مدلسازی اطلاعات ساخت (BIM) به عنوان یکی از پیشرفته‌ترین فناوری‌های دیجیتال در صنعت ساخت‌وساز و معماری شناخته می‌شود. این تکنولوژی با فراهم‌سازی یک بستر جامع برای مدیریت داده‌ها و اطلاعات پروژه، امکان هماهنگی بین تیم‌های مختلف و افزایش دقت و کارایی پروژه‌ها را فراهم کرده است. در سال‌های اخیر، یکپارچه سازی BIM با تکنولوژی‌های هوش مصنوعی (AI) و یادگیری ماشین (ML) موجب شده است که این فناوری به مرحله‌ای فراتر ارتقا پیدا کند. در این مقاله، به بررسی نقش یادگیری ماشین در بهبود کارایی BIM، کاربردهای AI و تحلیل سه مرحله اصلی گذشته، حال و آینده BIM و AI پرداخته شده است.
1. برخی از حوزه های اصلی کاربرد BIM و نقش AI در بهبود آن‌ها
برخی از حوزه های اصلی برای کاربرد BIM که با استفاده از هوش مصنوعی می‌توان کارایی هر یک از آن ها را به طور چشمگیری افزایش داد، به شرح ذیل می باشند:
1.1. ابزارهای طراحی و ارزیابی طراحی
ابزارهای طراحی که در بستر BIM توسعه یافته‌اند، می‌توانند شامل نرم‌افزارهای مختلف برای طراحی سه‌بعدی باشند. این ابزارها به طور معمول برای بهینه‌سازی طراحی و بهبود کیفیت پروژه استفاده می‌شوند. با استفاده از هوش مصنوعی، این ابزارها می‌توانند به سطح بالاتری از خودکارسازی برسند. برای مثال:
خودکارسازی طراحی و ارزیابی گزینه‌های مختلف: مدل‌های AI می‌توانند به طور خودکار صدها گزینه مختلف از طراحی را ایجاد کرده و بر اساس معیارهایی مانند استحکام، هزینه و زیبایی، بهترین گزینه را انتخاب کنند.
مثال واقعی: در یک پروژه برج‌سازی در شهر نیویورک، از مدل‌های AI برای ارزیابی گزینه‌های مختلف طراحی نمای برج استفاده شد. این مدل‌ها توانستند از میان 150 طرح مختلف، بهترین گزینه را از نظر مصرف انرژی و زیبایی‌شناسی انتخاب کنند. این روش موجب صرفه‌جویی 20 درصدی در هزینه‌های طراحی و کاهش زمان ارزیابی‌ها به نصف شد.
2.1. ابزارهای BIM-to-Field
این دسته شامل ابزارهایی می‌شود که اطلاعات مدل‌های BIM را به صورت مستقیم به محل ساخت‌وساز انتقال می‌دهند. این انتقال اطلاعات می‌تواند از طریق نمایش‌های سه‌بعدی، نقشه‌های تعاملی یا حتی ابزارهای واقعیت افزوده (AR) صورت گیرد. در این حوزه، AI می‌تواند برای پردازش سریع داده‌ها و ایجاد مدل‌های قابل فهم برای کارگران و پیمانکاران استفاده شود.
نمایش دقیق اطلاعات در سایت ساخت‌وساز : با استفاده از تکنیک‌های AI (به ویژه پردازش تصویر)، مدل‌های BIM می‌توانند به صورت خودکار به داده‌های مورد نیاز در محل ساخت تبدیل شده و از طریق نمایشگرهای هوشمند یا عینک‌های واقعیت افزوده (AR Glasses) به کارگران نشان داده شوند.
مثال واقعی: در یک پروژه ساخت برج در دبی، از عینک‌های واقعیت افزوده برای نمایش طرح‌های BIM به کارگران در سایت استفاده شد. این تکنولوژی توانست دقت پیاده‌سازی را تا 20٪ افزایش دهد و زمان اجرای پروژه را به طور متوسط 15٪ کاهش دهد.
3.1. ابزارهای رباتیک برای اجرای عملیات ساختمانی
این دسته شامل ربات‌هایی است که می‌توانند به صورت خودکار عملیات مختلف ساخت‌وساز را اجرا کنند. به عنوان مثال، ربات‌های جوشکاری، ربات‌های بتن‌ریزی و یا ربات‌های دیوارچینی. استفاده از AI در این حوزه می‌تواند به بهبود دقت و کارایی ربات‌ها کمک کند.
