Die BIM‐Planungsmethode befindet sich aktuell im Infrastrukturbau – insbesondere in Verbindung mit dem Realisierungsprozess – noch in der Erprobungsphase. Die Elementierung des 3‐D‐Bauwerksmodells erfolgt gegenwärtig noch individuell. Die Erweiterung des 3‐D‐Bauwerksmodells in die Bauablaufplanung (4‐D) bedingt kongruente Attributdefinitionen in der Planungsphase. Voraussetzung für eine durchgängige Methode ist der konsistente Softwareeinsatz. Anhand des aktuell entstehenden S‐Bahntunnels im Projekt Gateway Gardens Los 2 am Flughafen Frankfurt wurden die entwickelten Methoden hinsichtlich der Praxistauglichkeit untersucht. Neben der 4‐D‐Generalablaufplanung wurde auch eine 4‐D‐Lean‐Prozessoptimierung evaluiert.
Die BIM‐basierte Methode der Projektabwicklung befindet sich aktuell im Infrastrukturbau – insbesondere in der Ausführungs‐ und Erhaltungsphase – noch in der Erprobung. Das Projekt Verfügbarkeitsmodell A 10/A 24 wurde in diesem Zusammenhang von der Deutsche Einheit Fernstraßenplanungs‐ und ‐bau GmbH (DEGES), in Vertretung des Lands Brandenburg und der Bundesrepublik Deutschland, als eines der nationalen Pilotprojekte zur Vorbereitung und Erprobung des vom Stufenplan Digitales Planen und Bauen vorgegebenen Leistungsniveaus 1 im Verkehrswegebau ausgeschrieben und vergeben. Es handelt sich um das erste Pilotprojekt, bei dem Planung, Ausführung und Erhaltung mit BIM aus einer Hand erfolgen. Das Vorhaben geht also mit einem in die operativen Prozesse integrierten BIM‐Ansatz bis in die Erhaltung über die Erfahrungen der bisherigen Pilotprojekte des Bundesministeriums für Verkehr und digitale Infrastruktur (BMVI) hinaus. Im Folgenden werden erste Erkenntnisse aus der Implementierung und Umsetzung dieses BIM‐Projekts vorgestellt.
Für die Anwendung digitaler Methoden in der Ausführung bietet sich die Erfassung von Bauwerken oder Bauzuständen mithilfe von Laserscanning (LiDAR) an, um anschließend möglichst automatisiert Bauteile zu erkennen und für Baufortschrittskontrollen auszuwerten (Scan to BIM). Für die Bauteilerkennung eignen sich Methoden des Machine Learning, die für verschiedene Klassifikationsprobleme eingesetzt werden. Ein baupraktisches Klassifikationsproblem ist die semantische Segmentierung von Punktwolken, bei der einzelne Punkte bestimmten Bauteilklassen zugeordnet werden. Damit die Klassifikationsaufgaben mit ausreichender Genauigkeit gelöst werden, wird eine große Anzahl an Trainingsdaten benötigt. Im Beitrag werden synthetische Daten für das Training eines künstlich neuronalen Netzwerks (engl. Convolutional Neural Network CNN) hochparametrisiert und vollautomatisch bereitgestellt. Es wird eine Vorgehensweise für die Erstellung von Brückenmodellvariationen auf Grundlage der visuellen Programmierschnittstelle Dynamo in Autodesk Revit vorgeschlagen. Zu Beginn werden nationale Richtlinien für die Definition von Parametern evaluiert, um anschließend diese Parameter in adaptiven Vorlagen des parametrisierten Querschnitts des Überbaus zu verwenden. Der Unterbau wird analog in verschiedenen Vorlagen bereitgestellt. Diese werden entlang der Trassierung in verschiedenen Ausführungen platziert. Jedem Objekt werden Merkmale angehängt und beim Export im herstellerneutralen Datenformat IFC in eine Merkmalstruktur gruppiert. Mit dieser Vorgehensweise ergaben sich zahlreiche Variationen von Brückenmodellen, insbesondere auch Bauzwischenzustände, die für die semantische Segmentierung von Punktwolken und das Training eines CNN herangezogen werden können.
Germany's large stock of existing bridge infrastructure must be digitalized as BIM due to political requirements. Therefore, point cloud data can be used, and available open-source datasets and different approaches on semantic segmentation are being researched. To bridge the gap between theoretical research on point cloud data and manual inspection, a list of object-oriented classes for semantic segmentation is proposed. These classes are put into context with entities of the IFC schema and the German ASB-Ing. An application example with the proposed classes is shown using a manually segmented point cloud and an approach with the RANSAC Shape Detection algorithm.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.