检测建筑信息模型中的新颖性错误

可在ScienceDirect上获得目录列表计算设计与工程杂志首页：www.elsevier.com/locate/jcde计算设计与工程学报5（2018）391应用新颖性检测来识别建筑和基础设施建筑信息模型中Bonsang KooShin，Byungjin Shin部大韩民国首尔国立科技大学土木工程系阿提奇莱因福奥文章历史记录：接收日期：2018年2018年3月22日收到修订版，2018年在线提供2018年保留字：BIMIFC新颖性检测单类SVMA B S T R A C T确保模型元素到行业基础类（IFC）类的正确映射是建筑信息建模（BIM）应用程序之间无缝交换信息的基础，从而实现真正的互操作性。本研究探讨了采用新颖性检测（一种机器学习方法）的可能性，作为检测当前临时和手动映射实践中发生的潜在错误分类的一种方法。通过训练算法来学习给定IFC类的BIM元素的几何形状，可以自动检测离群值。一个利用多个BIM模型和训练单个单类SVM的框架在四个IFC类上进行了制定和测试。性能结果表明，分类模型是强大的和公正的。因此，可以利用开发的算法来检查IFC数据的完整性，这是基于BIM的质量控制和代码合规性的先决条件。©2018计算设计与工程学会Elsevier的出版服务这是一个开放在CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下访问文章1. 介绍基于建筑信息建模（BIM）范例的模型的应用在建筑工程和建筑（AEC）行业中一直在稳步增长。模型的应用范围从冲突检测、设计质量检查和可施工性分析等特定任务，到建筑规范合规性和能源模拟等更深入的分析，甚至作为多个项目利益相关者之间的项目控制和监控的媒介。这些应用程序中的许多都需要定制软件，这反过来又需要导出BIM模型并在它们之间交换。行业基础类（IFC）在实现互操作性方面发挥着关键作用，允许实体和关系数据在应用程序之间无缝交换（Choi，Kim，&缩写：AIA，美国建筑师协会; ACC，准确性; AEC，建筑工程和施工; BIM，建筑信息建模; CIC，建筑业委员会; IFC，行业基础类; LOD，发展水平;模型视图定义; NIBS，国家建筑科学研究所; STEP，产品数据交换标准; SVM，支持向量机; TNR，真阴性率; TPR，真阳性率。由计算设计与工程学会负责进行同行评审。*通讯作者：首尔国立大学Areum Building 333科学技术，232 Gongreung-ro，Nowon-gu，Seoul，Republic of Korea。电子邮件地址：bonsang@seoultech.ac.kr（B.Koo），byungjin0826@seoultech.ac.kr（B. Shin）。Kim，2015）。然而，IFC并不一定保证数据的完整性得到维护。例如 ， 主 要 的 BIM 创 作 工 具 虽 然 在 导 出 数 据 时 遵 守 模 型 视 图 定 义（MVD），但仍然需要手动将单个元素和关系映射到IFC类，从而使该过程容易受到人为错误和遗漏的影响。此外，随着BIM模型的规模和复杂性的增加，错误分类的可能性变得更加明显。当与增加开发级别（LOD）的要求相结合时，手动检查IFC实体到元素映射的完整性可能很快变得棘手。这项研究通过应用异常检测来解决这个问题，异常检测是一种用于检测给定数据集中离群值的机器学习技术。具体地说，使用的几何特征BIM元素，异常检测方法用于识别不符合给定IFC类中其他元素的几何相似性的元素，并因此将有问题的元素标记为离群值，即，分类错误该研究使用Krijnen和Tamke（2015）进行的现有工作作为其初始出发点Krijnen和Tamke（2015）提出使用异常检测的分支实现为了验证该方法的可扩展性，我们首先对三个BIM模型进行了离群值检测，并从中得出了具体的限制。随后，我们探索了另一种异常检测方法，即https://doi.org/10.1016/j.jcde.2018.03.0022288-4300/©2018计算设计与工程学会Elsevier的出版服务这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。392B.库湾Shin/ Journal of Computational Design and Engineering 5（2018）391被证明在识别潜在的错误分类方面更有效。