Jednym z najważniejszych zagadnień przy realizacji projektów inżynieryjnych w BIM jest kontrola jakości modeli. Jest ona kluczowa, aby końcowe modele spełniały korzyści określone przez zastosowanie metodyki BIM. Konieczne jest opracowanie odpowiedniej strategii zapewniającej wysoką jakość modeli oraz monitorowanie jej wdrażania, a wyniki muszą być właściwie interpretowane i dokumentowane w raportach. W procesie kontroli jakości modeli BIM jednym z najistotniejszych i najczęściej występujących elementów są kolizje pomiędzy geometrycznymi komponentami modeli z różnych branż projektowych.
Aby skutecznie zastosować BIM w tym wypadku, kluczowe jest wykorzystanie zasobów do standaryzacji analiz oraz identyfikacji hierarchii ważności między branżami. Po każdej przeprowadzonej analizie istotne jest dokonanie oceny w odniesieniu do poprzednich wyników. Ważne jest również przedstawienie ogólnej oceny całego przeprowadzonego procesu. Analiza ta może pochłaniać znaczną ilość czasu i nie zawsze charakteryzować się wystarczającą precyzją.
Istotne jest także opracowanie dokumentów, które uwzględniają przyjętą strategię oraz przedstawione wyniki. W tym kontekście pojawia się pytanie – czy możliwe jest wykorzystanie sztucznej inteligencji do usprawnienia analizy danych oraz wsparcia w przygotowaniu wysokiej jakości raportów dla modeli?
W tym artykule pokażę, w jaki sposób sztuczna inteligencja może pomóc nam ulepszyć analizę macierzy kolizji, sprawiając, że rozwiązywanie konfliktów staje się szybsze, bardziej wydajne i bardzo dokładne.
Ten artykuł jest wpisem gościnnym na blogu BIM Corner, napisanym przez, Guilherme Guignone.
Spis treści
1. Wykorzystanie macierzy kolizji (Clash Matrix)
Macierz kolizji to narzędzie umożliwiające kategoryzację i priorytetyzację kolizji wykrytych między elementami różnych branż w modelu BIM. W praktyce jest to tabela, która zestawia branże zaangażowane w projekt, takie jak architektura, konstrukcje, instalacje sanitarne, elektryczne i mechaniczne, rejestrując konflikty między nimi. Każda komórka macierzy reprezentuje możliwy punkt kolizji pomiędzy elementami dwóch różnych branż. Narzędzie to ułatwia identyfikację najczęściej występujących konfliktów oraz branż, które są najbardziej zaangażowane, co wspomaga podejmowanie decyzji i ustalanie priorytetów ich rozwiązywania.
Jak przeprowadzić analizę za pomocą macierzy kolizji?
Proces tworzenia i analizy macierzy kolizji obejmuje następujące kroki:
- Przygotowanie modeli BIM – Każda branża opracowuje swój model przed rozpoczęciem analizy.
- Importowanie modeli – Wszystkie modele branżowe są łączone w oprogramowaniu do weryfikacji BIM, np. Autodesk Navisworks lub Solibri Model Checker, co pozwala na ich analizę w jednym środowisku.
- Tworzenie macierzy kolizji – Definiowane są pary branż do analizy oraz kolejność przeprowadzania wykrywania kolizji.
- Konfiguracja kryteriów kolizji – Oprogramowanie jest ustawiane tak, aby wykrywać kolizje zgodnie z określonymi kryteriami, np.:
- Tolerancje geometryczne (określające minimalną dopuszczalną odległość dla wykrycia kolizji),
- Rodzaje elementów, które mogą lub nie mogą się na siebie nakładać,
- Poziom priorytetu, uwzględniający wpływ na harmonogram lub koszty projektu.
- Wykrywanie kolizji – Oprogramowanie automatycznie analizuje modele i generuje listę wykrytych konfliktów.
