面向AI驱动模块化建筑设计的赋能:一种用于IFC三维几何表征的自动解码器方法

《ADVANCED ENGINEERING INFORMATICS》:Enabling AI-driven modular building design: an auto-decoder approach for IFC 3D geometry representation

【字体: 大 中 小 】 时间:2026年01月15日 来源:ADVANCED ENGINEERING INFORMATICS 9.9

编辑推荐:

  模块化建筑设计需要大量依赖具体语境的构件变体,而传统基于约束的方法无法对其进行穷尽式枚举。工业基础类(IFC)模型编码了已完成模块化项目中丰富的空间与语义语境。这些语境有望使人工智能(AI)模型能够生成构件变体,并对基于约束的方法形成补充。然而,承载空间语境的

  
模块化建筑设计需要大量依赖具体语境的构件变体,而传统基于约束的方法无法对其进行穷尽式枚举。工业基础类(IFC)模型编码了已完成模块化项目中丰富的空间与语义语境。这些语境有望使人工智能(AI)模型能够生成构件变体,并对基于约束的方法形成补充。然而,承载空间语境的IFC三维几何无法被AI模型直接使用,其根源在于IFC复杂的数据结构。为解决这一局限,本文提出了一种可直接部署的自动解码器方法,用于从IFC几何中生成与AI兼容的向量。首先,采用一种保留构件空间语境的IFC导出策略。其次,应用一种将三维点与其到最近表面的距离进行配对的采样方法。再次,提出一种联合优化逐构件向量与模型权重的自动解码神经网络,从而为模块化构件生成具备语境感知能力的表征向量。最后,采用一种基于八叉树(octree)的解码器,以实现从向量到几何的高精度恢复。基于真实模块化项目数据的实验表明,所得向量既能保持几何保真度,又能支持构件变体生成。几何保真度通过14.57 mm的平均表面重建误差与51.94 mm的最大表面重建误差得到验证,该精度足以支持模块化建筑设计分析。对构件变体生成的支持则体现在几何插值线性度超过0.98(满分为1),表明其具有优异的变体生成适用性。该方法使IFC空间语境能够被AI驱动的模块化设计方法访问,从而将面向制造与装配的设计(DfMA)数据转化为可执行知识。
该文发表于《ADVANCED ENGINEERING INFORMATICS》,聚焦模块化建筑设计中“IFC数据难以直接服务AI建模”的关键瓶颈。研究背景在于,模块化建筑依赖标准化体量单元与构件的装配式协同,但在真实工程中,构件方案并非只由尺寸参数决定,还受到相邻模块、接口连接、机电管线(MEP,mechanical, electrical, and plumbing)布置、装配公差与吊装条件等空间语境共同约束。现有自动化设计方法主要是参数化配置器、规则驱动优化和遗传算法等基于约束的方法,这类方法需要研究人员事先显式编码设计规则。然而模块化项目中存在大量未被预定义规则覆盖的情形,不同模块和构件因位置、朝向、邻接关系不同,会衍生出大量上下文相关的构件变体,使人工穷举规则几乎不可行。因此,如何利用已完成项目中沉淀的设计与装配知识,通过数据驱动方式学习这些隐含模式,成为开展本研究的直接动因。

论文指出,工业基础类(IFC)模型天然记录了已建成模块化项目的几何、空间与语义信息,是经过安装验证的设计样本,蕴含面向制造与装配的设计(DfMA,Design for Manufacture and Assembly)知识。但问题在于,IFC几何表达体系复杂,包含多种实体和几何建模范式,难以直接被人工智能模型转化为统一、定长、可学习的数据形式。已有研究为适配AI,常将建筑信息退化为二维平面图像、程序化规则或标准化后的局部几何,这会丢失模块化设计极为关键的真实尺度、绝对坐标、朝向和相邻关系。对于模块化建筑而言,构件变体的合理性往往取决于其与周边模块的三维关系,因此AI若不能理解三维空间语境,就难以支持真正可用的设计生成与分析。基于这一问题,研究人员提出一种基于有符号距离函数(SDF,signed distance function)的自动解码器(auto-decoder)框架,将IFC三维几何转化为AI可直接使用的潜在向量,同时保留项目坐标系中的尺度、位置与方向信息,进而打通IFC数据与AI驱动模块化设计之间的表征鸿沟。

