한국전자통신학회논문지 (The Journal of the Korea institute of electronic communication sciences)

한국전자통신학회 (Korea Institute of Electronic Communication Science)
권호 표지
DOI QR코드

DOI QR Code

건축 부재 사용량 예측을 위한 인공지능 학습 모델

An Artificial Intelligent based Learning Model for BIM Elements Usage

  • 김범수 (포항공과대학교 IT융합공학과) ;
  • 박종혁 (포항공과대학교 IT융합공학과) ;
  • 한수희 (포항공과대학교 IT융합공학과) ;
  • 김경준 (포항공과대학교 IT융합공학과)
  • 투고 : 2022.12.30
  • 심사 : 2023.02.17
  • 발행 : 2023.02.28
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 연구는 건축 부재 사용량 예측을 위한 인공지능 기반의 학습모델을 설계 및 구현하는 방법에 대하여 기술하였다. 인공지능(Artifical intelligence : AI) 은 기술의 발전에 힘입어 다양한 분야에서 폭넓게 활용되고 있지만, 건축설계분야 데이터의 특수성 및 빅데이터 수집의 어려움으로 인해 현장 활용도가 매우 저조한 상태이다. 따라서 건축설계분야에서 인공지능 기술을 도입할 수 있도록 건축 부재 단위의 AI문제를 발굴해 내었으며, 해당분야 데이터가 가지는 특이성을 해결하기 위한 새로운 전처리 기법을 고안하였다. 고안된 전처리 기법을 토대로 인공지능 모델을 구현하였고, 구현된 인공지능 모델의 건축 부재 사용량 예측 정확도가 실제 산업에 사용할 수 있는 수준임을 확인하였다.

This study described a method of designing and implementing an artificial intelligence-based learning model for predicting the usage of building members. Artificial intelligence (AI) is widely used in various fields thanks to the development of technology, but in the field of building information management (BIM), the case of utilizing AI technology is very low due to the specificity of the data in the field and the difficulty of collecting big data. Therefore, AI problems for BIM were discovered, and a new preprocessing technique was devised to solve the specificity of data in the field. An artificial intelligence model was implemented based on the designed preprocessing technique, and it was confirmed that the accuracy of predicting the construction component usage of the implemented artificial intelligence model is at a level that can be used in the actual industry.

키워드

과제정보

본 논문은 2022년도 중소벤처기업부 스마트 제조혁신기술개발사업 (R&D) 사업(No.RS-2022-00140739)과 2022년도 정부(교육부)의 재원으로 한국 연구재단의 지원을 받아 수행 연구임(No. NRF-2022R 1I1A1A01066264).

참고문헌

  1. S. Kim, J. Kong, S. Lee, and S. Lee, "Recent Advances of Artificial Intelligence in Manufacturing Industrial Sectors: A Review," Int'l. J. of Precision Eng. and Manuf., vol. 23, 2022, pp. 111-129. https://doi.org/10.1007/s12541-021-00600-3
  2. R. Cioffi, M. Travaglioni, and G. Piscitelli, A. Petrillo, F. Felice, "Artificial intelligence and machine learning applications in smart production: Progress, trends, and directions," Sustainability, vol. 12. no. 2, 2020, pp. 492-518. https://doi.org/10.3390/su12020492
  3. A. Zabin, V. Gonzalez, Y. Zou, and R. Amor, "Applications of Machine Learning to BIM: A Systematic Literature Review," Adv. Eng. Informatics, vol. 51, 2022, pp. 101474.
  4. S. Hashemi, O. Ebadati, and H. Kaur, "Cost estimation and prediction in construction projects: a systematic review on machine learning techniques," SN Applied Sciences, vol. 2, no. 10, 2020, pp 1-27. https://doi.org/10.1007/s42452-019-1685-8
  5. N. Tam and N. Toan, "Research Trends on Machine Learning in Construction Management: A Scientometric Analysis," J. Applied Sci. and Tech. Trends, vol. 2, no. 3, 2021, pp. 96-104. https://doi.org/10.38094/jastt203105
  6. M, Gunduz and H. Sahin, "An Early Cost Estimation Model for Hydroelectric Power Plant Projects using Neural Networks and Multiple Regression Analysis," J. Civ. Eng. Manag, vol. 21, no. 4, 2015, pp. 470-477, https://doi.org/10.3846/13923730.2014.890657
  7. K. Lee, Y. Yu, D. Ha, B. Koo, and K. Lee, "A Proposal of Deep Learning Based Semantic Segmentation to Improve Performance of Building Information Models Classification," KIBIM Magazine, vol. 11, 2021, pp. 22-33.
  8. Y. Li "Classification of Damage of House Images Based on CNN Model," in Proc. of 2022 Int'l. Conf. on Big, Data, Information & Computer Network(BDICN), Sanya, China, 2022.
  9. J. Cho, "Time Series Data Processing Deep Learning System for Prediction of Hospital Outpatient Number," J. of the Korea Institute of Electronic Communications, vol. 16, no. 2, 2021, pp. 313-318.
  10. J. Choi and H. Choi, "Prediction of Wind Power Generation using Deep Learning," J. of the Korea Institute of Electronic Communications, vol. 16, no 2, 2021, pp. 329-338.  https://doi.org/10.29220/CSAM.2021.28.4.329