Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen.
Wählen Sie eine Sitzung aus, um die darin gehaltenen Vorträge anzuzeigen.

 
Sitzungsübersicht
Sitzung
Digitalisierung & BIM II
Zeit:
Donnerstag, 06.02.2020:
9:00 - 10:30

Chair der Sitzung: Jost-Michael Broser, Technische Hochschule Köln
Ort: Raum E7

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

Deep Learning zur Bilderkennung verschiedener Gebäudefassadentypen

Angelina Aziz

Technische Hochschule Ostwestfalen-Lippe in Detmold, Deutschland

In den letzten Jahren hat sich die Aufmerksamkeit verstärkt auf den Bereich des maschinellen Lernens konzentriert, welches ein breites Spektrum von Problemlösungen abdeckt. Deep Learning, eine Untergruppe des maschinellen Lernens, hat viele praktische Anwendungen durch die Erweiterung des gesamten Bereichs der künstlichen Intelligenz (KI) ermöglicht. Diese vorliegende Studie zeigt auf generische Weise, dass künstliche Intelligenz in vielen Anwendungsbereichen, insbesondere im Bausektor, eingesetzt und erweitert werden kann.

Gebäudeoberflächen bieten eine reichhaltige Umgebung, um eine bestimmte Disziplin des Deep Learning zu testen - die Bilderkennung. In einer Voruntersuchung bestand die Hauptaufgabe darin, einen Ansatz zu etablieren, Merkmale mithilfe von selbstlernenden Algorithmen in Fassadenbildern zu erfassen und bei Testbildern in richtige Materialklassen (z.B. Mauerwerk oder Fachwerk) einzuordnen. Der Erfolg dieser mehrstufigen Klassifizierung hing von einem genauen, individuellen Datensatz ab, und von der Programmierung eines tiefen neuronalen Faltungsnetzwerks. Unter Verwendung der Programmiersprache Python, der Deep Learning Bibliothek Keras und einer Programmierumgebung konnte das neuronale Netzwerk erstellt werden. Für den Trainingsprozess wurde ein selbst erstellter Datensatz, bestehend aus 900 Trainingsbildern und 60 Validierungsbildern, verwendet. Für weitere Untersuchungen werden Leistung, Genauigkeit und Funktionalität des erzeugten neuronalen Netzwerks weiterhin optimiert.

Diese Vorstudie liefert ein trainiertes neuronales Netzwerk zur Identifizierung einiger gängiger Fassadentypen, das aktuell weiter ausgebaut wird. Das Ziel dieser Forschung ist die Entwicklung einer automatisierten Fassadenerkennung mithilfe von Google Street View (GSV) Bildern für das Training des neuralen Netzwerks. Das optimierte, neuronale Faltungsnetzwerk soll die städtische Umwelt analysieren und damit jedes 3D-Stadtmodell mit semantischen Informationen zur Fassade bereichern.

Koautor: Prof. Dipl.-Ing. Jens-Uwe Schulz



BIM-konforme Bestandsmodelle - Potentiale und Grenzen

Lars Sörensen

Scan3D GmbH, Deutschland

BIM-konforme Modelle für das Bauen im Bestand

Die gebaute Realität ist immer Toleranzen unterlegen. Aus diesem Grund ist das Abbild der Realität bestehender Bauwerke und Objekte nur eingeschränkt durch geometrische Primitive beschreibbar. Mit Hilfe von Freiformflächen, die aus strukturierten Kurvennetzwerken bestehen, können verformte Objekte oder geometrisch komplexe Strukturen bei gleichzeitiger Handlichkeit der Daten besser abgebildet werden. Dabei muss der Aufbau des ausgeglichenen Kurvennetzwerks dem ursprünglichen Designkonzept der abgebildeten Geometrie folgen.