该方法在从三个建筑BIM模型中收集的元素上进行了测试，并分别在六个基础设施BIM模型上进行了测试。本文进行的研究预计将增强IFC使用的鲁棒性，并有助于AEC领域机 器 学 习 技 术 的 普 及 ， 特 别 是 在 质 量 控 制 和 代 码 合 规 性 领 域（Tauscher，Bargstädt，Smarsly，2016）。本文其余部分的结构如下。第2节提供了IFC发展状况的背景和IFC完整性检查的必要性，以及使用离群值检测时确定的局限性。第3节概述了适用新颖性检测所采用的框架。第4节和第5节分别描述了应用于建筑和基础设施BIM模型的框架。第6节讨论了研究结果及其意义。2. 激励背景2.1. IFC完整性检查的必要性IFC模式是丰富和广泛的，但它也是复杂的，并具有冗余，因为需要表示对象和广泛的AEC子域的关系（Eastman，Jeong，Sacks，Kaner，2010）。主要的BIM创作工具提供了选择性地将BIM元素映射到其相应的IFC类的功能。这些工具提供默认设置，可自动将最常见的图元映射到其相应的IFC类。然而，对于更模糊的IFC类，情况并非如此，这需要手动映射，因此是错误和遗漏的原因（Froese等人，1999;Lipman，Palmer，&Palacios，2011）。此外，许多创作工具允许使用泛型库，这些泛型库不一定与特定的IFC类相关联例如，Revit允许创建自定义族或内建模型构件，这些构件不会映射到特定的IFC 类，除非模型开发人员另有规定（Kiviniemi，2009）。此外，BIM模型的作者可能不关心IFC类的严格指定，甚至不关心BIM元素本身，而是松散地使用他们选择的族。因此，任何给定的导出IFC文件中的分类通常都是不可靠的，因为BIM工具&这种错误分类虽然在小尺寸的BIM模型中微不足道，但一旦它们通过增加开发级别（LOD）而在尺寸和复杂性上增长，则可能难以手动检测。在协作环境中，项目利益相关者单独开发BIM模型，这种错误分类可能会导致他们之间严重的互操作性问题。下一节简要介绍了为确保IFC模型完整性检查而开发的工具和标准，并对其局限性进行了总结。2.2. IFC完整性检查的现有方法尽管IFC提供了共享BIM信息的标准化格式，但其模式的复杂性通常需要在“产品数据交换标准”（STEP）和EXPRESS方面经验丰富没有这种知识的从业者发现难以容易地将基于IFC的模型用于日常使用（Tauscher等人，2016年）。因此，已经取得了一些进步，以支持IFC文件格式的检查，并确保其完整性。2.2.1. IFC数据结构完整性检查工具buildingSMART International（bsI）是管理和开发IFC标准的主要组织，它提供了信息交付手册（IDM）和模型视图定义（MVD），允许过程被形式化并生成IFC实体和关系的子集。协调视图和COBie等MVD在行业中广泛使用。bsI还提供了一个Zhang，Beetz和Weise（2015）开发了一种“mvdXML测试”来评估IFC文件的完整性，而商业软件“Solibri Model测试”在行业中广泛用于检查BIM创作工具之间IFC类和实体数据的一致性。美国国家标准与技术研究院（NIST）提供了2.2.2. BIM查询语言IFC格式的复杂性也产生了对BIM查询语言的需求。这些语言允许使用{SELECT，FROM，WHERE}命令结构开发基于SQL的语句，以查询BIM模型和IFC-SPF文件（Kang，2015）。最初，探索了基于EXPRESS和EQL的查询语言（Tauscher等人，2016年）。后来，开发 了BIMQL （Daum Borrmann ，2014 ） 和QL 4 BIM （ PauwelsTerkaj，2016），它们专门为BIM/IFC模型定制，以及使用ifcOWL和SPARQL的通用查询语言（Chen Luo，2016）。这些进步使得能够对IFC-SPF文件进行具体查询，从而可以用来检查其完整性。2.2.3. BIM建模标准宏观层面的方法也是可用的，其中AEC机构提供了使用BIM模型和IFC格式的标准和指南。即，美国建筑师协会（AIA）提供了类似的尝试已经以“韩国建筑信息建模标准”的形式为韩国开发这些标准在标准工作分解结构、开发级别（LOD）、库模板和项目管理矩阵方面提供指导，以确保互操作性在整个项目生命周期中以及在共享多个BIM模型的项目利益相关者之间进行维护。