本發(fā)明屬于綠色建筑性能優(yōu)化設(shè)計，特別是涉及一種基于多模態(tài)知識圖譜增強型基座模型的高大空間建筑非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計決策方法。

背景技術(shù)：

1、面對更高要求的建筑節(jié)能需求，傳統(tǒng)的優(yōu)化設(shè)計決策方法依賴針對綠色性能數(shù)據(jù)的性能模擬，在計算效率和計算成本上存在一定的局限性，難以同時處理多模態(tài)的建筑綠色性能數(shù)據(jù)，不能有效形成設(shè)計、模擬的多平臺協(xié)同，節(jié)能效益不能滿足發(fā)展新需求，不能有效回應(yīng)建筑多維度要求。

2、高大空間建筑室內(nèi)環(huán)境非均勻，受多因素耦合影響，空氣流動過程復雜，環(huán)境參數(shù)多變，容易出現(xiàn)熱量積聚、空氣流動不暢等問題。對于該類建筑中不同功能區(qū)，其通風、熱負荷、人員密度均存在較大差異，部分功能區(qū)容易出現(xiàn)人員局部滯流問題，影響使用者舒適度。如何實現(xiàn)高大空間建筑有效的溫濕度、通風控制和使用者舒適度調(diào)節(jié)是該類建筑綠色性能優(yōu)化決策的核心問題。傳統(tǒng)設(shè)計決策方法難以做到因時、因地制宜，不能有效回應(yīng)更高的舒適性和建筑節(jié)能要求。

3、針對高大空間建筑非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計決策，目前主要基于物理模型和機器學習模型，其具有以下缺陷：

4、1.難以處理和整合非均勻室內(nèi)環(huán)境的多源、多模態(tài)異構(gòu)數(shù)據(jù)。傳統(tǒng)方法依賴靜態(tài)數(shù)據(jù)和模型，不能對實時數(shù)據(jù)進行反饋，缺乏對突發(fā)事件的回應(yīng)能力，設(shè)計響應(yīng)慢、決策滯后，缺乏靈活性和適應(yīng)性；

5、2.難以精確模擬分析高大空間建筑非均勻室內(nèi)環(huán)境中受多因素耦合影響的綠色性能數(shù)據(jù)。傳統(tǒng)方法缺乏知識推理能力，不能有效發(fā)揮云端算力優(yōu)勢，對歷史案例和相似方案的學習能力差，難以有效提出特定場景的個性化設(shè)計決策，靈活性和可拓展性差。

6、近年來，多模態(tài)大語言模型(mm-llms)在多模態(tài)數(shù)據(jù)融合處理方面表現(xiàn)出了巨大潛力。基于數(shù)值、文本、圖像、視頻、音頻等模態(tài)的輸入，大模型可以理解用戶需求并生成決策建議和技術(shù)報告，但大模型的幻覺問題制約了其在工程場景設(shè)計中應(yīng)用的準確性和可靠性。利用知識圖譜增強的模式，可以有效改善該問題。依托契合具體工程場景的知識圖譜，通過檢索增強生成模型，將設(shè)計問題與知識圖譜中的三元組進行匹配，賦能大模型的智慧問答過程。

技術(shù)實現(xiàn)思路

1、本發(fā)明目的是為了解決現(xiàn)有技術(shù)中的問題，提出了一種基于多模態(tài)知識圖譜增強型基座模型的高大空間建筑非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計決策方法。

2、本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明提出一種基于多模態(tài)知識圖譜增強型基座模型的高大空間建筑非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計決策方法，所述方法包括以下步驟：

