BIM与NLP融合框架驱动自动化施工进度生成的集成方法与实证验证

《Designs》：An Integrated BIM–NLP Framework for Design-Informed Automated Construction Schedule Generation Mahmoud Donia, Emad Elbeltagi, Ahmed Elhakeem and Hossam Wefki

为解决施工进度编制依赖人工、效率低且易出错的问题，研究人员开展了一项整合建筑信息模型(BIM)与自然语言处理(NLP)的自动化进度生成框架研究。该研究通过从Revit提取项目数据、利用Sentence-BERT(SBERT)嵌入进行语义匹配与规则推理，实现了活动识别、工期估算与逻辑关系自动生成，并输出了Primavera P6兼容的进度表。框架经真实案例验证，可显著提升进度编制的自动化与一致性，支持设计阶段的时间影响评估，推动建筑行业向智能化、数据驱动规划转型。

　　

在建筑行业，人工智能(AI)已广泛应用于设计优化、视觉识别与预测性维护等领域，但自动化进度编制仍面临实际应用瓶颈。传统进度开发高度依赖人工：规划师需反复分析项目文档、定义活动、估算工期并基于逻辑顺序识别关系，整个过程耗时耗力且易受个人经验与主观判断影响，导致不一致与错误风险。从工程设计视角看，进度编制的延迟或不一致削弱了设计与施工间的反馈循环，限制了在早期规划阶段评估可施工性及替代设计决策时间影响的能力。尽管建筑信息模型(BIM)与数字规划技术已有显著进展，但多数BIM进度自动化方法仍侧重于几何与工程量数据，缺乏对项目信息的语义理解；而自然语言处理(NLP)研究多集中于活动解释与进度验证，尚未实现端到端的全自动进度生成。现有BIM与NLP整合方案多停留在概念层面，缺乏真实项目数据的充分验证，且与行业标准进度软件(如Primavera P6)的互操作性不足。因此，开发一个能自动从BIM衍生工程量生成进度活动、通过语义与规则混合机制推断逻辑关系、并直接输出工具就绪进度表的可复现框架，成为填补研究空白、推动施工规划智能化转型的关键。

为验证所提框架，研究人员采用多步骤方法，整合了多种工具与技术。主要技术方法包括：1) 使用Autodesk Revit(2024)建立BIM模型，并利用Dynamo for Revit编写可视化编程脚本，从中提取结构构件(如楼板、柱、梁、基础)的几何属性、楼层分配与类别数据；2) 在Python环境(Version 3.13.1)中开发脚本，将提取数据转换为结构化工程量清单(Bill of Quantities, BOQ)格式，并基于参考成本数据库通过SBERT嵌入进行语义匹配实现成本映射；3) 利用预训练Sentence-BERT模型(paraphrase-multilingual-MiniLM-L12-v2)生成384维句子嵌入，用于活动工期估算与逻辑关系的语义相似度匹配；4) 通过结合语义匹配与基于规则的推理，自动生成水平(同层)与垂直(层间)的逻辑依赖关系，确保网络无环与可追溯；5) 将最终生成的活动、工期、依赖关系与资源分配数据导出为Primavera P6(Version 25)兼容的Excel格式，实现进度表的直接导入与可视化；6) 针对最长路径活动应用启发式赶工方法，按比例压缩工期以评估不同工期目标下的进度可行性。

4.1. 数据提取

通过执行Dynamo脚本，从Revit模型中成功提取了结构构件的类别、几何属性与楼层分配数据，为后续工程量清单生成奠定了基础。

4.2. BOQ转换

基于提取的BIM元素数据，自动化生成了结构化的工程量清单，涵盖了基础、柱、楼板等构件在各楼层的面积、体积与数量汇总，为成本估算与活动生成提供了量化依据。

4.3. 成本映射

利用SBERT嵌入对工程量清单项描述与定价数据库条目进行语义匹配，自动检索并分配了对应的单价，确保了模型衍生工程量与实际定价数据的一致性。

4.4. 活动生成

通过Python脚本将钢筋混凝土构件自动分解为四个连续施工阶段(支模、钢筋绑扎、浇筑、拆模)，生成了包含活动描述、工程量、执行类型与楼层的结构化活动列表，无需人工干预。

4.5. 活动ID结构化

基于参考字典(映射楼层与阶段代码)，为每个活动生成了标准化的唯一标识符(如CON-4F-SHU-210)，增强了进度数据的可追溯性与下游系统集成性。

4.6. 活动工期估算

采用混合方法，结合SBERT语义匹配与参考生产率字典，将活动映射到历史生产率数据，并根据工程量、可用班组数与用户定义的最大工期限制自动计算调整后工期。

4.7. 逻辑排序(水平与垂直)

水平逻辑关系通过SBERT嵌入语义匹配活动名称与参考关系字典自动生成，并结合基于规则的检查(如防止循环、反向重复链接)确保网络有效性；垂直逻辑关系则通过预定义的楼层间施工工作流规则(如柱到楼板再到上层柱)自动建立，形成了完整、可审计的依赖网络。

4.8. 进度导入、导出与启发式赶工

生成的活动、工期与依赖关系被成功导出为Primavera P6兼容的Excel表并导入软件，形成了初始关键路径法(CPM)网络，项目总工期约为842个工作日。通过应用启发式赶工，针对从Primavera P6导出的最长路径活动，按其原始工期比例压缩(缩放因子k=T^*/T₀)，实现了项目总工期的缩减，更新后的工期数据可重新导入P6进行场景评估。此外，活动成本数据也被导入Primavera P6，自动生成了计划成本S曲线，支持后续的增值分析。

本研究提出并验证了一个集成BIM与NLP的自动化施工进度生成框架，成功实现了从BIM衍生工程量到工具就绪进度表的端到端转换。框架核心贡献在于：1) 提供了BIM到进度的工作流，将BIM工程量转换为唯一标识的进度活动；2) 利用句子级嵌入相似度进行语义工期估算，透明地映射到参考生产率与历史知识；3) 通过语义相似度与基于规则约束的混合方法推断水平与垂直优先关系，保持可追溯性；4) 提供了可复现的数据接口，以Primavera P6兼容格式导出活动、资源与依赖关系，支持实际直接采用；5) 集成了基于最长路径活动的进度压缩模块，用于基于场景的时间缩减评估。通过真实案例(多层钢筋混凝土建筑)验证，框架生成了可靠、一致的进度，显著减少了人工投入与主观误差。研究表明，BIM与NLP的整合能够将传统进度编制转变为更快、更一致的过程，支持早期进度反馈循环，并使设计师与规划师能够评估模型驱动范围变更的时间后果，从而推动建筑行业向可扩展、智能化、数据驱动的规划流程转型。未来工作包括将框架扩展到非重复性、多学科项目，并通过更广泛的项目类型进行实证验证以提升普适性。