本发明涉及计算机人工智能和建筑，尤其涉及一种基于机器学习的建筑构件的配筋设计方法。
背景技术：
1、随着建筑行业的不断发展，建筑工程设计的复杂性和技术要求也日益提高。建筑结构的安全性和可靠性是设计过程中最为关键的因素之一。配筋设计作为混凝土结构设计中的重要环节，直接关系到建筑物的承载能力和抗震性能。传统的配筋设计方法主要依赖于设计师的经验和手工计算，这种方法不仅耗时费力，而且在面对复杂设计任务时，容易出现误差和遗漏，导致设计效率低下和成本增加。尽管现有技术在一定程度上能够满足建筑配筋设计的基本需求，但其存在诸多不足之处：
2、1、设计效率低：传统的手工计算方法复杂且耗时，尤其是在面对大型和复杂建筑项目时，设计师需要投入大量的时间和精力，设计周期长，难以快速响应设计需求。
3、2、准确性不足：手工计算过程中容易出现人为错误，尤其是在处理大量复杂数据时，误差不可避免。这不仅影响了设计的精度，还可能导致结构安全隐患。
4、3、难以优化：现有技术主要依赖于设计师的经验，缺乏系统性的优化手段，难以在众多设计方案中快速找到最优方案，导致资源浪费和成本增加。
5、4、适应性差：面对不断变化的设计规范和工程需求，传统方法难以灵活调整和适应，限制了设计的创新性和灵活性。
6、因此，如何提供一种基于机器学习的建筑构件的配筋设计方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出一种基于机器学习的建筑构件的配筋设计方法，本发明通过引入先进的机器学习技术，对传统建筑构件配筋设计方法进行了革新和优化，显著提高了设计效率和准确性，优化了资源配置，降低了设计成本和时间成本，增强了设计方案的灵活性和适应性。
2、根据本发明实施例的一种基于机器学习的建筑构件的配筋设计方法，包括如下步骤：
3、s1、收集历史建筑项目数据模块；
4、s2、对收集的数据进行数据清洗和预处理，包括填补缺失值、处理异常值以及对特征进行标准化和归一化处理；
5、s3、选择与建筑配筋设计相关的关键特征，并通过特征之间的算术运算，生成新的特征；
6、s4、利用支持向量回归算法训练板带配筋模型；
7、s5、利用xgboost算法训练柱配筋模型；
8、s6、利用规则算法生成柱帽配筋模型；
9、s7、利用xgboost算法训练梁配筋模型；
10、s8、利用xgboost算法训练墙配筋模型；
11、s9、将上述生成的各构件配筋模型应用于新的建筑项目，生成对应的板带、柱、柱帽、梁和墙的配筋设计数据。
12、可选的，所述s1的历史建筑项目数据模块包括每个项目的建筑长宽、建筑面积、建筑总高、每层恒荷载、柱网尺寸、基本风压、基本雪压、抗震设防烈度、基本地震加速度、地理位置、楼板厚度、柱尺寸、梁宽和梁高尺寸、墙厚度、板带配筋面积、柱配筋面积、梁配筋面积和墙配筋面积特征。
13、可选的，所述s4具体包括：
14、s41、确定板带配筋模型的输入特征，包括柱网尺寸、活荷载、恒荷载和楼板厚度；
15、s42、将数据集划分为训练集和测试集；
16、s43、使用支持向量回归算法训练板带配筋模型，给定训练样本集{(x1,y1),(x2,y2),…,(xn,yn)}，其中是特征向量，包括柱网尺寸、活荷载、恒荷载和楼板厚度，是对应的实际值；
17、s44、在特征空间中定义一个超平面进行回归，所述超平面的形式为：
18、f(x)＝wtx+b；
19、其中，w是权重向量，b是偏置常量；
20、s45、设计优化目标函数，数学表达式为：
21、
22、
23、其中，λ表示惩罚参数，用于控制模型复杂度和训练误差之间的平衡，∈表示容忍度，∥w∥表示权重向量l2的范数，在机器学习中，l2范数常用于正则化，目的是防止模型过拟合。通过在损失函数中加入l2范数的正则化项，可以惩罚权重向量的过大值，从而使模型更为平滑和泛化能力更强。通过对输入特征的绝对值取负指数再加1的倒数进行加权，α表示该正则化项的权重；是基于分组特征偏离均值的正则化项，μj表示特征j的均值，kj表示特征j的组内样本数，β表示该正则化项的权重；
24、s46、使用自动化调参算法进行交叉验证，对支持向量回归模型的参数进行调优；