这些指南可以帮助确保BIM/IFC模型正确映射，以确保其完整性。用于评价国际金融公司实体和关系的各种工具改进了国际金融公司数据的解读，但总体而言，这仍然是一个手工过程。类似地，BIM查询语言可以提高检查能力，但其本身并不是为了确保IFC完整性而开发的。这些标准和指南鼓励通过最佳实践对元素进行正确的关联和映射，但并不一定能保证它们。因此，仍然需要直接专用于IFC完整性检查的工具或方法，这是本研究的主要目标2.3. 异常检测方法最近的研究试图采用“异常检测”方法来检查IFC模型的完整性。异常检测是机器学习的一个分支，其专注于识别给定数据集中的离群值，并且主要应用两种方法，即，异常检测和新颖性检测。接下来的部分首先介绍了使用离群值检测的研究，B.库湾Shin/ Journal of Computational Design and Engineering 5（2018）391393及其局限性，然后介绍了本文所2.3.1. 离群值检测的应用：KrijnenKrijnen和Tamke（2015），以下称为“Krijnen的方法”，应用了第一种方法，即，离群值检测，通过利用单个元素的几何特征来检测IFC错误分类。如图1所示，BIM模型首先根据其IFC类进行分组。使用离群值检测，然后将每个IFC类的元素相互比较，以确定它们的几何形状是否相似。如果不是，该实体将被“标记”为离群值。用于检测相异点的几何特征包括单个元素的面积、体积、回转半径和方向。例如，在他们的论文中，Krijnen的方法确定了栏杆元素被错误地分类为墙（即，已被错误地映射为ifcWallStandardCase实体）。检测是可能的，因为栏杆的几何形状与其他墙壁不同，特别是在其回转半径方面，因此从其他墙壁元素中“脱颖而出”。因此，离群值检测算法将栏杆识别为潜在离群值。异常值检测技术使用马氏距离来识别这些异常值。Mahalanobis距离被广泛用于代替欧氏距离来识别多变量数据集的离群值（HodgeAustin，2004）。多变量数据的一个问题是变量之间的协方差效应，这不能用欧氏距离来解决。Mahalanobis距离通过计算和使用特征向量克服了这个问题变换变量的主轴，实际上否定了它们的相关性。Krijnen的方法证明了使用离群值检测的可行性。然而，至少在论文中，该方法在通用BIM模型的可扩展性方面没有得到充分验证。它们只提供了一个IFC类的示例实现（即，在一个BIM模型中。因此，（KooShin，2017）在三个独立的BIM模型和几个IFC类上测试了他们的方法 ， 包 括 （ ifcWalStandardCase ， ifcSlab ， ifcDoor ， ifcWin-dow）。测试结果揭示了Krijnen方法的几个局限性Krijnen的方法将与数量最多的元素不相似的元素分类为离群值。随着给定IFC类中元素数量的增加，这个问题变得更加突出。这个问题是由于马氏距离假设数据的高斯分布，因此不适合多模态分布。也就是说，Maha-lanobis距离识别最多元素的单个内点边界，并且因此 任 何 其 他 元 素 被 分 类 为 离 群 值 。 例 如 ， 表 1 显 示 了 墙（ifcWallStandardCase）的结果。虽然最通用的墙被归类为内点，但带有开口的墙和弯曲的墙被错误地归类为离群点。另一方面，Krijnen一个更实际的限制是，KrijnenFig. 1. 离群值检测的过程概述。表1使用离群值检测将墙（ifcWallStandardCase）分类为内值和离群值分类内点离群点图像类型常规墙带开口的弯曲壁项目数1025532●●●394B.库湾Shin/ Journal of Computational Design and Engineering 5（2018）391nð Þ2kwk 不，不，1/12c22.3.2. 新颖性检测与单类SVM新颖性检测使用未被异常值污染的训练集，并且对检测新观测中的异常感兴趣新颖性检测可以识别多个内点边界，并且可以在检测离群点之前首先使用数据集进行训练。因此，它允许使用来自多个BIM模型的数据，这是在其实施中使用的一个新颖性检测是使用一类支持向量机（SVM）实现的（ManevitzYousef，2001）。SVM是一种用于回归或线性分类的监督学习SVM被称为“大边缘”分类器，因为底层算法试图识别最好地‘‘support当与内核一起使用时，SVM也可以用作非线性分类器高阶多项式）。