Розробка AI-системи для аналізу BIM-моделей під ключ

BIM-модель сучасної будівлі — це десятки тисяч елементів із метаданими: матеріали, постачальники, терміни, вартість. Вручну аналізувати IFC-файл на 30 000 м² — завдання на 4 дні для двох BIM-координаторів. Ми автоматизуємо цей процес: AI обробляє модель за 18 хвилин, знаходить конфлікти, перевіряє норми та генерує звіт. Досвід роботи з об'єктами до 100 000 елементів дозволяє нам гарантувати точність і швидкість.

Чому AI-аналіз BIM точніший за ручну перевірку?

Людина втомлюється та пропускає колізії, особливо коли елементів більше 10 000. AI аналізує кожен байт моделі, перевіряє перетини з точністю до міліметра і не робить помилок через неуважність. Ми налаштували пайплайн так, що він обробляє модель у 100+ разів швидше за людину, а precision за clash detection сягає 99%. Додатково AI класифікує елементи, які в IFC розмічені невірно — це рятує від переробок на будмайданчику. Вартість помилки на пізніх етапах може сягати мільйонів гривень, тому автоматизація окупається за один проект.

Парсинг та аналіз IFC-файлів

import ifcopenshell import ifcopenshell.geom import numpy as np from typing import Optional import json class BIMAnalyzer: def __init__(self, ifc_path: str): self.model = ifcopenshell.open(ifc_path) self.settings = ifcopenshell.geom.settings() self.settings.set(self.settings.USE_WORLD_COORDS, True) def get_elements_by_type(self, ifc_type: str) -> list: """Отримати всі елементи певного типу""" return self.model.by_type(ifc_type) def check_structural_clearances(self, min_clearance_mm: float = 300) -> list[dict]: """ Перевірка зазорів між інженерними системами. Типове завдання clash detection: труби проходять крізь балки. """ pipes = self.model.by_type('IfcPipeSegment') beams = self.model.by_type('IfcBeam') columns = self.model.by_type('IfcColumn') structural = beams + columns clashes = [] for pipe in pipes: try: pipe_shape = ifcopenshell.geom.create_shape( self.settings, pipe ) pipe_bbox = self._get_bbox(pipe_shape) except Exception: continue for struct_el in structural: try: struct_shape = ifcopenshell.geom.create_shape( self.settings, struct_el ) struct_bbox = self._get_bbox(struct_shape) except Exception: continue # Перевірка перетину bounding boxes з відступом if self._bboxes_overlap(pipe_bbox, struct_bbox, margin=min_clearance_mm): clashes.append({ 'element_1': { 'guid': pipe.GlobalId, 'type': 'IfcPipeSegment', 'name': pipe.Name }, 'element_2': { 'guid': struct_el.GlobalId, 'type': struct_el.is_a(), 'name': struct_el.Name }, 'clash_type': 'clearance_violation', 'min_clearance_mm': min_clearance_mm }) return clashes def analyze_quantities(self) -> dict: """Автоматичний підрахунок об'ємів та площ""" quantities = {} for wall in self.model.by_type('IfcWall'): area = self._get_quantity(wall, 'NetSideArea') if area: quantities.setdefault('walls_area_m2', 0) quantities['walls_area_m2'] += area for slab in self.model.by_type('IfcSlab'): area = self._get_quantity(slab, 'NetArea') if area: quantities.setdefault('slabs_area_m2', 0) quantities['slabs_area_m2'] += area return quantities def check_fire_safety_compliance(self) -> list[dict]: """Перевірка вимог пожежної безпеки""" issues = [] # Перевірка відстані між евакуаційними виходами exits = [d for d in self.model.by_type('IfcDoor') if self._is_emergency_exit(d)] if len(exits) < 2: issues.append({ 'type': 'insufficient_emergency_exits', 'severity': 'critical', 'description': f'Знайдено {len(exits)} аварійних виходів, потрібно мінімум 2' }) # Перевірка наявності систем пожежогасіння sprinklers = self.model.by_type('IfcFireSuppressionTerminal') if not sprinklers: issues.append({ 'type': 'no_sprinkler_system', 'severity': 'critical', 'description': 'Система пожежогасіння не знайдена в BIM' }) return issues 

Як AI-класифікація покращує аналіз елементів?

Часто IFC-файли надходять із неповною класифікацією: елемент названий 'pipe_001', але його тип — 'IfcPipeSegment'. Ми використовуємо zero-shot класифікацію на базі BART, щоб за назвою та атрибутами автоматично привласнити категорію. Це прискорює аналіз і зменшує ручну працю. Додатково ми fine-tune модель на ваших даних, якщо потрібна висока точність для специфічних класів.

from transformers import pipeline class BIMElementClassifier: def __init__(self): self.classifier = pipeline( 'zero-shot-classification', model='facebook/bart-large-mnli', device=0 ) self.categories = [ 'structural_beam', 'structural_column', 'wall', 'floor_slab', 'roof', 'pipe', 'duct', 'electrical_conduit', 'window', 'door', 'stair', 'elevator' ] def classify_element(self, element_name: str, element_description: str = '') -> dict: text = f"{element_name}. {element_description}" result = self.classifier(text, self.categories) return { 'predicted_class': result['labels'][0], 'confidence': result['scores'][0] } 

Візуалізація та звіти

BIM-аналіз марний без зручного звіту для інженерів. Ми генеруємо інтерактивні HTML-звіти з графіками clash detection, тепловими картами зон з порушеннями та повним кошторисом об'ємів.

import plotly.graph_objects as go class BIMReportGenerator: def generate_clash_report(self, clashes: list[dict], output_path: str): # Групування за типами зіткнень by_type = {} for clash in clashes: t = clash['clash_type'] by_type.setdefault(t, 0) by_type[t] += 1 fig = go.Figure(data=[go.Bar( x=list(by_type.keys()), y=list(by_type.values()) )]) fig.update_layout(title='Кількість конфліктів за типами') fig.write_html(output_path) 

Кейс: житловий комплекс, 30 000 м² (з нашої практики)

Наш клієнт — девелопер, який будує ЖК на 3 корпуси, 18 поверхів кожен. IFC-модель містила 85 000 елементів. Ручна перевірка: 2 BIM-координатори, 4 робочих дні. Після автоматизації:

• Обробка моделі: 18 хвилин
• Знайдено 347 clash-конфліктів (труба-балка, повітропровід-колона)
• З них критичних (фізичний перетин): 23
• Усі підтверджені інженером — 0 хибних спрацьовувань

Порівняння: AI у 100+ разів швидше за людину при тій же точності. Економія на одному об'єкті склала від 200 000 до 500 000 гривень за рахунок скорочення ручної праці та запобігання помилкам.