3、s1、獲取非均勻室內(nèi)環(huán)境多模態(tài)數(shù)據(jù)知識；

4、所述步驟s1包括以下步驟：

5、s11、搜集非均勻室內(nèi)環(huán)境綠色性能數(shù)據(jù)；

6、s12、生成融合多模態(tài)非均勻室內(nèi)環(huán)境綠色性能信息的嵌入表示；

7、s13、提取非均勻室內(nèi)環(huán)境綠色性能數(shù)據(jù)信息；

8、s2、融合非均勻室內(nèi)環(huán)境多模態(tài)數(shù)據(jù)知識，構(gòu)建非均勻室內(nèi)環(huán)境多模態(tài)知識圖譜和向量數(shù)據(jù)庫；

9、所述步驟s2包括以下步驟：

10、s21、將抽取的信息轉(zhuǎn)化為rdf三元組；

11、s22、基于rdf三元組構(gòu)建非均勻室內(nèi)環(huán)境多模態(tài)知識圖譜；

12、s23、確定典型非均勻室內(nèi)環(huán)境工程場景要素；

13、s24、構(gòu)建并更新對應(yīng)的多模態(tài)知識圖譜和向量數(shù)據(jù)庫；

14、s3、強化優(yōu)化設(shè)計決策問題知識檢索，構(gòu)建契合非均勻室內(nèi)環(huán)境典型工程場景的綠色性能優(yōu)化設(shè)計模型；

15、所述步驟s3包括以下步驟：

16、s31、對知識圖譜中的知識進行模塊化聚類并獲得結(jié)構(gòu)化子圖；

17、s32、理解設(shè)計問題，基于結(jié)構(gòu)化子圖提高知識檢索效率；

18、s33、構(gòu)建契合非均勻室內(nèi)環(huán)境典型工程場景的綠色性能優(yōu)化設(shè)計模型；

19、s4、端云協(xié)同，靈活處理優(yōu)化設(shè)計問題，并通過數(shù)字沙盤的形式，實現(xiàn)優(yōu)化設(shè)計結(jié)果的可視化交互；

20、所述步驟s4包括以下步驟：

21、s41、構(gòu)建契合各類非均勻室內(nèi)環(huán)境典型工程場景的端云協(xié)同架構(gòu)；

22、s42、構(gòu)建高大空間建筑數(shù)字孿生模型，并通過數(shù)字沙盤展示優(yōu)化設(shè)計結(jié)果，實現(xiàn)可視化交互。

23、進一步地，所述步驟s13中，信息提取包括實體抽取、關(guān)系抽取和事件抽取；所述實體抽取指應(yīng)用命名實體識別方法基于bilstm-crf深度學習模型，利用上下文信息，從非結(jié)構(gòu)化非均勻室內(nèi)環(huán)境綠色性能數(shù)據(jù)集中提取特定的建筑綠色性能對象或概念；所述關(guān)系抽取指使用openie和bert關(guān)系分類模型或依存句法分析方法，識別上述非均勻室內(nèi)環(huán)境綠色性能實體之間的關(guān)系；所述事件抽取指多個非均勻室內(nèi)環(huán)境綠色性能實體的時空維度參數(shù)，通過ace事件抽取框架檢測，并基于深度學習模型識別非均勻室內(nèi)環(huán)境綠色性能事件觸發(fā)詞和相關(guān)信息。

24、進一步地，所述步驟s21中，通過python的rdf工具包rdflib將非均勻室內(nèi)環(huán)境綠色性能數(shù)據(jù)轉(zhuǎn)化為“實體-關(guān)系-實體”的rdf三元組，并將所述三元組儲存在圖數(shù)據(jù)庫中，用于后續(xù)的處理和查詢操作；

