Dreidimensionale Modelle des Ist-Zustands existierender Infrastrukturen erzeugen
Vorhandene Infrastrukturen effektiv zur kartieren und zu kennzeichnen, stellt heutzutage für die Ingenieure eine große Herausforderung dar. Gegenwärtig gelten über zwei Drittel des Aufwands der manuellen Konvertierung von Punktewolken (Koordinaten) in ein 3D-Modell. Resultat dessen ist, dass es nur wenige gebaute Objekte mit einer vollständigen Aufzeichnung der Ist-Informationen (As-built) gibt. Diese Informationen werden für eine überwiegende Mehrheit von Neubau- und Nachrüstungsprojekten nicht hinterlegt. Man schätzt, dass das Nacharbeit und Konstruktionsänderungen im Umfang von bis zu 10 % der ursprünglichen Installationskosten nach sich gezogen hat. Das EU-finanzierte Projekt INFRASTRUCTUREMODELS wurde an den Start gebracht, um die Situation mit der Entwicklung eines Mittels zur Erkennung und Klassifizierung allgemeiner Gebäudeobjekte aus visuellen und räumlichen Daten zu verbessern, das die Zeit verkürzt, die zur Erstellung der geometrischen Ist-Bauwerksdatenmodellierung (Building Information Model, BIM) erforderlich ist. Dem Projekt gelang die erfolgreiche Entwicklung von Methoden, die in Punktwolkendatensätzen Decken-, Wand-, Raum- und Bodenobjekte/-baugruppen generieren und auf diese Weise schnell 3D-Modelle des Ist-Zustands existierender Gebäude erzeugen, wodurch Kosten gespart werden. Architektonische Grundprinzipien ausnutzen Ist-Modelle sind virtuelle, dreidimensionale, objektorientierte Modelle existierender Bauten. Deren Unterschied zu einem Entwurfsmodell (As-designed) besteht darin, dass ihre Dimensionen ein wahres Abbild des tatsächlich Gebauten sind. Traditionell hat man bei Versuchen der Wiedergabe von dreidimensionale As-is-Infrastrukturmodellen eine Art Bottom-Up-Ansatz angewandt, da man hier signifikante Punkte lokalisiert, dann signifikante Linien und Ebenen findet, bevor man zu Objekten weitergeht. Das Ganze funktioniert jedoch bei vielen Infrastrukturelementen nicht optimal. Wie es Projektkoordinator Dr. Ioannis Brilakis darlegt: „Viele Infrastrukturobjekte sind ‘einförmig’. So haben zum Beispiel Pfeiler, Balken, Decken und Wände nur wenige wesentliche Punkte, um sie voneinander unterscheiden zu können.“ Um diese Aufgabe zu lösen, konzentrierte man sich im INFRASTRUCTUREMODELS-Projekt auf kontextbezogene Informationen, die derartige Objekte unterscheidbar machen können, etwa deren Position im Raum sowie deren Beziehung zu anderen Objekten. Sie haben diesen Kraftakts gemeistert, indem sie eine Menge von segmentierten Stufen erschufen, welche die Punktwolken eines Gebäudes in Böden, Räume, Wände/Decken usw. aufgliederten. Wie es Dr. Brilakis zusammenfasst: „Gebäude sind komplex, aber sie alle haben Böden, Wände, Türen und andere zentrale Elemente, die in relativ gut definierten und genormten Beziehungen zueinander stehen. Diese Architekturprinzipien wollen wir ausnutzen, um die Komplexität zu reduzieren und den Erkennungsprozess zu fördern.“ Das Team setzte Bildanalyseinstrumente ein, um die Infrastruktur visuell zu charakterisieren sowie Elemente zu identifizieren und zahlenmäßig zuzuordnen. Diese Darstellungen bilden zusammen mit ihren geschlussfolgerten topologischen Beziehungen jene „Elemente“, die von maschinellen Lernalgorithmen genutzt werden, um aussagekräftige Infrastrukturkategorien für die Modelle zu erstellen. Die Modelle können dann Elementtypen mit ihren jeweiligen Positionen und aus einem Spektrum von verschiedenen Blickwinkeln automatisch erkennen. Man schätzt den Abstand dieser Elemente zum Beobachter und deren Position im dreidimensionalen Raum relativ zu anderen Punkten, und dann können sie in die dreidimensionalen Punktwolken eingetragen und mit Farbe und Textur wiedergegeben werden, um genaue Modelle zu erzeugen. Dr. Brilakis erklärt außerdem: „Bilder sind sehr nützlich, um zu bestimmen, zu welcher Kategorie ein Objekt gehört. Beispielsweise fördert weiße Farbe auf einem vertikal ausgerichteten langen und dünnen Quader unser Vertrauen, dass wir ein Wandobjekt betrachten. Aus einem Teppichmuster auf demselben Objekt würden wir etwas anderes schlussfolgern.“ Die Hauptaufgabe für das Team bestand darin, ausreichend Daten zum Trainieren der die Algorithmen zu sammeln, wobei die Infrastruktur innerhalb aller Big-Data-Sektoren oftmals einen niedrigeren Platz einnimmt. Da Punktwolken dort keine Ausnahme bilden, fanden man nur sehr wenige Industriepartner, die diese zur gemeinsam Nutzung freigeben konnten. Überdies erfüllten die meisten nicht den geforderten Qualitätsstandard. Das Projektteam ist zuversichtlich, dass mit den 3D-Modellen Aufgaben an Gebäuden wie etwa die Nachrüstung der Energieinfrastruktur zur Behebung von Problemen, zur Steigerung der Effizienz oder zur Verbesserung der Umweltfreundlichkeit gut lösbar sein werden. Ein weiteres herausragendes Beispiel für geeignete Anwendungen ist das Gebäudebetriebsmanagement. Zusätzlich könnten die Auswirkungen des Stilllegungsmanagements von Industrieanlagen minimiert werden, wenn Ist-Modelle der Anlagen verfügbar wären. Das Team ist derzeit damit beschäftigt, in Cambridge, Vereinigtes Königreich, ein Zentrum für Kommerzialisierung einzurichten, das neben den anderen damit verbundenen Fortschritten die schnelle Entwicklung dieser Technologie beschleunigen soll. Ziel ist, innerhalb von zwei bis drei Jahren Produkte auf den Markt zu bringen.
Schlüsselbegriffe
INFRASTRUCTUREMODELS, Infrastruktur, Modell des Ist-Zustands, As-is-Modell, 3D, dreidimensional, Nachrüstung, Engineering, Cloud Points, Punktewolke, Architektur, Bildanalyse, Algorithmen, Operations Management, Betriebsmanagement
