实景三维下的AIGC变形监测算法分析

摘要：针对建筑工程变形监测中对地下结构变形认知缺乏综合性、系统性的问题，提出了一种人工智能变形监测AIGC算法。该算法以BIM为基础架构，融合三维点云技术，通过三维模型建立和更新、图像处理技术和布尔沙模型，构建了一个模拟仿真空间实体，利用已知数据集进行模型训练，人工智能生成地下结构的高精度姿态与位移结果, 实现了对实景三维场景中地下结构的变形进行准确表示、定量分析和实时监测，具有较高的时效性和准确性。经过广州市鸦岗基坑支护项目实际试验，结果表明：该算法减少了对近位勘察的需求，进一步挖掘出大量高质量的变形数据，有效发现了地下结构中重点、难点部位的深层水平位移特征，为建筑工程整体稳定性的调查、检测、验算、分析和安全性评定等活动提供了重要的方法依据。

关键词：AIGC算法；建筑信息模型；实景三维；布尔沙模型

引言

实景三维技术是一种基于计算机视觉和图像处理技术的先进技术，能够从真实场景中获取三维模型和信息，正在逐渐取代传统的工程测量技术。大数据和人工智能的发展推动了地球空间信息学向实景三维、自动化、智能化、社会化、大众化和实时化等方向发展^[1-3]，为实景三维技术的发展提供了科学理论支撑。广泛应用的激光扫描仪、测量机器人等专用设备为建立实景三维模型提供了强大的技术支持^[4-6]。通过应用实景三维技术，可以更准确地识别建筑结构中的隐蔽风险，有利于建筑结构安全风险管理。

近年来，实景三维技术在建筑工程的上部结构应用方面取得了重要进展。通过将建筑信息模型（building information modeling,BIM）技术、实景三维技术和物联网技术相结合，实现了对复杂建筑物的实时动态监测，解决了信息零散化和可追溯性差的问题^[7-9]。此外，研究人员还将实景三维技术与地籍空间建模方法相结合，成功构建了三维地籍空间模型^[10]。一些研究将剖面图成果进行标准化处理，构建了三维空间下的剖面图CAD文件，以还原不同时相间支护结构空间位置的相互关系^[11]。岩土工程BIM与数值计算模型转换技术也开展了研究^[12]。随着全国各地城市信息模型（city information modeling,CIM）平台建设的深入推进，高效、智能的实景三维技术方法不断落地应用，进一步减少了人工数据处理环节，提升了数据分析质量^[13-15]。

然而实景三维技术在地下结构变形监测方面的研究还相对较少，特别是实景三维技术与人工智能相结合的变形监测算法，仍处于探索试验阶段。为此，本文提出了一种实景三维技术下的生成式人工智能（artificial intelligence generated content,AIGC）算法，该算法主要是采用计算单位权中误差来判断用于模型训练的方案是否最优，其中包括应用模型训练来判断模型的可行性；通过比对试验来定位和剔除粗差值，从而获得空间姿态的连续性。

本文以BIM+GIS为架构，利用AIGC算法准确解算地下结构的位置与姿态变化趋势。算法包括数据、物联网（internet of things,IOT）和AIGC 3个重要组成部分。数据就像人体的感官细胞，通过不断地接收外界的信息，进行处理和传递，从而形成一个完整的数据体系。IOT类似神经系统，将各种传感器、设备连接起来，形成一个智能化的网络，实现信息的快速传输。AIGC类似于人类大脑中的神经元和神经网络，通过不断地学习和进化，AIGC服务可以不断提高自身的智慧和能力，从而适应不断变化的环境和需求，为人类提供了更加智能化的服务和决策支持。

AIGC算法不仅可以提供丰富全面的多维数据成果，而且可以根据预定义的规则和样本训练数据来进行推断和决策，为建筑工程的变形监测提供了一种全新的思路和方法。AIGC服务致力于把复杂的事情简单化，以最短的时间替代所有步骤和流程，并根据用户需求制定解决方案，从而实现数据、IOT与AIGC的良性循环。模型的逻辑关系及数据流控制如图1所示。

1.1数据

数据是整个算法的核心要素，包括矢量，专题，属性，点云四大类数据。矢量数据输入采用广州高程系统和广州2000坐标系统为数学基础的CAD电子地图。专题数据输入的是房建项目的结构施工图。属性数据是非空间数据，主要采集的是工程项目相关信息（SMW工法桩，冠梁）。点云数据输入包括目标结构兴趣部位的颜色和坐标信息。数据循环根据数据质量要求，数据采集时间，任务目标等设定终止条件。

1.2 IOT

物联网（IOT）将传感设备与互联网结合成一个整体，实现信息的互联互通和智能交互，包括智能物联、云存储、云计算、云应用。智能物联是使用三维激光扫描技术获取目标结构体的颜色、三维坐标信息，通过Wi-Fi或5G方式接入到物联网上，实现对地上结构体形态的感知。本文算法使用基于区块链的建筑工程安全智能监测系统实现云存储、云计算、云应用，通过系统平台协同工作，对外提供数据存储和访问，并通过设备连接数量、数据传输速率、设备稳定性等指标设定阈值作为IOT循环的终止条件。