25、所述步驟s22中，通過將提取到的實體與非均勻室內(nèi)環(huán)境既有實體進行對齊，構(gòu)建實體間的關(guān)系圖，使用圖匹配算法對實體進行鏈接；對非均勻室內(nèi)環(huán)境知識庫中指向統(tǒng)一實體的記錄，通過聚類算法或deepwalk算法對嵌入到向量空間的實體及關(guān)系的距離計算進行合并；使用嵌入模型進行關(guān)系相似度計算，使用圖神經(jīng)網(wǎng)絡(luò)，對不同數(shù)據(jù)源的相同實體之間的關(guān)系進行整合；所述整合后的數(shù)據(jù)通過基于規(guī)則的推理，根據(jù)基于數(shù)據(jù)源的可靠性和時間戳設(shè)定的優(yōu)先級規(guī)則，消解從不同數(shù)據(jù)源獲得的沖突或矛盾的知識，并推導新知識；基于機器學習的推理，挖掘隱含的非均勻室內(nèi)環(huán)境綠色性能數(shù)據(jù)關(guān)系，進行知識增強，提高信息抽取的準確性和知識圖譜的推理能力。

26、進一步地，所述步驟s24中，對提取的非均勻室內(nèi)環(huán)境多模態(tài)數(shù)據(jù)進行預(yù)處理；對溫度、濕度、空氣流速、光照強度和能耗實時監(jiān)測數(shù)值類結(jié)構(gòu)化數(shù)據(jù)進行歸一化、降維處理；對項目信息、用戶需求、設(shè)計規(guī)范和標準以及政策文件文本類數(shù)據(jù)基于自然語言處理模型，生成嵌入向量；對建筑照片、效果圖、總平面圖、平面圖、剖面圖、立面圖、細節(jié)大樣圖和優(yōu)化模擬結(jié)果偽彩圖圖像類數(shù)據(jù)，利用resnet或cnn模型提取特征向量，對使用者行為視頻和建筑三維模型視頻類數(shù)據(jù)利用c3d網(wǎng)絡(luò)和lstm模型從關(guān)鍵幀中提取特征；

27、在步驟s24中，基于生成的嵌入向量，標準化綠色性能數(shù)據(jù)特征維度；構(gòu)建hnsw向量索引結(jié)構(gòu)，提高向量相似性搜索速度，并為多模態(tài)知識圖譜中的半結(jié)構(gòu)化數(shù)據(jù)的匹配提供支持，加速對用戶設(shè)計問題的智慧問答過程；

28、在步驟s24中，針對典型工程場景綠色性能評價指標，進一步確定其影響因素，包括設(shè)備分布、墻體隔熱性能、自然采光、人員流動和動態(tài)負荷；并明確計算或模擬中的典型模型或算法要素，包括cfd模型、日照分析模型、動態(tài)能耗分析模型、pmv模型、ppd模型和能耗優(yōu)化算法、區(qū)域分區(qū)控制算法；

29、在步驟s24中，構(gòu)建特定高大空間工程場景非均勻室內(nèi)環(huán)境的綠色性能畫像，補全并更新特定高大空間工程場景多模態(tài)綠色性能數(shù)據(jù)庫。

30、進一步地，在步驟s31中，通過社區(qū)檢測算法識別其中相互關(guān)聯(lián)的節(jié)點組，將知識圖譜分割成不同的社區(qū)；通過圖嵌入算法識別和添加缺失的關(guān)系或?qū)嶓w，增強知識圖譜完整性，輔助知識推理。

31、進一步地，在步驟s33中，基于所述契合非均勻室內(nèi)環(huán)境綠色性能優(yōu)化設(shè)計典型工程場景的多模態(tài)知識圖譜，在云端平臺，基于基座模型，訓練非均勻室內(nèi)環(huán)境綠色性能知識表征賦能的增強型基座模型，發(fā)揮云端算力優(yōu)勢，處理非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計任務(wù)中涉及的多模態(tài)數(shù)據(jù)間的耦合關(guān)系，賦能基于設(shè)計者主觀經(jīng)驗的決策模式。

32、進一步地，在步驟s41中，基于設(shè)計者輸入綠色性能優(yōu)化設(shè)計場景文本、照片資料，針對溫度、濕度、空氣質(zhì)量、空氣流速參數(shù)，兼顧熱源分布、人員分布、使用場景限制因素，理解非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計問題，回應(yīng)高大建筑非均勻環(huán)境優(yōu)化設(shè)計的典型問題；