当使用SVM进行新颖性检测时在这种情况下，使用单类SVM，其 中 数 据 集 仅 包 括 内 点 ， 因 此 是 半 监 督 学 习 的 一 种 形 式（Blanchard，Lee，Scott，2010）。单类SVM创建封闭的内点边界（关于超平面），并且在这种情况下，找到将数据与原点分离的最大间隙超平面第二类的唯一成员是起 源 ） （ 图 2 ） （ Statnikov ， Hardin ， Guyon ， Aliferis ，2009）。使用以下公式找到所得到的闭合边界3. 研究方法应用新颖性检测的目的与Krij- nen使用离群值检测的方法相同。就是说，就是查通过识别BIM模型中的错误分类，确保IFC模型的完整性。使用新颖性检测的基本原理是，它具有可以潜在地改善Krijnen方法的局限性的功能图3描述了在中识别IFC类中BIM元素的错误分类时，为实现新颖性检测而定义的步骤。每个步骤如下所述。3.1. 数据准备新颖性检测及其基础算法，单类SVM，首先需要仅由内点组成的数据集（即，正常样品）。因此，出于我们的目的，它需要收集通常包含在建筑BIM模型中的BIM元素，并单独用于基础设施BIM模型。这些元素来自三个独立的建筑BIM模型和六个桥梁BIM模型。然后根据其相应的IFC类别对元素进行分组（表2和表3）。对于每个IFC类，BIM元素被分为训练集和测试集（图4）。具体地说，80%的元素被分配到训练集，用于.121X！受constr aint约束：！w·！x∈bP-ni;niP0;对于i1;2;.. . ;n. ！w·！x∈b0表示n个超平面，n是a松弛变量（用于软利润），t表示离群值分数的上限为了实现非线性的单类SVM，x向量可以是用更高维的特征空间U！x，使用a内核，这被称为本研究采用了一种广泛使用的核函数，径向偏置函数（RBF）（Chang，Hsu，Lin，2016.-kx-xik2！其中c表示用于校准模型的偏差和方差程度的超参数。图三. 新颖性检测的实现过程。表2来自三个建筑BIM模型的元素数量，根据其IFC类进行分组。IFC类元件数量双工诊所笑脸总ifcWallStandardCase5710801351272ifcSlab2136084ifcDoor1425485353ifcWindow245840122ifcRailing492033图二. 单类支持向量机（SVM）。总12014043401864最小w;n尼尼布ð1ÞKx;xiexpð2ÞB.库湾Shin/ Journal of Computational Design and Engineering 5（2018）3913952表3根据IFC类别分组的六个桥梁BIM模型中的元素数量。F0： 5-score，它赋予查准率两倍于查全率的权重，使用如下：2IFC等级构件数量（每座桥梁）F0 51/41/0： 5查准率×查全率ð3Þ0：5×查准率×查全率通过调整超参数m来校准边界c在0和1之间，间隔为0.13.3. 评价SVM是给定IFC类的正常几何。20%的元素被分配用于测试集。8：2的比例是训练和测试机器学习算法时文献中使用和推荐的典型划分（Beleites，Neugebauer，Bocklitz，Krafft，Popp，2013; Guyon，1997）。测试集用于测量算法的性能，因此需要包括离群值（即，错误分类的元素）。因此，故意将不属于给定IFC类的其他元素添加到测试集中。大约十分之一的内点是从其他IFC类中添加的，这些是随机选择的。3.2. 训练和优化训练集用于为每个单独的IFC类训练单类SVM。单类SVM基于元素的几何相似性确定封闭的内点边界，一个IFC类。所使用的几何特征包括元素边界框的宽度、高度和长度，从顶部和底部的方向，以及面积、体积和回转半径。所创建的边界可以使用在等式“1”中定义的超参数t和c来校准。s（1）和（2）。这些参数通过迭代地将单类SVM模型应用于训练集，直到解决方案收敛到全局最优。使用Fb分数（Sokolova&Lapalme，2009）。Fb分数是精确率和召回率的调和平均值。可以修改b的值，以区分精度或召回率的权重。在本研究中，重点是确保将实际离群值正确预测为离群值。例如，分类为ifcWallStandardCase但实际上是“非墙”的元素需要通过算法正确识别。在这种情况下，需要最小化误报率，这反过来又是通过精度来衡量的因此使用诸如图5所示的图形表示来帮助描述结果。白色的标记是训练集的内点样本和边界（红色显示）描绘了从这些样本创建的闭合边界然后将边界应用于测试集。