- Klasyfikacja i priorytetyzacja kolizji – Po utworzeniu macierzy kolizje są klasyfikowane według priorytetów, np.:
- Poziom krytyczności (czy kolizja wpływa na bezpieczeństwo lub strukturę?),
- Łatwość rozwiązania problemu,
- Etap projektu, w którym wykryto kolizję.
- Kolizje o krytycznym wpływie na konstrukcję lub harmonogram są rozwiązywane w pierwszej kolejności.
- Komunikacja i rozwiązywanie kolizji – Macierz kolizji ułatwia współpracę międzybranżową, umożliwiając zespołom efektywne eliminowanie problemów w modelu, co zapewnia spójność i wykonalność projektu.
Znaczenie macierzy kolizji w procesie BIM
- Redukcja poprawek i błędów – Wczesne wykrywanie i usuwanie kolizji w środowisku cyfrowym pozwala uniknąć problemów na placu budowy, ograniczając koszty i opóźnienia.
- Zwiększona efektywność – Macierz pozwala zespołowi szybko zidentyfikować najbardziej problematyczne branże i skupić wysiłki tam, gdzie są najbardziej potrzebne.
- Lepsza koordynacja i planowanie – Narzędzie wspiera współpracę międzybranżową, dostarczając klarownych informacji o punktach kolizji, co poprawia alokację zasobów i organizację pracy.
- Priorytetyzacja interwencji – Klasyfikacja kolizji pozwala skupić się na najbardziej krytycznych problemach, zapewniając, że kwestie bezpieczeństwa i konstrukcji są rozwiązane jako pierwsze.
- Wyższa jakość projektu – Rozwiązywanie kolizji przed rozpoczęciem budowy zwiększa integrację systemów i poprawia jakość całego projektu.
Macierz kolizji to niezbędne narzędzie w środowisku BIM, pomagające zapewnić, że projekt jest gotowy do realizacji bez istotnych konfliktów między systemami i elementami różnych branż inżynieryjnych.
2. Czym jest sztuczna inteligencja i jak oraz dlaczego została wykorzystana w tym studium przypadku?
Czym jest sztuczna inteligencja (AI - Artificial Intelligence)?
Sztuczna inteligencja (AI) to dziedzina informatyki, która dąży do opracowania systemów zdolnych do wykonywania zadań, które zazwyczaj wymagają ludzkiej inteligencji. Do takich zadań należą m.in. rozpoznawanie wzorców, podejmowanie decyzji, tłumaczenie językowe, przetwarzanie języka naturalnego i wiele innych. AI pozwala maszynom przetwarzać ogromne ilości danych, identyfikować trendy oraz podejmować decyzje na podstawie złożonych i dynamicznych informacji, naśladując procesy uczenia się i rozwiązywania problemów charakterystyczne dla ludzi.
Istnieją różne podejścia i techniki sztucznej inteligencji, w tym uczenie nadzorowane, uczenie nienadzorowane, uczenie ze wzmocnieniem oraz głębokie sieci neuronowe. Te metody umożliwiają systemom AI uczenie się na podstawie danych historycznych oraz dokonywanie prognoz lub rekomendacji na podstawie nowych informacji. AI znajduje zastosowanie w wielu dziedzinach, takich jak opieka zdrowotna, finanse, transport, inżynieria i komunikacja, a jej obecność w codziennym życiu stale rośnie.
Jak działa ChatGPT?
ChatGPT, opracowany przez OpenAI, to model językowy oparty na architekturze głębokich sieci neuronowych zwanych Transformerami. Jest on trenowany do przetwarzania i generowania języka naturalnego, interpretowania pytań oraz dostarczania spójnych i kontekstowo odpowiednich odpowiedzi.
ChatGPT jest modelem przetwarzania języka naturalnego (NLP), co oznacza, że został zaprojektowany do rozumienia, interpretowania i generowania tekstu w języku ludzkim.
