DOI: https://doi.org/10.3390/electronics14112146
تاريخ النشر: 2025-05-24
المؤلف: Soumya Madireddy وآخرون
الموضوع الرئيسي: نموذج معلومات البناء ودمج البناء
نظرة عامة
تقدم هذه البحث إطار عمل جديد يستفيد من نماذج اللغة الكبيرة (LLMs) لأتمتة جزئية لعملية التحقق من الامتثال في نمذجة معلومات البناء (BIM). من خلال دمج LLMs مثل GPT وClaude وGemini وLlama مع برنامج Revit، يقوم النظام بتفسير رموز البناء وتوليد نصوص بايثون للتحقق من الامتثال. أظهرت دراسات الحالة على مبنى سكني ومبنى مكاتب تخفيضات كبيرة في الوقت والجهد لعمليات التحقق من الامتثال، مع تعزيز الدقة في تحديد الانتهاكات المتعلقة بأبعاد الغرف واستخدام المواد وترتيب الكائنات. تضع قابلية تكيف الإطار وفعاليته من حيث التكلفة كحل واعد للتحقق من الامتثال عبر مشاريع البناء المختلفة.
تقيّم الدراسة أيضًا أداء نماذج LLMs المختلفة، حيث تم تحديد ChatGPT 4.0 وClaude Sonnet 3.5 كالأكثر فعالية في توليد نصوص بايثون القابلة للتنفيذ، مع الإشارة إلى القيود في نماذج أخرى. تم تطوير هيكل موجه محسن لتحسين توليد النصوص، مع التأكيد على أهمية نماذج BIM المنظمة جيدًا والتوافق بين إصدارات البرمجيات. على الرغم من مساهماته، يواجه الإطار قيودًا، بما في ذلك الاعتماد على بيانات BIM عالية الجودة والحاجة إلى تدخل يدوي في تنفيذ النصوص. تشمل اتجاهات البحث المستقبلية تعزيز الأتمتة من خلال وكلاء LLM القادرين على التفاعل المباشر مع واجهة برمجة تطبيقات Revit وتكييف الإطار للاستخدام مع أدوات التصميم الأخرى، مما يوسع من قابليته للتطبيق في صناعة البناء.
مقدمة
تناقش مقدمة ورقة البحث الأهمية الحاسمة لامتثال الرموز في صناعة الهندسة المعمارية والهندسة والبناء (AEC)، مع تسليط الضوء على الاعتماد التقليدي على المراجعات اليدوية للتصاميم من خلال رسومات CAD، والتي غالبًا ما تكون غير فعالة ومعرضة للأخطاء. لمعالجة هذه التحديات، تم تطوير التحقق الآلي من الامتثال (ACC)، مستفيدًا من برامج الكمبيوتر لتعزيز الدقة والكفاءة من خلال التحقق من مشاريع البناء مقابل الرموز المعمول بها. لقد حسّن دمج نمذجة معلومات البناء (BIM) من ACC من خلال تسهيل التعاون الأفضل وتبادل المعلومات من خلال التمثيلات الرقمية للمباني.
تشمل عملية ACC عدة خطوات رئيسية: تفسير القواعد، إعداد نموذج البناء، تنفيذ القواعد، وتقرير النتائج. تم تحديد تفسير القواعد كأكثر المراحل تعقيدًا وأهمية، وغالبًا ما تستخدم تقنيات مثل استخدام البرمجيات، وتطبيقات الإضافات، ومعالجة اللغة الطبيعية (NLP) لتحويل النصوص التنظيمية إلى قواعد قابلة للحساب. يتم استخدام تقنيات رقمية متقدمة، بما في ذلك NLP وتعلم الآلة، بشكل متزايد لتعزيز سرعة ودقة عمليات التحقق من الامتثال. تشمل الأمثلة البارزة إطار عمل اقترحه Li وآخرون يستخدم الرسوم البيانية المعرفية وNLP لتحديد الأخطاء في نماذج BIM، ونظام تعلم الآلة الذي قدمه Lange وآخرون والذي يستخدم شبكة عصبية تلافيفية (CNN) لأتمتة عمليات التحقق من الامتثال للوصول بدقة تبلغ 95%.
