TY - GEN A1 - Obergrießer, Mathias T1 - Digitale Kompetenzen im Bauwesen: BIM, Lean und KI BT - Werkzeugem für den modernen Bauingenieur T2 - VSVI-Bayern: Seminar BIM im Verkehrswegebau, 20.05.2025, Unterschleißheim KW - BIM KW - Bauingenieur KW - Berufliche Qualifikation KW - Digitale Kompetenz Y1 - 2025 ER - TY - GEN A1 - Appelt, Andreas T1 - BIM - Masterplan in der Lehre BT - Der weite Weg von der Klothoide zum digitalen Zwilling T2 - VSVI-Bayern: Seminar BIM im Verkehrswegebau, 20.05.2025, Unterschleißheim N2 - Neben der Vermittlung von grundlegenden Kenntnissen, Fertigkeiten und Kompetenzen im Bereich der Verkehrswegeplanung sind künftig auch die Grundlagen des modellbasierten Planens und die Anwendung in den entsprechenden Softwarelösungen zu vermitteln. Um diesem Umstand gerecht zu werden, wurden sowohl der Bachelor- als auch der Masterstudiengang Bauingenieurwesen an der OTH Regensburg neu strukturiert und die Themen Digitalisierung und Nachhaltigkeit im Rahmen von neu geschaffenen Schwerpunkten vertieft und in Modulen zu digitalen Kompetenzen über den gesamten Studienverlauf als Querschnittsthema implementiert. Um vorlesungsbegeleitend den Einsatz von digitalen Methoden zu fördern, wurde im Fachgebiet Straßenplanung / Straßenbau in den letzten Jahren ein durchgängiges Planungsprojekt einer fiktiven Ortsumfahrung entwickelt. Basierend auf realen Grundlagendaten (DGM, Rasterbilder, Achsdaten etc.) wurde die Reallaborsituation „Orstumfahrung Presseck“ aufgebaut. Die Herausforderung, um die Ansätze des BIM-Masterplans auch in der Lehre zu integrieren liegt in der Vermittlung einer neuen Arbeitsmethodik bei begrenztem zeitlichem Umfang im Rahmen der stark reglementierten Bachelorstudiengänge. Der Ansatz, eines durchgängigen Projektes das mittels kurzer Lehrvideos und Anleitungen vorlesungsbegleitend zur Verfügung gestellt wird, hat sich bewährt. Durch die konkrete Anwendung modellbasierter Methoden im Sinne einer „Technologie zum Anfassen“ wird ein dauerhafter Lernerfolg sichergestellt. Voraussetzung zu diesem Vorgehen ist die stetige Aktualisierung der Unterlagen und die zuverlässige Verfügbarkeit von Softwarelösungen, was nur mit entsprechender personeller Ausstattung möglich ist. KW - BIM KW - Verkehrswegebau Y1 - 2025 ER - TY - CHAP A1 - Hoeng, Simon Konrad A1 - Eder, Friedrich A1 - Schmailzl, Marc A1 - Obergrießer, Mathias T1 - Exploring the Potential of BIM Models for Deriving Synthetic Training Data for Machine Learning Applications, Montreal T2 - Advances in Information Technology in Civil and Building Engineering, Proceedings of ICCCBE 2024, Volume 2, Simulation and Automation N2 - To increase the efficiency and quality of design and construction tasks, the use of Artificial Intelligence (AI) and Machine Learning (ML) offers a way to automate both repetitive and complex tasks. Many of these ML models rely heavily on large amounts of suitable, machine-readable, and labeled training data. Therefore, a variety of conceivable use cases for ML in the Architecture, Engineering and Construction (AEC) industry are difficult to implement due to a lack of freely and directly usable training data. The process of manually structuring and labeling existing data is time-consuming and needs in some cases skilled personnel to ensure the quality of the labeled data. Due to these factors, approaches for utilizing artificially generated data, referred to as synthetic data, are becoming more prevalent. Since Building Information Models contain a large amount of information, deriving training data from these models presents an obvious route for generation of this data. There are many ML