紫色标记表示测试集的内值样本，而黄色标记表示测试集的离群值样本高性能模型应该显示大多数内点（即，紫色标记），而大多数离群值（即，黄色标记）位于封闭边界之外。“内部误差”或假阴性是位于边界之外的紫色标记。相反，“离群值错误”或误报是位于边界内的黄色标记。理想情况下，对于具有高预测能力的模型，这种误差需要最小化。图五.新颖性检测结果的示例说明。见图4。 训练和测试集的组成。：#1#2#3#4#5#6总ifcColumn362016242416136ifcFooting22141216161292ifcSlab20121014141080ifcWallStandardCase12121212121272总916053707156380396B.库湾Shin/ Journal of Computational Design and Engineering 5（2018）391¼使用指标准确度（ACC）和真阴性率（TNR）量化图形结果。ACC测量总的正确预测（即， 真阳性和真阴性）与测试集中样本总数的关系，从而提供算法的总体性能度量。TNR或特异性通过将真阴性除以假阳性和真阴性的总和来计算。在这项研究的背景下，它衡量的比例外-实际上被正确识别的liers。也就是说，它描述了在给定IFC类中被错误分类的元素被正确检测的程度。因此，该度量提供了更具体的测量来确定训练算法的性能。4. 应用于建筑BIM模型的新颖性检测4.1. 数据收集和范围三个建筑BIM模型用于收集各个BIM元素（表2）。“复式”模型是复式工作室的相对较小的模型，通常用于BIM案例研究作为出发点。“诊所”模型是一座医院大楼，“微笑”模型是一间宿舍。这些模型是从美国国家建筑科学研究所（NIBS）和buildingSMART International的BIM软件认证程序中获得的。三种模型中共有14种IFC类，但只有五种存在于所有三种模型中的IFC类用于研究。因此，总共收集了1864个元素，并根据它们各自的类别进行分组，如表2所示。对 这 些 类 中 的 两 个 类 执 行 单 类 SVM 的 训 练 ， 即 ，ifcWallStandardCase 和 ifcDoor ， 而 其 他 三 个 类 的 元 素 ifcSlab 、ifcWindow和ifcRailing被用作离群值。选择ifcWallStandardCase是因为它具有最多的元素，并且具有几种不同的几何形状。因此，它是一个很好的候选人，以验证新颖性检测的性能。它还将提供一个例子，以确定新颖性检测是否可以克服以前确定的离群值检测的限制。相反，ifc-门被选中是因为它的元素在几何形状上更加标准化，并且与墙壁不同。因此，它将提供证据来确定这些元素的新颖性检测性能。表4显示了使用第3.1节和图4中描述的方法将数据样本分配到训练集和测试集。例如，ifcWallStandardCase类，从三个BIM模型中总共收集了1389个墙元素。这些元素被分为1017个和255个元素，分别用于训练集和测试集。在测试集中，另外126个元素（约占总数的10%）是通过从 其他 IFC类中 随机选 择元 素而故 意添加 的，即 ，ifc- Slab、ifcWindow和ifcRails。这些将用作算法需要识别为离群值的数据点（即，错误分类）。表4建筑BIM模型训练和测试的数据集汇总IFC类训练集测试集总（内值）内点异常值小计iIfcWallStandardCase10172551263811389ifcDoor2827134105387总12993261604861776以下部分描述了ifcWallStandardCase和ifcDoor的结果及其解释。4.2. 墙元素（ifcWallStandardCase）图6示出了在给定测试集上的单类SVM的训练和性能的结果。如所讨论的，通过以0.1的间隔在0和1的值之间调整超参数m和c来校准边界元。如表5中所示，结果显示，在m2：0： 1和c0： 1的情况下实现了最佳性能，F0： 5分数为0.9161。该图显示了两个不同的边界已经创建。在检查时，边界对应于在训练样本中占主导地位的两种区别在于具有或不具有开口的壁之间（即，门或窗开口），如先前表1中所示。这证明了新颖性检测这种灵活性也同样适用于其他IFC类。然后将边界应用于测试集。该图显示了大多数内点（即，紫色标记）位于闭合边界内，而大多数离群值（即，黄色标记）位于闭合边界之外，表明单类SVM正确地分类了测试集见图6。