Достаточно ли большой BIM, чтобы воспользоваться преимуществами аналитики больших данных?
Ф.Р. Корреа
Escola Politécnica, Университет Сан-Паулу, Бразилия
Электронная почта: fabiano.correa@usp.br

Краткое содержание

Архитектура, Инженерия, Строительство, и индустрия управления объектами в целом претерпевает глубокие изменения с Building Information Моделирование (BIM). Мне кажется это -подходящий момент для того, чтобы должным образом реструктурировать внутренние процессы проекта, чтобы их с новой волной инноваций. Чтобы использовать цифровую информация из каждого отдельного проекта в ценность бизнеса для всей отрасли, исследователи должны заимствовать знания и решения из области ИТ, такие как машинное обучение, Искусственный интеллект, интеллектуальный анализ данных и наука о данных. Они послужат ориентиром для развития и даже преобразование текущих процессов BIM, как потенциал для разработки новых инструментов и автоматизация многих задач.
Что не совсем понятно – как с помощью BIM можно извлечь выгоду также из аналитики больших данных – Big Data (в тексте - БД), о чем заявляют некоторые профессионалы?
В данной статье автор анализирует проблемы больших данных в контексте BIM, и утверждает, что BIM не может немедленно воспользоваться преимуществами инфраструктуры больших данных. Тем не менее, Big Data, как путь направление развития предлагает расширение возможностей BIM от его моделей, преимущественно ориентированные на строительство к моделям, которые охватывают весь город, что, безусловно, породит спрос на аналитику больших данных. Таким образом, Информационное моделирование (ИМ) кажется правильным путем для BIM, поскольку оно (модели) становятся интегрированными с географическими информационными системами (GIS) и связанными с инструментами, которые были бы более адекватны для будущего разумного планирование и управления городами.
Ключевые слова: Информационное моделирование строительства - BIM; Большие данные - Big Data; Машинное обучение; Информационное моделирование.

1. Введение

Поскольку архитектура, инженерия и строительная отрасль (AEC ) претерпевают глубокие изменения с внедрением технологии информационного моделирования зданий (BIM) [1], которая на самом деле сосредоточена на обмене информацией и коммуникационных технологиях (ИКТ), сейчас кажется разумным момент, чтобы должным образом реструктурировать присущие этому процессы, способствующие новой волне инноваций.
Большую часть обещанной революции приписываемой BIM, еще предстоит осуществить, отчасти из-за отсутствия конкретных технологий, которые уже применяются в других областях или в промышленности [2]. Кроме того, сама организация строительной отрасли АЕС тормозит такое развитие [3].
Чтобы использовать информацию и автоматизировать конкретные рабочие процессы для повышения производительности в целом, необходимо идти дальше и включать знания и решения из таких областей, как машинное обучение, искусственный интеллект (ИИ), интеллектуальный анализ данных и наука о данных. Они будут предоставить руководство по развитию, и даже преобразование текущих процессов BIM с потенциалом для разработки новых инструментов и автоматизации многих задач.
Поскольку данные и информация (и их поток через междисциплинарные процессы) составляют сущность BIM, они будет играть еще большую роль в будущем, так как BIM постоянно развивается в направлении включения различных методов Data Science для извлечения большей части отраслевых данных. В этом случае некоторые исследователи начали размышлять об использовании Big Data Analytics в BIM-процессах.
В данной работе представлен анализ природы ИМ, объем и сложность информации, представленной в BIM на протяжении всего жизненного цикла и в задачах больших данных – Big Data. Оно приводит нас к убеждению, что нынешние BIM модели и процессы не будут использовать методы, используемые со структурами БД.
Тем не менее, при проведении этого анализа оказывается, что аналитика больших данных будет иметь важное значение, если BIM развитие идет по единственно возможному в настоящее время пути расширения и включения всего города в большую информационную модель. Этот новый Информационное моделирование города кажется идеальным инструментом для работы с будущими умными городами.
В следующих разделах выделена роль аналитики в BIM. Кроме того, аналитика больших данных представлены таким образом, чтобы разделить виды данных, с которыми приходится сталкиваться в задачах, связанных с большими данными, и тип аналитика, которая может преобразовывать данные в информацию и знание. Далее также представлен контекст BIM и демонстрация того, что BIM в его нынешнем виде не может воспользоваться аналитикой больших данных. В заключительной части работы содержится предложение распространить BIM на умные города, поскольку в этом случае могут быть использованы методы аналитики больших данных.

