Suche
Bauprojekte sind projektspezifisch und multidisziplinär.
In den Planungsphasen werden verschiedene widersprüchliche Anforderungen und Zwänge berücksichtigt. Bereits in der Anfangsphase entwickeln Fachleute Entwürfe, tauschen sie aus und bewerten ihre Leistung, während sie mit vagen und unvollständigen Informationen umgehen. Fachleute reduzieren diese unklaren Faktoren, indem sie implizit Erfahrungen aus früheren Projekten und Standardwerte verwenden, die sich stark auf die Kosten und die Qualität des endgültigen Entwurfs auswirken können.
Den vorhandenen BIM-Werkzeugen fehlen Methoden zur Berücksichtigung von Unsicherheiten und Informationen. BIM-Modelle erscheinen präzise und vollständig und können den Projektbeteiligten falsche Annahmen vermitteln. Dies hat erhebliche Auswirkungen auf die Qualität der entwickelten Lösungen, insbesondere bei der Zusammenarbeit bei der Planung, Simulation und Analyse.
Im Rahmen dieser Forschung wurde ein Metamodell entwickelt, um Informationsunsicherheiten durch Visualisierungen in den Entwurfsprozess zu integrieren und die Konsistenz der Entwurfsverfeinerung zu erhalten. Um die geometrische LOD von Gebäudeelementen automatisch zu validieren, wurden geometrische Merkmale extrahiert, um die Komplexität jedes Elements bei jeder LOD darzustellen. Die extrahierten Merkmale wurden dann verwendet, um maschinelle Lernmodelle zu trainieren, die in der Lage sind, neue Elemente mit robuster Genauigkeit korrekt zu klassifizieren.
Anschließend wurden die Gebäudemodelle mit Informationen angereichert, die die Entwurfsabsicht und die Gründe für die getroffenen Entscheidungen dokumentieren können. Dadurch bleibt das Planungswissen erhalten und kann in Zukunft leichter wiederverwendet werden. Gebäudemodelle wurden mit Randbedingungen und Verknüpfungen zu Anforderungen und Vorschriften angereichert. Schließlich wurden Systeme zum Umschreiben von Graphen eingesetzt, um Detaillierungsmuster auf neue Projekte zu übertragen.
Das entwickelte Multi-LOD-Metamodell wurde an mehreren realen Anwendungsfällen evaluiert und hat seine Vorteile für das Informationsmanagement und die Verringerung von Unsicherheiten erfolgreich bewiesen. Darüber hinaus konnten Fachleute mithilfe der trainierten maschinellen Lernmodelle die semantische und geometrische Detaillierung mit hoher Genauigkeit validieren, und die Detaillierungsmuster wurden mithilfe von Graph-Transformationssystemen automatisch auf neue Projekte übertragen.
In dieser Forschungsarbeit wurde die formale Verwaltung und Wiederverwendung von Entwurfsinformationen untersucht, die zentrale Aspekte der Entwurfsentwicklung sind. Durch die Integration des entwickelten Rahmens in führende BIM-Tools kann ein höheres Maß an Effizienz und Leistung erreicht werden. Mit den aktuellen Fortschritten bei der Datenverarbeitung und dem maschinellen Lernen ist es von Vorteil, die entwickelten Methoden auf Anwendungsfälle in der Bau- und Betriebsphase anzuwenden.
Dr. Jimmy Abualdenien
TUM
Lehrstuhl für Computergestützte Modellierung und Simulation
https://mediatum.ub.tum.de/? id=1687886 jimmy.abualdenien@tum.de
