Kan AI forstå din BIM-model?

Hvordan ved AI, hvilke kollisioner der er alvorlige?

Et interessant aspekt ved forskningen er, hvilke oplysninger algoritmerne bruger til at skelne mellem forskellige typer kollisioner. Forskerne anvendte blandt andet geometriske data som afstande, vinkler og indtrængningsdybde mellem objekter. Derudover indgik oplysninger om objekternes kategorier og faglige tilhørsforhold.

En kollision mellem to installationer kan eksempelvis have andre tekniske konsekvenser end et sammenstød mellem en installation og en bærende konstruktion.

Ved at kombinere geometriske og objektbaserede oplysninger kan algoritmerne lære mønstre fra kollisioner, som tidligere er blevet vurderet af fagpersoner.

Forskerne afprøvede flere maskinlæringsmetoder, blandt andet Random Forest, XGBoost og multilayer perceptron, samt en kombination af modellerne.

Det adskiller sig fra traditionel regelbaseret kollisionskontrol, hvor softwaren identificerer sammenstød ud fra eksempelvis geometriske overlap og fastsatte tolerancer.

Machine learning tilføjer et ekstra lag, hvor systemet forsøger at forudsige, hvilke sammenstød der sandsynligvis er relevante. Men der er en vigtig begrænsning: AI lærer sammenhænge i data. Det betyder ikke nødvendigvis, at teknologien forstår konstruktionens funktion.

En kollision er ikke altid en konstruktionsfejl

Forestil dig, at en ventilationskanal føres gennem en bærende betonvæg.

AI kan registrere, at de to objekter skærer hinanden. Den kan måske også genkende, at tilsvarende kollisioner tidligere er blevet vurderet som acceptable.

Men om gennembrydningen faktisk er forsvarlig, afhænger af langt mere end geometrien.

• Har åbningen betydning for væggens bæreevne?
• Er der taget højde for armeringen?
• Er brandkravene opfyldt?
• Og er den nødvendige forstærkning projekteret?

Det er forhold, som ikke nødvendigvis fremgår af de informationer, algoritmen analyserer.

En AI-model kan derfor klassificere en kollision korrekt ud fra de mønstre, den er trænet på, uden at have foretaget en egentlig konstruktionsfaglig vurdering.

Den skelnen er afgørende, når AI skal bruges i praksis.

At frasortere irrelevante registreringer er én opgave. At dokumentere, at en konstruktion er sikker og overholder gældende krav, er en helt anden.

BIM-data er ikke automatisk klar til AI

En anden udfordring er kvaliteten af de data, algoritmerne arbejder med.

En BIM-model kan indeholde langt mere end geometri. Den kan også rumme oplysninger om bygningsdelenes materialer, egenskaber, klassifikationer og indbyrdes relationer.

Med den åbne standard Industry Foundation Classes (IFC), som udvikles af buildingSMART International, kan sådanne informationer udveksles mellem forskellige softwareprogrammer.

Eksempelvis kan en væg være repræsenteret som et IfcWall-objekt med tilknyttede egenskaber.

Men selvom IFC giver en fælles struktur til udveksling af data, garanterer standarden ikke, at informationerne er fuldstændige eller korrekte.

En bygningsdel kan være klassificeret upræcist, relevante egenskaber kan mangle, og modelleringspraksis kan variere fra projekt til projekt.

Det kan skabe problemer for AI.

I det aktuelle forskningsstudie anvendte forskerne blandt andet geometriske data, objektkategorier og oplysninger om fagdiscipliner, som blev udtrukket gennem Navisworks. Forsøget dokumenterer dermed ikke, at AI generelt kan forstå IFC-filer eller alle typer BIM-modeller.

Hvis en algoritme er trænet på bestemte objekttyper og egenskaber, er det heller ikke sikkert, at den fungerer lige så godt på en model, hvor informationerne er registreret anderledes.

Derfor bliver ensartet objektklassifikation, klare informationskrav og kvalitetssikring vigtige forudsætninger, hvis AI skal anvendes på tværs af byggeprojekter.

Kan resultaterne overføres til et dansk byggeprojekt?

Forskningsresultaterne er lovende, men et centralt spørgsmål er, hvor godt AI-modellerne fungerer uden for de projekter og datasæt, de er udviklet og afprøvet på.

Byggeprojekter varierer i kompleksitet, konstruktionstyper, installationsprincipper og modelleringsmetoder.

En algoritme, der er god til at klassificere kollisioner i én type byggeri, vil derfor ikke nødvendigvis opnå samme resultat i et andet.

Selvom forskerne også har undersøgt løsningens funktion på nye projektdata, er der ikke dokumenteret en systematisk afprøvning på tværs af mange forskellige bygningstyper og projektorganisationer.

Det kræver yderligere validering, før man kan forvente tilsvarende resultater i eksempelvis danske byggeprojekter.

Samtidig er det vigtigt at se på, hvilke fejl AI overser.

Selv en model med høj samlet præcision kan være problematisk, hvis de få oversete kollisioner netop er dem, der har størst betydning for byggeriets sikkerhed eller funktion.

I forskernes sammenligning med erfarne BIM-koordinatorer opstod der blandt andet uoverensstemmelser i vurderingen af visse ventilationskonflikter. Det illustrerer, at algoritmens vurdering ikke altid afspejler de faglige prioriteringer, som koordinatorerne foretager.

Derfor handler udviklingen både om at gøre algoritmerne mere præcise og - ikke mindst - at dokumentere deres begrænsninger og sikre, at resultaterne kan efterprøves.

Ingeniøren skal forstå det, AI ikke ser

AI-baseret kollisionskontrol kan blive et vigtigt redskab i den digitale projektering.

Forskningen viser, at machine learning kan reducere mængden af manuelle vurderinger og gøre arbejdet med BIM-modeller mere effektivt.

Men den viser også, hvor vigtigt det er at skelne mellem automatisk klassifikation og egentlig teknisk kvalitetssikring.

For ingeniører og BIM-specialister betyder det, at evnen til at forstå modellernes datagrundlag og vurdere algoritmernes resultater kan blive en stadig vigtigere kompetence.

Hvis et AI-system klassificerer en kollision som irrelevant, skal det være muligt at undersøge, hvilke oplysninger vurderingen bygger på, og om væsentlige tekniske forhold mangler.

Det næste skridt bliver derfor ikke blot at lade AI gennemgå flere bygningsmodeller, men at sikre, at teknologien arbejder med de rigtige informationer og anvendes inden for dokumenterede rammer.

For AI kan godt lære, at to bygningsdele normalt må krydse hinanden. Men det kræver fortsat byggefaglig viden at afgøre, om de må gøre det i netop din konstruktion.