FME:模型桩号计算

2023-12-21 04:30
文章标签 计算 模型 fme

本文主要是介绍FME:模型桩号计算,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

        BIM模型属性生产过程中需要填写桩号,里面包括起点桩号,终点桩号,定位桩号。填写方式为从中心线起点开始量取,不同的桩号量取方式如下:

        由于试验段自己参与了生产,在结合中心线手动量取了几十个构件的起终点桩号后,当时的心情:

        通过分析,人工手动量取填写有两个难点:(1)构件数量多,一段5公里的模型构件数量就多达几千个,且部分模型形状不规则,纯手工填写效率低;(2)在道路转弯处,采用量取工具无法准确沿着道路中心进行量取,想要量取准确难度很大。

        在此背景下,结合Bentley软件的特性,利用FME,在迭代了无数版本后,终于达到了想要的效果,不仅比人工量取快数倍,并且更准确。

        实现功能重点用到以下转换器:HullReplacer、NeighborFinder、FeatureJoiner、LengthToPointCalculator、StatisticsCalculator

(官方详细手册值得拥有https://pan.baidu.com/share/init?surl=MwytFv-wQc98A_jiYdeToQ,密码:2020)

        核心思路其实很简单,直接生成模型的外包平面多边形(HullReplacer),将多边形上的点都投影到中心线上(NeighborFinder、FeatureJoiner),计算每个点到中心线起点的距离(LengthToPointCalculator),再进行统计分类统计(StatisticsCalculator),计算每个模型到中心线起点的最小值(对应起点桩号)、最大值(对应终点桩号)、平均值(对应定位桩号)。

        使用C#给工具做了个界面方便使用,让我们来一起看看最终的效果吧(看图片水印,欢迎关注公众号,里面有演示视频)。

                当然,这里面还涉及到了很多其他情况影响正确性和效率,比如,模型外包矩形的节点,碰巧最小值或最大值的那个点投影到中心线上时,中心线上该位置刚好有个节点,就会出现这个点无法投影到中心线上,后续计算出来的桩号就不够准确。

或者,不同种类的构件,又碰巧A构件的最小值或最大值和B构件的最小值或者最大值投影到中心线上的位置相同,那么就只有一个能投影上,甚至同一类构件也存在这种情况(例如,一杆多牌的标志牌,版面大小和方向完全一样,只是高度不同,两者的顶视图平面外包多边形完全一致)。

        又比如,一条路由于太长,被拆分成了4段由不同人生产,你手里拿到的是第3段,你就需要知道前2段结束时的里程,你模型对应的中心线起点就不是从0开始的,需要从第2段的结束里程开始,怎么灵活的传递这个参数,让不同起点的人都可以直接算出最终的里程,也都是需要考虑的环节。

        同时,模型体量大、构件多,操作起来异常复杂,如何操作更快速,更准确也是非常值得研究和提升,这也是迭代无数版本的原因,如果大家感兴趣,以上多种情况的解决方式可以继续深入的讲解。

这篇关于FME:模型桩号计算的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/518638

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

poj 1113 凸包+简单几何计算

题意: 给N个平面上的点,现在要在离点外L米处建城墙,使得城墙把所有点都包含进去且城墙的长度最短。 解析: 韬哥出的某次训练赛上A出的第一道计算几何,算是大水题吧。 用convexhull算法把凸包求出来,然后加加减减就A了。 计算见下图: 好久没玩画图了啊好开心。 代码: #include <iostream>#include <cstdio>#inclu

uva 1342 欧拉定理(计算几何模板)

题意: 给几个点,把这几个点用直线连起来,求这些直线把平面分成了几个。 解析: 欧拉定理: 顶点数 + 面数 - 边数= 2。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#inc

uva 11178 计算集合模板题

题意: 求三角形行三个角三等分点射线交出的内三角形坐标。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstring>#include <cmath>#include <stack>#include <vector>#include <