墙的新颖性检测结果（ifcWallStandardCase）。B.库湾Shin/ Journal of Computational Design and Engineering 5（2018）391397¼¼表5建筑BIM模型的调整超参数新颖性检测结果。IFC类MCF-score精度TNRifcWallStandardCase0.10.10.91610.87660.8492ifcDoor0.10.10.99130.97141.0000表6IFC类建筑BIM模型的新颖性检测结果性能指标ifcWallStandardCaseifcDoor测试集TP + TN334102FP + FN473TP + FP + FN + TN381105精度0.87660.9714内点TP22768FN283TP + FN25571TPR0.89020.9577异常值TN10734FP190TN + FP12634TNR0.84921.0000*TP：真阳性，TN：真阴性，FP：假阳性，FN：假阴性。然而，该图还显示存在发现28个内点误差是小尺寸的壁，特别是短宽度的壁。这些不符合两种主要类型的墙的图案。‘‘Outlier这些错误主要是板元素（即，ifcSlab）。我们假设，这是因为板块在几何形状上相似，除了它们的方向之外，它们的面积、体积和回转半径都是相似的。这些结果分别转化为ACC和TNR为0.8766、0.8492，如表6所示。4.3. 门元素（ifcDoor）图7示出了针对门元素（ifcDoor）训练的单类SVM的结果。在这种情况下，在m0：1和c 0：1的情况下实现了最佳性能，F 0：5得分为0.9913（表5）。对于门元素，该图显示创建了两个不同的边界。这些边界被发现对应于两种类型的门，它们在训练样本中占主导地位，如图所示。8.第八条。当应用测试集时，该图显示了单类SVM的预测精度很高，71个内点误差中只有3个，离群点误差为零。发现三个内点错误是大尺寸的门，这是建筑物的主要入口。这些元素的几何形状不符合大多数门的图案，因此被错误分类。另一方面，零异常值误差归因于门具有相对相似的尺寸和形状（即，标准化的），并因此相对清晰地与其它建筑元件区分开。这些结果分别转化为ACC和TNR为0.9714、1.0000，如表6所示。5. 应用于基础设施BIM模型的5.1. 数据收集和范围对于基础设施BIM模型，我们将分析限于桥梁模型。选择桥梁是因为它包含了丰富的见图7。 门的新奇性检测结果（ifcDoor）。不同的BIM元素，与其他基础设施模型相比（例如，隧道）。由于基础设施BIM模型很难收集，因此这些模型直接从2D CAD图纸建模。总共使用了六座桥梁（表7），其中三座为梁式桥梁，三座为梁式桥梁，以获得足够数量的单元用于训练和测试。如表3所示，研究中使用了四种IFC的当前版本不完全支持基础设施的元素。因此，为建筑物定义的现有IFC类别被用作代理，这在实践中是常见的。具体来说，ifcWallStandardCase用于“桥台”，ifc- Column用于“桥墩”。共收集了380种元素，并将其分为各自的类别，如表3所示。对 这 些 类 中 的 两 个 类 执 行 单 类 SVM 的 训 练 ， 即 ，ifcWallStandardCase 和 ifcColumn ， 而 使 用 了 另 外 两 个 类 的 元 素ifcFooting和ifcSlab作为离群值。表8显示了使用第3.1节中描述的方法划分为训练集和测试集的数据样本。以下各节描述ifcWallStandardCase和ifcColumn的结果及其解释。5.2. 基台元件（ifcWallStandardCase）图9示出了针对ifcWallStandardCase训练的单类SVM的结果。边界是通过设置398B.库湾Shin/ Journal of Computational Design and Engineering 5（2018）391¼¼见图8。 门的内点示例（ifcDoor）。表7用于基础设施BIM模型的六座桥梁的规格桥编号#1#2#3#4#5#6跨距数1065775桥式双T梁双T梁（P.S.C. 梁）I.P.C. 梁I.P.C. 梁I.P.C. 梁P.S.C. 