命名合规性等级：BIM/CDE文件名的句法、指代性以及由大型语言模型支持的语义验证

《Buildings》：Level of Naming Compliance: Syntactic, Referential, and LLM-Supported Semantic Validation of BIM/CDE File Names

　　

摘要

为了解决在测量数据匮乏的情况下重建膜结构统计风压场的难题，本研究基于山脊-山谷型膜结构的风洞测试数据，提出了一种FF-Res-GP-PINN框架。该框架整合了高斯傅里叶特征映射、残差网络、空间梯度惩罚以及拉普拉斯平滑正则化技术。模型以空间坐标和来风方向作为输入，输出平均风压系数和波动风压系数。研究共使用了675组数据，这些数据对应0°、45°和90°三种来风方向，用于模型的训练和验证。结果表明，与传统的PINN模型相比，所提出的FF-Res-GP-PINN模型将验证阶段的均方误差从0.226降低到0.155，降幅达31.4%。消融实验显示，高斯傅里叶特征映射对提升点预测精度的作用最为显著，而空间梯度惩罚和拉普拉斯平滑正则化则主要有助于提高预测风压场的空间连续性。与傅里叶-MLP模型相比，FF-Res-GP-PINN模型使平均梯度范数、拉普拉斯平滑残差以及空间振荡指数分别降低了约98.5%、96.3%和62.2%。对正则化参数的敏感性分析进一步表明，增加λ_grad和λ_lap的值虽然能提升空间平滑度，但也可能增加点预测误差。因此，在当前数据集下，本研究采用了λ_grad = 2 × 10^?3和λ_lap = 1 × 10^?4作为平衡预测精度与空间正则化效果的参数值。研究结果表明，所提出的框架为重建具有特定几何形状且在已知风向条件下的膜结构统计风压场提供了一种可行的方法。不过，对于未知风向、不同结构几何形状以及瞬态风压场的情况，该框架的预测能力还需进一步验证。