2. Роль аналитики в BIM

Сегодня в парадигме BIM доминируют методы ИКТ – информационных и коммуникационных технологий. Многие эксперты подчеркивают роль информационных технологий – ИТ - в процессах BIM, основываясь на возросшей необходимости сбора и передачи информации по сравнению с традиционными процессами в прежние времена. Информация поступает от разных специалистов – профессионалов, причем из множества источников одновременно. Рабочий процесс BIM, который предполагает моделирование, предполагает и виртуальную среду для совместной работы и интеграции всех данных, собираемых или создаваемых в процессе работы над строительным проектом. Фактически, программное обеспечение BIM лишь управляет информацией о процессе моделирования стройки.
Но аналитика также может сыграть важную роль в BIM. Еще один шаг к внедрению опыта ИТ в строительной отрасли заключается в использовании знаний и инструментов из таких областей, таких как машинное обучение, ИИ - искусственный интеллект, интеллектуальный анализ данных и методы обработки данных. Принцип заключается в преобразовании информации, обнаружении данных, позволяющих лучше прогнозировать результаты, автоматизировать процессы и анализировать результаты, а также для оптимизации решений.
Вообще говоря, машинное обучение — это область ИИ – искусственного интеллекта; интеллектуальный анализ данных (Data Mining) – область машинного обучения; наука об обработке данных тесно связана с машинным обучением и интеллектуальным анализом данных, но, не стоит рассматривать все эти разделы как предмет исключительно искусственного интеллекта [4].
Существует множество моделей, методов и подходов из тех областей, которые можно было бы сразу применять на практике, или тех, что сейчас применяются во многих исследовательских работах, что может дать немало полезного для практики применения технологий BIM. Так, например, зачастую требуется автоматизировать процесс создания модели as-built по результатам лазерного сканирования (моделирование данных облака точек в инструментах разработки BIM) [5]. В этом приложении программа должна уметь классифицировать группы (кластеры) точек, связывая их с элементами конструкции. Для задач классификации существует множество различных математических методов, которые могут быть полезны в этом случае. Они различаются многообразием различных специфических методов, технологий анализа совокупности множеств данных в богатстве зависимости, смоделированные против трудностей в применении методы рассуждения к сложной структуре: Так например, метод параллельных вычислений – т.н. векторные вычисления машины (SVM ) [6], не моделирует взаимосвязанные случаи- элементы (т.е. группе точек будет присвоено определенного класса независимо от класса кластера в его окрестности); а метод условные случайные поля (CRF ) [7], которые могут представлять множество возможных сложных зависимости между данными, наблюдаемыми в модели (это более вероятно, что соседние кластеры получат один и тот же класс или ярлык). Эти два математических метода являются самыми современными техниками в области машинного обучения.
В математике также есть направление, которое группирует различные методы или модели: вероятностные подходы, логические подходы, и их комбинации [8]. Вероятностных методы подразделяются на два основных типа моделей или графов: Байесовские сети (BN), где прослеживают неявную причинно-следственную связь между переменными, и неориентированные графы (сеть Маркова - MN, Марковские случайные поля - MRF, CRF) - эта модель пространственных отношения без явного представления причинности. Из них, в свою очередь, можно выделить т.н. «генеративные модели», ориентированные на объяснение зависимости между данными или дискриминационные модели, сосредоточены только на поиске своих меток-тегов [9]. Выбор метода обработки существенно влияет на производительность применяемых алгоритмов «обучения ПО», его характеристики.
Логические подходы, которые хотя и могут давать некоторые преимущества [10], как правило, не могут справиться с количество данных, существующих в реальных задачах.
Некоторые модели машинного обучения все же применяется в AEC-индустрии. Например, есть обзор использования датчиков на строительных площадках для контроля строительных машин с помощью радиочастот, использующиеся для идентификация датчиков   (RFID) методы компьютерного зрения, Sensor Fusion – методы объединения данных из нескольких источников, и глобальная навигационная спутниковая система [11]; кластеризация реальных объектов в классы абстрактных объектов для снижения вычислительных затрат при моделировании интерференция [12]; в  горнодобывающей промышленности применяют методы [13]; использование классификации изображений для создания материалов [14]; использование SVM для классификации строительных материалов [15]; системы автоматического проектирование и планирования для проектов создания систем строительных лесов [16]. Кроме того, применение ИИ в строительстве был предметом другого обзора [17].
В исследовательской литературе можно найти немало инициатив, предлагающих использовать вычислительные методы для BIM процессов, и это только начало такой тенденции. Многие других замечательных идей появятся в ближайшем будущем, поскольку BIM продолжает требовать все большей производительности от своих инструментов.

3. Подходит ли аналитика больших данных для процессов BIM?

