ФОРМУВАННЯ НАБОРУ ДАНИХ BIM-МОДЕЛІ ДЛЯ ЗАДАЧ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.31649/2311-1429-2025-1-87-94Ключові слова:
BIM (Інформаційне моделювання в будівництві), Revit, оптимізація конструкцій Dynamo, Python, Машинне навчання, MСЕ.Анотація
У статті представлено відтворюваний підхід до формування наборів даних із BIM-моделі Autodesk Revit для
подальшого застосування методів машинного навчання у проєктуванні. Запропоновано чотири
взаємодоповнювальні маршрути експорту (Schedules→CSV, Dynamo до CSV/XLSX/JSON, pyRevit/Revit API до
CSV/JSON/XLSX, IFC до APS/Speckl до JSON/CSV) та уніфікований «договір даних»: цільову схему/онтологію з
ядром обов’язкових полів, SI-одиницями, стабільною політикою ключів (IfcGUID/композитний ключ) і формальною
валідацією якості. Методологія охоплює інгестіо даних, нормалізацію типів і одиниць, формування дескрипторів
геометрії, перевірку повноти й референтної цілісності, а також підготовку ознак для надійного поділу train/val/test.
Показано приклад практичного протоколу та кінцевого датасету Elements.csv, який використовується для
базового прогнозу маси елементів як проксі вартості й логістичних обмежень; наведено блок-схеми конвеєрів і
шаблони перевірок якості. На прикладних задачах (оцінка темпів робіт, орієнтовна вартість, оптимізація
компонування та несучих конструкцій) продемонстровано, що дисципліна даних (схема, ключі, одиниці, правила)
знижує ризики витоку інформації та підвищує відтворюваність висновків.
Практичний внесок роботи полягає в узгодженні інструментальних маршрутів із єдиною схемою
представлення, що дає змогу інтегрувати BIM-дані з аналітичними процесами без залежності від конкретного ПЗ
й створює основу для даноцентричного проєктування та подальшої оптимізації. Окремо описано артефакти
відтворюваності (схеми JSON/Table Schema, кваліметричні звіти DQI, журнали перетворень), що полегшують
аудит даних і повторення експериментів.
Посилання
Kyshkan, A., & Karkhut, I. (2024). Potential for Automation and Acceleration of Construction Processes Using
Machine Learning and Artificial Intelligence. Conference Proceedings of the International Scientific Center of
Development (Uzhhorod, Ukraine, 17 May 2024), 354–358. URL:
https://archive.mcnd.org.ua/index.php/conference-proceeding/article/view/1231
Syomko, P., & Levus, Ye. (2024). Using Machine Learning to Determine the Architectural Style of Buildings.
Conference Proceedings of MNL (Kyiv, 17 May 2024), 346–347. URL:
https://archive.liga.science/index.php/conference-proceedings/article/view/964
Adamenko, V. (2022). Experience of Implementing BIM Technologies in the Educational Process at the
Department of Metal and Timber Structures of KNUCA. Building Constructions. Theory and Practice. (Online
publication). URL: https://bctp.knuba.edu.ua/article/view/260026
Yasnii, V. P., & Meshcheriakova, O. M. (2022). BIM: An Effective Tool for the Reconstruction of Buildings and
Structures. Modern Technologies and Methods of Calculations in Construction, 18, 61–70.
https://doi.org/10.36910/6775-2410-6208-2022-8(18)-08
Lialiuk, O. H., Osypenko, R. S., & Melnyk, D. O. (2024). Decision Support Systems in Construction Projects
Based on Bayesian Networks. Modern Technologies, Materials and Structures in Construction, 36(1), 96–102.
DOI: https://doi.org/10.31649/2311-1429-2024-1-96-102
Lialiuk, O. H., & Osypenko, R. S. (2023). Features of the Implementation of Artificial Intelligence in Construction.