مثال واقعی: در یک پروژه ساخت برج‌های دوقلو در کره جنوبی، از ربات‌های دیوارچین هوشمند برای ساخت دیوارهای داخلی استفاده شد. این ربات‌ها توانستند دقت اجرای طرح‌های BIM را به 99٪ برسانند و خطاهای انسانی را به حداقل برسانند. همچنین، این پروژه به دلیل استفاده از این ربات‌ها 30 درصد سریع‌تر از حد برنامه‌ریزی شده به اتمام رسید.
4.1. ابزارهای Field-to-BIM برای جمع‌آوری و تحلیل داده‌های سایت
این دسته شامل ابزارهایی می‌شود که اطلاعات جمع‌آوری‌شده از سایت ساخت‌وساز را به مدل‌های BIM منتقل می‌کنند. این ابزارها می‌توانند از تکنولوژی‌های مختلفی مانند اسکن‌های لیزری، پهپادها و حسگرهای هوشمند برای ایجاد مدل‌های دقیق‌تر استفاده کنند.
پایش عملکرد پروژه و کنترل کیفی: ابزارهای AI می‌توانند اطلاعات دریافتی از سایت را با مدل‌های BIM مقایسه کرده و هرگونه عدم تطابق را به تیم مدیریت پروژه گزارش دهند.
مثال واقعی: در یک پروژه ساخت‌وساز در شانگهای، از پهپادهای مجهز به دوربین‌های 360 درجه برای پایش پیشرفت پروژه استفاده شد. این سیستم توانست با دقت بالایی عملکرد سایت را ارزیابی کرده و هرگونه تأخیر در اجرای پروژه را به صورت خودکار شناسایی کند. در نتیجه، مدیران پروژه توانستند با استفاده از این سیستم بیش از 10 درصد در هزینه‌های نظارت صرفه‌جویی کنند.
2. کاربرد یادگیری ماشین در BIM
یادگیری ماشین (ML) به عنوان یکی از حوزه‌های کلیدی و مهم در بهبود عملکرد BIM شناخته می‌شود. استفاده از الگوریتم‌های یادگیری ماشین در فرآیندهای مختلف چرخه عمر ساختمان، امکان بهبود تحلیل داده‌ها، پیش‌بینی رفتارهای سیستم‌ها و بهینه‌سازی منابع را فراهم می‌کند. در ادامه، به برخی از مهم‌ترین کاربردهای یادگیری ماشین در BIM پرداخته می‌شود:
1.2. طبقه‌بندی و مدیریت داده‌ها
مدل‌های یادگیری ماشین به عنوان ابزاری مؤثر برای طبقه‌بندی و مدیریت داده‌های BIM مورد استفاده قرار می‌گیرند. با توجه به حجم زیاد و پیچیدگی داده‌هایی که در فرآیندهای BIM ایجاد می‌شود، استفاده از روش‌های سنتی برای سازماندهی این داده‌ها ناکارآمد است. در اینجا الگوریتم‌های یادگیری ماشین می‌توانند به سازماندهی، دسته‌بندی و شناسایی الگوها در داده‌ها کمک کنند. به عنوان مثال، الگوریتم‌های طبقه‌بندی مانند ماشین بردار پشتیبانی (SVM) و جنگل تصادفی (Random Forest) می‌توانند داده‌های مربوط به اجزای مختلف ساختمان را شناسایی کرده و آن‌ها را بر اساس نوع، عملکرد و موقعیت جغرافیایی دسته‌بندی کنند. این فرآیند نه تنها به کاهش خطاهای موجود در داده‌ها کمک می‌کند، بلکه امکان استفاده بهینه‌تر از اطلاعات موجود را نیز فراهم می‌سازد.
مثال: در یک پروژه ساختمانی پیچیده، از الگوریتم‌های طبقه‌بندی برای شناسایی داده‌های ناقص و ناهماهنگ در طراحی‌های سه‌بعدی استفاده شد. این مدل‌ها با دقت بالا توانستند بخش‌های نادرست را شناسایی کنند و به تیم مهندسی کمک کنند تا به سرعت مشکلات را قبل از اجرای پروژه برطرف کنند. نتیجه این کار، کاهش 15 درصدی هزینه‌های اضافی و بهبود 10 درصدی دقت اجرای پروژه بود.
