本发明涉及人工智能技术领域，特别涉及一种基于人工智能施工进度管理办法。
背景技术：
随着建筑土木工程建设的发展，建筑业施工管理模式与方法、技术也在不断的发展进步。
建设工程项目管理的过程中，对进度、质量、成本、安全等管理方式、方法也在不断的创新。在施工进度的管理过程中，编制工程项目的施工进度计划是施工进度管理的一项重点工作。
传统的进度计划编制方法，一般的，根据施工图纸在施工经验的基础上，采用project之类的软件进行施工进度计划的编制工作。此方法，存在大量的缺陷，诸如：所编制的施工进度计划并不能满足实际施工需求；很大程度上施工进度计划存在施工工序方面的错、漏、碰、缺等问题。除此之外，对所编制施工进度计划无法进行可视化的模拟，以及对进度计划的调整工作不便。。
技术实现要素：
为实现上述技术目的，达到上述技术效果，提出一种基于人工智能施工进度管理办法，建立管理数据库，根据设计施工图纸建立bim模型，并将其bim模型数据导入管理数据库，通过现场施工人员每天的施工进度报告，由数据库审核施工进度调整接下来的施工任务，并重新分配至每一个施工小组，其特征在于，具体包括如下步骤：
步骤1：建立管理数据库，同时根据施工图纸建立的bim模型，并所建立的bim模型进行轻量化处理，在数据库服务器中将bim模型与进度管理软件进行整合，生成对应施工专业分类的bim模型；
步骤2：现场设立可交互监督设备，监督当前施工进度并对当前施工过程中可能存在的安全隐患进行警示；
步骤3：每天的施工结束之后，通过可交互监督设备上传当天的工程进度，并有后台进行审核；
步骤4：审核之后根据当前的施工进度以及剩余工作量和时间限制，重新分配接下来的工作计划，并下放至每个施工小组；
步骤5：对于每一天的工作进度，监督日志以及任务分配进行统一的日志编排并保存，便于后期审核。
优选地，所述可交互监督设备包括包括第一交互界面、第二交互界面和第三交互界面，并在第一交互界面和第二交互界面之间、第二交互界面和第三交互界面之间设置跳转链接。
优选地，所述的专业分类的bim模型的生成过程采用深度学习的方式，在管理数据库中预存储各类专业的bim模型，并对其中每一个模型的数据参数进行预处理，包括时间参数、建筑参数以及施工类别参数；当所需要构建的bim模型的数据参数满足条件时，自动构建一个满足条件的bim模型，并对其赋予相对应的数据。
优选地，所述第一交互界面展示当天的施工任务。
优选地，所述第二交互界面展示当前施工日的预警信息，包括环境信息以及施工过程中的注意事项以及当前施工任务的安全警示信息。
优选地，所述第三交互界面展示后续的任务调整以及临时的工作调整和安排。
优选地，所述深度学习模型为：加载有分类目标函数的深度学习模型；
利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间参数的初始值；
将中心点距离目标函数添加到中间深度学习模型中并加载所述中间参数的初始值，得到目标深度学习模型；
导入训练样本集中的预设数量个样本作为批次数据；
利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；
基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；
如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量个样本作为批次数据的步骤；
如果是，结束对当前目标深度学习模型的训练。
区别于现有技术，本申请通过人工智能技术进行每天的任务监管，同时根据当日的任务进度以及工程时间限制，对后续的施工任务进行重新安排，并下发至施工小组，同时，对当日的施工条件以及天气情况进行施工中的安全预警。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于人工智能施工进度管理办法，建立管理数据库，根据设计施工图纸建立bim模型，并将其bim模型数据导入管理数据库，通过现场施工人员每天的施工进度报告，由数据库审核施工进度调整接下来的施工任务，并重新分配至每一个施工小组，其特征在于，具体包括如下步骤：
步骤1：建立管理数据库，同时根据施工图纸建立的bim模型，并所建立的bim模型进行轻量化处理，在数据库服务器中将bim模型与进度管理软件进行整合，生成对应施工专业分类的bim模型；
步骤2：现场设立可交互监督设备，监督当前施工进度并对当前施工过程中可能存在的安全隐患进行警示；
步骤3：每天的施工结束之后，通过可交互监督设备上传当天的工程进度，并有后台进行审核；
步骤4：审核之后根据当前的施工进度以及剩余工作量和时间限制，重新分配接下来的工作计划，并下放至每个施工小组；
步骤5：对于每一天的工作进度，监督日志以及任务分配进行统一的日志编排并保存，便于后期审核。
优选地，所述可交互监督设备包括包括第一交互界面、第二交互界面和第三交互界面，并在第一交互界面和第二交互界面之间、第二交互界面和第三交互界面之间设置跳转链接。
优选地，所述的专业分类的bim模型的生成过程采用深度学习的方式，在管理数据库中预存储各类专业的bim模型，并对其中每一个模型的数据参数进行预处理，包括时间参数、建筑参数以及施工类别参数；当所需要构建的bim模型的数据参数满足条件时，自动构建一个满足条件的bim模型，并对其赋予相对应的数据。
优选地，所述第一交互界面展示当天的施工任务。
优选地，所述第二交互界面展示当前施工日的预警信息，包括环境信息以及施工过程中的注意事项以及当前施工任务的安全警示信息。
优选地，所述第三交互界面展示后续的任务调整以及临时的工作调整和安排。
优选地，所述深度学习模型为：加载有分类目标函数的深度学习模型；
利用所述中间深度学习模型，计算所述训练样本集中各个样本的特征向量，并根据所述训练样本集中各个样本的特征向量，计算中心点距离目标函数的中间参数的初始值；
将中心点距离目标函数添加到中间深度学习模型中并加载所述中间参数的初始值，得到目标深度学习模型；
导入训练样本集中的预设数量个样本作为批次数据；
利用当前目标深度学习模型，计算当前批次数据中各个样本的特征向量，并根据当前批次数据中各个样本的特征向量，更新中间参数的参数值；
基于当前批次数据中各个样本的特征向量，计算所述中心点距离目标函数的函数值和分类目标函数的函数值，并判断计算得到的中心点距离目标函数的函数值是否收敛到第一预定区间，且计算得到的分类目标函数的函数值是否收敛到第二预定区间；
如果否，利用中心点距离目标函数的反向传播梯度和所述分类目标函数的反向传播梯度，调整当前目标深度学习模型的参数，并返回执行所述导入训练样本集中的预设数量个样本作为批次数据的步骤；
如果是，结束对当前目标深度学习模型的训练。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或简介运用在其他相关技术领域，均同理包括在本发明的专利保护范围内。