1.3 AIGC

AIGC是用户需求的分析和处理者，是提供准确、及时、可靠变形监测信息的保障。本文使用专业BIM软件搭建BIM，方便系统对目标结构部件进行识别。通过建筑工程CIM试点监测系统实现CIM组建及应用，提供建筑工程项目级别的模拟仿真能力。运用专业高速影像全站扫描仪及配套软件实现实景三维影像采集。通过实景三维模型和布尔沙七参数的原理构建AIGC算法，利用地面裸露部位变形前后的匹配点对进行模型训练，进而生成地下隐蔽结构体的多维变形结果。AIGC循环的终止条件基于以下方面进行确定：达到一定的模型训练精度、达到一定的算法收敛性、达到一定的性能要求等。

AIGC算法的目标是通过机器学习和人工智能技术，对地表或地下结构的变形情况进行实时监测和预测，进而提供有效的灾害预警和风险评估，以支持地质灾害防治和工程决策。其主要步骤如下：首先，根据问题的特点，选择合适的数学模型来描述问题。其次，使用遥感技术等手段采集建筑结构形态数据，通过虚拟三维空间构建出具有专题属性的三维模型。再次，对收集到的数据进行预处理，包括异常值处理，数据标准化等，从预处理后的数据中提取变形特征量。然后，利用已知数据集进行模型的训练。最后，使用验证数据集对训练方案进行性能评估。将新获取的数据输入到训练好的模型中，进行变形监测，根据算法结果进行变形情况的判断和评价。

构建实景三维下的AIGC算法，需要综合运用地理信息系统（geographic information system，GIS）、计算机视觉、机器学习等多个领域的知识和技术。算法构建过程中的关键点包括数学模型、3D建模、预处理、模型训练、方案评估。

2.1数学模型

根据地下结构的变形特征选择布尔沙（Brusa）模型，进行地下结构体姿态变化结果的评定。

2.2  3D建模

使用专业的高速影像全站扫描仪（FARO\徕卡MS60）进行点云数据采集，仪器采用激光扫描技术，能够快速将激光束投射到被测物体表面并接收反射信号，从而准确获取被测物体表面的三维坐标信息。三维扫描仪每秒可扫描30 000个点，点云精度为0.4 mm，测角精度为0.5 s，单点采样率为20 Hz，转速可达每秒180°。通过三维激光扫描测量方式，能够生成高质量的实景三维模型（图2）。

采用专业的BIM软件结合CAD识别翻模工具进行建筑信息模型创建（图3），在翻模过程中可以自动检测图纸错误并给出提示，协助审图。专业的BIM软件具有丰富的构件库，可以实现轻量化、参数化、快速建模，大大提高了建模效率。此外，还具有高精度、可视化和数据共享等多重优点，能够满足建筑工程现场对BIM的需求，同时也为后续的数据共享和维护提供了便利。

图3 建筑信息模型

2.3预处理

预处理是在进行数据分析或机器学习任务之前对原始数据进行清洗和转换的过程。预处理的目的是消除数据中的噪声、处理缺失值、解决数据不一致性等问题，以提高后续分析的准确性和可靠性。预处理流程（图4）如下：对采集到的点云数据进行清洗和处理，去除噪声和无效信息。将BIM和实景三维模型数据转换为统一的坐标系统，从BIM和实景三维模型中提取关键特征，并将其进行匹配，找到相应的对应关系。根据特征匹配结果，对实景三维模型进行平移、旋转或缩放等调整，以使其与BIM数据完全对齐。通过质检循环生成实景三维配准模型，导入广州市CIM试点平台生成CIM（图5）。

图4 预处理流程

图5 城市信息模型

2.4模型训练

采用Autodesk Revit软件建立三维模型，作为模拟支护桩结构进行训练（图6）。在假设支护桩长5 m，直径为120 mm的情况下，以坐标系A中的点I₅为圆心，绕x轴旋转一个α角度，来模拟支护桩受到侧向土压力产生的侧向移动。支护桩受到侧向土压力时，会产生弯曲和剪切变形。由于支护桩一般是混凝土或钢筋混凝土制成，所以其抗弯强度较高，弯曲变形相对较小（本试验忽略不计）。而剪切变形则会导致支护桩产生侧向移动，这种变形会对支护桩的稳定性产生影响。

在受力变形前，支护桩呈现为一个土黄色的圆柱体。支护桩受到侧向土压力，其形态发生变化后，会变成一个蓝色的圆柱体（桩下部省略）。为了计算支护桩的变形结果，使用布尔沙模型进行多维度变形分析。在训练Ⅰ中，提取了支护桩上的5组匹配点对（Ⅰ₁~Ⅰ₅）的坐标数据，并进行地下结构变形解算和精度评估。在训练Ⅱ中，假设支护桩埋深为5 m，并在支护桩顶部裸露平面部分提取了5组匹配点对（Ⅱ₁~Ⅱ₅）的坐标数据，进行地下结构变形解算和精度评估。在训练Ⅲ中，假设支护桩埋深为4 m，并在支护桩裸露部分提取了5组匹配点对（Ⅲ₁~Ⅲ₅）的坐标数据，进行地下结构变形解算和精度评估。训练结果见表1。