Большие данные  стали популярной тенденцией в ИТ-бизнесе в последние несколько лет. Зависимость от информации и его значение для процессов BIM заставило некоторых людей предложить использовать методы применения БД в строительной промышленности [18, 19]. Вместе с тем, можно спросить: действительно ли аналитика больших данных подходит для процессов AEC?
Актуальность этого вопроса состоит в том, что реализация такого подхода потребует много ресурсов, таких как компьютеры и их сети, облачные сервисы, программное обеспечение и, конечно, люди, эксперты. При этом надо учитывать, что в сфере строительства уже прошли через период инвестиций с BIM технологии и процессы. Хотя внедрение BIM уже продемонстрировало ряд достижений [20], важно проанализировать упомянутые преимущества методов БД в применении к BIM – помогут ли они там, где нельзя получить результат с помощью других видов науки об обработке данных, методы, которые не будут стоить так дорого, как обычно применяется для работы с инфраструктурой БД?
Чтобы ответить на этот вопрос, прежде всего, давайте обсудим методы аналитики больших данных.3.1 Аналитика больших данных
Аналитика данных БД или наука об обработке таких данных — это методы, где не вся информация об описываемом явлении,  математические модели данных о нем есть в наличии, но есть закономерности, которые его характеризуют, что можно извлечь из  имеющихся данных и, следовательно, может использоваться вместо или вместе с формальной моделью [21]. Эти узоры– закономерные последовательности, приносят пользу и дают возможность преобразования данных в информацию, а затем и в знания, которые могут быть, использованы в дальнейшем, например, для прогнозов во многих компаниях.
Аналитика больших данных в AEC следует тому же принципу, но доступные данные BIM очень специфичны. Несмотря на то, что существует множество различных определений или вариантов использования БД, термин «большие данные» включает в себя такие данные, которые не могут быть обработаны при помощи традиционного программного обеспечения, их даже невозможно хранить на одной единственной машине.

3.1.1 Большие данные – Big Data
Данные в сценарии больших данных имеют некоторые особенности. Традиционно для него характерны большой объем информации, скорость и разнообразие данных [22]. Другими словами, данные поступают постоянно, так что благодаря своему огромному количеству, их становится трудно хранить и обрабатывать. Информация приходит из разных источников, и во многих случаях не структурирована, её нужно преобразовывать и размечать, чтобы появилась возможность практического применения. Кроме того, достоверность [23], ценность и изменяемость и т.п. также используется в качестве характеристики данных BIM [24].
ЦЕРН [25], например, имеет дело с объемом порядка 30 петабайт данных, производимых ежегодно со скоростью примерно 600 миллионов раз в секунду, в связи со столкновениями частиц в синхрофазотроне. Может быть, разнообразие тут не так очевидно, но информация поступает от разных датчиков, сенсоров (а разнообразие, кроме того, связано и с неструктурированными данными, поступающими из социальных сетей, интернет-данные и многочисленные разнородные датчики в сети Интернет). Научные выводы в таких обстоятельствах, невозможно сделать без специальной инфраструктуры, связанной с обработкой большими данных.
Такие данные, которые не помещаются в таблицы, обычные базы данных не могут работать должным образом, и для этого необходимо использовать программное обеспечение и методы, такие как Hadoop , что является наиболее популярной реализацией MapReduce [26], чтобы обрабатывать их параллельно и в гетерогенной сети.

3.1.2 Аналитика данных
Существует два различных вида анализа данных: предсказательные и описательные [4]. Разница между заключается в том, что в предиктивной аналитике есть некоторые категории информации, относящиеся к рассматриваемой проблеме, которые мы выделяем из общего множества, желая связать их с избранной нами моделью поведения; а в описательной аналитике мы скорее заинтересованы в поиске закономерностей и создании групп сходства, чтобы лучше понять сценарий происходящего.
Предиктивная аналитика часто имеет дело с задачами, возникающими в системах управления обучением   [21]. В контролируемом обучении проблемный паттерн – искомая закономерность, обнаруживается/создается на этапе тренировки, когда обучающий набор предоставляется пользователем, с исправленными и размеченными данными, из которых будет сформулирован обобщенный набор данных. Для такого рода приложений важно иметь разумный объем данных, как относительно объема, так и вариативности/диапазона случаев. Для такого рода аналитики есть проблемы с непрерывными переменными (регрессия) и дискретными переменными (классификация). Методы классификации позволяет решать как бинарные, так и много-классовые задачи.
Описательная аналитика трактует данные как система неконтролируемого обучения, когда нет заранее заданного множества значений, их нужно найти (из собранных данных – ПХ  ), но алгоритм заинтересован в измерении того, насколько анализируемый объект подобен эталонному объекту или случаю. Их можно разделить на три типа [4]: правила ассоциации, где нужно обнаруживать часто встречающиеся закономерности и связи между элементами; последовательность правила, где обнаруживают последовательности событий; а также кластеризация, обнаруживают / анализируют гомогенные или однородные сегменты наблюдений.