33、在步驟s41中，基于端云協(xié)同分布式工作架構(gòu)，針對復雜的非均勻室內(nèi)環(huán)境綠色性能設(shè)計決策問題，利用云端知識表征賦能的所述增強型基座模型的數(shù)據(jù)處理能力，獲得對多模態(tài)性能數(shù)據(jù)融合特征的全面理解；協(xié)同多種建筑設(shè)計、建筑模擬的軟件或平臺，制定高大空間建筑非均勻室內(nèi)環(huán)境綠色性能優(yōu)化設(shè)計決策，擺脫特定算法或軟件工具在計算效率或計算成本上的局限性；

34、在步驟s41中，當設(shè)計者通過向大模型輸入優(yōu)化設(shè)計任務(wù)指令時，云側(cè)模型理解用戶需求，并向端側(cè)模型發(fā)出模擬指令，指導端側(cè)模型進行模擬；端側(cè)模型結(jié)合云側(cè)指令和工程場景模型或非均勻室內(nèi)環(huán)境參數(shù)，進行綠色性能模擬優(yōu)化，輸出模擬結(jié)果，為云側(cè)模型提供決策依據(jù)。

35、進一步地，在步驟s42中，構(gòu)建所述高大空間建筑數(shù)字孿生模型；通過云計算實時分析優(yōu)化方案修改造成的參數(shù)和能耗變化，并結(jié)合vr、ar技術(shù)，實現(xiàn)優(yōu)化設(shè)計方案的可視化對比，并支持多方人員對優(yōu)化設(shè)計方案的實時協(xié)作調(diào)整。

36、本發(fā)明還提出一種電子設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)所述一種基于多模態(tài)知識圖譜增強型基座模型的高大空間建筑非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計決策方法的步驟。

37、本發(fā)明還提出一種計算機可讀存儲介質(zhì)，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時實現(xiàn)所述一種基于多模態(tài)知識圖譜增強型基座模型的高大空間建筑非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計決策方法的步驟。

38、本發(fā)明的有益效果：

39、回應(yīng)高大空間建筑非均勻環(huán)境的復雜性，強調(diào)數(shù)據(jù)的多模態(tài)特征(如數(shù)值、文本、圖像、視頻等)，提出一種基于多模態(tài)知識圖譜增強型基座模型的高大空間建筑非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計決策方法，通過對高大空間建筑非均勻室內(nèi)環(huán)境多模態(tài)數(shù)據(jù)的知識表征，結(jié)合具體應(yīng)用工程場景類型，構(gòu)建非均勻室內(nèi)環(huán)境綠色性能數(shù)據(jù)多模態(tài)知識圖譜及向量數(shù)據(jù)庫，對多模態(tài)數(shù)據(jù)進行有效表征和存儲。在設(shè)計決策過程中，構(gòu)建一種契合高大空間建筑非均勻室內(nèi)環(huán)境典型工程場景的綠色性能優(yōu)化設(shè)計模型，理解非均勻室內(nèi)環(huán)境優(yōu)化設(shè)計問題，并提出一種優(yōu)化設(shè)計決策的方法，輸出建筑形態(tài)參數(shù)、空間參數(shù)、暖通空調(diào)系統(tǒng)參數(shù)等數(shù)值、高大空間建筑典型剖面的綠色性能圖像數(shù)據(jù)等。并在此基礎(chǔ)上，提出一種知識表征賦能的增強型基座模型的構(gòu)建方法，基于端云協(xié)同分布式工作架構(gòu)，實現(xiàn)算力資源的最優(yōu)調(diào)配，協(xié)同多模態(tài)知識圖譜和向量數(shù)據(jù)庫提高知識檢索和問答效率，降低計算成本和時間，提高計算精度。結(jié)合數(shù)字沙盤，實現(xiàn)優(yōu)化設(shè)計方案的可視化交互。