Application of artificial intelligence and machine learning for BIM

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Quality control is an integral component of building information modeling processes in architectural design. At each stage of the facility's life cycle, systematic collection and monitoring of key indicators is required. BIM technology, based on the intensive use of data, involves the use of complex computational methods such as image processing and analysis of large amounts of information. In this context, artificial intelligence and machine learning have proven effective in automating tasks and extracting valuable insights both in Russia and abroad. These technologies also make it possible to predict the need for maintenance and quality control with high accuracy, determining optimal time and spatial parameters. This article analyzes modern approaches to the integration of artificial intelligence and machine learning in architectural design, and discusses the prospects and challenges associated with the implementation of these technologies in architectural design, construction and landscape design. The purpose of the study is to form a comprehensive understanding of the current needs of architecture and the construction industry and the impact of artificial intelligence and machine learning on their development, as well as to identify areas for further scientific research. Special attention is paid to operational systems capable of solving complex tasks and learning from data, which ensures high accuracy in identifying patterns and predicting the life cycle of objects, especially when processing significant amounts of information.

Авторлар туралы

P. Pichugov

South Ural State University

Email: pichugovp@yandex.ru

S. Shabiev

South Ural State University

Email: shabievsg@susu.ru
ORCID iD: 0000-0001-9405-2079

Әдебиет тізімі

  1. Костюнина Т.Н. Технологии искусственного интеллекта в задачах BIM // BIM-моделирование в задачах строительства и архитектуры. Материалы II Международной научно-практической конференции (г. Санкт-Петербург, 15–17 мая 2019 г.). СПб, 2019. С. 80–85. https://doi.org/10.23968/BIMAC.2019.014. EDN: KAYEKZ.
  2. Anjum A., Hrairi M., Aabid A., Yatim N., Ali M. Civil Structural Health Monitoring and Machine Learning: A Comprehensive Review // Fracture and Structural Integrity. 2024. Vol. 18. Iss. 69. P. 43–59. https://doi.org/10.3221/IGF-ESIS.69.04.
  3. Bishop Ch.M. Pattern Recognition and Machine Learning. Springer: New York City, 2006. 746 p.
  4. Mannino A., Claudio Dejaco M., Re Cecconi F. Building Information Modelling and Internet of Things Integration for Facility Management – Literature Review and Future Needs // Applied Sciences. 2021. Vol. 11. Iss. 7. P. 1–25. https://doi.org/10.3390/app11073062.
  5. Alavi H., Gordo-Gregorio P., Forcada N., Bayramova A., Edwards D.J. AI-Driven BIM Integration for Optimizing Healthcare Facility Design // Buildings. 2024. Vol. 14. Iss. 8. P. 1–15. https://doi.org/10.3390/buildings14082354.
  6. Halawa F., Madathil S.C., Khasawneh M.T. Integrated Framework of Process Mining and Simulation–Optimization for Pod Structured Clinical Layout Design // Expert Systems with Applications. 2021. Vol. 185. P. 1–17. https://doi.org/10.1016/j.eswa.2021.115696.
  7. Rakha T., Gorodetsky A. Review of Unmanned Aerial System (UAS) Applications in The Built Environment: Towards Automated Building Inspection Procedures Using Drones // Automation in Construction. 2018. Vol. 93. P. 252–264. https://doi.org/10.1016/j.autcon.2018.05.002.
  8. Alizadehsalehi S., Hadavi A., Huang J.C. From BIM to Extended Reality in AEC Industry // Automation in Construction. 2020. Vol. 116. P. 1–13. https://doi.org/10.1016/j.autcon.2020.103254.
  9. Ammar A., Nassereddine H., Abdulbaky N., Aboukansour A., Tannoury J., Urban H. et al. Digital Twins in the Construction Industry: A Perspective of Practitioners and Building Authority // Frontiers in Built Environment. 2022. Vol. 8. P. 1–23. https://doi.org/10.3389/fbuil.2022.834671.
  10. Gal R., Alaluf Yu., Atzmon Yu., Patashnik Or, Bermano A.H., Chechik G. et al. An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion // ICLR. 2023. P. 1–31. https://doi.org/10.48550/arXiv.2208.01618.