3.2 BIM и жизненный цикл строительства
Чтобы выяснить, могут ли процессы BIM быть описаны как проблема больших данных  , важно охарактеризовать данные в BIM-модели.
Данные в моделях BIM относятся к информации по всем стадиям жизненного цикла строительства: проектирование, оценка (бюджетов и сроков, смет и ПОС – ПХ), планирование, строительство, эксплуатация и техническое обслуживание, и даже снос или реконструкция. В настоящее время BIM чаще всего используется для проектирования, оценки и планирование [3].
Большая часть данных обрабатываемых программными средствами BIM, структурированы. Помимо ссылок на каталоги продукции, и текстовые описания сущностей в моделях, все данные в BIM вписываются в схему (модели – ПХ) объектов из конструкции: площадка, проект, здание, пол здания, стена, работа и так далее.
Эта структура представляет собой часть семантики – информационную модель строительного проекта, среду для обмена данными между участниками проекта. Эта модели BIM не имеют полную семантику [10, 27], но значительная часть объектов уже отнесена к тому или иному классу  из схемы данных.
Хотя у каждого разработчика программного обеспечения есть свои собственные- проприетарные форматы модели BIM, в настоящее время существуют стандартные (ISO16739: IFC  — отраслевые базовые классы) [28] которая используется в качестве промежуточной модели при обмене транзакциями между инструментами различного назначения.
Если бы данные о BIM-моделях использовались для анализа одним из методов БД, базовой единицей информации для таких алгоритмов должны быть отдельные BIM-модели. Каждая из таких моделей может содержаться более чем в одном файле (обычно каждый специальность строительного проекта состоит из собственного файла).
Таким образом, взяв типовую BIM-модель, можно анализировать её объемы или размеры, темп закупок или выполнения работ, а также отклонения от проектного темпа  .
Обсуждая размер BIM-моделей, Aconex [29] утверждает, что средний размер моделей удвоился за прошедшие пять лет, до 54 МБ в 2013 году. В службе управления   270 000 моделей, что дает, скажем, репозиторий на 14,5 ТБ. Крупные (промышленные – ПХ) проекты работают с моделями от 300 до 600 МБ, а подчас их BIM-модели достигают 1 ГБ  [30].
Учитывая приведенные выше цифры, модели BIM, даже включающие большое количество геометрических деталей и спецификаций (более высокий уровень детализации LOD) и информацию о других процессах жизненного цикл здания или общего сооружения, мы все же видим  , что они не обладают достаточно большим объемом данных для применения методов БД. Для этого необходимо было бы иметь репозиторий BIM-моделей, например, из проектно-архитектурного   бюро, который может быть использовано для извлечения информации, такой как дизайнерские   архитектурные решения, чтобы объем обрабатываемых данных мог соответствовать размеру БД.
Диапазон размеров современных BIM-моделей, разнообразие данных, таких, как геометрия и другие свойства объектов, общая информация о процессах, едва могут позволяют воспользоваться методами машинного обучения.
Приблизительно 60% данных BIM составляют геометрию, а 40% связаны со свойствами, атрибутами и отношениями между различными объектами схемы [1]. Эти данные, в основном, структурированы. Несколько большим разнообразием в контексте BIM может обладать информация в отношении Facility Management  - системы управления, в эксплуатации здания или сооружения, где, возможно, есть много разных датчиков, и аппаратуры, вносящих в систему определенное количество данных на основе событий повседневной эксплуатации или обслуживания.
Кроме того, диапазон доступной скорости обработки информации только начинает приобретать смысл для управления объектами и эксплуатацией, а приложения обслуживания, которые должны обрабатывать данные, получение из реального мира и из модели BIM, и с датчиков, которые могли бы учитывать работу сооружения в режиме реального времени, ещё слишком слабо развиты.
Кажется, что в настоящее время процессы BIM едва ли могут использовать технологии Big Data-инфраструктуры. Тем не менее, некоторые примеры аналитики всё же были успешно применены к строительной отрасли, хотя они и не имели дело с большими данными.
Однако, надлежащее применение техник анализа БД в строительной индустрии в применении к моделям и инструментами BIM -- возможный путь развития, он сулит огромную выгоду в будущем.