applications whose implementation is inhibited due to a lack of training data, for which model-based synthetic data offer a possible solution approach. The Industry Foundation Classes (IFC) standard provides a powerful exchange format for models independently of their authoring software. Parametric and generative approaches to model creation enable the generation of numerous different building models within a short period of time and with low effort. This paper presents a workflow for automated derivation of synthetic training data from rule-based or parametrically generated models combined with existing IFC datasets as a multimodal data repository. The method is validated by testing automated synthetically labeled image data for a plan detection task, which is carried out with the Object Detection Framework YOLOv8. The suggested workflow has the potential to enhance data accessibility, thereby contributing to the implementation of ML applications in the AEC industry. KW - KI KW - BIM KW - Synthetic Data Y1 - 2025 SN - 9783031873638 U6 - https://doi.org/10.1007/978-3-031-87364-5_5 SN - 2366-2557 SP - 54 EP - 63 PB - Springer Nature CY - Cham ER - TY - CHAP A1 - Wiederer, Jonas A1 - Höng, Simon A1 - Eder, Friedrich ED - Stührenberg, Jan ED - Al-Zuriqat, Thamer ED - Chillon Geck, Carlos T1 - Konzept zur KI-gestützten parametrischen Brückenmodellierung für ressourcen- und kostenoptimierte Bauwerksentwürfe T2 - Tagungsband 35. Forum Bauinformatik, 2024, Hamburg N2 - Brückenbauwerke stellen eine wesentliche Komponente einer soliden Infrastruktur dar. Wegen vernachlässigter Instandsetzungsmaßnahmen und sich verändernder Anforderungen sind für eine Vielzahl dieser Bauwerke in Deutschland Ersatzneubauten notwendig. Diese Arbeit adressiert die Herausforderungen der Ressourcenverschwendung durch wiederholten Arbeitsaufwand bei individuellen Brückenentwürfen für die angesprochenen Bauwerke. Es wird ein parametrisches Entwurfsmodells in Siemens NX entwickelt, um den Entwurfsprozess zu beschleunigen und eine einfache Anpassung an die entsprechenden Rahmenbedingungen zu ermöglichen. Zudem wird eine effektive Methode zur Anbindung an die Kostenermittlungssoftware RIB iTWO vorgestellt, die eine nachgelagerte Kostenkalkulation nach DIN 276 ermöglicht. Aufbauend darauf wird ein Optimierungsworkflow vorgestellt, welcher verschiedene Faktoren einbindet, um einen hochwertigen Bauwerksentwurf zu erzielen. Hierbei wird die Einbindung von Techniken aus dem Bereich der Künstlichen Intelligenz angestrebt. Die vorgestellte Methodik soll die Wirtschaftlichkeitsbewertung und Entscheidungsfindung für die Realisierung der Brückenentwürfe erleichtern und somit zu einer effizienteren Nutzung von Ressourcen im Brückenbau beitragen. KW - Building Information Modeling KW - Parametric Modeling KW - Artificial Intelligence KW - IFC KW - Industry Foundation Classes KW - Design Automation KW - BIM Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:898-opus4-77922 SP - 50 EP - 57 PB - Technische Universität Hamburg, Institut für Digitales und Autonomes Bauen CY - Hamburg ER - TY - CHAP A1 - Thelen, Simon A1 - Eder, Friedrich A1 - Melzer, Matthias A1 - Nunes, Danilo Weber A1 - Stadler, Michael A1 - Rechenauer, Christian A1 - Obergrießer, Mathias A1 - Jubeh, Ruben A1 - Volbert, Klaus A1 - Dünnweber, Jan T1 - A Slim Digital Twin For A Smart City And Its Residents T2 - SOICT '23: Proceedings of the 12th International Symposium on Information and Communication Technology, 2023, Hi Chi Minh, Vietnam N2 - In the engineering domain, representing real-world objects using a body of data, called a digital twin, which is frequently