Richter, Constantin ; Brötzmann, Jascha (2022)
Merkmalsbasierte Kategorisierung im Building Information Model mithilfe von Machine Learning.
33. Forum Bauinformatik. München (07.-09.09.2022)
doi: 10.14459/2022md1686600
Konferenzveröffentlichung, Bibliographie

Kurzbeschreibung (Abstract)

Einhergehend mit wachsenden Kompetenzen in der 3D-Modellerstellung ist Building Information Modeling durch die aktive Nutzung als Informationsträger zunehmend in den Fokus gerückt. Die Kollaboration unter Einbeziehung externer Projektbeteiligter in heterogenen Softwareumgebungen setzt ein herstellerneutrales sowie softwareunabhängiges Datenformat voraus. In der vorliegenden Arbeit werden daher die Industry Foundation Classes (IFC) als offene Datenstruktur und Datenformat für Bauwerksdaten in diesem Kontext besprochen. Durch die computergestützte Wissensmodellierung nehmen Anzahl und Variationen notwendiger Spezifikationen zu. Neben einer einheitlichen Struktur ist daher ein gemeinsames Verständnis von Objekten sowie eine standardisierte Terminologie Voraussetzung für eine konstruktive Zusammenarbeit. Aus diesem Grund werden hierfür Klassifi kationssysteme als eines der wichtigsten Systeme zur Strukturierung von Informationen diskutiert. Hier eignet sich vor allem die VDI-Richtlinie 2552, welche die mögliche Einbindung verschiedener nationaler Klassifikationssysteme im Rahmen von IFC mithilfe von Merkmalen vorsieht. Auf dieser Grundlage wird schließlich die Möglichkeit der Automatisierung mittels Machine Learning untersucht. Der Einsatz von Decision-Tree-Algorithmen zur Unterstützung der merkmalsbasierten Kategorisierung eignet sich dabei zur Automatisierung von Klassifizierungsprozessen. Die Anforderungen an binäre Merkmale von Trainingsdaten für diese Algorithmen entsprechen im hohen Maß den Rahmenbedingungen hierarchisch numerisch strukturierter Klassifikationssysteme wie der DIN 276.

Frage zum Eintrag

Redaktionelle Details anzeigen