多尺度几何语义建模在盾构隧道BIM和GIS中的应用

简介: 多尺度几何语义建模在盾构隧道BIM和GIS中的应用

《多尺度几何语义建模在盾构隧道BIM和GIS中的应用》


👨‍🏫 作者:Andre Borrmann(德国慕尼黑工业大学)


📅发表时间: 2015


📄 期刊:《Computer-Aided Civil and Infrastructure Engineering》(土木计算机技术顶刊)


🔗DOI:10.1111/mice.12090


大型基础设施的规划建设通过需要经过多维度的考量,以地铁轨道为例,我们要关心的重点大到以千米为计量的整体路线规划,小到厘米为计量的节点构造设计。这意味着一方面我们需要结合 GIS 和 BIM 技术,以达到分析、建模和可视化的目的;另一方面,我们需要一个稳定的基础架构来兼顾不同尺度下的模型表达。尽管多尺度建模的概念早已在 GIS 领域推广应用,但至今都未出现与基础设施 BIM 领域相对应的解决方案。但其实,BIM 环境中亟需引入多尺度的概念,因为不同设计阶段的信息细度呈递进式发展,在设计初期我们只有非常粗略的设计信息,而随着设计过程的不断深入,这些设计信息才会被逐步细化。为了解决这一需求,本文提出了多尺度 BIM 建模的概念,并将其运用在盾构隧道的几何语义建模中。本文详细分析了 CityGML 中的数据建模方法,并整理了基础设施规划项目的具体需求,在此基础上,探讨了对 BIM 数据标准( IFC) 的扩展,从而兼容盾构隧道的多尺度表达。而本文的侧重点则在于如何保存不同 Levels-of-Detail (LoD)模型之间的连续性,这其中包括两个方面,一是语义;二是几何。为了实现上述模型连续性机制,我们提出了采用几何过程描述的方法,从而使得不同 LoD 模型构件之间存在明确的依赖关系。这样一来,当我们修改低 LoD 的对象时,那些相关联的高 LoD 对象则会自动更新。最后,我们还研究了如何将多尺度盾构隧道模型转换为 CityGML 格式的文件。


7e2cce622d937303865fcfff2678a4f6.png


图1 GIS和BIM在不同尺度下的模型对比


174ea4dc7b1d8ca26e4905cc66d1af11.png


图2 草图的定义和后续的几何生成操作


b111f311a60d362ccc46dfa48a4de105.png


图3 当轨道的设计速度变化之后,超高形式和铁道轨距都会自动重新计算并生成


相关文章
|
6月前
|
存储 编解码 数据可视化
单细胞分析|Seurat中的跨模态整合
在单细胞基因组学中,新方法“桥接整合”允许将scATAC-seq、scDNAme等技术的数据映射到基于scRNA-seq的参考数据集,借助多组学数据作为桥梁。研究展示了如何将scATAC-seq数据集映射到人类PBMC的scRNA-seq参考,使用10x Genomics的多组学数据集。Azimuth ATAC工具提供了自动化的工作流程,支持在R和网页平台上执行桥接整合。通过加载和预处理不同数据集,映射scATAC-seq数据并进行评估,证明了映射的准确性和细胞类型预测的可靠性。此方法扩展了参考映射框架,促进了不同技术间的互操作性。
118 5
|
6月前
|
数据建模 计算机视觉
SiMBA:基于Mamba的跨图像和多元时间序列的预测模型
微软研究者提出了SiMBA,一种融合Mamba与EinFFT的新架构,用于高效处理图像和时间序列。SiMBA解决了Mamba在大型网络中的不稳定性,结合了卷积、Transformer、频谱方法和状态空间模型的优点。在ImageNet 1K上表现优越,达到84.0%的Top-1准确率,并在多变量长期预测中超越SOTA,降低了MSE和MAE。代码开源,适用于复杂任务的高性能建模。[[论文链接]](https//avoid.overfit.cn/post/c21aa5ca480b47198ee3daefdc7254bb)
998 3
|
4月前
|
机器学习/深度学习 编解码 计算机视觉
【YOLOv8改进 - 特征融合NECK】 GIRAFFEDET之GFPN :广义特征金字塔网络,高效地融合多尺度特征
YOLOv8专栏探讨了目标检测的创新改进,提出了GiraffeDet,一种轻量级主干和深度颈部模块结合的高效检测网络。GiraffeDet使用S2D-chain和GFPN,优化多尺度信息交换,提升检测性能。代码和论文可在相关链接找到。GFPN通过跳跃和跨尺度连接增强信息融合。文章还展示了核心组件如SPPV4、Focus和CSPStage的代码实现。
|
6月前
|
传感器 机器学习/深度学习 自动驾驶
【多模态融合】CRN 多视角相机与Radar融合 实现3D检测、目标跟踪、BEV分割 ICCV2023
本文介绍使用雷达与多视角相机融合,实现3D目标检测、3D目标跟踪、道路环境BEV分割,它是来自ICCV2023的。CRN,全称是Camera Radar Net,是一个多视角相机-雷达融合框架。 通过融合多视角相机和雷达的特性,生成语义丰富且空间精确的BEV特征图。实现3D物体检测、跟踪和BEV分割任务。
528 1
|
机器学习/深度学习 人工智能 算法
基于Transformer的人工神经网络,将有机结构的图像转换为分子结构
基于Transformer的人工神经网络,将有机结构的图像转换为分子结构
239 0
|
6月前
|
编解码 算法 数据处理
【论文速递】ISPRS2022 :一种新颖的结合几何语义信息的星载SAR数据立体三维定位方法
【论文速递】ISPRS2022 :一种新颖的结合几何语义信息的星载SAR数据立体三维定位方法
|
传感器 机器学习/深度学习 编解码
单一传感器图像多光谱多分辨率研究附matlab代码
单一传感器图像多光谱多分辨率研究附matlab代码
|
编解码 人工智能 定位技术
联合NeRF与特征网格,实现超大规模城市渲染,高效且逼真
联合NeRF与特征网格,实现超大规模城市渲染,高效且逼真
160 0
|
算法 计算机视觉
传统图像处理之几何特征寻找算法(二)
传统图像处理之几何特征寻找算法(二)
162 0
|
算法 计算机视觉
传统图像处理之几何特征寻找算法(一)
传统图像处理之几何特征寻找算法(一)
195 0