Parametrisierte Modellierung für den Einsatz von KI am Beispiel Betonbrückenbau

Für die Anwendung digitaler Methoden in der Ausführung bietet sich die Erfassung von Bauwerken oder Bauzuständen mithilfe von Laserscanning (LiDAR) an, um anschließend möglichst automatisiert Bauteile zu erkennen und für Baufortschrittskontrollen auszuwerten (Scan to BIM). Für die Bauteilerkennung eignen sich Methoden des Machine Learning, die für verschiedene Klassifikationsprobleme eingesetzt werden. Ein baupraktisches Klassifikationsproblem ist die semantische Segmentierung von Punktwolken, bei der einzelne Punkte bestimmten Bauteilklassen zugeordnet werden. Damit die Klassifikationsaufgaben mit ausreichender Genauigkeit gelöst werden, wird eine große Anzahl an Trainingsdaten benötigt. Im Beitrag werden synthetische Daten für das Training eines künstlich neuronalen Netzwerks (engl. Convolutional Neural Network CNN) hochparametrisiert und vollautomatisch bereitgestellt. Es wird eine Vorgehensweise für die Erstellung von Brückenmodellvariationen auf Grundlage der visuellen Programmierschnittstelle Dynamo in Autodesk Revit vorgeschlagen. Zu Beginn werden nationale Richtlinien für die Definition von Parametern evaluiert, um anschließend diese Parameter in adaptiven Vorlagen des parametrisierten Querschnitts des Überbaus zu verwenden. Der Unterbau wird analog in verschiedenen Vorlagen bereitgestellt. Diese werden entlang der Trassierung in verschiedenen Ausführungen platziert. Jedem Objekt werden Merkmale angehängt und beim Export im herstellerneutralen Datenformat IFC in eine Merkmalstruktur gruppiert. Mit dieser Vorgehensweise ergaben sich zahlreiche Variationen von Brückenmodellen, insbesondere auch Bauzwischenzustände, die für die semantische Segmentierung von Punktwolken und das Training eines CNN herangezogen werden können.

Parametrization in bridge construction for the application of artificial intelligence
For the application of digital methods in the execution phase, the acquisition of exisiting structures or the construction progress with the aid of LiDAR is a suitable method to subsequently detect components as automatically as possible and e. g., to evaluate them for construction progress monitoring. Machine learning methods are suitable for component detection and are used for various classification problems. One problem is the semantic segmentation of point clouds, in which the individual points are assigned to specific component classes. To solve the segmentation with sufficient accuracy and to make predictions on real data, a large amount of training data is needed. This process is also called “Scan to BIM”. In this paper, synthetic data for training a convolutionalneural network (CNN) is provided in a highly parameterized and fully automatic way. An approach for generating variations of bridge models based with the visual programming interface Dynamo in Autodesk Revit is proposed. At the beginning, guidelines for the definition of parameters are evaluated to subsequently use them in adaptive templates. Attributes are assigned to each component and grouped into a feature structure when exported to the IFC data format. This approach resulted in numerous variations of bridge models that can be used for semantic segmentation of point clouds and training of a CNN.