Новый метод перекрестной проверки проектной документации зданий с помощью искусственного интеллекта помогает выявлять ошибки

Сотрудничество между различными заинтересованными сторонами является ключевой составляющей проектной деятельности в таких отраслях, как строительство. Для эффективной коммуникации требуется множество документов, а несоответствия между ними могут привести к задержкам проекта и увеличению затрат, что делает важным раннее выявление.

Для решения этой проблемы были предложены инструменты цифровой совместной работы, такие как информационное моделирование зданий (BIM). BIM позволяет нескольким проектировщикам обмениваться и пересматривать инженерные чертежи и документы, что позволяет на ранней стадии выявлять несоответствия. Однако высокие первоначальные затраты, нехватка квалифицированного персонала и технические барьеры ограничивают его внедрение, в результате чего многие проекты зависят от традиционного взаимодействия на основе документов.

Когда разные заинтересованные стороны используют разные инструменты и форматы документов, информация может быть неверно истолкована или представлена непоследовательно. Это особенно касается документов по расчету конструкций и конструктивных чертежей. Такие несоответствия могут привести к человеческим ошибкам, которые в серьезных случаях могут поставить под угрозу безопасность здания. Поэтому для предотвращения таких ошибок требуется тщательное управление.

Чтобы облегчить это бремя, исследовательская группа под руководством доцента Джейвука Джонга (Jaewook Jeong) с факультета инженерии безопасности Сеульского национального университета науки и технологии в Южной Корее разработала новый автоматизированный конвейер с использованием искусственного интеллекта (ИИ) для обнаружения человеческих ошибок в документации по проектированию конструкций.

"Наша платформа с поддержкой искусственного интеллекта автоматически извлекает, систематизирует и сравнивает информацию из документов по расчету конструкций и чертежей, чтобы выявить несоответствия, которые могут возникнуть в результате человеческой ошибки. Важно отметить, что система выполняет эти проверки, не полагаясь на информационное моделирование зданий (BIM), что делает ее особенно актуальной для строительных проектов, в которых по-прежнему используется традиционная проектная документация", - объясняет Джонг.

Их исследование было опубликовано в журнале Engineering Applications of Artificial Intelligence.

Предлагаемый автоматизированный конвейер начинается со сбора и предварительной обработки проектных данных, в ходе которой приобретаются необходимые документы и удаляется информация низкого качества. Затем он извлекает и стандартизирует структурную информацию из расчетных документов и чертежей. Для расчетных документов сетевая модель DocLayNet-YOLO, обобщенная модель анализа структуры документа, сначала определяет области, содержащие целевую информацию. Затем информация о ключевых элементах структуры в идентифицированных областях извлекается в текстовом виде с использованием модели Surya-OCR. На заключительном этапе эта извлеченная информация объединяется и стандартизируется в единый файл.

For structural drawings, where multiple members are listed in schedules with varying row and column widths, member codes are identified first. OCR, together with Canny edge detection, Hough transform and morphological operations, is employed to locate table regions containing these member codes. The extracted information in these member code regions is then filtered and refined, followed by standardization.

The pipeline then validates the extracted information and compares data from the two document types. Member codes and direction are used as key identifiers to establish correspondence between structural calculation documents and drawings. The system detects errors, identifies and reports duplicate entries, and organizes the results into a consistent data set. The errors identified are then categorized. The researchers also developed a user-friendly, web-based application to deploy this pipeline.

In a case study involving a residential construction project in South Korea, the proposed system achieved information extraction accuracies of 95.56% for structural calculation documents and 90.47% for structural drawing documents. The consistency verification process identified 253 discrepancies, including 224 missing entries, 15 main reinforcement mismatches, three stirrup mismatches, eight dimensional discrepancies and three duplicate entries. These findings demonstrate the framework's potential to support more systematic and efficient structural design document verification.

"Our AI-assisted pipeline could help structural engineers, design consultants, contractors and construction supervision teams to identify discrepancies before they lead to construction errors, improving the reliability of buildings and infrastructure," remarks Jeong. "It could be particularly valuable for small- and medium-sized construction projects that cannot implement BIM."

Overall, this AI framework could help reduce the burden of manual checking and improve consistency in construction projects where BIM cannot be implemented. In the future, it could become integrated into routine engineering workflows, making advanced safety technologies more accessible.