2.2. پیش‌بینی رفتارهای سازه‌ای
یکی دیگر از کاربردهای مهم یادگیری ماشین در BIM، پیش‌بینی رفتارهای سازه‌ای ساختمان‌ها تحت شرایط مختلف است. با استفاده از مدل‌های شبکه عصبی و سایر الگوریتم‌های پیش‌بینی، می‌توان واکنش یک سازه را در برابر بارهای مختلف مانند زلزله، باد یا تغییرات دما شبیه‌سازی کرد. این پیش‌بینی‌ها به مهندسان امکان می‌دهد تا اقدامات پیشگیرانه انجام دهند و طرح‌هایی ارائه دهند که در برابر شرایط طبیعی مختلف مقاومت بیشتری داشته باشند.
مثال: در یک پروژه ساخت پل، مدل‌های یادگیری ماشین برای پیش‌بینی میزان انحرافات و لرزش‌های سازه‌ای تحت شرایط باد شدید استفاده شدند. نتایج این پیش‌بینی‌ها به مهندسان کمک کرد تا طراحی را بهبود بخشند و پایداری سازه را افزایش دهند. استفاده از این مدل‌ها به کاهش 20 درصدی خطرات ناشی از شرایط آب‌وهوایی و افزایش 25 درصدی عمر مفید سازه منجر شد.
3.2. بهینه‌سازی فرآیندهای ساخت
مدل‌های یادگیری ماشین می‌توانند برای بهینه‌سازی فرآیندهای ساخت و تخصیص منابع مورد استفاده قرار گیرند. در پروژه‌های ساختمانی پیچیده، زمان‌بندی و تخصیص منابع بهینه از اهمیت بالایی برخوردار است. با استفاده از الگوریتم‌های یادگیری ماشین، می‌توان بهترین برنامه‌ریزی برای استفاده از منابعی مانند مواد اولیه، نیروی انسانی و ماشین‌آلات را انجام داد. الگوریتم‌های یادگیری تقویتی (Reinforcement Learning) می‌توانند با یادگیری از داده‌های گذشته و شبیه‌سازی سناریوهای مختلف، بهینه‌ترین مسیرها و زمان‌بندی‌ها را برای پروژه‌ها پیشنهاد دهند.
مثال: در یک پروژه ساخت‌وساز در مقیاس بزرگ، استفاده از الگوریتم‌های یادگیری تقویتی برای برنامه‌ریزی دقیق‌تر و تخصیص منابع به کاهش 18 درصدی هزینه‌های عملیاتی منجر شد. این الگوریتم‌ها به تیم مدیریت کمک کردند تا زمان‌های اتلاف‌شده را کاهش دهند و بهره‌وری کل پروژه را افزایش دهند.
4.2. تشخیص برخوردها و پیشگیری از تداخلات
یکی دیگر از کاربردهای یادگیری ماشین در BIM، تشخیص برخوردهای احتمالی بین اجزای مختلف ساختمان مانند لوله‌کشی، سیم‌کشی برق و سازه‌های مکانیکی است. یادگیری ماشین می‌تواند این برخوردها را به صورت مؤثرتری شناسایی کند و راهکارهای مناسبی برای حل آن‌ها ارائه دهد، که باعث کاهش زمان تأخیر و هزینه‌های ناشی از اصلاحات بعدی می‌شود.
مثال: در پروژه ساخت یک بیمارستان بزرگ، از مدل‌های یادگیری ماشین برای شناسایی تداخلات بین سیستم‌های برق و تهویه مطبوع استفاده شد. این مدل‌ها توانستند بیش از 95 درصد برخوردهایی که با روش‌های سنتی شناسایی نشده بودند را کشف کنند و از هزینه‌های اصلاحی جلوگیری به عمل آورند.
3. نگاهی به گذشته، حال و آینده BIM و AI
سه مرحله اصلی برای بررسی وضعیت BIM وAI تعریف شده اند. گذشته‌ی شناخته شده (Known Past) ، حال نامطمئن (Uncertain Present) ، و آینده خوش‌بینانه (Optimistic Future). در ادامه، به بررسی این سه مرحله می‌پردازیم:
1.3. گذشته‌ی شناخته شده (Known Past)
در این مرحله، بسیاری از تکنیک‌ها و ابزارهای BIM و AI به عنوان ایده‌هایی مطرح شدند که عملی‌سازی آن‌ها به دلیل محدودیت‌های فنی ممکن نبود. تکنیک‌های اولیه برای طراحی خودکار مانند سیستم‌های مبتنی بر قوانین در دهه 1980 مطرح شدند، اما این سیستم‌ها به دلیل کمبود قدرت پردازشی و نبود مدل‌های یکپارچه اطلاعات، در محیط‌های صنعتی به کار گرفته نشدند. همچنین، ایده‌های اولیه برای کنترل کدهای ساختمانی و چک کردن خودکار قوانین نیز مطرح شد، اما نبود استانداردهای یکپارچه و مشکلات درک زبان طبیعی، این سیستم‌ها را ناکارآمد کرد.