束宽度24.3米24.3米24.3米27.9百万24.3米22.1米脚类型扩展式基脚扩展式基脚扩展基脚+质量钢管桩（L = 508，T = 12mm）钢管桩（L = 508，T = 12mm）扩展式基脚表8桥梁BIM模型训练和测试数据集汇总表9桥梁BIM模型的调整超参数新颖性检测结果。IFC class训练套件测试集总计IFC classm cF-score Accuracy TNRifcWallStandardCase0.30.20.89550.80950.8571ifcColumn0.20.20.97560.87801.0000见图9。基台的新颖性检测结果（ifcWallStandardCase）。m0：3和c 0：2，F 0：5评分为0.8955（表9）。该图显示了两个不同的边界。这些对应于两种类型的壁（即，翼墙和一个更通用的墙）中使用的桥台，如图所示。 10个。该图还显示，14个内点误差中有3个存在。这些被确定为L或T形墙，通常用于桥梁桥台的角落单个异常值是板单元，除了其方向外，其形状和形式与桥台单元相似。这些结果分别转化为ACC和TNR为0.8095、0.8571，如表10所示。图10个。基台的内点示例（ifcWallStandardCase）。（内值）内点异常值小计ifcWallStandardCase581472179ifcColumn109271441150总167412162229B.库湾Shin/ Journal of Computational Design and Engineering 5（2018）391399¼表10桥梁BIM模型IFC类别的新颖性检测结果性能指标ifcWallStandardCaseifcColumn*TP：真阳性，TN：真阴性，FP：假阳性，FN：假阴性。见图11。 桥墩新奇度检测结果（ifcColumn）。5.3. 墩元素（ifcColumn）图11显示了基于超参数m/40：2和m/4 0： 2，为桥墩单元创建了三个不同的边界。c0： 2（F0： 5-评分= 0.9756）（表9）。 这些对应于图中所示的桥墩中使用的三种类型的柱。 12个。检测到27个内点误差中的5个。这些被确定为具有特别短的高度的桥墩，通常用于桥梁跨度的端部。相比之下，没有发现异常值误差，这是由于桥墩具有类似的边界框表示，因此可以清楚地识别其他桥梁元件。6. 讨论针 对 IFC 类 训 练 的 四 个 单 类 SVM （ ifcWallS- tandardCase 、ifcDoor、ifcWallStandardCase（用于基台）和ifcColumn）都以高预测率执行。这四种情况的共同主题是单类SVM创建多个封闭（内点）边界的能力这种能力是最好的说明时，与perfor-曼斯离群检测。在建筑物墙壁的情况下，离群值检测将大多数元素识别为内点，并将其余元素分类为离群值（表1）。同时，新颖性检测方法检测两种不同类型的墙壁，即，一般墙与带开口的墙，并将这两种墙正确地识别为不同的墙类型。这种灵活性归因于在单类SVM中使用内核，这使得能够创建非线性边界。四种分类模型确实表现出不同程度的准确性。与墙和桥台相比，门和桥墩的模型获得了更高的ACC和TNR分数，如表6和表10所示。我们怀疑这是因为门和桥墩在形状和形式上比墙和桥台更一致和标准化。这表明，当内点样本的几何形状是均匀的时，单类SVM表现得更好，从而更容易创建严格和清晰的边界。高TNR分数证明了模型识别离群值的能力，这表明本研究的主要目标，即，以确定在一个给定的国际金融公司类的错误分类，实现了。见图12。 桥墩的内点示例（ifcColumn）。测试集TP + TN1736FP + FN45TP + FP + FN + TN2141精度0.80950.8780内点TP1122FN35TP + FN1427TPR0.78570.8148异常值TN614FP10TN + FP714TNR0.85711.0000400B.库湾Shin/ Journal of Computational Design and Engineering 5（2018）391然而，相比之下，四个模型表现出更多的内点错误，这是由于边界被优化以最大化召回和TNR。最后，由于培训的结构，取得了积极的成果。Krijnen的方法使用单个BIM模型，并将其应用于离群值检测。然而，这导致了第2.3节中讨论的局限性：元素太少的IFC类没有足够的样本进行比较，并且无法利用在一个模型中学习的特征和权重后续的BIM模型。通过从多个BIM模型中收集元素并使用它们来训练无偏和鲁棒的分类模型，从而能够正确识别异常值，从而克服了这些限制。