الطرق
تطورت الطرق لضمان الامتثال في صناعة الهندسة المعمارية والهندسة والبناء (AEC) بشكل كبير، حيث انتقلت من العمليات اليدوية إلى أنظمة آلية متقدمة. في البداية، كان الامتثال يعتمد على مراجعات يدوية لوثائق التصميم من قبل محترفين ذوي خبرة، والتي كانت تستغرق وقتًا طويلاً ومعرضة للأخطاء بسبب التعقيد والتناقضات داخل رموز البناء. أدت إدخال التصميم بمساعدة الكمبيوتر (CAD) في الثمانينيات إلى تحول نحو الطرق الرقمية، ومع ذلك كانت أنظمة CAD المبكرة مجرد رقمنة للتحقق اليدوي دون قدرات قائمة على القواعد الذكية. أحدث ظهور نمذجة معلومات البناء (BIM) ثورة في عمليات التحقق من الامتثال من خلال دمج معلومات البناء مع التحقق القائم على القواعد، مما يسمح بنهج أكثر تعاونًا ودقة في إدارة المشاريع.
ركزت التطورات الأخيرة على الطرق شبه الآلية التي تستخدم معالجة اللغة الطبيعية (NLP) والعوامل المنطقية لترجمة النصوص التنظيمية إلى تنسيقات قابلة للقراءة من قبل الآلات. يشمل ذلك تطوير لغات البرمجة المرئية ولغات محددة المجال لتعزيز الوصول لغير المبرمجين. لقد أظهر دمج نماذج اللغة الكبيرة (LLMs) وعدًا في أتمتة ترجمة المتطلبات باللغة الطبيعية إلى تمثيلات قابلة للحساب، مما يحسن من كفاءة ودقة عمليات التحقق من الامتثال. يوضح إطار عمل مقترح يعتمد على LLM عملية شبه آلية تتضمن نماذج BIM والمستندات التنظيمية، مستفيدًا من LLMs لتفسير اللوائح وتوليد نصوص بايثون للتحقق الآلي من القواعد داخل بيئات BIM مثل Revit. لا يحدد هذا الإطار الامتثال فحسب، بل يقدم أيضًا توصيات قابلة للتنفيذ للنماذج غير المتوافقة، مما يعزز الكفاءة العامة وموثوقية التحقق من الامتثال في صناعة AEC.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التحديات المستمرة التي تواجه أنظمة التحقق الآلي من الامتثال (ACC) الحالية في صناعة البناء. تشمل القضايا الرئيسية صعوبة ترجمة رموز البناء المعقدة إلى تنسيقات قابلة للقراءة من قبل الآلات، والتحديثات المتكررة لهذه الرموز، والاعتماد على بيانات نمذجة معلومات البناء (BIM) الدقيقة. إن نقص التوحيد في BIM يعقد أيضًا عملية التحقق الآلي، مما يتطلب غالبًا معالجة يدوية شاملة. بالإضافة إلى ذلك، تميل أنظمة ACC الحالية إلى العمل كـ “صناديق سوداء”، تفتقر إلى الشفافية والمرونة، مما يحد من قابليتها للتكيف مع احتياجات المستخدمين المحددة. على الرغم من هذه التحديات، أظهرت أنظمة ACC إمكانية تعزيز سرعة ودقة عمليات التحقق من الامتثال، مما يقلل من الأخطاء البشرية.
يقدم ظهور نماذج اللغة الكبيرة (LLMs) إمكانيات تحويلية لـ ACC من خلال تحسين قدرات معالجة اللغة الطبيعية. يمكن لـ LLMs تفسير النصوص التنظيمية المعقدة بكفاءة وتحويلها إلى قواعد قابلة للحساب، والتكيف مع اللوائح الجديدة وتوليد تمثيلات رسمية لمتطلبات الامتثال. ومع ذلك، لا تزال هناك تحديات، بما في ذلك ضمان دقة المخرجات والحاجة إلى هندسة موجهة فعالة. تهدف البحث إلى معالجة الفجوات الحالية من خلال اقتراح نهج يعتمد على LLM يدمج نماذج التحقق من الامتثال داخل بيئات BIM، محولًا اللوائح إلى نصوص بايثون قابلة للتنفيذ للتحقق من الامتثال في الوقت الحقيقي في برمجيات مثل Revit. يهدف هذا النهج إلى تبسيط عملية الامتثال، وتعزيز الدقة، وتسهيل تكييف الأنظمة مع المشهد التنظيمي المتطور.
