(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111602341.2 (22)申请日 2021.12.24 (65)同一申请的已公布的文献号 申请公布号 CN 114282294 A (43)申请公布日 2022.04.05 (73)专利权人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 温卫平　张成　翟长海　籍多发　 (74)专利代理 机构 哈尔滨华夏松花江知识产权 代理有限公司 23213 专利代理师 岳昕 (51)Int.Cl. G06F 30/13(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01)G06F 119/14(2020.01) (56)对比文件 CN 110853746 A,2020.02.28 CN 10759085 3 A,2018.01.16 CN 109918710 A,2019.0 6.21 CN 103376465 A,2013.10.3 0 JP 2009092402 A,20 09.04.30 温卫平.主余震地震动参数 特征及损伤谱研 究. 《中国优秀博硕士学位 论文全文数据库(博 士) 基础科 学辑》 .2017, Peng Yu et al. .A Framew ork to As sess th Seismic Resi lience of Urban Hospitals. 《Advances i n Civil Engineering》 .2019, JOSEP LLUIS FITA et al. .Earthquake Simulati on on Ancient Maso nry Buildings. 《ACM》 .2020,第13卷(第2期), Jun-Jie WANG et al. .Seismic Dama ge Predicti on of Multistory Bui lding Using GIS and Artificial Neural Netw ork. 《IEEE》 .2010, 审查员 马金亚 (54)发明名称 一种基于数字孪生的医院建筑震害预测方 法及系统 (57)摘要 一种基于数字孪生的医院建筑震害预测方 法及系统， 涉及震害预测技术领域， 针对现有技 术中缺少用于震后对建筑物震损情况进行判断 的方法的问题， 本申请可以快速预测地震响应结 果： 基于Opensees软件建立医院有限元模型， 输 入地震动得到地震响应数据， 结合深度神经网络 将该部分数据90％作为训练集， 10％作为验证 集， 对智能预测地震响应模型进行训练和验证， 当对智能预测地震响应模型输入新的地震动时， 将会快速给出 该地震下医院建 筑的响应结果。 权利要求书2页 说明书5页 附图2页 CN 114282294 B 2022.06.21 CN 114282294 B 1.一种基于数字 孪生的医院建筑震 害预测方法， 其特 征在于包括以下步骤： 步骤一： 获取待测医院建筑的结构参数信息， 并根据医院建筑的结构参数信息建立医 院有限元模型； 步骤二： 获取地震动信息， 并将地震动信息输入医院有限元模型得到各层峰值楼板加 速度和层间位移角； 步骤三： 对地震动信息进行 特征提取， 得到地震 波特征； 步骤四： 利用医院建筑的结构参数信息、 地震波特征以及各层峰值楼板加速度和层间 位移角训练神经网络； 步骤五： 通过训练好的神经网络以真实地震波特征为输入， 得到输出的各层峰值楼板 加速度和层间位移角； 步骤六： 通过医院布置的监测传感器获取数据， 并将获取到的数据作为孪生数据更新 神经网络 输出的各层峰值楼板加速度和层间位移角； 步骤七： 获取各类构件的易损性参数信息与设备易损性参数信息， 并结合更新后的各 层峰值楼板加速度和层间位移角进行震 害预测。 2.根据权利要求1所述的一种基于数字孪生的医院建筑震害预测方法， 其特征在于所 述步骤一中建立医院有限元模型通过Opense es软件进行。 3.根据权利要求2所述的一种基于数字孪生的医院建筑震害预测方法， 其特征在于所 述监测传感器包括监控摄像头、 位移传感器和加速度传感器， 所述位移传感器用于获取楼 板位移时程， 所述加速度传感器用于获取楼板加速度时程， 所述监控摄像头用于识别构件 和医用重点设备在震时的状态。 4.根据权利要求3所述的一种基于数字孪生的医院建筑震害预测方法， 其特征在于所 述识别构件和医用重点设备在震时的状态， 通过以下步骤进行： 首先， 通过监控摄像头记录的震时视频并基于计算机视觉YOLOv5算法识别构件和医用 重点设备， 然后定性识别构件与医用重点设备震时的状态， 所述震时的状态包括： 倾覆、 碰 撞、 掉落、 摇晃和滑 移。 5.根据权利要求4所述的一种基于数字孪生的医院建筑震害预测方法， 其特征在于所 述监控摄像头还用于识别构件和医用重点设备的倾覆、 碰撞、 掉 落、 摇晃和滑 移的程度。 6.根据权利要求5所述的一种基于数字孪生的医院建筑震害预测方法， 其特征在于所 述识别构件和医用重点设备的倾覆、 碰撞、 掉 落、 摇晃和滑 移的程度通过以下步骤进行： 首先， 建立平面坐标系， 然后提取监控摄像头记录的震时视频中固定时间间隔的每帧 图片中记录的构件和医用重点设备的位移并通过微分得到构件与医用重点设备对应的加 速度， 最后通过构件与医用重点设备对应的加速度得到构件和医用重点设备的倾覆、 碰撞、 掉落、 摇晃和滑 移的程度。 7.根据权利要求3、 4、 5或6任一项所述的一种基于数字孪生的医院建筑震害预测方法， 其特征在于所述构件 包括结构 构件和非结构 构件。 8.根据权利要求7所述的一种基于数字孪生的医院建筑震害预测方法， 其特征在于所 述步骤六中更新神经网络输出的各层峰值楼板加速度和层间位移角通过D ‑S证据理论算法 进行。 9.一种基于数字孪生的医院建筑震害预测系统， 其特征在于包括： 预测模块和多源异权　利　要　求　书 1/2 页 2 CN 114282294 B 2构孪生数据分析模块； 所述预测模块执 行如下步骤： 步骤一： 获取待测医院建筑的结构参数信息， 并根据医院建筑的结构参数信息建立医 院有限元模型； 步骤二： 获取地震动信息， 并将地震动信息输入医院有限元模型得到的各层峰值楼板 加速度和层间位移角； 步骤三： 对地震动信息进行 特征提取， 得到地震 波特征； 步骤四： 利用医院建筑的结构参数信息、 地震波特征以及各层峰值楼板加速度和层间 位移角训练神经网络； 步骤五： 通过训练好的神经网络以真实地震波特征为输入， 得到输出的各层峰值楼板 加速度和层间位移角； 所述多源异构孪生数据分析模块执 行如下步骤： 步骤六： 通过医院布置的监测传感器获取数据， 并将获取到的数据作为孪生数据更新 神经网络 输出的各层峰值楼板加速度和层间位移角； 步骤七： 获取各类构件的易损性参数信息与设备易损性参数信息， 并结合更新后的各 层峰值楼板加速度和层间位移角进行震 害预测。 10.根据权利要求9所述的一种基于数字孪生的医院建筑震害预测系统， 其特征在于所 述系统还 包括可视化模块； 所述可视化模块根据建筑图纸提供的结构参数信息运用Revit软件建立医院的BIM模 型， 并将各类构件的详细信息储存在BIM模型中， 同时绘制医院中俯放设备、 轮式设备和悬 挂设备的模型并保存于医院BIM模 型中， 之后应用Opensees软件与Revit软件接口程序将步 骤六中更新后的层间位移角以及基于视频识别的室内构件与设备的震损状态数据导入BIM 模型中， 通过改变BIM模 型中各构件及设备的颜色来展示震损状态， 最后运用osg对BIM模 型 进行图形渲染， 实现医院整体功能下降程度的展示。权　利　要　求　书 2/2 页 3 CN 114282294 B 3