2.5方案评估

方案评估是对模型训练方案进行验证和评估，以确定其准确性、可靠性和适用性。其旨在确保模型能够有效地解决实际问题，并提供可靠的结果和决策依据。本文共进行了3类独立训练，其中训练Ⅰ的环境条件限制最严格，需要支护桩80%的桩长裸露在地面以上，才能采集到足够的匹配点对坐标值。通过计算单位权中误差可知，测量结果的可靠性和精度最差，因此该方案予以舍弃。训练Ⅱ的环境条件限制最少，只需要支护桩顶部裸露，就可以采集到足够多的匹配点对坐标值，单位权中误差最小，精度较高。训练Ⅲ的环境条件要求居中，只需要支护桩20%的桩长裸露，就可以采集到足够多的匹配点对坐标值，误差在可控范围内，适用于特殊环境条件。综合比较，训练Ⅱ所需环境条件最少，测量结果的可靠性和精度也最高，是最优的训练方案。

3.1试验背景

本文以广州鸦岗保障性住房项目（一期）为研究对象，该项目位于广州市白云区鸦岗村东侧，基坑场地北侧临近西江引水鸦岗配水泵站工程，东侧、西侧为拟建地块，南侧为拟建幼儿园。基坑支护采用SMW支护桩+锚索，部分区段采用灌注桩+内支撑支护形式，支护等级为一级或二级安全等级。结合BIM与实景三维点云数据，将新采集的点云数据输入到训练好的模型中，利用应用实景三维下的AIGC算法对基坑支护桩进行桩顶水平位移的监测和深层水平位移预测，根据算法输出的结果对变形情况进行判断和分析。

3.2 数据分析

本次比对试验旨在验证实景三维下的AIGC变形监测算法在基坑监测项目中的有效性，并与传统监测方法进行比较。试验对象为桩锚支护段基坑，利用实景三维技术采集了基坑的点云数据。并使用传统的监测方法采集了桩顶水平位移数据和深层水平位移数据作为对比。

①对采集到的实景三维数据和传统监测方法得到的数据进行对齐和归一化处理，将测斜结果转换为桩体倾斜角度，与欧拉角进行旋转角度比对；②将水平位移监测和点云数据采集结果保持同一坐标系，确保数据具有一致性和可比性；③对采集到的点云数据进行预处理和特征提取，并应用实景三维下的AIGC变形监测算法进行基坑变形的解算和预测。同时，使用传统的计算方法对传统监测得到的数据进行变形分析和预测；④比较AIGC算法的结果与传统监测方法的结果（见表2）；⑤使用统计方法和可视化手段对两种方法的差异和一致性进行分析。

以63号工法桩为例，见图7，通过综合分析水平位移和测斜监测结果，验证了支护结构变形为底部踢脚变形，见图7（c），而非顶部负位移变形见图7（b）。测斜实测结果与AIGC计算结果的变化趋势和幅度一致，大量一致的重复结果进一步证明了AIGC计算结果的可靠性，也验证了综合分析的变形结果能够全面反映基坑的变形情况。

3.3试验结论

在比对试验中，出现了一个倾角不吻合的情况，但应用贝叶斯定理，计算出AIGC成果的置信度达到了95%。这一结果充分表明，AIGC技术在地下结构变形监测中具有高度准确性和可靠性。因此，得出以下结论：

AIGC算法在实景三维环境下能够准确监测地面及地下结构的变形情况，并提供准确的变形量测量结果。相较于传统的变形监测方法，AIGC算法在实景三维环境下表现出更高的精度和稳定性。此外，AIGC算法还能够准确识别地面及地下的微小变形，并持续监测变形过程中的变化。该算法具有高实时性和效率性，能够在较短时间内完成地面及地下变形的监测和分析。AIGC算法还能够处理不同类型的地面及地下变形，具有一定的通用性和适应性。

随着实景三维技术的快速发展，对地下结构形变认知的完备性日益受到关注，快速高效地找出地下形结构的空间姿态是提高认知完备性的途经之一。因此本文提出了采用实景三维下的AIGC变形监测算法进行地下结构变形监测。该算法以BIM为基础架构，结合三维点云技术，能够准确捕捉地下隐蔽结构的变形特征。通过工程试验验证，该算法能够有效地发现地下结构重点、难点部位的深层水平位移特征，为工程建设的稳定性调查和安全性评定提供了重要的数据支持。虽然本算法较传统方法具有许多优势，但在实际应用中，还需要不断验证算法的准确性和可靠性，并进行必要的改进，以确保监测结果的准确度和可信度。

引文格式：贺异欣，张新长，吴福成，等．实景三维下的ＡＩＧＣ变形监测算法分析［J］．测绘科学，2023，48（11）：211-217.