4. Распространение BIM на умные города

Существует тенденция расширять BIM-модели и инструменты в разных направлениях, поскольку BIM все более укореняется в строительной отрасли, и все больше рабочих процессов всего жизненного цикла строительства обрабатывается внутри BIM-инструментов.
Сопоставим продукты управление жизненным циклом (PLM) и BIM [31]: последние можно расширить в сторону превращения их в инструмент или среду разработки и управления моделями продуктов  . Такова современная философия BIM.
Другие значительные усилия направленны на обеспечение функциональной совместимости моделей данных, или бесшовная возможность использования различного программного обеспечения, позволяющая обмениваться информацией между участниками проекта; приложения должны уметь разбираться со структурой и семантикой внутри BIM-моделей [10, 27]. Этот путь развития ведет в направлении большей аналитики в BIM.
Ведутся также исследования в направлении расширения официального стандарта IFC для внедрения описаний инфраструктуры [32]. Так что нам представляется естественным, что BIM будет расширять масштаб от отдельного здание к учету инфраструктуру целого города. Интеграция с инфраструктурой потребует интеграции с приложениями географических информационных систем (ГИС). Развитие в этом направлении, в итоге приведет к расширению BIM до цифровой информационной модели города. Так реальный потенциал инноваций в этой концепции BIM связан с городами.
Рассмотрим новые процессы, возникшие в строительстве с появлением моделей BIM и его вычислительные инструменты. Добавим сюда пока обещаемую виртуальную среда и интегрированный дизайн, связанный с моделированием строительства. Теперь, расширим эти понятия до большого масштаба, включив сюда много зданий внутри одной модели, и создадим модель и инструменты для работы с такой инфраструктурой, включим   отношения между отдельными местами или строениями, обеспечив поток информации в режиме реального времени . Это может стать моделью умного города.  
В масштабах всего города нет сомнений, что аналитика больших данных может быть чрезвычайно мощной платформой для обеспечения лучшего планирования и принятия решений во всех связанных областях. В составе системы будут множество моделей зданий и инфраструктуры, предоставление множества экземпляров одного и того же типа объектов (объем – пространство города); данные в реальном времени, предоставляемые массивами датчиков внутри зданий, и снаружи, на улицах (скорость и разнообразие).

4.1 Последние достижения в интеграции BIM/ГИС
Естественный шаг в этом направлении уже сделан. IFC – универсальная спецификация BIM, в настоящее время актуальна четвертом версия (IFC 4.0), готовится к моделированию тоннелей, автомагистралей и мостов [33].
Однако, чтобы иметь дело с городом, BIM должен поддерживать бесшовную интеграция с ГИС-технологиями. Еще несколько лет назад ГИС имела дело только с 2D-объектами, информация всегда относились к пространственному анализу, основанному на данных съемки и статистике измерений. Это был прежний подход к умному городу.  
Ясно, что есть общее пересечение между объектами изучения BIM-моделей и ГИС-систем. Многие исследования предлагают их интеграцию [34]. Принципиальное различие между этими моделями данных заключается в том, что BIM детализирует одно здание, а ГИС представляет информацию о большой площади, включая или не включая геометрические, трехмерные детали отдельных объектов.
Полная интеграция CAD/BIM с ГИС системами далека от завершения. Но, для того чтобы BIM когда-либо смог сыграть роль в умных городах, эта интеграция должна работать. CityGML — это только одна из предложенных моделей интегрирования [35].

4.2 Концепция умного города
Очевиден интерес к модели города, предназначенной для планирования и управления   - чтобы люди, проживающие в нем, и государственные учреждения, могли извлекли выгоду из комплексного и информированного подхода к принятию решений.
«Умные города» — это отдельная область, хотя существует и некоторая противоречивая терминология, где фигурируют схожие термины «цифровые города» и «интеллектуальные города», подразумевающие совсем другое.
Одно из возможных определений умных городов: «Умным Город называют городской центр будущего, построенный безопасно, надежно, экологически чистый и эффективный, потому что все сооружения – будь то электричество, вода, транспорт и т. д. проектируются, строятся и поддерживается с использованием передовых, интегрированных материалов, датчиков, электроники и сетей, которые взаимодействует с компьютеризированными системами, содержащим базы данных, алгоритмы отслеживания и принятия решений» [36].
Напротив, термины «цифровые города» и «интеллектуальные города» не решают во всей полноте проблему город. Разница между ними не радикальная, согласен, но следует понять, что цифровой город ориентированы на сетевую инфраструктуру, чтобы обеспечить более широкий доступ правительству и населению для соединения друг с другом и предоставления услуги онлайн. Интеллектуальный город ориентирован на наличие 3D-цифрового модель всего города, как инициатива Autodesk [37] что привело к продукту Autodesk Infraworks.
С точки зрения аналитики в данных масштаба города, существует область исследований под названием «Городская информатика» [38]. Это направление также коррелирует с умными городами, поскольку рассматривается в процессе преобразования модели BIM в модель   города умного города.
Основное отличие BIM от умного города, выходящее за рамки этого обзора, заключается в том, что BIM сосредоточен на информации как таковой, а умный город должен быть сосредоточен на потоке информации (и ресурсов).
Для «Умного города» технологии — не самое главное, важнее его использование в целях лучшего или более рационального управления и использования дефицитных ресурсов. Например, взаимосвязь между производством и потреблением энергии, воды и продуктов питания должно каким-то образом балансироваться внутри системы и обеспечивать наилучшие решения для жизни и развития.
Кроме того, мобильность и транспорт - еще одна особенность крупных городов. Механизм планирования маршрута так, чтобы избежать «пробки» - задержки с учетом многих переменных, основанных на исторических последовательности, могут быть использованы для предоставления пользователям лучшего способа попасть на работу или домой. Платформа также может планировать маршруты все вместе, оптимизируя общее движение населения в режиме реального времени.

