[論文レビュー] CBIM: A Graph-based Approach to Enhance Interoperability Using Semantic Enrichment

Zijian Wang, Huaquan Ying+2 more|arXiv (Cornell University)|Apr 23, 2023

3D Surveying and Cultural Heritage被引用数 4

ひとこと要約

本稿では、機械学習およびルールベース手法を用いて純粋な建物オブジェクトの幾何形状を意味的に拡張することで、BIM相互運用性を向上させるグラフベースのアプローチであるCBIMを提案する。この手法はオブジェクトを分類し、ホスティングや隣接関係などの関係を推論し、属性を計算し、BIM知識グラフを構築する。その結果、Revit 2023からエクスポートされた幾何形状のみを用いて、Revit 2022モデルを完全に一貫性を持って再構築することに成功した。

ABSTRACT

Interoperability remains a challenge in the construction industry. In this study, we propose a semantic enrichment approach to construct BIM knowledge graphs from pure building object geometries and demonstrate its potential to support BIM interoperability. Our approach involves machine learning and rule-based methods for object classification, relationship determination (e.g., hosting and adjacent) and attribute computation. The enriched results are compiled into a BIM graph. A case study was conducted to illustrate the approach for facilitating interoperability between different versions of the BIM authoring software Autodesk Revit. First, pure object geometries of an architectural apartment model were exported from Revit 2023 and fed into the developed tools in sequence to generate a BIM graph. Then, essential information was extracted from the graph and used to reconstruct an architectural model in the version 2022 of Revit. Upon examination, the reconstructed model was consistent with the original one. The success of this experiment demonstrates the feasibility of generating a BIM graph from object geometries and utilizing it to support interoperability.

研究の動機と目的

• データ・スロットとフォーマットの不適合性が原因で長年の相互運用性の課題が生じている建設業界の課題を解決すること。
• 既存のBIMメタデータに依存せずに、純粋な建物オブジェクトの幾何形状に対する意味的拡張を可能にすること。
• オブジェクトの意味的性質、関係性、属性を捉えるためのグラフベースのフレームワークを構築すること。
• 純粋な幾何データと意味的拡張のみを用いて、異なるバージョンのRevit間でBIMモデルを再構築する可能性を実証すること。
• AECワークフローにおける損失なしのデータ移行と意味的相互運用性の基盤を確立すること。

提案手法

• 純粋な幾何形状からのオブジェクト分類に、機械学習とルールベース論理を組み合わせたハイブリッドアプローチを採用する。
• 空間的およびトポロジカルなヒューリスティクスを用いて、ホスティングや隣接関係などの意味的関係を推論する。
• ルールベース推論と幾何的文脈解析を用いて、属性（例：機能、材料）を計算する。
• RDF/OWLに類似したグラフ表現を用いて、すべての拡張済みデータを構造化されたBIM知識グラフに統合する。
• パイプラインの出発点として、Revit 2023から幾何形状をエクスポートする。
• BIMグラフから抽出された意味的および幾何的情報を用いて、Revit 2022モデルを再構築する。

実験結果

リサーチクエスチョン

• RQ1 純粋な建物オブジェクトの幾何形状から意味的拡張を施すことで、機能的なBIMモデルを再構築することは可能か？
• RQ2 機械学習とルールベースシステムが、幾何形状のみから意味的関係（例：ホスティング、隣接）をどの程度正確に推論できるか？
• RQ3 BIM知識グラフは、異なるバージョンのRevit間での正確な相互運用性を実現できるか？
• RQ4 再構築されたモデルは、元のモデルと比較して、意味的および幾何的忠実度をどの程度保持しているか？
• RQ5 グラフベース表現を用いて、BIMフォーマットおよびバージョンのギャップを埋めることが可能か？

主な発見

• 提案されたCBIMフレームワークは、Revit 2023からエクスポートされた純粋な幾何形状から、Revit 2022モデルを正常に再構築した。
• 再構築されたモデルは、幾何形状、オブジェクト階層、意味的関係の点で元のモデルと一貫していた。
• 機械学習とルールベース推論の組み合わせにより、幾何形状のみから意味的拡張が可能であることが実証された。
• BIM知識グラフは、モデル再構築に必要なオブジェクトタイプ、関係性、属性を効果的にエンコードしていた。
• ケーススタディにより、グラフベースの意味的拡張が、異なるBIMソフトウェアバージョン間での相互運用性を実現する可能性を確認した。
• 再構築されたモデルでは、構造的または意味的情報の損失が観察されず、アプローチの忠実度が裏付けられた。