Modern Technologies, Materials and Structures in Construction, 35(2), 172–176. DOI:
https://doi.org/10.31649/2311-1429-2023-2-172-176
Nazirov, E. K., Nazirova, T. O., & Karpenko, M. Yu. (2018). Methods of Data Collection and Classification Using
a Soundlet Bayesian Neural Network. Bulletin of the Kherson National Technical University, 3(1), 332–337.
URL:http://nbuv.gov.ua/UJRN/Vkhdtu_2018_3(1)__49
buildingSMART International. (2024). IFC 4.3 Formally Approved and Published as an ISO Standard (ISO
. URL: https://www.buildingsmart.org/ifc-4-3-formally-approved-and-published-as-an-iso-standard/
Boiko, O. A., & Kovalchuk, A. S. (2023). The Potential of Automation and Acceleration of Construction Processes
through Machine Learning and Artificial Intelligence. Modern Construction and Architecture, 3, 85–92. URL:
https://archive.mcnd.org.ua/index.php/conference-proceeding/article/view/1231
Autodesk Help. (2024). Export a Schedule (Revit 2024). URL:
https://help.autodesk.com/view/RVTLT/2024/ENU/?guid=GUID-B2CCAC4F-1D38-4D5D-B4D1-
D1B7EBE
Kravchenko, O. V., & Tymoshenko, P. I. (2023). Concepts of Genetic Algorithms and Their Application to
Optimization Problems. Computer Technologies of Data Processing, URL:
https://jktod.donnu.edu.ua/article/view/16228
Zheng, H., Moosavi, V., & Akbarzadeh, M. (2020). Machine Learning Assisted Evaluations in Structural Design
and Construction. Automation in Construction, 114, 103346. URL: https://doi.org/10.1016/j.autcon.2020.103346
scikit-learn. (2024–2025). User Guide (stable): Model Selection & Evaluation. URL: https://scikitlearn.
org/stable/user_guide.html
Boiko, N. I., & Blazhevskyi, S. H. (2022). Method of Determining the Structure of the Model of Optimal
Complexity. Herald of Khmelnytskyi National University, 2(307), 7–13. DOI: https://doi.org/10.31891/2307-
-2022-307-2-7-13
Pyrih, Y., Klymash, M., Pyrih, Y., & Lavriv, O. (2023). Genetic Algorithm as a Tool for Solving Optimisation
Problems. Information and Communication Technologies, Electronic Engineering, 3(2), 95–107. DOI:
https://doi.org/10.23939/ictee2023.02.095
Stetsyuk, P. I., Vakulenko, D. V., & Stetsyuk, M. H. (2023). r-Algorithm for Learning Linear Regression Models.
Problems of Applied Mathematics and Mathematical Modeling, 23. DOI: https://doi.org/10.15421/322324
Rochefort-Beaudoin, T., Vadean, A., Aage, N., & Achiche, S. (2024). Structural Design Through Reinforcement
Learning. arXiv, arXiv:2407.07288. DOI: https://doi.org/10.48550/arXiv.2407.07288
Kumar, A., & Singh, R. (2023). Application of Artificial Intelligence in Structural Engineering. In Proceedings of
the 2023 ASCE International Conference on Computing in Civil Engineering (pp. 350–359). DOI:
https://doi.org/10.1061/9780784485231.044
Sadeghi Eshkevari, S., Sadeghi Eshkevari, S., Sen, D., & Pakzad, S. N. (2021). RL-Controller: A Reinforcement
Learning Framework for Active Structural Control. arXiv, arXiv:2103.07616.
DOI:https://doi.org/10.48550/arXiv.2103.07616
Zhang, Y., Wang, L., Wang, Y., Liu, Y., & Zhang, J. (2022). A Review of Artificial Intelligence Applications in
Structural Engineering. Computers in Industry, 142, 103750. DOI: https://doi.org/10.1016/j.compind.2022.103750
##submission.downloads##
-
PDF
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