W kontekście analizowanego projektu ChatGPT zapewnił szczegółowy i zrozumiały obraz interferencji między różnymi dyscyplinami, wspomógł generowanie raportów i wykresów oraz dostarczył praktycznych wskazówek mających na celu poprawę koordynacji i jakości projektu. Wykorzystanie sztucznej inteligencji, takiej jak ChatGPT, pozwoliło na znaczący wzrost efektywności i precyzji, umożliwiając zespołom skoncentrowanie się na rozwiązywaniu konfliktów oraz poprawie współpracy, co jest kluczowe dla sukcesu projektu.
3. Zastosowanie sztucznej inteligencji w praktyce do interpretacji danych z analizy kolizji oraz przygotowywania raportów
Wykorzystane narzędzie sztucznej inteligencji: ChatGPT-4.
ChatGPT-4 to czwarta wersja modelu językowego opracowanego przez OpenAI, która znacząco ewoluowała w porównaniu do poprzednich wersji pod względem zdolności do przetwarzania języka naturalnego, rozumienia kontekstu oraz generowania spójnych i szczegółowych odpowiedzi.
Model ten został zaprojektowany do interpretacji i odpowiadania na pytania w języku naturalnym z wysokim poziomem dokładności i głębokości analizy, co czyni go użytecznym w wielu zastosowaniach – od wirtualnych asystentów i wsparcia klienta po pomoc w skomplikowanych zadaniach analizy i interpretacji danych w projektach technicznych i inżynieryjnych.
Zastosowanie ChatGPT-4 w inżynierii i analizie kolizji
ChatGPT-4 jest szczególnie przydatny w złożonych kontekstach technicznych, takich jak inżynieria i analiza kolizji w projektach BIM. Jego zaawansowane możliwości pozwalają na wspomaganie analizy danych, interpretacji wyników oraz tworzenia raportów technicznych.
Oto niektóre z obszarów zastosowania ChatGPT-4 w tym kontekście:
- Interpretacja danych i analiza kolizji: W projektach inżynieryjnych wykorzystujących modele BIM, ChatGPT-4 może pomóc w interpretacji danych dotyczących kolizji między różnymi branżami. Może wyjaśnić implikacje tych danych, sugerować rozwiązania i dostarczać analizy kontekstowej dotyczącej wpływu określonych kolizji na projekt, co ułatwia zrozumienie problemu przez specjalistów z różnych dziedzin.
- Generowanie raportów i dokumentacji technicznej: Dzięki zdolności do tworzenia szczegółowych i spójnych tekstów, ChatGPT-4 jest potężnym narzędziem do generowania raportów i dokumentacji technicznej. Może podsumowywać wyniki analiz, opisywać metody (np. macierz kolizji) i formułować rekomendacje zgodnie z najlepszymi praktykami inżynierskimi, co przyspiesza proces tworzenia dokumentacji.
- Automatyzacja tworzenia wizualizacji i skryptów: ChatGPT-4 może wspierać tworzenie skryptów do generowania wykresów i wizualizacji danych, dostarczając wskazówek dotyczących narzędzi takich jak Python (Matplotlib, Pandas) lub VBA do automatyzacji w Excelu i PowerPoint. Pomaga to inżynierom i menedżerom projektów przekształcać dane w intuicyjne wykresy, które podkreślają wzorce i ułatwiają podejmowanie decyzji.
- Wsparcie w rozwiązywaniu problemów i sugerowanie najlepszych praktyk: ChatGPT-4 może działać jako asystent w rozwiązywaniu konkretnych problemów, takich jak konflikty między branżami w modelu BIM. Może sugerować najlepsze praktyki redukcji interferencji, np. okresowe przeglądy modeli, usprawnienia w koordynacji zespołów i wykorzystanie narzędzi do wykrywania kolizji w czasie rzeczywistym.
