BIMBase自从2021年发布以来获得了众多关心国产BIM和业务数字化转型的圈内老法师的关注，除了是国内首款完全自主知识产权的的BIMBase系统，实现建筑信息模型（BIM）关键核心技术自主研发安全可控。

同时开创了BIM X PYthon的技术跨界混搭风，得以让建模可以通过快速编程实现。

So！

BIMBase团队为了在功能和场景上

帮助大家了解BIMBase

学习建模小技巧

开设了技术专栏

【BIMBase之python建模宝典】

今日分享第二十一弹

通常我们提到建模软件，大部分人通常都只会想到模型的创建、场景搭建、计算、碰撞检查、算量、出图等等，但你见过可以通过大量数据的学习和训练，来实现分析和预测的建模软件吗？

今天，我们就一起来基于BIMBase的Python二次开发能力，以基坑支护为例，来了解一下BIMBase的机器学习能力，以及如何来实现基坑支护等级的预测和分析。

Part One

基坑支护等级预测分析

首先，我们来简单介绍一下实现基坑支护预测的原理。

由于BIMBase本身支持Python的二次开发，可以通过结合Python-Sklearn中分类决策树算法，来建立回归预测模型；

同时，基于BIMBase提供的建模能力完成基坑的建模工作，借助BIMBase的可视化展示能力，通过使用参数设置面板，从而实现了基坑支护等级的分析和预测。

这样一来，我们在面板中改变参数，借助建立的回归预测模型，就能在BIMBase中直观的展示出基坑支护等级的分析模拟结果。

图1 智能模型实时调节

Part Two

基坑支护等级预测分析

接下来，我们将带领大家一起来体验BIMBase和机器学习的能量。

基坑开挖的受力分析、破坏极限的分析和可靠度分析往往涉及多方面多参数，试验成本高且准确性难以评定，很多时候需要根据大量数据和经验公式来进行判断。

机器学习的优点在于可以依靠大量数据，结合对应学习算法，回归建立出输入和响应的数学模型，可实现准确、有效的数据预测。

相比擅于解决非线性问题的有限元分析，机器学习的优势在于计算成本低，无需对针对工况进行定制模型，仅仅使用历史数据，就可以分析出近似的解答。

虽然单次承载的模型信息量无法与有限元相比，但结合其效率，机器学习的性价比是非常高的。

本文将基于900多组土体属性数据，包括：体积模量、剪切模量、黏聚力、内摩擦角和土体密度；以及对应的基坑桩基尺寸数据，包括：斜桩长度、与基坑侧壁夹角、桩顶水平位移和基坑周边沉降，预测数据集之外的其它土体属性和基坑桩基尺寸下的桩顶水平位移和基坑周边沉降，进而判断整个支护结构是否安全。

图2 支护结构安全等级分类

01

化零为整，提取规律

Sklearn扩展包中的监督模型-分类决策树算法可借由900组清洗后的数据生成规律的预测模型。

由体积模量、剪切模量、黏聚力、内摩擦角、土体密度以及人字形支护参数如斜桩长度、与基坑侧壁夹角，预测桩顶水平位移与基坑周边沉降两个变量，预测结果准确率达到95%。（机器学习模型存储为pkl格式待使用。）

图3 决策树准确性

02

预测模型与基坑模型相结合

接下来，我们把利用BIMBase-Python参数化组件建立的基坑支护模型和Sklearn预测得来的分类决策树模型进行结合。

将几何参数作为桥梁，使用默认参数进行预测，预测结果参数再反哺模型。实现模型的参数始终符合预测模型的规律的有机结合。

图4 特征属性选择

用户能够直接输入模拟的土体属性和支护尺寸，该模型通过机器学习对输入内容根据决策树分类器进行预测，实时调整桩顶水平位移和基坑周边沉降这两个变形指标，同时对显示模型进行修改。

图5 实时预测模型分析流程

图6 支护模型对比

图7 16种结果组合

文章小结

基坑支护等级预测分析

基坑支护实时预测模型体现了机器学习的高效性，支持多组数据的处理以及多类数据的预测，决策树的绘制和模型应用拆解为两部分，无需创建多个模型。

模型更新显示速度快，在BIMBase属性面板中进行数值调整与修改，即时的模型展示效果更能满足用户的体验感。

图8 参数调整属性栏

图9 动态流程