[논문 리뷰] CBIM: A Graph-based Approach to Enhance Interoperability Using Semantic Enrichment

Zijian Wang, Huaquan Ying외 2명|arXiv (Cornell University)|2023. 04. 23.

3D Surveying and Cultural Heritage인용 수 4

한 줄 요약

이 논문은 기계학습과 규칙 기반 방법을 활용해 순수한 건축물 객체 기하학을 의미적으로 풍부하게 하는 그래프 기반 접근법인 CBIM을 제안한다. 이 방법은 객체를 분류하고 관계(예: 호스팅, 인접성)를 추론하며 속성을 계산하고 BIM 지식 그래프를 구축하여 Revit 2023에서 내보낸 기하학적 데이터만으로도 Revit 2022 모델을 완전히 일관성 있게 재구성하는 데 성공한다.

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.

연구 동기 및 목표

• 데이터 사각지대와 포맷 호환성 문제로 인해 지속적으로 발생하는 건설 산업 내 상호운용성 문제를 해결하기 위해.
• 기존 BIM 메타데이터에 의존하지 않고 순수한 건축물 객체 기하학을 의미적으로 풍부하게 하기 위해.
• 객체 의미, 관계, 속성을 포괄하는 개선된 데이터 교환을 위한 그래프 기반 프레임워크를 개발하기 위해.
• 기하학적 데이터와 의미적 풍부화만을 사용해 서로 다른 Revit 버전 간 BIM 모델 재구성의 가능성을 입증하기 위해.
• AEC 워크플로우에서 손실 없는 데이터 마이그레이션과 의미 상호운용성을 위한 기반을 마련하기 위해.

제안 방법

• 순수한 기하학적 데이터에서 객체 분류를 위해 기계학습과 규칙 기반 논리의 융합된 접근법을 사용한다.
• 공간적 및 토폴로지 히우리스틱을 활용해 객체 간 호스팅, 인접성 등의 의미 관계를 추론한다.
• 기하학적 맥락 분석과 규칙 기반 추론을 통해 속성(예: 기능, 재질)을 계산한다.
• RDF/OWL 유사한 그래프 표현 방식을 사용해 모든 풍부화된 데이터를 구조화된 BIM 지식 그래프로 통합한다.
• 파ip라인의 시작점으로서 Revit 2023에서 기하학적 데이터를 내보낸다.
• BIM 그래프에서 추출한 의미적 및 기하학적 정보를 사용해 Revit 2022 모델을 재구성한다.

실험 결과

연구 질문

• RQ1 순수한 건축물 객체 기하학적 데이터로부터 의미적 풍부화를 통해 기능적인 BIM 모델을 재구성할 수 있는가?
• RQ2 기계학습과 규칙 기반 시스템이 기하학적 데이터만으로 의미 관계(예: 호스팅, 인접성)를 어느 정도 추론할 수 있는가?
• RQ3 BIM 지식 그래프가 서로 다른 버전의 Revit 간 정확한 상호운용성을 가능하게 할 수 있는가?
• RQ4 재구성된 모델이 원본 모델 대비 의미적 및 기하학적 정밀도를 얼마나 잘 유지하는가?
• RQ5 그래프 기반 표현 방식이 BIM 포맷 및 버전 간 격차를 메우는 데 얼마나 유용한가?

주요 결과

• 제안된 CBIM 프레임워크는 Revit 2023에서 내보낸 순수한 기하학적 데이터로부터 Revit 2022 모델을 성공적으로 재구성했다.
• 재구성된 모델은 기하학, 객체 계층 구조, 의미 관계 측면에서 원본 모델과 일관성을 유지하는 것으로 확인되었다.
• 기계학습과 규칙 기반 추론의 조합을 통해 기하학적 데이터만으로도 의미적 풍부화가 가능하다는 것이 입증되었다.
• BIM 지식 그래프는 모델 재구성에 필요한 객체 유형, 관계, 속성을 효과적으로 인코딩했다.
• 사례 연구를 통해 그래프 기반 의미 풍부화가 다양한 BIM 소프트웨어 버전 간 상호운용성을 가능하게 할 잠재력을 확인했다.
• 재구성된 모델에서 구조적 또는 의미적 정보 손실가 관찰되지 않아, 이 방법의 정밀도가 검증되었다.