研究人员采用的主要技术方法可概括为四部分。首先,从真实模块化项目的IFC模型中提取构件,对`IfcColumn`、`IfcDoor`、`IfcBeam`、`IfcWall`、`IfcWindow`和`IfcSlab`等类别进行几何导出、修补与封闭曲面处理,并对门窗等多部件对象以代理几何替代,以获得适合SDF学习的水密网格;数据来源为真实模块化工程项目及补充的IFCNet子集。其次,对构件表面及近表面、远场空间进行两阶段采样,构建“空间点—有符号距离”监督数据。再次,构建联合优化潜在向量和网络参数的自动解码神经网络,以多层感知机(MLP,multilayer perceptron)学习由潜在向量与三维坐标到SDF值的映射。最后,使用基于八叉树的自适应重建与Marching Cubes算法,从潜在向量恢复显式三维几何,并通过插值、对比实验及下游分类任务验证表征有效性。

在研究结果部分,论文首先给出“4.1. Experiment 1: computational feasibility under modular unit augmentation”。该部分通过单模块、4模块和16模块三组真实场景增强数据,评估方法在模块单元增广下的计算可行性。研究保留墙、柱、门、窗、梁、楼板等基本构件,在相同硬件环境下统计导出、SDF采样、训练与重建耗时。结果显示,训练是全流程中最主要的计算开销,占总时间60%以上,而预处理时间占比很小。更重要的是,随着数据规模扩大,单位点训练效率反而提高,说明批处理规模增加后,CPU-GPU协调开销下降。损失收敛曲线还表明,大数据集比小数据集训练更稳定、收敛更快,这意味着相较于单个对象更密集的采样,增加场景多样性更有利于提升训练鲁棒性。该结果证明,该方法具备处理小规模至中等规模模块化工程数据的可扩展性。

“4.2. Experiment 2: geometric reconstruction accuracy for component families”聚焦构件族几何重建精度。研究人员选取72个整体尺寸相同但窗洞配置不同的预制墙构件作为对象,并设计保留项目坐标与常规归一化两种情形进行消融对比。结果表明,保留坐标的方案在真实尺度下获得14.57 mm的平均Chamfer距离、51.94 mm的平均Hausdorff距离和4.40°的平均法向误差,达到适用于模块化建筑设计分析的精度水平。误差主要集中在几何不连续部位,如凸边、凹角和窗洞边界,原因在于SDF连续场在表面交线附近会产生圆滑化趋势;大面积平面区域则保持较高保真度。与之相比,归一化处理导致误差急剧恶化,Chamfer距离上升至5574.75 mm,Hausdorff距离上升至7201.39 mm,表明移除绝对坐标后,模型失去了对空间关系的有效表达。t-SNE结果进一步显示,保留坐标时潜在空间不仅能区分`IfcWall`与`IfcWindow`,还呈现与窗在墙中相对位置相关的规律性结构,证明潜在向量捕获了空间布局和邻接关系,而不仅是类别标签。

“4.3. Experiment 3: support for component variant generation”验证该表征是否支持构件变体生成。研究以四类柱构件为对象,包括边长300 mm与1000 mm的方柱、直径300 mm与1000 mm的圆柱,在统一坐标框架下形成规则网格。研究人员在潜在空间中执行插值,考察尺寸变化、形状变化、位置变化及三者组合变化共7组序列。结果显示,所有序列的累计形变与归一化插值位置之间均呈高度线性关系,线性度介于0.983到0.9999之间;纯形状变化序列的步长波动仅为0.7%–1.7%,说明变形平滑稳定;当同时包含尺度变化时,步长波动增加,但整体仍表现为单调、连续过渡,而非抖动式变化。该结果说明,潜在空间中的向量并非简单记忆原始曲面,而是形成了符合建筑设计逻辑的连续表征,可为模块化构件变体生成提供可靠基础。