برای مثال، اولین سیستم‌های مبتنی بر هوش مصنوعی مانند HI-RISE در دهه 1980 برای طراحی سازه‌های بلند مرتبه توسعه یافتند، اما به دلیل محدودیت‌های پردازشی، تنها در محیط‌های آزمایشگاهی باقی ماندند.
2.3. حال نامطمئن (Uncertain Present)
امروزه، بسیاری از سیستم‌های طراحی خودکار و چک کردن قوانین ساختمانی (Code Compliance) به بازار عرضه شده‌اند، اما همچنان نیاز به استانداردسازی مدل‌ها و افزایش دقت تحلیل‌ها دارند. نرم‌افزارهایی مانند Solibri Model Checker و BIM Assure از جمله ابزارهای تجاری موجود هستند که می‌توانند برخی از قوانین ساختمانی را به صورت خودکار بررسی کنند. AI در اینجا می‌تواند به عنوان یک راه‌حل کارآمد ظاهر شود، زیرا از الگوریتم‌های پردازش زبان طبیعی (NLP) و تحلیل معنایی (Semantic Analysis) برای تبدیل قوانین و مقررات ساختمان به فرم‌های قابل پردازش توسط ماشین استفاده می‌کند. با این حال، چالش اصلی همچنان تطبیق مدل‌ها و نیاز به داده‌های دقیق و یکپارچه است.
3.3. آینده خوش‌بینانه (Optimistic Future)
آینده BIM با ادغام سیستم‌های خودکار پیشرفته‌تر و ایجاد دوقلوهای دیجیتال (Digital Twins) ، به سمت محیطی هوشمندتر و دقیق‌تر حرکت خواهد کرد. استفاده از Digital Twin و واقعیت افزوده (AR) این امکان را فراهم می‌کند که نسخه دیجیتالی و بلادرنگ از دارایی‌های فیزیکی در محیط واقعی به نمایش درآید. با استفاده از AR، کاربران می‌توانند تغییرات و عملکرد سیستم‌های فیزیکی را به‌صورت زنده مشاهده کنند و با تعامل با مدل دیجیتال، به بهینه‌سازی عملیات و تشخیص مشکلات پیش از وقوع آن‌ها کمک کنند. این ترکیب باعث افزایش دقت و سرعت در مدیریت و اجرای پروژه‌ها می‌شود. انتظار می‌رود سیستم‌های آینده توانایی تحلیل خودکار تمامی کدهای ساختمانی، طراحی‌های پیچیده و مدیریت کامل چرخه عمر پروژه‌ها را داشته باشند.
4. جمع‌بندی
یادگیری ماشین و هوش مصنوعی به عنوان ابزارهایی قدرتمند در بهبود عملکرد مدلسازی اطلاعات ساختمان (BIM) نقش بسیار مهمی ایفا می‌کنند. این تکنولوژی‌ها با ارائه ابزارهای پیشرفته برای تحلیل داده‌ها، شناسایی الگوهای پنهان و پیش‌بینی رفتارهای پیچیده، به بهبود کیفیت، کاهش هزینه‌ها و افزایش کارایی در پروژه‌های ساختمانی کمک می‌کنند. با این حال، استفاده کامل از پتانسیل‌های آن‌ها نیازمند توسعه زیرساخت‌های مناسب، استانداردهای یکپارچه و حل چالش‌های موجود در مدیریت داده‌های حجیم است. آینده BIM بدون شک با استفاده از این تکنولوژی‌ها به سمت یک محیط دیجیتال هوشمند و هماهنگ‌تر حرکت خواهد کرد.
منابع
Zabin, A., González, V. A., Zou, Y., & Amor, R. (2022). Applications of machine learning to BIM: A systematic literature review. Advanced Engineering Informatics, 51, 101474.
Brilakis, I., Girolami, M., & Sacks, R. (2020). Building Information Modelling, Artificial Intelligence and Construction Tech.
نویسنده: علیرضا سرکار، فارغ التحصیل مهندسی عمران دانشگاه صنعتی شریف