Building Information Modeling, kurz BIM, zur Erstellung Digitaler Zwillinge von Bestandsgebäuden wird in der beruflichen Praxis von Vermessungsdienstleistern immer wichtiger. Während die BIM-CAD Plattformen für Neubauprojekte in der Regel Idealgeometrien abbilden müssen, sehen die Anforderungen für Bestandsgebäude nicht nur im Bereich der Denkmalpflege oftmals anders aus. Historischer Gebäudebestand ist in der Regel verformt und weist Schäden auf. Die „historische Ausführungsgenauigkeit“ lässt sich mit vorliegende Werkzeugen derzeit nur begrenzt oder mindestens nicht wirtschaftlich wiedergeben.

Diese Annahme lässt sich neben der Architektur auch auf Vermessungstechnische Anwendungen im Schiffbau und industrielle Bereichen übertragen.

Qualitätsstufen für das Building Information Modeling

Die seit vielen Jahren von uns erarbeitete und veröffentlichte Einteilung von Vermessungsergebnisses lässt sich auf auf BIM-Bestandsmodelle anwenden.

Um höherwertige Modelle zu erhalten müssen neue Wege gegangen werden. Die etablierten CAD-Plattformen enthalten entweder keine Werkzeuge, die eine verformungsgetreue Abbildung verformter Objekte ermöglichen, oder diese Form der Bearbeitung ist gänzlich unwirtschaftlich. In der Praxis ist man sich über die Grenzen der vorhandenen Verfahren meistens nicht bewusst. Die auf diese Art und Weise erstellten und in hohem Maß generalisierten Modelle reichen in der Regel nur für die Entwurfsplanung nicht aber für die Ausführungsplanung aus.

Zielsetzung

Um die oben genannten Aspekte zu lösen bauen wir derzeit ein F+E-Projekt auf, an dem Ingenieuren und Fachleute aus unterschiedlichen Bereichen mitarbeiten, um die Lösungen für „BIM as bulit“ zu etablieren. Hierbei spielt der flexibel angepasste Einsatz verschiedener Softwarelösungen und Auswerteverfahren eine wichtige Rolle.

Sörensen-BIM-konforme Bestandsmodelle_b.pdf


Construction Validation and Verification - Baufehler frühzeitig erkennen und Kosten minimieren

Wolfgang Bücken

Topcon Deutschland Positioning GmbH, Deutschland

Die Industrie steht vor neuen Herausforderungen

  • Es besteht ein starker Bedarf an nachvollziehbaren Bauprozessen, die Fehler, Verschwendung, Nacharbeit und Kosten- / Zeitüberschreitungen minimieren
  • 20% höhere Kosten gegenüber dem geplanten Budget sind derzeit üblich aufgrund Nacharbeiten und Verzögerungen durch unvorhersehbare Ereignisse

Design vs. As-built Challanges

  • Aktuelle Baustellen erfordern immer mehr Kommunikation
  • Der reale Bau unterscheidet sich zu oft vom geplanten Modell
  • Die Bauindustrie benötigt bessere Möglichkeiten Bestandsdaten zu erfassen um sie während der Bauphase mit dem Planungsmodell zu vergleichen

Der GTL-1000 Workflow verändert die Art und Weise, wie unsere Kunden ihr Layout und ihre 3D-Scan-Anforderungen vor Ort betrachten können. Diese Aktivitäten werden nicht mehr von separaten Teams durchgeführt. Jetzt hat der Bauingenieur, der normalerweise Zugang zu einer Robotik-Totalstation hätte, die Möglichkeit, mit einem 3D-Laserscanner zu scannen, ohne die täglichen Aktivitäten zu beeinträchtigen.

Der GTL-1000 ist auch in einen einfach zu bedienenden Workflow integriert, um den schnellen Zugriff auf die Scandaten für den Einsatz in Tools wie der ClearEdge3Ds Verity-Lösung zu ermöglichen.



IFC: Modellierung von Geometrie und Semantik

Sebastian Hollermann

Jade Hochschule, Deutschland

t.b.a.



 
Impressum · Kontaktadresse:
Datenschutzerklärung · Veranstaltung: 19. Oldenburger 3D-Tage
Conference Software - ConfTool Pro 2.6.134
© 2001 - 2020 by Dr. H. Weinreich, Hamburg, Germany