AI4Buildings - Artificial Intelligence for Digital Planning of Buildings

Angesichts der Tatsache, dass der Gebäudebestand das größte Potenzial für Energieeinsparungen und die Integration erneuerbarer Energiequellen birgt, haben zwei Faktoren einen erheblichen Einfluss auf die Planung von Energieeffiziente Gebäuden:

1. Erneuerbare Energien (und Energieeffizienzmaßnahmen) werden in Österreich finanziell gefördert. Die Höhe der Subventionen ist ein entscheidender Faktor für die Umsetzung dieser Systeme und Maßnahmen, erfordert aber eine Recherche der verfügbaren Förderungen abhängig von Standort, Gebäudetyp und zahlreichen anderen Parameter. Unser Projektziel ist die Entwicklung eines Tools, das diese Suchprozess nach Förderungen für potenzielle Bauherren erleichtert. Die hier erforderliche Methode ist ein AI-gestütztes Information Retrieval System, das eine Web-basierte Schnittstelle hat und in Echtzeit die zum geplanten Projekt passende Förderung zusammen mit relevanten Parametern (Förderhöhe, Termine, Bedingungen, usw.) automatisch extrahiert.
2. BIM (Building Information Modeling) ist die Methode der Wahl für die digitale Planung. Der etablierte offene Standard für BIM ist IFC (Industry Foundation Classes). Die Qualität der IFC-basierten BIM Modelle weisen aber aufgrund unterschiedlicher Prozessabläufe hohe Varianz in der Qualität auf. Oft fehlen Definitionen von wichtigen Elementen, wie zum Beispiel IFCSpaces (Räume), oder es fehlen Relationen (z. B. zu welchem Stockwerk eine Wand gehört). Manche Verbindungen sind gar nicht in IFC definiert (z. B. welchen Raum kann ich von einem bestimmten Raum direkt erreichen). Diese Verbindungen wären wichtig, um zum Beispiel die gesetzlich vorgeschriebene Fluchtweglänge (OIB Feuerschutzrichtlinie) automatisch zu verifizieren. Unser Ziel ist, mit Hilfe von geometrischen Algorithmen und Machine Learning Ansätzen die Qualität der IFC-BIM Modelle zu verbessern.

Im Rahmen des AI4Buildings-Sondierungsprojekts soll ein Folgeprojektantrag erarbeitet werden. Für das Nachfolgeprojekt suchen wir laufend potenzielle Projektpartner!

Zwischenergebnisse

Wir haben einen Workflow entwickelt basierend auf klassischen geometrischen Algorithmen, der aus IFC Files Wand-Elemente extrahiert und aus den geometrischen Parametern die Räume berechnet. Unser Prototyp ist fähig, diese erkannten Räume in das IFC File zurückzuschreiben, und somit das IFC Modell mit Information anzureichern.

Um den Programm Prototyp zu demonstrieren, haben wir ein Graphisches User-Interface (GUI) entwickelt.

Für das Information-Retrieval Problem der Förderlandschaften haben wir ein python Script geschrieben, um die relevanten Webseiten der Bundesländer in eine lokale Datenbank zu schreiben.

Als erstes Problem haben wir die Dokument Relevanz Berechnung untersucht. Als Referenz haben wir den klassischen TF-IDF Algorithmus implementiert, und haben mehrere Vektor Embedding Techniken getestet. Diese mappen von Webseiten extrahierte Texte auf einen Vektorraum und berechnen dann Textsimilarität in diesem Vektorraum von algebraischen Vektoren (mit Euklidischer Distanz oder Cosinus Similarität).

Für dieses Vektorraum Mapping (Embedding) wurden zwei Neuronale NLP Methoden analysiert:

1. Fasttext, und
2. Google's BERT (Bidirectional Encoder Representations from Transformers) basierte Embeddings.

Um die extrem schnelle Suche nach ähnlichen Vektoren zu ermöglichen, speichern wir die Embedding Vektoren in einer Milvus Datenbank, die genau für die skalierbare Speicherung von Embedding Vektoren und schnelle (nearest neighbor-) Suchfunktionalitäten entwickelt wurde.

Konsortialführung

AIT - Austrian Institute of Technology GmbH

AIT - Austrian Institute of Technology GmbH
Dr. Techn. Adam Buruzs
Giefinggasse 4
A-1210 Wien