基于BIM的建筑行业大数据建维分析

文/张颢

1 引言

信息技术的高速发展对传统的建筑行业产生了深远的影响，从早期的无纸化系统，到逐步发展工程造价管理系统，再到各种图纸从2D电子图纸发展为3D甚至VR的可视化建筑结构模型，各种技术的发展产生了各种系统，其系统数据也是漫天飞舞无法形成一个数据体系。从建筑数据范围来看，主要涵盖建筑构造、建筑设计、建筑材料等多个领域，这些上下游数据串联起来才能发挥系的综合价值。本文力图以BIM作为关键技术，通过BIM建模聚合建筑数据以领域数据为驱动构建整个建筑的全生命周期管理为一体的建维分析模式。本文认为以BIM为中心与其他信息系统融合，是目前建筑行业信息技术的发展趋势，即将大数据、云计算、物联网、VR技术、等围绕BIM提供信息化关键技术的扩展。

2 建筑行业大数据建模

从大数据的角度出发，目前大数据平台都是基于云计算环境下的数据平台，一般采用Hadoop技术将数据分散存储到分布式存储节点上去，实现异构的计算环境。一般对大数据的处理包括：数据挖掘、分布式计算、分布式存储和机器学习模型。而建筑行业的信息是多种信息的聚集，从数据形式上包括结构化数据、各种非机构化文件、半结构化图纸等形式存在。从数据种类来说，涵盖建筑数据、场地数据、设备数据、电气数据、给排水数据、暖通数据等。往往这些数据分散在不同的系统不同的数据源，要获取这些数据需要与其他系统打通数据通道。一般可以通过数据交换技术实现数据超市的构建，利用分布式数据存储的特点可以在距离这些分散的数据最近的数据接入点放置数据前置机，通过数据前置机按不同的数据标准获取数据。利用Python丰富第三方库和可扩展特性，可以灵活方便的调用应用程序接口快速实现系统间的整合。再通过数据汇聚层汇聚数据，并对数据进行清洗、规整、整合，并以系统内统一的结构发布。整个系统建立在以Map/Reduce为基础的分布式计算模型基础上，利用Python实现数据的清洗、规整、整合任务，将任务分散到分布式的网络上。最终，发布的数据汇聚到数据中心，形成数据超市，数据超市作为BIM的底层数据支撑。

图1：神经网络模型示意图

而上述这些基础数据并不能直接为BIM提供分析支撑，只能提供数据依据。这就需要利用机器学习、数据挖掘等技术手段实现建筑数据模型。由于建筑数据大多是由明确分类标签的结构化数据，因此采用成熟的神经网络技术，将建筑基础数据作为输入交给网络进行分类训练，从而获得良好的预测模型。

一般神经网络将输入向量化，并为向量赋予权重，利用加法单元和激活函数输出信号，如图1所示。

图中{X1,X2...Xn}表示输入向量，Wnj表示向量权重，神经网络通过反复的迭代训练不断更新权重寻找影响网络的权重。ZJ表示加法单元，不断计算输入向量和权重向量的和，再交给f（ZJ）激活函数来判断神经元的连接强度。通过多次迭代最终找到一个模型用于拟合数据集，所拟合的模型可以用于对未知数据的预测。

例如，要预测某种建材价格，可以利用建材数据源，从建筑数据中获取大量的基础数据。然后，找到影响价格的主要因素如时间周期、产地限制、供求关系、运输距离等组合成输入向量。将基础数据的数据作为神经网络模型的输出层，通过初始化网络参数，在网络中迭代训练最终获的输出结果，其结果就是该建材价格的预测模型。相类似的，还可以获得建筑结构、电气数据、给排水数据等的预测模型，这些模型将用于BIM的信息构建。

3 以BIM为中心的数据构建

有了底层的大数据支持和各种数据预测模型的辅助支撑，进一步就是要构建以BIM为中心的数据应用。从用户的观点来看，BIM的核心是对于工程人员有着“所见即所得”的项目应用特点。实现这一特点的基础是数据联动，系统数据协同和可视化的工程管理平台。

本文系统主要以Revit进行数据交互，其构建的坐标系统将不同位置区域划分到不同的建筑模型区域，整个项目的区域数据来自于不同的数据源但是汇聚于共享的数据超市。上一章中的各种结构化和非机构化数据，都可以围绕BIM中心模型包围和扩展。上图中绿色部分就是利用物联网获取的声光电等传感数据。蓝色区域是各种空间模型、场地结构、内外层BIM模型。棕色区域构建的建筑结构数据，包括结构计算模型、整体结构模型、钢结构模型等。下层的紫色区域主要是电气结构、管线资源结构等。这些模型融合在一起，形成了完整的BIM模型。

这些模型的底层数据构建是由大数据平台完成存储、处理和分析等工作。而分析后的预测模型，以BIM的方式展示给终端用户，终端用户通过BIM可以模拟分析建筑工程数据。

建筑工程数据信息化为数字模拟分析提供了技术条件，通过汇聚来自各种外部系统的信息模型，构建云端的BIM核心数据库。以统一的数据模式发布，并在视图层解析和简化输出。利用神经网络对数据进行预测，运用模拟分析软件从建筑能耗、内部空间舒适度、安全性等方面分析项目设计特点，从而达到指导和优化设计确保项目设计的综合品质的能力。

对于系统的构建而言，首先获取施工地的设计原始地形数据，通过插值运算转换二维数据为三维数据，在Revit中建模并优化数据对原始进行修正。通过工程平台对原始道路信息进行梳理重新规划设计，在大数据平台进行汇聚并通过Python导入BIM完成示例模型的构建。根据BIM工程管平台的数据进行叠加，并增加信息标签利用神经网络对数据进行训练，获得数据协同模型实现对建筑数据的预测。

4 总结

总的来说，目前BIM和大数据结合是建筑行业建维分析的趋势，而所需协同的系统较多需要通过编写应用程序的技术手段联合多个平台的应用特点构建工程管理平台是比较可行性的方案。本文通过Python语言方便的调用其他系统的应用程序接口，实现了组合Hadoop大数据的的存储优势形成数据超市，通过基于WebGL技术的BIM工程信息平台展示数据挖掘成果，有效的将大数据和建维一体的建设理念结合。本文通过Hadoop搭建底层的数据存储平台，利用Python和系统间的应用程序接口获取大量的建材数据，利用神经网络对底层数据建模，从而支撑上层的建维分析应用。通过BIM建模技术和WebGL技术，实现平台中漫游、交互、搜索，并对建材的构成进行分析和统计，形成建维分析一体的可视化模型。总的来说，本文论证了技术的可行性和各系统间的衔接方案符合当前建筑行业的技术发展趋势。