4.3 Расширение BIM
На первый взгляд кажется, что те объекты, которые используются в BIM моделях и те, которыми оперируют геоинформационные системы (GIS), могут отлично сосуществовать, взаимодействовать в информационной системе города. Есть только проблема в том, как интегрировать эти две модели внутри одной схемы, так как есть некоторая разница концепции, и различные геометрические представления, и уровень детализации между этими двумя моделями.  Рассуждения об интеграции BIM и ГИС приведены в предыдущем разделе.
Некоторые исследователи занимались этим вопросом, обсуждая инструменты для визуализации и интерпретации данных, интеграцию BIM/ГИС. В их работах используется термин CIM – City Information Model, или информационная модель города -- далее ИМГ. Моделирование уже появлялось литературе прежде, но содержание таких моделей далеко не согласовано. Одни модели предназначены для демонстрации города с различных точек зрения с учетом перспективы [39]. Другие сосредоточены на необходимые инструментах для работы с масштабом моделей [40]. Есть также предложения с той же философии, что в BIM, но для целей CIM [41]. Давайте избегать все эти слишком узко направленные методики, избрав более нейтральный термин Smart City – Умный город.
Вероятно, программные решения для «Умных городов» будет отличаться от решений для BIM-среды или платформ. В BIM есть различные инструменты для каждого конкретного применения: проектирования, согласование, 4D планирования, энергетический анализ, структурный анализ и так далее. Для умного города, где система будет в руках государственного органа, будет полезнее иметь все решения или приложения единой общей системе.
В нем программное обеспечение должно быть способно моделировать и визуализировать город целиком. В настоящее время это не проблема, возможно масштаб задачи создаст некоторые трудности, но самой важной особенностью будет внутренняя автоматизация. Принимая во внимание многие аспекты городского планирования, необходимо интегрировать каждую дисциплину в перспективе города.
Моделирование умного города потребует крупная аппаратную инфраструктуру. Такие темы, как погода, дорожное движение, планирование здравоохранения, инфекционное заболевание и его распространение, например, может использовать преимущества комплексного подхода, но потребует разумного компромисса между отдельными дискретными единицами модели с многообразием явлений внутри них, и требуемая вычислительная мощность – потребуются реальные суперкомпьютеры, работающие в диапазоне петафлопс.
Еще одно отличие от текущего программного обеспечения BIM заключается в том, что в умном городе на вход системы поступают не только данные от специалистов, занимающихся различными дисциплинами в проекте. Он должен обеспечивать доступ людям, скажем, в социальных сетях. Программные платформы или веб-сервисы умный город должны позволять гражданам участвовать в политическое решение относительно распределения бюджета каждого сектора города или голосовать по поводу проекта изменения ландшафта. Это новое измерение взаимодействия представителей власти и населения в решениях о судьбе города. Как визуализировать, анализировать и взвешивать вклады – эти аспекты должны быть тщательно изучены.