القيود
تتعدد قيود أنظمة التحقق الآلي من الامتثال (ACC) الحالية في سياق نمذجة معلومات البناء (BIM). تتمثل إحدى التحديات الرئيسية في ترجمة رموز البناء باللغة الطبيعية إلى تنسيقات قابلة للقراءة من قبل الآلات، وهو ما تعقده الطبيعة الغامضة والمعقدة للغة المستخدمة في هذه الرموز. تعيق الاختلافات في التطبيقات الإقليمية والثقافية أيضًا تطوير نظام قابل للتطبيق عالميًا. بالإضافة إلى ذلك، تتطلب التحديثات المتكررة لرموز البناء تعديلات مستمرة على الأدوات الآلية، مما يزيد من مشاكل التوافق بين BIM وأنظمة ACC بسبب نقص التنسيقات الموحدة والاستنتاجات الموحدة في مجال ACC.
علاوة على ذلك، فإن إعداد نماذج BIM للتحقق من الامتثال يتطلب جهدًا كبيرًا، حيث يتطلب معالجة شاملة لمعالجة البيانات المفقودة أو غير الدقيقة. هذه العملية العادية معرضة للأخطاء ومعقدة بسبب تعقيد تصميمات المباني وغياب متطلبات المعلومات المحددة بوضوح. بينما تقدم أدوات ACC الحالية بعض الأتمتة، فإنها غالبًا ما تعتمد على قواعد مشفرة بشكل صارم تحد من المرونة وقابلية التكيف مع اللوائح الجديدة. قد تواجه أيضًا صعوبات مع العلاقات الهندسية المعقدة وتفتقر إلى الشفافية، مما يقلل من قبول المستخدمين ومشاركتهم. بشكل عام، تسلط هذه القيود الضوء على الحاجة إلى أنظمة ACC أكثر ديناميكية وسهولة في الاستخدام يمكن أن تستوعب بفعالية متطلبات تنظيمية متنوعة ونماذج BIM معقدة.
DOI: https://doi.org/10.3390/electronics14112146
Publication Date: 2025-05-24
Author(s): Soumya Madireddy et al.
Primary Topic: BIM and Construction Integration
Overview
This research presents a novel framework that leverages Large Language Models (LLMs) to semi-automate the compliance checking process in Building Information Modeling (BIM). By integrating LLMs such as GPT, Claude, Gemini, and Llama with Revit software, the system interprets building codes and generates Python scripts for compliance verification. Case studies on a residential and an office building demonstrated significant reductions in time and effort for compliance checks, while enhancing accuracy in identifying violations related to room dimensions, material usage, and object placements. The framework’s adaptability and cost-effectiveness position it as a promising solution for compliance checking across various construction projects.
The study further evaluates the performance of different LLMs, identifying ChatGPT 4.0 and Claude Sonnet 3.5 as the most effective in generating executable Python scripts, while noting limitations in other models. An optimized prompt structure was developed to improve script generation, emphasizing the importance of well-structured BIM models and compatibility between software versions. Despite its contributions, the framework faces limitations, including reliance on high-quality BIM data and the need for manual intervention in script execution. Future research directions include enhancing automation through LLM agents capable of direct interaction with the Revit API and adapting the framework for use with other design tools, thereby broadening its applicability in the construction industry.
Introduction
The introduction of the research paper discusses the critical importance of code compliance in the architecture, engineering, and construction (AEC) industry, highlighting the traditional reliance on manual reviews of designs through CAD drawings, which are often inefficient and error-prone. To address these challenges, Automated Compliance Checking (ACC) has been developed, leveraging computer programs to enhance accuracy and efficiency by verifying building projects against established codes. The integration of Building Information Modeling (BIM) has further improved ACC by facilitating better collaboration and information exchange through digital representations of buildings.
