Skip navigation
Veuillez utiliser cette adresse pour citer ce document : http://repositorio.unb.br/handle/10482/45843
Fichier(s) constituant ce document :
Fichier Description TailleFormat 
2022_RaíLuzBarbosa.pdf5,39 MBAdobe PDFVoir/Ouvrir
Titre: Potencial do uso de técnicas de machine learning para o enriquecimento semântico de modelos BIM para a classificação de espaços residenciais
Auteur(s): Barbosa, Raí Luz
metadata.dc.contributor.email: railuz.barbosa@gmail.com
Orientador(es):: Evangelista Junior, Francisco
Assunto:: Building Information Modeling (BIM)
Sistemas BIM
Enriquecimento semântico
Aprendizagem de máquina
Classificação multiclasse
Date de publication: 28-avr-2023
Référence bibliographique: BARBOSA, Raí Luz. Potencial do uso de técnicas de machine learning para o enriquecimento semântico de modelos BIM para a classificação de espaços residenciais. 2022. ix, 89 f., il. Dissertação (Mestrado em Estruturas e Construção Civil) — Universidade de Brasília, Brasília, 2022.
Résumé: O processo BIM surgiu na indústria da AEC com a proposta de desenvolver um modelo digital de uma edificação para que este pudesse auxiliar nas etapas da concepção do projeto, construção, gerenciamento e manutenção. Estes modelos possuem uma grande quantidade de informações que, constantemente, precisam ser trocadas entre as diversas disciplinas envolvidas. Como essas disciplinas utilizam ferramentas diferentes para a leitura das informações do modelo, é importante garantir a troca de informações de forma completa, para se evitar o trabalho de correção e/ou acréscimo de dados. O padrão de troca de informações aberto e não proprietário IFC foi criado para que houvesse interoperabilidade entre os diferentes softwares que se baseiam no processo BIM. Entretanto, devido à complexidade dos modelos digitais e à grande variedade de softwares que possam a vir se envolver no projeto, ainda é comum que haja perda de informações. Surgiu-se, então, a necessidade de utilização de metodologias que auxiliassem no processo de interoperabilidade e promoção do enriquecimento semântico de arquivos IFC. Entre essas metodologias, o machine learning (ML) vem ganhando espaço, com suas diversas técnicas que utilizam o processo de aprendizagem por treinamento para a predição de novas informações. Este trabalho propõe e valida modelos de ML e estratégias de análise de dados como potencial para o enriquecimento semântico de modelos BIM para melhorar a interoperabilidade entre projetos de arquitetura e engenharia. Diversas técnicas ML (k-Nearest Neighbor, Bagged Tree, SVM-Gaussiana, SVMQuadrática e SVM-Cúbica) foram implementadas na classificação de espaços em modelos residenciais. Além dos tradicionais classificadores binários, foram propostas duas técnicas por votação, multiclasse-binário e ensemble, para melhorar a acurácia e diminuir o overfitting durante o processo de classificação. Os resultados demonstram que as técnicas por votação podem ser usadas com sucesso como estratégias de enriquecimento semântico para classificar, de forma precisa, classes de espaços residenciais a partir de variáveis simples e fáceis de se obter de arquivos IFC. As estratégias e técnicas propostas podem melhorar a interoperabilidade de modelos BIM, classificando de forma eficiente espaços residenciais sem a necessidade direta de intervenção humana.
Abstract: The BIM process emerged in the AEC industry with the proposal to develop a digital model of a building to assist the project conception, the building process and the management and maintenance of the building. These models have a large amount of information that constantly needs to be exchanged between the various disciplines involved in the project. As these disciplines use different tools for reading the model’s information, it is important to guarantee a complete exchange of information to avoid correction and/or addition of data. The nonproprietary IFC file was created so that there would be interoperability between the different software that are based on the BIM process. However, due to the complexity of the digital models and the wide variety of software that may be involved in the project, it is still common for information to be lost. Because of that, there was a need to use methodologies that would help in the interoperability process and promote the semantic enrichment of IFC files. Among these methodologies, machine learning (ML) has been gaining ground, with its various techniques that use the learning from experience process to predict new information. This paper proposes and validates ML models and strategies of data analysis to promote the semantic enrichment of Building Information Modeling (BIM) to improve interoperability among architectural and engineering applications. Various ML techniques (k-Nearest Neighbor, Bagged Tree, SVM-Gaussian, SVM-Quadratic e SVM-Cubic) were implemented to classify room types of residential building models. In addition to traditional binary classifiers, it was proposed two voting techniques, namely multiclass-binary and ensemble, to improve the accuracy of the classifications and decrease overfitting during the training process. Real architectural design data of residential buildings with 8 different classes of rooms were used to train the classifiers in scenarios with different feature variables selection. The results demonstrate that the voting techniques can be successfully used as semantic enrichment strategies to accurately predict the residential room classes using few and easy-to-obtain features from IFC files. The proposed strategies and techniques improved the interoperability of BIM models in efficiently classifying residential rooms without the need for human intervention.
metadata.dc.description.unidade: Faculdade de Tecnologia (FT)
Departamento de Engenharia Civil e Ambiental (FT ENC)
Description: Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil, 2022.
metadata.dc.description.ppg: Programa de Pós-Graduação em Estruturas e Construção Civil
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Collection(s) :Teses, dissertações e produtos pós-doutorado

Affichage détaillé " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/45843/statistics">



Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.