[论文解读] 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 4

一句话总结

本文提出CBIM，一种基于图的方案，通过结合机器学习与基于规则的方法，对纯建筑对象几何体进行语义增强，从而提升BIM互操作性。该方法对对象进行分类，推断关系（例如，依附、邻接），计算属性，并构建BIM知识图谱，成功实现了从Revit 2023导出的几何数据重建Revit 2022模型，且保持完全一致性。

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.

研究动机与目标

• 解决因数据孤岛和格式不兼容导致的建筑行业持续存在的互操作性挑战。
• 在不依赖现有BIM元数据的前提下，实现对纯建筑对象几何体的语义增强。
• 开发一种基于图的框架，以捕捉对象语义、关系与属性，提升数据交换能力。
• 展示仅使用几何数据与语义增强技术，即可在不同版本的Revit之间重建BIM模型的可行性。
• 为AEC工作流中的无损数据迁移与语义互操作性奠定基础。

提出的方法

• 采用混合方法，结合机器学习与基于规则的逻辑，从纯几何体中进行对象分类。
• 利用空间与拓扑启发式方法，推断对象之间的语义关系（如依附、邻接）。
• 通过基于规则的推理与几何上下文分析，计算属性（例如，功能、材料）。
• 使用类似RDF/OWL的图表示形式，将所有增强后的数据整合为结构化的BIM知识图谱。
• 以从Revit 2023导出的几何数据作为流水线的起点。
• 利用从BIM图谱中提取的语义与几何信息，重建Revit 2022模型。

实验结果

研究问题

• RQ1 能否通过对纯建筑对象几何体进行语义增强，实现功能性BIM模型的重建？
• RQ2 在仅依赖几何数据的前提下，机器学习与基于规则的系统在多大程度上可推断出语义关系（如依附、邻接）？
• RQ3 BIM知识图谱是否能实现不同版本Revit之间的准确互操作？
• RQ4 重建模型在语义与几何保真度方面与原始模型相比表现如何？
• RQ5 使用基于图的表示方法弥合BIM格式与版本差异的可行性如何？

主要发现

• 所提出的CBIM框架成功地从Revit 2023导出的纯几何数据中重建了Revit 2022模型。
• 重建模型在几何、对象层次结构及语义关系方面与原始模型保持一致。
• 该方法证明了仅通过几何数据结合机器学习与基于规则的推理，即可实现语义增强。
• BIM知识图谱有效编码了模型重建所必需的对象类型、关系与属性。
• 案例研究证实，基于图的语义增强具有实现跨BIM软件版本互操作性的潜力。
• 重建模型中未观察到结构或语义信息的损失，验证了该方法的保真度。