The ACC process involves several key steps: rule interpretation, building model preparation, rule execution, and results reporting. Rule interpretation is identified as the most complex and crucial phase, often employing techniques such as software utilization, plug-in applications, and natural language processing (NLP) to convert regulatory texts into computable rules. Advanced digital technologies, including NLP and machine learning, are increasingly utilized to enhance the speed and accuracy of compliance checks. Notable examples include a framework proposed by Li et al. that uses knowledge graphs and NLP for error identification in BIM models, and Lange et al.’s machine learning system employing a Convolutional Neural Network (CNN) to automate accessibility compliance checks with a reported accuracy of 95%.
Methods
The methods for ensuring compliance in the Architecture, Engineering, and Construction (AEC) industry have evolved significantly, transitioning from manual processes to advanced automated systems. Initially, compliance relied on manual reviews of design documents by experienced professionals, which were time-consuming and prone to errors due to the complexity and contradictions within building codes. The introduction of Computer-Aided Design (CAD) in the 1980s marked a shift to digital methods, yet early CAD systems merely digitized manual checks without intelligent rule-based capabilities. The advent of Building Information Modeling (BIM) revolutionized compliance checking by integrating building information with rule-based checks, allowing for a more collaborative and accurate approach to project management.
Recent advancements have focused on semi-automated methods that utilize natural language processing (NLP) and logical operators to translate regulatory texts into machine-readable formats. This includes the development of visual programming languages and domain-specific languages to enhance accessibility for non-programmers. The integration of Large Language Models (LLMs) has shown promise in automating the translation of natural language requirements into computable representations, improving the efficiency and accuracy of compliance checks. A proposed LLM-based framework illustrates a semi-automated process that incorporates BIM models and regulatory documents, utilizing LLMs to interpret regulations and generate Python scripts for automated rule-checking within BIM environments like Revit. This framework not only identifies compliance but also provides actionable recommendations for non-compliant models, thereby enhancing the overall efficiency and reliability of compliance verification in the AEC industry.
Discussion
The discussion section of the research paper highlights the persistent challenges faced by current Automated Compliance Checking (ACC) systems in the construction industry. Key issues include the difficulty of translating complex building codes into machine-readable formats, the frequent updates to these codes, and the reliance on accurate Building Information Modeling (BIM) data. The lack of standardization in BIM further complicates the automated checking process, often requiring extensive manual preprocessing. Additionally, existing ACC systems tend to operate as “black boxes,” lacking transparency and flexibility, which limits their adaptability to user-specific needs. Despite these challenges, ACC systems have shown potential to enhance the speed and accuracy of compliance checks, thereby reducing human error.
The emergence of Large Language Models (LLMs) presents transformative potential for ACC by improving natural language processing capabilities. LLMs can efficiently interpret complex regulatory texts and convert them into computable rules, adapting to new regulations and generating formal representations of compliance requirements. However, challenges remain, including ensuring the accuracy of outputs and the need for effective prompt engineering. The research aims to address existing gaps by proposing an LLM-based approach that integrates compliance-checking models within BIM environments, converting regulations into executable Python scripts for real-time compliance verification in software like Revit. This approach aims to streamline the compliance process, enhance accuracy, and facilitate the adaptation of systems to evolving regulatory landscapes.
Limitations
The limitations of current automated compliance checking (ACC) systems in the context of Building Information Modeling (BIM) are multifaceted. A primary challenge is the translation of natural language building codes into machine-readable formats, which is complicated by the ambiguous and complex nature of the language used in these codes. Variations in regional and cultural applications further hinder the development of a universally applicable system. Additionally, the frequent updates to building codes necessitate constant modifications to automated tools, exacerbating interoperability issues between BIM and ACC systems due to the lack of standardized formats and unified conclusions in the ACC domain.
Moreover, the preparation of BIM models for compliance checking is labor-intensive, requiring extensive preprocessing to address missing or inaccurate data. This normalization process is prone to errors and is complicated by the complexity of building designs and the absence of clearly defined information requirements. Existing ACC tools, while offering some automation, often rely on hard-coded rules that limit flexibility and adaptability to new regulations. They may also struggle with complex geometric relationships and lack transparency, which diminishes user acceptance and involvement. Overall, these limitations highlight the need for more dynamic and user-friendly ACC systems that can effectively accommodate diverse regulatory requirements and complex BIM models.