25、s47、选择使得交叉验证误差最小的参数λ、∈、α和β，并训练最终的支持向量回归模型；
26、s48、使用测试集对训练好的支持向量回归模型进行评估，评估指标包括均方误差和平均绝对误差；
27、s49、将选取的最优模型保存成模型文件格式，以便于实际应用中的部署和适应；
28、s410、将板带配筋特征输入到板带配筋面积模型和板带配筋直径模型中，生成板带配筋面积s和板带配筋直径d，通过配筋面积和配筋直径的关系：
29、
30、计算钢筋根数：
31、
32、可选的，所述交叉验证将训练数据划分为k个等大小的子集，进行k-折交叉验证，其中对于每一折i(i＝1,2,…,k)，使用第i个子集作为验证集，其余k-1个子集作为训练集，计算交叉验证误差，计算公式如下：
33、
34、其中，vi表示第i折验证集的索引集合，表示在第i折上训练的模型对样本j的预测值。
35、可选的，所述s5具体包括：
36、s51、确定柱配筋模型的输入特征，包括柱网尺寸x向、柱网尺寸y向、累加活荷载、累加恒载、累加总荷载、累加楼层高度、柱截面面积和最大柱网尺寸；
37、s52、将数据集划分为训练集和测试集；
38、s53、使用xgboost算法对训练集进行训练，通过优化目标函数逐步提高模型的拟合能力；
39、s54、使用自动化调参算法进行交叉验证，对xgboost模型的参数进行调优；
40、s55、使用测试集对训练好的xgboost模型进行评估，评估指标包括均方误差和平均绝对误差；
41、s56、通过多次模型训练选取各个评分指标分数最优的模型，保存最优模型为模型文件格式，以便部署应用；
42、s57、将训练好的xgboost模型应用于柱配筋实际应用中，输入柱配筋模型中的数据特征，分别生成柱的配筋面积s和柱的配筋直径d，通过配筋面积和配筋直径的关系：
43、
44、计算钢筋根数：
45、
46、s58、将生成的柱配筋数据应用于实际建筑项目中，确保柱配筋设计的准确性和可靠性。
47、可选的，所述s6的规则算法将柱帽配筋分为一阶柱帽和二阶柱帽，一阶柱帽的配筋根据柱帽的尺寸确定，普通楼层柱帽宽在2.5米内选用16根直径为12mm的配镜，柱帽尺寸宽在2.5米以上选用32根直径12mm的钢筋，屋面层的柱帽宽在2米以内，选用8根据直径12mm的钢筋，柱帽宽尺寸在2m以上选用16根直径12的钢筋；
48、二阶柱帽配筋由托板尺寸和活荷载确定，托板尺寸在5米内选用48根直径为12mm的钢筋，托板尺寸在5米以上且活载在35kn/m2以内选用52根直径为12mm的钢筋，托板尺寸在5米以上且活载在35kn/m2以上选用52根直径为14mm的钢筋。
49、可选的，所述s7具体包括：
50、s71、确定梁配筋模型的输入特征，包括柱网尺寸x向、柱网尺寸y向、累加活荷载、累加恒载、累加总荷载、累加楼层高度、梁截面宽、梁截面高和梁跨长度；
51、s72、将数据集划分为训练集和测试集；
52、s73、使用xgboost算法对训练集进行训练，通过优化目标函数逐步提高模型的拟合能力；
53、s74、使用自动化调参算法进行交叉验证，对xgboost模型的参数进行调优；
54、s75、使用测试集对训练好的xgboost模型进行评估，评估指标包括均方误差和平均绝对误差；
55、s76、通过多次模型训练选取各个评分指标分数最优的模型，保存最优模型为模型文件格式，以便部署应用；
56、s77、将训练好的xgboost模型应用于梁配筋实际应用中，输入梁配筋模型中的数据特征，分别生成梁的配筋面积s和梁的配筋直径d，通过配筋面积和配筋直径的关系：
57、
58、计算钢筋根数：
59、
60、s78、将生成的梁配筋数据应用于实际建筑项目中，确保梁配筋设计的准确性和可靠性。
61、可选的，所述s8具体包括：
62、s81、确定墙配筋模型的输入特征，包括柱网尺寸x向、柱网尺寸y向、柱网面积、最大柱网尺寸、累加活荷载、累加恒载、累加层高、墙抗震等级、墙混凝土强度等级、层高比值、层数比值、累加板厚、柱截面尺寸和墙厚度；
63、s82、将数据集划分为训练集和测试集；