  11. Radford A., Jong Wook Kim, Hallacy Ch., Ramesh A., Goh G., Agarwal S. et al. Learning Transferable Visual Models from Natural Language Supervision // Proceedings of the 38th International Conference on Machine Learning. 2021. Vol. 139. P. 1–16.
  12. Ramesh A., Pavlov M., Goh G., Gray S., Voss Ch., Radford A. et al. Zero-Shot Text-to-Image Generation // PMLR. 2021. P. 8821–8831. https://doi.org/10.48550/arXiv.2102.12092.
  13. Ramesh A., Dhariwal P., Nichol A., Chu C., Chen M. Hierarchical Text-Conditional Image Generation with CLIP Latents // Cornell University Arxiv. 2022. Vol. 1. Iss. 2. P. 1–27. https://doi.org/10.48550/arXiv.2204.06125.
  14. Seneviratne S., Senanayake D., Rasnayaka S., Vidanaarachchi R., Thompson J. DALLE-URBAN: Capturing The Urban Design Expertise of Large Text to Image Transformers // 2022 International Conference on Digital Image Computing: Techniques and Applications. 2022. P. 1–9. https://doi.org/10.1109/DICTA56598.2022.10034603.
  15. Paananen V., Oppenlaender J., Aku Visuri Using Text-to-Image Generation for Architectural Design Ideation // International Journal of Architectural Computing. 2024. Vol. 22. Iss. 3. P. 458–474. https://doi.org/10.1177/14780771231222783.
  16. Ploennigs J., Berger M. AI Art in Architecture // AI in Civil Engineering. 2023. Vol. 2. P. 1–11. https://doi.org/10.1007/s43503-023-00018-y.
  17. Carlini N., Hayes J., Nasr M., Jagielski M., Sehwag V., Tramèr F. et al. Extracting Training Data from Diffusion Models // 32nd USENIX Security Symposium. 2023. P. 5253–5270. https://doi.org/10.48550/arXiv.2301.13188.
  18. Ruiz N., Li Yu., Jampani V., Pritch Y., Rubinstein M., Aberman K. DreamBooth: Fine Tuning Text-toImage Diffusion Models for Subject-Driven Generation // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2023. P. 22500–22510. https://doi.org/10.48550/arXiv.2208.12242.
  19. Бамбетова К.В., Кабжихов А.А. Преимущества использования искусственного интеллекта в сфере строительства // Вопросы науки и образования. 2021. № 7. С. 32–34. EDN: WUYZDS.
  20. Колчин В.Н. Специфика применения технологии «искусственного интеллекта» в строительстве // Инновации и инвестиции. 2022. № 3. С. 250–253. EDN: JJLECU.
  21. Аманаков А.Х., Мурадова А.О., Сейдов А.И. Роль искусственного интеллекта в архитектурном проектировании: современные тенденции и перспективы // Вестник науки. 2024. Т. 2. № 4. С. 616–619. EDN: HCAAXA.
  22. Жилин В.В., Сафарьян О.А. Искусственный интеллект в системах хранения данных // Вестник Донского государственного технического университета. 2020. Т. 20. № 2. С. 196–200. https://doi.org/10.23947/1992-5980-2020-20-2-196-200. EDN: JIQSQI.
  23. Салех М.С. Внедрение цифровых методов на различных этапах архитектурного проектирования // Архитектура и современные информационные технологии. 2021. № 1. С. 268–278. https://doi.org/10.24412/1998-4839-2021-1-268-278. EDN: SKZHER.
  24. Касьянов Н.В. Архитектура в контексте развития искусственного интеллекта // Современная архитектура мира. 2020. № 2. С. 23–48. https://doi.org/10.25995/NIITIAG.2020.15.2.002. EDN: FAWSUP.
  25. Rombach R., Blattmann A., Lorenz D., Esser P., Ommer B. High-Resolution Image Synthesis with Latent Diffusion Models // 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022. P. 10674–10685. https://doi.org/10.1109/CVPR52688.2022.01042.
  26. Xiang Lisa Li, Percy Liang Prefix-Tuning: Optimizing Continuous Prompts for Generation // Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics and the 11th International Joint Conference on Natural Language Processing. 2021. Vol. 1. P. 4582–4597. https://doi.org/10.18653/v1/2021.acl-long.353.
  27. Huang Weixin., Zheng Hao Recognition and Generation of Architectural Drawings Using Machine Learning // Proceedings of the 38th Annual Conference of the Association for Computer-Aided Design in Architecture. 2018. P. 18–20. https://doi.org/10.52842/conf.acadia.
  28. Taesung Park, Ming-Yu Liu, Ting-Chun Wang, Jun-Yan Zhu Semantic Image Synthesis with SpatiallyAdaptive Normalization // 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019. P. 2332–2341. https://doi.org/10.1109/CVPR.2019.00244.
  29. Fürst A., Rumetshofer E., Tran V.T., Ramsauer H., Tang F., Lehner J. et al. CLOOB: Modern Hopfield Networks with InfoLOOB Outperform CLIP // ICLR 2022. 2022. P. 1–45.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Creative Commons License
Бұл мақала лицензия бойынша қолжетімді Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».