买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉清华大学申请的专利施工过程数字孪生在线推演方法及装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120806580B 。

龙图腾网通过国家知识产权局官网在2025-12-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511300396.6，技术领域涉及：G06Q10/0631；该发明授权施工过程数字孪生在线推演方法及装置是由林佳瑞;黄品皓设计研发完成，并于2025-09-12向国家知识产权局提交的专利申请。

本施工过程数字孪生在线推演方法及装置在说明书摘要公布了：本申请涉及数字孪生技术领域，特别涉及一种施工过程数字孪生在线推演方法及装置，其中，方法包括：构建涵盖安全风险、质量隐患与工序动态交互机制的结构化知识库，为生成调度响应提供核心知识基础；针对施工工序调度的独特性，设计专用于施工工序动态调度的强化学习网络，实现智能化、近实时的施工调度决策；针对强化学习模型难以有效学习和响应突发施工扰动的问题，研究自适应模型训练方法，使模型能够学习如何在扰动发生时动态调整工序网络，在保证工程施工目标的同时尽量减小工序调整带来的影响。由此，解决了现有技术考虑的施工现场动态变化要素多为资源变动和天气变化等情形，并未实现对施工现场安全问题或质量隐患等事件的响应等问题。

本发明授权施工过程数字孪生在线推演方法及装置在权利要求书中公布了：1.一种施工过程数字孪生在线推演方法，应用于离线训练阶段，其特征在于，包括以下步骤： 基于原始施工进度方案、预设的安全-工序耦合知识子库和质量-工序耦合知识子库，构建安全-质量-工序耦合演化知识库，并建立所述安全-质量-工序耦合演化知识库对应的耦合关系知识图谱； 对所述耦合关系知识图谱进行建模，确定对应的状态空间、动作空间、状态转移机制和扰动机制，并构建所述原始施工进度方案对应的多目标奖励函数，以基于所述状态空间、所述动作空间、所述状态转移机制、所述多目标奖励函数和所述扰动机制，构建工序调度优化模型； 通过所述工序调度优化模型，确定分层深度强化学习网络模型，并利用所述分层深度强化学习网络模型构建施工仿真环境，且基于所述施工仿真环境，训练所述分层深度强化学习网络模型，以在在线推演阶段基于训练后的分层深度强化学习网络模型，对所述原始施工进度方案进行数字孪生在线推演； 其中，所述基于原始施工进度方案、预设的安全-工序耦合知识子库和质量-工序耦合知识子库，构建安全-质量-工序耦合演化知识库，并建立所述安全-质量-工序耦合演化知识库对应的耦合关系知识图谱，包括： 获取目标施工过程中多种安全风险和多种安全事故，并确定所述多种安全风险中每种安全风险的风险等级和风险类别，且基于所述风险等级和所述风险类别，确定对应的工序调度影响类型； 基于所述多种安全事故，建立所述风险类别与安全事故类型之间的事故类型映射关系、所述每种安全风险与所述风险等级之间的等级映射关系、所述每种安全风险与所述风险类别之间的风险类别映射关系以及所述每种安全风险与所述工序调度影响类型之间的工序映射关系，以根据所述事故类型映射关系、所述等级映射关系、所述风险类别映射关系和所述工序映射关系构建所述安全-工序耦合知识子库； 获取所述目标施工过程中多种质量隐患，并量化每种质量隐患的严重程度，以得到对应的严重程度等级，且基于所述严重程度等级，建立多种工序交互影响模式，并确定所述每种质量隐患对应的状态指标； 分别建立所述状态指标与所述质量隐患、所述严重程度等级和工序交互影响模式之间的映射关系，以根据所述映射关系构建所述质量-工序耦合知识子库； 基于所述安全-工序耦合知识子库和所述质量-工序耦合知识子库，构建所述安全-质量-工序耦合演化知识库，并通过预设的图数据库策略，分别建立所述安全-工序耦合知识子库和所述质量-工序耦合知识子库对应的安全-工序知识图谱和质量-工序知识图谱，以根据所述安全-工序知识图谱和所述质量-工序知识图谱构建对应的可视化的耦合关系知识图谱； 所述对所述耦合关系知识图谱进行建模，确定对应的状态空间、动作空间、状态转移机制和扰动机制，并构建所述原始施工进度方案对应的多目标奖励函数，以基于所述状态空间、所述动作空间、所述状态转移机制、所述多目标奖励函数和所述扰动机制，构建工序调度优化模型，包括： 计算所述原始施工进度方案对应的施工过程中的全局环境状态和工序特征状态，并基于预设的双层状态表示策略，结合所述全局环境状态和所述工序特征状态，以确定所述状态空间； 基于预设的二元动作表示策略，构建所述动作空间，并根据所述原始施工进度方案的施工进度，判断当前工序的所有前驱工序是否完成，其中，在所述所有前驱工序完成的情况下，更新所述当前工序的状态，以确定所述状态转移机制； 获取所述原始施工进度方案对应的施工过程中的扰动数据，并根据所述扰动数据和预设的响应策略生成对应的处理措施，以确定所述扰动机制； 所述通过所述工序调度优化模型，确定分层深度强化学习网络模型，并利用所述分层深度强化学习网络模型构建施工仿真环境，且基于所述施工仿真环境，训练所述分层深度强化学习网络模型，包括： 基于预先构建的输入层、编码层、工序注意力层、特征融合层、双流架构层和输出层，构建所述分层深度强化学习网络模型； 从预设的建筑信息模型中提取构件几何信息和空间关系，并基于预设的四维工作分解结构，获取所述构件几何信息和所述空间关系对应的施工活动数据； 基于所述施工活动数据，确定多种工序约束规则，以根据所述多种工序约束规则和所述耦合关系知识图谱，构建扰动模拟生成算法，并通过所述扰动模拟生成算法构建所述施工仿真环境，以在所述施工仿真环境下，通过预设的常规施工路径和扰动处理路径，训练所述分层深度强化学习网络模型； 所述多目标奖励函数的数学表达式为： 其中，表示状态改进奖励；表示并行工序奖励；表示闲置时间惩罚；表示资源超限惩罚；表示时间延迟惩罚。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人清华大学，其通讯地址为：100084 北京市海淀区清华园清华大学；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。