Метод створення графів на основі BIM-моделей для предиктивного моніторингу будівель
DOI:
https://doi.org/10.32347/2412-9933.2025.64.247-258Ключові слова:
графова нейронна мережа, фізично обґрунтований граф, трансформація даних, BIM-модель, IFC-файлАнотація
Розроблено та верифіковано методологію автоматизованого перетворення BIM-моделей у фізично обґрунтовані графові представлення, придатні для подальшого застосування в задачах прогнозування довговічності будівель. Вирішено такі завдання: розробка методу перетворення BIM-даних у графову структуру, де вершини представляють фізичні елементи, а ребра – їхні конструктивні та просторові взаємозв’язки; створення системи критеріїв для оцінки коректності роботи методу, що включає кількісну та якісну перевірку; експериментальна апробація розробленого методу на наборі еталонних BIM-моделей різного масштабу для підтвердження його надійності та точності. Розроблено метод BuildIFCGraph, який поєднує спеціалізований геометричний аналіз типових конструктивних вузлів, загальний аналіз перетинів елементів та обробку семантичної інформації з IFC-схеми. Верифікацію методу проведено на трьох еталонних моделях із бібліотеки KIT: «AC20-FZK-Haus» (40 вершин), «AC20- Institute-Var-2» (448 вершин) та «AC20-Smiley-West-10-Bldg» (831 вершина). Кількісна оцінка показала повну відповідність за критеріями ідентифікації вершин та конструктивних ребер для всіх моделей. Якісна візуальна перевірка на прикладі моделі «AC20-FZK-Haus» підтвердила, що метод коректно розрізняє несучі взаємодії та зв'язки просторової суміжності. Розроблений метод є інструментарієм для автоматизованого створення графів, які слугують основою для побудови графових нейронних мереж (GNN), здатних прогнозувати поширення деградаційних процесів. Це відкриває перспективи для впровадження систем проактивного управління безпекою та життєвим циклом будівельних активів. Напрями подальших досліджень включають розробку математичних моделей для визначення фізичного стану елементів залежно від часу та умов експлуатації, а також створення архітектури GNN для предиктивного аналізу.
Посилання
Solihin, W., Liu, Z., Lu, Y., & Wei, L. (2024). BIM-based automated rule-checking in the AECO industry: Learning from semiconductor manufacturing. Automation in Construction, 162, Article 105406. https://doi.org/10.1016/j.autcon.2024.105406.
Solovei, O., Honcharenko, T., & Fesan, A. (2024). Technologies to manager big data of urban building projects. Management of Development of Complex Systems, 60, 121–128. https://doi.org/10.32347/2412-9933.2024.60.121-128.
Zhu, J., Chong, H. Y., Zhao, H., Wu, J., Tan, Y., & Xu, H. (2022). The application of graph in BIM/GIS integration. Buildings, 12(12), Article 2162. https://doi.org/10.3390/buildings12122162.
Liu, B., Xue, J., Lehane, B. M., & Yin, Z. Y. (2024). Time-dependent soil–structure interaction analysis using a macroelement foundation model. Engineering Structures, 308, Article 118046. https://doi.org/10.1016/j.engstruct.2024.118046.
Kenshel, O. M., O’Connor, A. J., Suleiman, M. F., & Jarushi, F. E. (2021). Role of spatial variability in the service life prediction of RC bridges affected by corrosion. Journal of Civil & Environmental Engineering, 11 (2), 1–12.
Shao, C., Xu, Y., Chen, H., Zheng, S., & Qin, X. (2023). Ordinary Kriging interpolation method combined with FEM for arch dam deformation field estimation. Mathematics, 11(5), Article 1106. https://doi.org/10.3390/math11051106.
Radbakhsh, S. H., Nik-Bakht, M., & Zandi, K. (2023). Structural Digital Twin of concrete infrastructure powered with physics-informed neural networks. In Interdisciplinary Symposium on Smart & Sustainable Infrastructures (pp. 1101–1113). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-53389-1_97.
Maurizi, M., Gao, C., & Berto, F. (2022). Predicting stress, strain and deformation fields in materials and structures with graph neural networks. Scientific Reports, 12, Article 21834. https://doi.org/10.1038/s41598-022-26424-3.
Wu, X., Liu, Z., & Wang, L. (2025). Spatio-temporal degradation model with graph neural network and structured state space model for remaining useful life prediction. Reliability Engineering & System Safety, 256, Article 110770. https://doi.org/10.1016/j.ress.2024.110770.
BuildingSMART. (2023). Industry Foundation Classes (IFC) 4.3.2 Documentation. https://ifc43-docs.standards.buildingsmart.org/
Karlsruhe Institute of Technology. (2023). KIT IFC Examples. https://www.ifcwiki.org/index.php?title=KIT_IFC_Examples.
Wikipedia. (2024). Karlsruhe Institute of Technology (KIT). https://en.wikipedia.org/wiki/Karlsruhe_Institute_of_Technology.
ACCA Software. (2023). BIM Viewer software application. https://www.accasoftware.com/en/bim-viewer.
Honcharenko, T. (2020). Cluster method of forming metadata of multidimensional information systems for solving general planning problems. Management of Development of Complex Systems, 42, 93–101. https://doi.org/10.32347/2412-9933.2020.42.93-101.
Dolhopolov, S., Honcharenko, T., Savenko, V., Balina, O., Bezklubenko, I. S., & Liashchenko, T. (2023). Construction site modeling objects using artificial intelligence and BIM technology: A multi-stage approach. In 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST) (pp. 174–179). IEEE. https://doi.org/10.1109/SIST58284.2023.10223543.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Ольга Леонідівна Соловей, Тетяна Андріївна Гончаренко

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.