64、s83、使用xgboost算法对训练集进行训练，通过优化目标函数逐步提高模型的拟合能力；
65、s84、使用自动化调参算法进行交叉验证，对xgboost模型的参数进行调优；
66、s85、使用测试集对训练好的xgboost模型进行评估，评估指标包括均方误差和平均绝对误差；
67、s86、通过多次模型训练选取各个评分指标分数最优的模型，保存最优模型为模型文件格式，以便部署应用；
68、s87、将训练好的xgboost模型应用于墙配筋实际应用中，输入墙配筋模型中的数据特征，分别生成墙的配筋面积s和墙的配筋直径d，通过配筋面积和配筋直径的关系：
69、
70、计算钢筋根数：
71、
72、s88、将生成的墙配筋数据应用于实际建筑项目中，确保墙配筋设计的准确性和可靠性。
73、本发明的有益效果是：
74、(1)提高设计效率：通过引入机器学习模型，设计师只需输入建筑物的基本参数即可快速生成配筋方案，显著缩短了设计周期。相比于传统的手工计算方法，自动化的配筋设计流程大大提高了工作效率，尤其在面对大型和复杂建筑项目时，能显著减少设计师的工作量。
75、(2)提升设计准确性：机器学习模型通过学习大量历史数据中的规律，能够提供更为精确的配筋设计方案，减少了人为计算误差。特别是在处理复杂数据和多变量情况下，机器学习算法的精确性和可靠性显著优于传统方法，确保了结构设计的安全性和稳定性。
76、(3)优化资源配置：本发明通过对不同配筋方案的快速评估和优化，帮助设计师在众多设计方案中选择最优方案。优化后的配筋方案能够有效减少材料浪费，降低施工成本，提升资源利用效率，实现经济效益和环保效益的双赢。
77、(4)减少试错成本：传统设计方法中，设计师需要进行大量的试错和调整，过程复杂且耗时。本发明通过机器学习模型的精准预测和优化，减少了试错过程中的反复调整，降低了设计成本和时间成本，提升了整体设计效率。
78、(5)增强适应性和灵活性：本发明的机器学习模型能够根据最新的设计规范和工程需求不断更新和优化，快速适应变化的设计要求。增强了设计方案的灵活性和适应性，使得设计师能够应对多样化和复杂化的设计任务，推动建筑设计的创新性和多样性。
79、(6)自动化设计流程：本发明实现了部分设计流程的自动化，减少了人工设计的工作量，使设计师能够将更多精力集中在创造性和高附加值的设计工作上，提升了设计团队的整体工作效率和创造力。
1.一种基于机器学习的建筑构件的配筋设计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于机器学习的建筑构件的配筋设计方法，其特征在于，所述s1的历史建筑项目数据模块包括每个项目的建筑长宽、建筑面积、建筑总高、每层恒荷载、柱网尺寸、基本风压、基本雪压、抗震设防烈度、基本地震加速度、地理位置、楼板厚度、柱尺寸、梁宽和梁高尺寸、墙厚度、板带配筋面积、柱配筋面积、梁配筋面积和墙配筋面积特征。
3.根据权利要求1所述的一种基于机器学习的建筑构件的配筋设计方法，其特征在于，所述s4具体包括：
4.根据权利要求3所述的一种基于机器学习的建筑构件的配筋设计方法，其特征在于，所述交叉验证将训练数据划分为k个等大小的子集，进行k-折交叉验证，其中对于每一折i(i＝1,2,…,k)，使用第i个子集作为验证集，其余k-1个子集作为训练集，计算交叉验证误差，计算公式如下：
5.根据权利要求1所述的一种基于机器学习的建筑构件的配筋设计方法，其特征在于，所述s5具体包括：
6.根据权利要求1所述的一种基于机器学习的建筑构件的配筋设计方法，其特征在于，所述s6的规则算法将柱帽配筋分为一阶柱帽和二阶柱帽，一阶柱帽的配筋根据柱帽的尺寸确定，普通楼层柱帽宽在2.5米内选用16根直径为12mm的配镜，柱帽尺寸宽在2.5米以上选用32根直径12mm的钢筋，屋面层的柱帽宽在2米以内，选用8根据直径12mm的钢筋，柱帽宽尺寸在2m以上选用16根直径12的钢筋；
7.根据权利要求1所述的一种基于机器学习的建筑构件的配筋设计方法，其特征在于，所述s7具体包括：
8.根据权利要求1所述的一种基于机器学习的建构构件的配筋设计方法，其特征在于，所述s8具体包括：