“4.4. Experiment 4: comparative experiment”将该隐式表征与显式方法3D-VAE进行比较。研究在IFCNetCore中选取`IfcWall`和`IfcSlab`构件子集,在统一归一化条件下评估两种方法的重建效果。结果显示,本文方法的平均Chamfer距离为2.26 mm,而3D-VAE为12.45 mm;Hausdorff距离分别为8.17 mm和54.87 mm;法向误差分别为7.65°和19.54°。可见,基于SDF的自动解码器在重建质量上约优于体素显式表征一个数量级。论文同时指出,3D-VAE在运行时间上更有优势,因此在只需粗粒度几何线索的分类任务中仍具应用价值,但在需要高保真重建和几何连续性的模块化设计场景中,隐式表征明显更具优势。

“4.5. Experiment 5: downstream AI application demonstration”展示该表征在下游AI任务中的可用性。研究构建一个由楼板开孔、墙体和门组成的典型模块化设计检查场景,通过门与开孔的相对位置关系定义“碰撞”“近净距”“安全”三类标签,并程序化生成2500组构型。随后仅将门和带孔楼板的潜在向量输入双塔式多层感知机分类器,不提供显式几何坐标或手工特征。结果显示,测试集总体准确率达到96.8%,其中“碰撞”识别准确率为100.0%,“安全”识别准确率为98.2%。该结果证明,下游模型能够直接从潜在向量中学习跨构件空间关系和隐式设计规则,说明本文方法不仅适用于重建和插值,也可支撑设计检查、规则学习等实际任务。

在讨论部分,论文首先指出数据集可获得性是当前研究的重要制约。尽管研究所用IFC来源于已完成的模块化项目,但由于合同限制与建模规范异质性,尚难形成公开、标准化基准。当前缺乏的不是原始BIM数据本身,而是能够稳定保留DfMA关键语义、可共享且任务导向明确的数据集。其次,论文强调该方法对AI驱动模块化建筑设计具有直接意义:它使AI可从历史项目中学习体量协调、接口连接、装配逻辑与构件族变化模式,并与显式规则结合,形成“规则约束+数据驱动建议”的设计支持机制。文中进一步指出,该表征可服务于模块接口优化、自适应模块排布与装配顺序推演,以及面向大规模定制的设计空间探索。与此同时,论文也明确了局限性:当前验证对象主要是以矩形和正交几何为主的预制模块,尚未覆盖曲面或复杂非正交构型;大规模工程应用仍受训练时间与算力限制;实验基于单次运行,尚未形成统计稳健性评估;工具虽可部署,但与下游AI系统集成仍需额外工程配置。未来工作将重点推进保留空间语境的BIM基准数据集建设、训练效率优化、多次重复实验统计,以及面向模块装配规则与连接逻辑学习的专项扩展。

结论部分可译为:本文在DfMA语境下,针对IFC几何与AI驱动模块化建筑设计数据需求之间的表征鸿沟提出了解决方案。研究提出了一种基于SDF的自动解码器,可将IFC构件几何转化为统一、定长的潜在向量,同时保留空间语境。为支持实际应用,研究进一步将该方法实现为基于Web的可部署工具,使从IFC导出、SDF采样、模型训练到基于八叉树的重建流程得以工程化,从而便于从业者和研究人员使用。实验表明,该方法对小规模模块化项目具有实际可行性,训练是主要计算成本;通过保留对构件间空间推理至关重要的项目坐标,方法获得了足以支持模块化建筑设计与DfMA分析的重建精度。归一化消融实验表明,去除空间语境会显著降低精度,从而证实坐标保留的必要性。插值实验表明,潜在表征可在尺寸、形状和位置之间实现平滑过渡,这说明学习到的表征不仅是表面记忆,而且能够支持构件变体生成,并为AI驱动的、与装配和制造约束相兼容的预制模块变体生成奠定基础。总体而言,该方法有效连接了IFC实体与连续几何表征,可服务于自动布局生成、构件变体生成以及模块间连接与接口优化等下游AI应用。研究的局限包括对矩形预制几何的关注、大规模应用中的计算挑战、单次运行验证以及工具与下游AI系统集成所需投入。未来研究将致力于开发保留空间语境的BIM数据集用于标准化基准测试,提升计算效率以达到工程可用训练时间,并开展多次运行评估以建立统计稳健性,同时探索从历史项目中学习模块装配规则与连接逻辑的专门功能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号