Machine learning applied to building information models

Abstract

Digitalisation is among prominent concepts in the AEC industry within the scope of Construction 4.0. Effective data management is essential to enable the digitalisation of construction. Converting raw data into knowledge requires the ability to convert data into information by making sense of it in a particular context. Only then information can be converted into knowledge by both humans and machines. As such, this work adopts a learning perspective for machines to learn from data stored in Building Information Modelling (BIM) Models, the modern information management repositories in the sector. This study suggests that BIM Models represent an opportunity to explore large data sets which can improve the industry’s knowledge management and performance. Machine Learning (ML) is a scientific domain including several computational techniques which open new horizons in the learning process, to the extent of finding patterns that are sometimes difficult to be discovered by the human eye and that could insightfully challenge the current construct of AEC. The methodology of the dissertation included a literature review and a case study. A literature review of state-of-the-art applications of ML on BIM or ML to spatial design was performed. It has been observed a lack of extensive works on application ML to spatial design through BIM models. This gap was considered a research opportunity, leading to the development of a case study that intended to test a proposed framework of ML application to BIM models. The steps of implementation of the case study included: (i) extracting data from BIM models; (ii) modifying, filtering and merging the data; (iii) training and testing ML model. Convolutional Neural Network and Graph Neural Network algorithms were used for this case study. As a final output of the application, the automatic labelling of the spaces was idealised. The study concludes that the application of ML from BIM models requires meeting specific criteria, which are yet proven to be a challenge in the context of the sector. Firstly, Machine Learning needs a large amount of input data to operate. Secondly, the data also needs to be appropriately collected, filtered and stored. Thirdly, the data shall be converted into information to facilitate the learning process. In the case study presented, the Space Syntax technique was identified as a linking tool to convert BIM models data into information to be processed by ML algorithms. Notwithstanding the expected hurdles to be overcome in AEC, this study suggests that BIM models, along with the introduction of adequate interoperability measures, can change the paradigm of the industry. The ability to manipulate large amounts of information can facilitate insight and challenge the current mechanisms of information and knowledge management in the industry.

A digitalização está entre os conceitos proeminentes na indústria de AEC no âmbito da Construção 4.0. A gestão de dados eficaz é essencial para permitir a digitalização da construção. O processo de conversão de dados sem tratamento em conhecimento requer a capacidade de converter estes dados em informações, dando-lhes sentido num determinado contexto. Só então, a informação pode ser convertida em conhecimento por humanos e máquinas. Assim, este trabalho adota uma perspectiva de aprendizagem em que as máquinas aprendem a partir de dados armazenados em Modelos de Modelação de Informação na Construção (BIM), os modernos repositórios de gestão de informação do setor. Este estudo sugere que os Modelos BIM representam uma oportunidade para explorar grandes conjuntos de dados, podendo melhorar a gestão do conhecimento e o desempenho da indústria. O Aprendizagem de Máquina (ML) é um domínio científico que inclui várias técnicas computacionais, que abre novos horizontes no processo de aprendizagem, que se estendem à descoberta de padrões, eventualmente difíceis de serem descobertos pelo olho humano e que podem desafiar de modo perspicaz a construção atual de AEC. A metodologia da dissertação incluiu uma revisão da literatura e um estudo de caso. Foi realizada uma revisão da literatura do estado da arte das aplicações de ML em BIM e de ML ao desenho de espaços. Tem-se observado uma falta de trabalhos amplos focados na aplicação de ML ao desenho de espaços através de modelos BIM. Essa lacuna foi considerada uma oportunidade de investigação, levando ao desenvolvimento de um estudo de caso. O estudo de caso pretendeu testar uma proposta estruturada na aplicação de ML para modelos BIM. As etapas de implementação do estudo de caso incluíram: (i) extração de dados de modelos BIM; (ii) modificar, filtrar e mesclar os dados; (iii) treinar e testar o modelo de ML. Os algoritmos de Rede Neural Convolucional e de Rede Neural de Gráfico foram usados para este estudo de caso. O estudo conclui que a aplicação de ML a partir de modelos BIM exige o cumprimento de critérios específicos que ainda se revelaram um desafio no contexto do setor. Em primeiro lugar, a Aprendizagem de Máquina necessita de uma grande quantidade de dados de entrada para operar. Em segundo lugar, os dados também precisam ser adequadamente recolhidos, filtrados e armazenados. Em terceiro lugar, os dados devem ser convertidos em informação para facilitar o processo de aprendizagem. No estudo de caso apresentado, a técnica de Sintaxe Espacial foi identificada como uma ferramenta de ligação para conversão de dados de modelos BIM em informação a ser processada por algoritmos de ML. Apesar dos obstáculos esperados a serem superados no AEC, este estudo sugere que os modelos BIM, juntamente com a introdução de medidas de interoperabilidade adequadas, podem mudar o paradigma da indústria. A capacidade de manipular grandes quantidades de informação pode facilitar o discernimento e desafiar os mecanismos atuais de gestão da informação e do conhecimento na indústria.