updated by “live” measurements, has shown various advantages over tradi- tional modelling and simulation techniques. Consequently, urban planners have a strong interest in digital twin technology, since it provides them with a laboratory for experimenting with data before making far-reaching decisions. Realizing these decisions involves the work of professionals in the architecture, engineering and construction (AEC) domain who nowadays collaborate via the methodology of building information modeling (BIM). At the same time, the citizen plays an integral role both in the data acquisition phase, while also being a beneficiary of the improved resource management strategies. In this paper, we present a prototype for a “digital energy twin” platform we designed in cooperation with the city of Regensburg. We show how our extensible platform de- sign can satisfy the various requirements of multiple user groups through a series of data processing solutions and visualizations, in- dicating valuable design and implementation guidelines for future projects. In particular, we focus on two example use cases concern- ing building electricity monitoring and BIM. By implementing a flexible data processing architecture we can involve citizens in the data acquisition process, meeting the demands of modern users regarding maximum transparency in the handling of their data. KW - smart city KW - AI KW - digital twin KW - artificial intelligence KW - urban planning KW - BIM KW - portal system Y1 - 2023 SN - 979-8-4007-0891-6 U6 - https://doi.org/10.1145/3628797.3628936 SP - 8 EP - 15 PB - ACM ER - TY - CHAP A1 - Höng, Simon A1 - Eder, Friedrich T1 - Methode zur Generierung multimodalersynthetischer Daten aus parametrischen BIM-Modellen zur Nutzung in KI-Systemen T2 - Tagungsband 34. Forum Bauinformatik, 06. - 08.09.2023, Bochum N2 - Für die erfolgreiche Implementierung von KI-Systemen ist eine große Menge an relevanten (und gelabelten) Trainingsdaten nötig. Die Datenqualität, Format, Struktur und nicht zuletzt urheberrechtliche Belange schränken die unmittelbare Nutzung vorhandener Daten ein und hindern die gewinnbringende Nutzung dieser Technologien in der Praxis. In diesem Beitrag wird ein Ansatz vorgestellt, der auf Basis einer parametrischen bzw. regelbasierten Erstellung von BIM-Modellen synthetische, gelabelte Trainingsdaten für die nachgelagerte Nutzung in diversen KI-Workflows generiert. Die Modelle werden mithilfe einer C#-Anwendung über die API von Autodesk Revit erzeugt und können durch automatisiertes Postprocessing mittels Python zu annotierten Daten in gängigen Austauschformaten aufbereitet werden. Die synthetischen Bauwerksmodelle ermöglichen die Ableitung multimodaler Trainings-Datensätze. Das heißt, sie können in unterschiedlichen Dateiformaten vorgehalten werden. Dadurch lassen sich Datensätze erzeugen, die auf den jeweiligen Anwendungsfall zugeschnitten sind (z. B.: Rastergrafiken, Punktwolken, CAD- oder BIM-Formate). Die Daten lassen sich somit in entsprechende KI-Systeme integrieren. Dieser Lösungsansatz wird am Anwendungsbeispiel einer KI-gestützten Objektklassifizierung in 2D-Plänen auf Basis synthetischer Datensätze im COCO-Format durchgeführt. Die künstlich erzeugten Plandaten in Anlehnung an Positionspläne von rasterförmig aufgebauten Skelettbauwerken konnten erfolgreich einem KI-System als Trainingsdaten zugeführt werden. Damit wird die nahtlose Verkettung der einzelnen Prozessschritte (Modellierung, Annotation, Integration) validiert. Die Ergebnisse werden abschließend evaluiert und Optimierungsansätze diskutiert. KW - AI KW - Machine Learning KW - Computer Vision KW - Synthetic