輸入圖片的潛在特征向量與生成圖片的潛在特征向量之間的相似度為0.89798，判別為“建筑平面凹凸不規則”;對于模型來說，輸入圖片的潛在特征向量與生成圖片的潛在特征向量之間的相似度為0.95457，判別為“建筑平面規則”。識別結果與專家論證一致。

　　4結論與展望

　　本文從建筑抗震平面審查的問題出發，提出了基于IM和深度學習的建筑平面凹凸不規則自動識別方法，以輔助人工完成審查和判斷。該方法通過FC實體之間的布爾交運算，可以獲取不同樓層的建筑平面圖，并通過深度學習模型對建筑平面圖進行識別。實驗表明，從實際工程項目需求來看，將建筑平面凹凸不規則識別定義為圖片異常檢測問題，可以更好地識別不規則的建筑平面，為基于IM的建筑抗震審查提供了新思路。由于目前土木建筑領域缺少相關的數據集，本文基于現有的公開數據集，通過有效處理和標注，形成建筑抗震平面凹凸不規則訓練數據集。

　　然而，該數據集中的建筑平面類型、復雜程度未能涵蓋所有實際工程項目的建筑平面，例如《抗規》中的“”型建筑平面，也導致模型在檢測復雜平面時未能得到準確的識別結果。因此，本文進一步研究工作可以從兩個方面展開：一方面，完善訓練數據集的樣本類型，提高模型預測的準確率;另一方面，對于復雜平面，可以結合深度學習模型和領域知識圖譜進行識別判斷，在識別過程中加入專家知識的引導，以獲得更準確、更合理的判斷結果。

　　參考文獻References

　　[1]林書佚.高層建筑設計中平面規則性的重要性研究[J].山西建筑,2010,36(22):7577.LINSY.Theanalysisoftheimportanceoftheplanregularityinthedesignoftallbuildings[J].ShanxiArchitecture,2010,36(22):7577(inChinese).

　　[2]李顯杰,阮興群,柳曉博,等.對復雜平面凹凸規則性判斷的探討[J].建筑結構,2021,51(15):5153.IXJRUANXQ,LIUXB,etal.Discussiononjudgmentofregularityofcomplexplaneconcavityandconvexity[J].BuildingStructure,2021,51(15):5153(inChinese).

　　[3]PENGCLIYY,JIAOLC,etal.EfficientConvolutionalNeuralArchitectureSearchforRemoteSensingImageSceneClassification[J].IEEETransactionsonGeoscienceandRemoteSensing,2021,59(7):60926105.

　　[4]DAUTOVE,ASTAFEVAN.ConvolutionalNeuralNetworkintheClassificationofArchitecturalStylesofBuildings[C]//2021IEEEConferenceofRussianYoungResearchersinElectricalandElectronicEngineering(ElConRus)Russia:IEEEPress2021:274277.

　　[5]RADFORDA,METZL,CHINTALAS.UnsupervisedRepresentationLearningwithDeepConvolutionalGenerativeAdversarialNetworks[EB/OL].20160107[20210928].https://arxiv.org/abs/1511.06434

　　作者：姜柳,2，史健勇1,2，付功義，潘澤宇,2，王朝宇,2