Raumklassifizierung für Building Information Modeling mit Methoden des Machine and Deep Learning

Anwendungen zur Gebäudeanalyse in den Bereichen Architektur und Ingenieurwesen, einschließlich Architekturentwurf, Gebäudesystemtechnik, Sicherheitsstechnik und Baumanagement, sind auf genaue und spezifische Raumklassifizierungsdaten angewiesen. Derzeit geben Nutzer von Gebäudeanalysesoftware diese Klassifizierungsdaten meist manuell ein. Die manuelle Eingabe von Klassifizierungsdaten hat mehrere Nachteile. Sie ist fehleranfällig und kann zu ungenauen Analysen führen. Sie ist zeitaufwändig und kann den Analyseprozess erheblich verlangsame, insbesondere bei der Analyse von grossen Gebäuden. Aus diesen Gründen ist eine Automatisierung der Raumklassifizierung wünschenswert.Diese Dissertation untersucht bestehende und neuartige Methoden des maschinellen Lernens (ML) und Deep Learning (DL) zur Automatisierung von Raumklassifizierungsaufgaben. Der Schwerpunkt liegt auf der Klassifizierung von Raumfunktionen und Raumzugangselementen über gesamte Geschosse von Mehrfamilienhäusern. Um das Forschungsziel zu erreichen, wurde eine Methodik basierend auf einem fünfstufigen ML- und DL-Workflow in drei Studien angewendet, die verschiedene Aspekte der Raumklassifizierung mittels ML und DL untersuchen. Der Workflow umfasst Problemformulierung, Datenerhebung, Datenvorbearbeitung, Modellkonstruktion und Modellevaluierung.In der ersten Studie wurde ein Datensatz mit Bildern aus mehreren Ansichten erstellt, um semantische Segmentierungsmodelle für Image Deep Learning (IDL) zur Klassifizierung von Raumfunktionen mit Hilfe von mehreren Ansichten zu entwickeln. Die Ergebnisse zeigen, dass die Vorhersagegenauigkeit beim Ansatz mit mehreren Ansichten höher war als beim Ansatz mit einer Ansicht. Dies deutet darauf hin, dass ersterer die Formen von Räumen und Raumelementen besser erfassen kann. Die Genauigkeit war abhängig von der Ansicht, was auf eine Voreingenommenheit hindeutet. Diese nahm jedoch mit zunehmender Anzahl der Ansichten ab. Kontextuelle Raumelemente wie Fenster und Türen erwiesen sich als wichtig für die Verbesserung der Vorhersagegenauigkeit. Es wurde ein Nachbearbeitungsalgorithmus entwickelt, um pixel-basierte in raum-basierte Klassifizierungsdaten zu konvertieren und so die Verwendung von Klassifizierungsdaten in BIM-Anwendungen zu erleichtern.In der zweiten Studie wurde ein Datensatz mit tabellarischen und graphen-basierten Datenformaten erstellt, um ML- und Graph-Deep-Learning-Modelle (GDL), einschließlich eines neuartigen, erweiterten GDL-Modells (eEdgeGAT), für die Klassifizierung von Raumfunktionen und Raumzugangselementen zu vergleichen. Die Ergebnisse zeigen, dass GDL-Modelle, die Aufmerksamkeitsmechanismen und relationalen Features inkludieren, eine deutlich höhere Vorhersagegenauigkeit hatten. Unter den ML-Modellen schnitten baum-basierte ML-Modelle deutlich besser ab als andere Modelle, was auf eine hierarchische Feature-Struktur und Feature-Interaktionen hindeutet. Weitere Analysen zeigen, dass bestimmte Merkmale und Relationen von Räumen und Raumzugangselementen für die Vorhersagegenauigkeit besonders wichtig waren. Die Zunahme der Vorhersagezeit war linear für ML-Modelle und nichtlinear für GDL-Modelle.In der dritten Studie wurde ein multimodaler Datensatz mit tabellarischen und grafischen Datenformaten sowie Bildern aus mehreren Ansichten erstellt, um fünf Klassifizierungsmethoden für die Klassifizierung von Raumfunktionen und Raumzugangselementen zu vergleichen. Die Ergebnisse zeigen, dass GDL-Modelle die höchste Vorhersagegenauigkeit erzielten. Insbesondere HGAT, ein neuartiges heterophiles und heterogenes Graph Attention Network, zeigte die beste Leistung. Die Analyse von Features und Relationen für die leistungsstärksten ML- und GDL-Modelle bestätigten die Erkenntnisse aus der zweiten Studie. Die Ergebnisse zeigen ferner, dass GDL-Modelle weniger Trainingsparameter, weniger Datenvorverarbeitung und kürzere Trainingszeiten erforderten als IDL-Modelle, natural language processing und generative Modelle. ML-basierte Modelle waren zwar weniger genau als IDL-Modelle, hatten aber weniger trainierbare Parameter, kürzere Trainingszeiten und geringere Anforderungen an die Datenvorbearbeitung sowie keine Anforderungen an die Datennachbearbeitung.Die Beiträge dieser Dissertation zur Raumklassifizierungsforschung umfassen insgesamt: i) die systematische Untersuchung und das Benchmarking bestehender und neuartiger ML- und DL-Methoden; ii) die Erweiterung des räumlichen Umfangs von einzelnen funktionalen Einheiten auf gesamte Geschosse mit mehreren Einheiten bestehend aus Räumen sowie Raumzugangselementen; und iii) die Erstellung eines multimodalen und diversen Datensatzes, der die Entwicklung und das Benchmarking von Raumklassifizierungsmodellen unterstützt.