Data KW - BIM Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:hbz:294-101306 SP - 398 EP - 405 ER - TY - THES A1 - Höng, Simon T1 - Entwicklung eines digitalen Werkzeugs zur automatisierten Remodellierung von Bauwerken auf Grundlage von Bestandsplänen: Erzeugung von synthetischen Daten für KI-Lösungen N2 - In Anbetracht der hohen Zahl an zu ertüchtigenden Bauwerken in Deutschland bei gleichzeitig zunehmendem Fachkräftemangel in der Baubranche ist es wichtig, effiziente Planungs- und Bauprozesse zu schaffen. Digitale und automatisierte Arbeitsmethoden auf Basis von digitalen Bauwerksmodellen beginnen sich daher zu etablieren. Für viele Bestandsbauwerke werden diese Methoden aber nur zögerlich angewendet, da das als Grundlage benötigte digitale Bauwerksmodell erst aufwendig erstellt werden müsste. Moderne Techniken der künstlichen Intelligenz (KI) wie Machine- oder Deep Learning bewegen im Moment viele Forschungs- und Wirtschaftsbereiche. Ihr Einsatz kann auch in der Bauwirtschaft Lösungen für komplexe oder repetitive Aufgaben bieten. In dieser Arbeit wird ein Tool konzipiert und evaluiert, welches in der Lage ist, mithilfe von KI-Techniken aus Bestandsplänen dreidimensionale (3D) Bauwerksmodelle zu rekonstruieren. Bei der Konzeptionierung hat sich eine der großen Herausforderung beim Einsatz von Machine Learning herauskristallisiert. Um KI-Systeme überwacht trainieren zu können, werden sog. gelabelte Trainingsdaten benötigt. In diesem konkreten Fall Positionspläne, bei denen in einer maschinenlesbaren Form hinterlegt ist, welche Art von Bauteilen an welcher Stelle des Planes dargestellt sind. Damit kann eine KI lernen, selbstständig unbekannte Pläne zu analysieren und darin Bauteile zu klassifizieren. Diese Daten können entweder unter großem Aufwand manuell erstellt werden oder man greift auf synthetische Daten zurück. Synthetische Daten sind künstlich erschaffene Daten, die von ihrer Struktur und ihren Eigenschaften her echte Daten imitieren. Da dabei der Erzeugungsprozess gesteuert wird, lassen sich die benötigten Labels gleichzeitig miterzeugen. Auf diese Weise entsteht sog. Ground Truth Data, also Daten, bei denen man sich sicher sein kann, dass sie korrekt gelabelt sind. Für diese Arbeit wurde eine Datenpipeline umgesetzt, die in der Lage ist, synthetische Daten speziell für die Zwecke der Baubranche zu generieren. Mithilfe des Applications Programming Interface von Autodesk Revit wurde eine C#-Anwendung programmiert, die zufallsgesteuert Modelle erzeugt und anhand dieser Modelle realistische Pläne ableitet. Parallel dazu werden mithilfe der im Modell hinterlegten Bauteilinformationen die für die KI benötigten gelabelten Daten erzeugt. Erste Testläufe mit dem Objekterkennungsframework YOLOv5 waren vielversprechend. Der gewählte Ansatz hat sich somit als flexibel und skalierbar erwiesen, um damit KI-Systeme für bauspezifische Aufgaben - wie die Bauteilerkennung auf Plänen - zu trainieren. KW - AI KW - Machine Learning KW - BIM KW - Synthetic Data KW - KI Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:898-opus4-65218 ER - TY - CHAP A1 - Eder, Friedrich A1 - Euringer, Thomas A1 - Obergrießer, Mathias ED - Sternal, Maximilian ED - Ungureanu, Lucian-Constantin ED - Böger, Laura ED - Bindal-Gutsche, Christoph T1 - Ansatz zur automatisierten Ableitung eines objektorientierten BIM-Modells in eine relationelle Datenbank T2 - 31. Forum Bauinformatik: 11. bis 13. September 2019 in Berlin, proceedings KW - Bauinformatik KW - BIM Y1 - 2019 SN - 978-3-7983-3105-1 U6 - https://doi.org/10.14279/depositonce-8763 SP - 133 EP - 139 PB - Universitätsverlag der TU Berlin CY - Berlin ER -