5. Заключение

Поскольку BIM сосредоточен на информации в строительстве, и аналитика больших данных сфокусирована на извлечении знаний из информации, представляется, что возможно применить такой подход к прошлому, чтобы предсказать будущее, получить источник инноваций в этой области. Однако, как как утверждается в этой статье, набор данных BIM недостаточно велик, чтобы извлечь желаемое решение (аппаратным или программным путем) из аналитики Big Data. Ни по объему данных, ни по полноте разных типов данных, ни по скорости получения решений, обычное использование BIM далеко от сценария работы с Big Data – большими наборами данных.
В этой статье было проанализировано, каковы данные в BIM, их характеристики с позиций БД. Как бы то ни было, BIM мог бы и должен использоваться для аналитики, для продвижения автоматизации, интеграции, или моделирования процессов, улучшения производительность в реальных проектах.
Тем не менее, если модели BIM и программные средства можно модернизировать таким образом, чтобы представлять весь город, то аналитика больших данных будет правильным выбором для решения возникших проблем.
На рис. 1 схематически показано расстояние между BIM и БД, в зависимости от объема данных в информационных моделях, скоростью их обработки и разнообразием доступной информации. Автор считает, что с сегодняшними BIM-моделями вряд ли получится достичь необходимого объема для использования технологии больших данных, что у нас еще нет достаточной скорости обработки необходимого множества разнообразных данных. Но, с переходом от управления жизненным циклом строительства или сооружения, его эксплуатации и технического обслуживание, сегодня, возможного лишь при достижении некоторого объема, разнообразия и скорости обработки данных, к построению модели Умного города, это станет задачей Big Datа.


Рисунок 1. Взаимосвязь моделей BIM с возможностями применения методов Big Data в зависимости от количества информации, скорости ее обработки и разнообразия данных информационных моделей. Перспективы развития.

Показаны шаги, на пути развития технологии BIM, объединяющем отдельные строительные модели в информационную модель целого города, через интеграцию с ГИС-моделями.
Аналитика больших данных кажется уместной для планирования умных городов, разработки сценариев жизни и управления им, где модели BIM и GIS взаимодействуют и обмениваются данными для лучшего понимания сложных ситуаций.
Были даны некоторые указания по возможному расширению текущих моделей BIM и программного обеспечения, как комбинация детального управления информацией присутствующей в BIM моделях и пространственный анализа, доступные с помощью ГИС-приложений, являются правильным направлением интеграции тех и других в системах для работы с будущими умными городами.
Вместе с тем, инструменты и алгоритмы Big Data для анализа и управления Умными городами еще предстоит разработать, и это вопрос предстоящих исследований.