- Szkolenie zespołów i wsparcie edukacyjne: ChatGPT-4 może służyć do tworzenia treści edukacyjnych i informacyjnych dla zespołów inżynierskich, zwłaszcza w zakresie wykorzystania BIM, macierzy kolizji i sztucznej inteligencji. Może odpowiadać na pytania w sposób dostosowany do odbiorcy i dostarczać szczegółowych wyjaśnień, stanowiąc cenne źródło wiedzy dla profesjonalistów technicznych.
ChatGPT-4 stanowi istotny krok naprzód dla sektora inżynieryjnego, umożliwiając specjalistom dostęp do narzędzia, które interpretuje dane, dostarcza wglądu i wspiera podejmowanie decyzji w sposób efektywny i precyzyjny. Jego zdolność do przetwarzania złożonych informacji i generowania dokumentacji technicznej usprawnia zarządzanie projektami, zwiększając jakość i koordynację w wysoce złożonych środowiskach, takich jak BIM.
Wykorzystanie sztucznej inteligencji w praktyce w celu lepszej interpretacji danych z analiz kolizji oraz zwiększenia możliwości opracowywania raportów (jako punkt odniesienia przyjęto projekt, w którym pracowałem jako BIM koordynator).
Poniżej znajduje się szczegółowy przewodnik dotyczący wykorzystania ChatGPT-4 w przyjętym studium przypadku:
Krok 1
Wszystkie wyniki analiz kolizji przeprowadzonych dla danego projektu zostały zebrane. Następnie poprosiłem ChatGPT o uporządkowanie informacji w formacie tabelarycznym.
Krok 2
Poprosiłem o przedstawienie procentowych zmian w odniesieniu do każdej analizy.
Krok 3
Następnie zażądałem wygenerowania wykresu w programie Excel, który najlepiej zilustruje wyniki. W tym celu poprosiłem o wygenerowanie skryptu VBA, który umożliwił mi wstawienie wykresu do Excela.
Dzięki temu można było łatwo wygenerować wykresy.
Krok 4
Poprosiłem o bardziej odpowiedni wykres do przedstawienia pozytywnych i negatywnych zmian procentowych.
Zaproponowano skumulowany wykres słupkowy.
Krok 5
Zażądałem wygenerowania wykresu.
Krok 6
Wykonałem następującą komendę (prompt):
“Potrzebuję wykresu słupkowego przedstawiającego procentowe zmiany pomiędzy parami obiektów w każdej analizie. Wykres powinien zostać wygenerowany w formacie graficznym i przedstawiony w tym chatbocie.”
Uwaga: W ChatGPT prompt to wiadomość lub fraza używana do rozpoczęcia rozmowy z modelem językowym opartym na sieciach neuronowych. Może to być pytanie, stwierdzenie, słowo kluczowe lub dowolna inna wiadomość, która pomaga modelowi zrozumieć kontekst lub temat generowanej rozmowy.
Krok 7
Wykonałem kolejną komendę:
“Ok. Teraz potrzebuję przedstawienia par obiektów, które wykazały największe negatywne zmiany procentowe, za pomocą wykresu. Reprezentacja graficzna powinna być uporządkowana tak, aby obiekty o największej zmianie procentowej były przedstawione jako pierwsze.”
Krok 8
Wykonałem następującą komendę:
*”Wygeneruj dla mnie dokument tekstowy w formacie raportu, zawierający obrazy wygenerowane przez tego chatbota, dla klienta tego projektu inżynieryjnego. Muszę przedstawić analizy przeprowadzone w odniesieniu do kolizji pomiędzy komponentami konstrukcyjnymi różnych branż w trakcie realizacji projektu. Wyniki powinny być przedstawione zarówno dla pojedynczych branż, jak i dla par branż. Branże, które wykazały największe pozytywne i negatywne zmiany procentowe, powinny zostać wyróżnione. Należy również wskazać, które branże wymagają szczególnej uwagi ze względu na największą liczbę pozytywnych zmian oraz które osiągnęły najlepsze wyniki w zakresie zmniejszania negatywnych zmian. Dodatkowo potrzebuję propozycji strategii poprawy procesu redukcji kolizji na kolejnych etapach projektu.