7. 结论尽管IFC提供了交换BIM数据的标准，但创作工具仍然需要在BIM元素和IFC类之间进行手动映射。这会导致错误和遗漏，从而导致不可靠的数据交换损坏，并损害BIM模型的互操作性。本研究探讨了使用新颖性检测来确定IFC类到BIM元素映射的完整性。制定了一个利用多个BIM模型和训练单个单类SVM的框架，并在四个IFC类上进行了测试。其性能的结果表明，分类模型的能力，积极识别错误分类为离群值。性能归因于这样的事实，即新颖性检测然而，该研究没有详尽地调查各自IFC类别的所有实例，因此不能解释为适用于不同的建筑和基础设施类型。这对于基础设施的情况尤其重要，因为基础设施的数据样本有限。因此，未来的工作应该集中在收集更多的数据样本，以及定制关于建筑类型的分类模型（例如，住宅商业）或基础设施类型（例如，悬索桥、隧道等）。算法的性能可以通过利用语义（例如，元素之间的拓扑和空间关系）以及包括附加的几何特征所进行的研究确保了给定BIM模型的BIM元素到IFC类映射这样的验证使得不同软件应用之间的BIM模型交换能够无缝完整。一个直接的应用是在基于BIM的代码符合性检查中使用框架作为预处理步骤，这需要经过认证的IFC实体和属性。与监督学习算法一起，它还可以用于自动分类在质量工具中建模的元素（例如，Sketchup）或激光扫描数据的点云。这些进步将减少目前检查BIM模型完整性所需的时间和精力，最终有助于基于BIM的范例。利益冲突没有利益冲突致谢本研究由韩国教育科学技术部资助的韩国国家研究基金会（NRF）的基础科学研究计划（2016R1D1A1B03931198）支持引用贝莱特斯角，诺伊格鲍尔大学，Bocklitz，T.，Krafft，C.，&Popp，J.（2013）.分类模型的样本量规划。 Analytica Chimica Acta，760，25-33.Belsky ， M. ， 萨 克 斯 河 （ 2016 年 ） 。 建 筑 信 息 建 模 的 语 义 丰 富 ， 261-274 。https://doi.org/10.1111/mice.12128网站。Blanchard，G.，李，G.，&斯科特角（2010年）。半监督新奇检测。Journalof MachineLearning Research，11（Nov），2973-3009。昌角，澳-地-C.，徐角，澳-地- 你好&林角，澳-地-J.（2016）. A Practical Guide toSupport Vector Classification（支持向量分类实用指南）第1-16段）。陈，G.，&Luo，Y.（2016年）。基于BIM和本体的智能应用框架。在2016年IEEE高级信息管理，通信，电子和自动化控制会议（IMCEC）上，494-497）。美国电气与电子工程师协会。崔，J.，Kim，H.，&金岛，智-地（2015年）。基于BIM的开放式建筑框架方案评估量化系 统 。 Journal of Computational Design and Engineering ， 2 （ 1 ） ， 16-25.https://doi.org/10.1016/j的网站。jcde.2014.11.002网站。Daum，S.，&Borrmann，A.（2014年）。使用基于边界表示的方法处理拓扑BIM查询。AdvancedEngineeringInformatics，28（4），272-286.https://doi.org/10.1016/j.aei.2014.06.001网站。伊斯曼角，澳-地M.，郑，Y.，萨克斯河坎纳岛（2010年）。用于实施国家BIM标准的交换模型和25-35）。Froese，T.，Grobler，F.，Ritzenthaler，J.，Yu，K.，Akinci，B.，Akbas河......这是什么？Kunz，J. （1999年）。项目管理的工业基础课程-试行。Journal of InformationTechnology in Construction（ITcon），4（2），17-36.居 永 岛 （ 1997 年 ） 。 验 证 集 与 训 练 集 大 小 比 的 比 例 律 。 AT T 贝 尔 实 验 室 ，1https://doi.org/10.1.1.33.1337Hodge ， V. ， &Austin ， J. （ 2004 年 ） 。 异 常 值 检 测 方 法