Использованная литература

[1] Eastman C.; Teicholz P.; Sacks, R.; Liston K. BIM Handbook – a guide to Building Information Modeling for owners, managers, designers, engineers, and contractors. John Wiley & Sons, Inc., Hoboken, New Jersey, 2011.
[2] Svetel, I.; Jaric, M.; Budimir, N. BIM: Promises and Reality. SPATIUM International Review, no. 32, pp. 34-38, December 2014.
[3] Azhar S. Building Information Modeling (BIM): trends, benefits, risks, and challenges for the AEC industry. Leadership and Management in Engineering, 11 (3): 241-252, 2011.
[4] Baesens, B. Analytics in a Big Data world – the essential guide to data science and its applications. John Wiley & Sons, Inc., Hoboken, New Jersey, 2014.
[5] Bosché F. Automated recognition of 3D CAD model objects in laser scans and calculation of asbuilt dimensions for dimensional compliance control in construction. Advanced Engineering Informatics, 24(1): 107-118, 2010.
[6] Vapnik V. The nature of statistical learning theory. Springer, 1999.
[7] Lafferty J.; McCallum A.; Pereira F. Conditional Random Fields: probabilistic models for segmenting and labelling sequence data. In Proceedings of the eighteenth international conference on Machine Learning, San Francisco, USA, 282-289, 2001.
[8] Getoor L. and Taskar B. Introduction to Statistical Relational Learning, MIT Press, 2007.
[9] Koller D. and Friedman N. Probabilistic Graphical Models, MIT Press, 2009.
[10] Beetz J.; Leeuwen, J.V.; Vries, B. IfcOWL: a case of transforming EXPRESS schemas into ontologies. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 23:89-101, 2009.
[11] Vasenev A.; Hartmann, T.; Dorée, A.G. A distributed data collection and management framework for tracking construction operations. Advanced Engineering Informatics, 28: 127-137, 2014.
[12] Hung, W.-H. and Kang S.-C.J. Automatic clustering method for real-time construction simulation. Advanced Engineering Informatics, 28:138-152, 2014.
[13] Graening L. and Sendhoff, B. Shape mining: a holistic data mining approach for engineering design. Advanced Engineering Informatics, 28: 166-185, 2014.
[14] Son H; Kim C.; Hwang N.; Kim C.; Kang Y. Classification of major construction materials in construction environments using ensemble classifiers. Advanced Engineering Informatics, 28:1-10, 2014.
[15] Dimitrov A. and Golparvar-Fard M. Vision-based material recognition for automated monitoring of construction progress and generating building information modelling from unordered site image collections. Advanced Engineering Informatics, 28: 37-49, 2014.
[16] Kim K. and Teizer J. Automatic design and planning of scaffolding systems using building information modeling. Advanced Engineering Informatics, 28:66-80, 2014.
[17] Lu P.; Chen S.; Zheng Y. Artificial Intelligence in civil engineering. Mathematical Problems in Engineering, 2012:22 pages, 2012.
[18] Heger, C. Perfection at the connection: BIM in the field bringing an assembly line approach to modern construction. In BIM Forum, Dallas, USA, 2014.
[19] Mencarini, R. Big Data and BIM: turning model information into insight. In BIM Forum, Dallas, USA, 2014.
[20] CRC Construction Innovation. Adopting BIM for facilities management: solutions for managing the Sydney Opera House, Cooperative Research Center for Construction Innovation, Brisbane, Australia, 2007.
[21] Bishop C. Pattern Recognition and Machine Learning. Springer, 2007.
[22] Berman J. Principles of Big Data: preparing, sharing, and analysing complex information. Morgan Kaufmann, 2013.
[23] IBM. Big Data & Analytics HUB. On-line: http://www.ibmbigdatahub.com/infograp...s-big-data. Accessed: 02/09/2015.
[24] Mc Nully E. Understanding Big Data: the seven V’s. On-line: http://dataconomy.com/seven-vs-bigdata/. Accessed: 02/09/2015
[25] CERN. Accelerating Science. On-line: http://home.web.cern.ch/about/computing. Accessed: 02/09/2015.
[26] Dean J. and Ghemawat S. MapReduce: simplified data processing on large clusters. In Sixth Symposium on Operating Systems Design an Implementation, San Francisco, USA, 2004.
[27] Venugopal M.; Eastman C.M.; Sacks, R.; Teizer, J. Semantics of model views for information exchanges using industry foundation class schema. Advanced Engineering Informatics, 26:411–428, 2014.
[28] buildingSMART. IFC4 Documentation. On-line: http://www.buildingsmarttech.org/ifc/.../index.htm. Accessed: 02/04/2015. [29] Aconex. On-line: http://www.aconex.com/projects. Accessed: 02/09/2015.
[30] Willard D. Real World Examples: managing large projects in BIM. On-line: http://www.mwcad.com/pdf/Real_World_Example s-Managing_Large_projects_in_BIM.pdf, Accessed: 01/30/2015.
[31] Aram, S. and Eastman C. Integration of PLM solutions and BIM systems for the AEC industry. In Proceedings of the International Symposium on Automation and Robotics in Construction and Mining, pages 1046–1055, Montreal, Canada, 2013.
[32] buildingSMART. Industry Foundation Classes for GIS. On-line: http://www.buildingsmarttech.org/futu...urrent/ic3. Accessed: 02/09/2015.
[33] Zeiss, G. First infrastructure standard based on a common BIM/geospatial model released. Between the Poles. Online: http://geospatial.blogs.com/geospatia...15/01/firs t-industry-foundation-classes-ifc-forinfrastructure-standard-released.html. Accessed: 05/03/2015.
[34] Karimi H. and Akinci B. CAD and GIS Integration. CRC Press, 2010.
[35] OGC. On-line: http://www.opengeospatial.org/standards/citygml. Accessed: 02/09/2015. [36] Hall, R.E. The vision of a Smart City. In Proceedings of the 2nd International Life Extension Technology Workshop, Paris, France, 2000. [37] Khemlai L. Extending BIM to infrastructure. AECbytes - Building the future, June, 2014.
[38] Foth M.; Choi J.; Satchell C. Urban Informatics. In The ACM Conference on Computer Supported Cooperative Work, 1-8, Hangzhou, China, 2011.
[39] Stojanovski T. City Information Modeling (CIM) and Urbanism: blocks, connections, territories, people and situations. In Proceedings of Symposium on Simulation for Architecture and Urban Design, San Diego, California, USA, 2013.
[40] Gil J.; Almeida J.; Duarte J. The backbone of a City Information Model (CIM) – implementing a spatial data model for urban design. In Proceedings of the Conference on Education and Research in Computer Aided Architectural Design in Europe, Ljubljana, Slovenia, 2011.
[41] Xu X.; Ding L.; Luo, H.; Ma L. From Building Information Modeling to City Information Modelling. Journal of Information Technology in Construction, Special Issue BIM Cloud-based Technology in the AEC Sector: Present Status and Future Trends, 19: 292-307, 2014.

_______________________
Перевод на русский язык с английского с разрешения автора статьи F.R. Correa «Is BIM Big Enough to Take Advantage of Big Data Analytics?».
Павел Храпкин, 27 мая 2022, Санкт-Петербург © НИП Информатика