Dokument powinien być zorganizowany w następującej strukturze: okładka, spis treści, rozdziały.
Rozdział 1: Cel
Rozdział 2: Metodologia
Rozdział 3: Wyniki
Rozdział 4: Wnioski
Rozdział 5: Bibliografia
W rozdziale dotyczącym metodologii należy wyjaśnić, czym jest macierz kolizji, jak ją stosować i dlaczego jest ważna. Należy wykorzystać artykuł dostępny pod adresem: https://bimcorner.com/rules-for-classifying-interferences-with-the-use-of-clash-matrix/.
Raport powinien być napisany formalnym językiem, z użyciem terminologii technicznej, i mieć co najmniej 12 stron.”*
ChatGPT wygenerował początkową wersję dokumentu, jednak była ona zbyt uproszczona:
Krok 9
Poprosiłem o następującą zmianę:
“Przepisz rozdział [2. Metodologia], aby zawierał więcej szczegółów na temat tego, czym jest macierz kolizji, jak ją wdrożyć i dlaczego jest ważna.”
Podobnie postąpiłem z każdym rozdziałem.
Krok 10
Finalnie ChatGPT wygenerował szczegółowe i precyzyjne treści. Skopiowałem każdy rozdział do dokumentu w formacie .doc, dzięki czemu powstał kompletny raport.
Cały proces, który przeprowadziłem ręcznie, mógłby zostać usprawniony i uzupełniony o dodatkowe analizy. Poniżej przedstawiono manualny proces, który wykonałem.
Podsumowanie
Wykorzystanie ChatGPT okazało się cennym wsparciem w procesie interpretacji wyników oraz przygotowywania dokumentacji technicznej. Udało się przyspieszyć tworzenie dokumentów i analiz, co czyni te narzędzia istotnym wsparciem w pracy człowieka. To jednak człowiek ostatecznie weryfikuje wygenerowany materiał, dokonuje jego przeglądu i uzupełnia go.
Rezultat treści wygenerowanych przez ChatGPT jest ściśle powiązany z jakością danych wejściowych dostarczonych przez użytkownika. Odpowiednie formułowanie zapytań (prompt engineering) będzie kluczowe dla uzyskania wartościowych odpowiedzi i ograniczenia potencjalnych błędów czy halucynacji narzędzi AI.
Ten artykuł jest wpisem gościnnym na blogu BIM Corner, napisanym przez, Guilherme Guignone.
Bibliografia
Autodesk. Navisworks Manage: Powerful Tools for Detecting Clashes in BIM Models. Disponível em: https://www.autodesk.com/products/navisworks/overview.
Azhar, S. (2011). Building Information Modeling (BIM): Trends, Benefits, Risks, and Challenges for the AEC Industry. Leadership and Management in Engineering, 11(3), 241-252.
BIM Corner. Rules for Classifying Interferences with the Use of Clash Matrix. Disponível em: https://bimcorner.com/rules-for-classifying-interferences-with-the-use-of-clash-matrix/.
Eastman, C., Teicholz, P., Sacks, R., & Liston, K. (2011). BIM Handbook: A Guide to Building Information Modeling for Owners, Managers, Designers, Engineers, and Contractors. 2nd ed. Hoboken, NJ: John Wiley & Sons.
Hardin, B., & McCool, D. (2015). BIM and Construction Management: Proven Tools, Methods, and Workflows. 2nd ed. Hoboken, NJ: John Wiley & Sons.
Volk, R., Stengel, J., & Schultmann, F. (2014). Building Information Modeling (BIM) for Existing Buildings – Literature Review and Future Needs. Automation in Construction, 38, 109-127.
Khemlani, L. (2012). Top Criteria for Selecting a Clash Detection Solution. AECbytes. Disponível em: http://www.aecbytes.com/feature/2012/ClashDetectionSolutions.html.
