BIM principle and Digital transformation: 인공지능 기반 건설 시스템 디자인의 미래

2021년 9월 21일 화요일

인공지능 기반 건설 시스템 디자인의 미래

건설 업계는 AI 기술 채택과 투자 모두에서 훨씬 뒤처져 있다. McKinsey는 건축 자재 및 건설을 다른 12 개 산업과 비교했다. 이러한 산업 중 10 개가 현재 AI 채택이 더 진행되고 있으며 12 개 모두 향후 3 년 동안 AI에 대한 지출을 더 빠르게 증가시킬 것으로 예상된다.

AI 채택 대 산업별 미래 AI 수요(McKinsey & Company)

건설 업계의 유망한 기술 스타트 업이 다음과 같은 분야에서 특히 부상하고 있다.

프로젝트 일정 최적화 도구
현장 조사 및 자산 관리 개선을 위한 이미지 인식 및 분류
센서(IoT)에서 방대한 양의 데이터를 수집하고 분석하기 위한 분석 플랫폼
제너레이티브 설계 및 진화 알고리즘.

뉴질랜드에 기반을 둔 Intranel은 AI와 결합 된 사물인터넷 (IoT) 장치가 운전, 자전거 타기, 걷기 시 안전을 포함하여 일상 생활의 여러 측면을 개선 할 수 있다고 주장한다. 도로 안전을 개선하기 위해, AI 컴퓨터 비전을 사용해 시각 범위에 있는 차량, 보행자 및 자전거의 위치와 속도를 추적한다. 도로에서 움직이는 물체의 위치와 속도를 결정하고 이를 지리 정보와 결합할 수 있다.

Intranel의 도로 AI 애플리케이션은 일련의 추적 노드로 구성된다. 각각은 다음과 같은 모듈 방식으로 구축된다.

Intranel AI 도로 시스템의 기본 토폴로지

기지국은 4G, LoRa 기반으로 IoT와 연결해 인터넷을 통해 클라우드 기반 서버로 데이터를 보낸다. ML(Machine Learning) 기능은 로컬 컴퓨터 보드에서 수행 될 수 있다. 이러한 인터넷 연결은 낮은 대역폭이 될 수 있다. 기지국은 1km 간격으로 배치되어 있으며, 양방향으로 10 개 노드에 전력을 공급할 수있는 태양광 패널이 장착되어 있다. Intranel이 RaspberryPi와 같이 점점 더 가용성이 높고 저렴한 IoT 장치를 사용한다는 것은 도로변 및 차량 내 노드가 모두 저렴하고, 필요할 때 쉽게 교체할 수 있음을 의미한다.

오픈소스 컴퓨터 비전 알고리즘과 결합된 IoT 장치는 LiDAR 보다 훨씬 저렴한 비용으로 여러 물체 를 안정적으로 추적 할 수 있다. Intranel이 150 달러 상당의 IoT 플러그 앤 플레이 하드웨어를 사용하여 훈련된 ML 모델을 초당 50 프레임 이상으로 실행할 수 있다.

ML 알고리즘과 결합된 IoT는 몇 시간 만에 모든 유형의 객체를 인식하고 추적하도록 훈련 가능함

다음은 AI가 감지 할 수있는 이벤트와 함께 도로 사고의 주요 충돌 요인을 나열했다. 오른쪽의 충돌 요인은 대부분의 심각한 사고의 주요 원인이된다. 이것은 NZTA의 충돌 분석 시스템을 포함하여 많은 국가에서 공개적으로 사용 가능한 데이터이다.

충돌 요인과 일치하는 감지 가능한 이벤트(Intrane)

운전자가 추월 시 위험한 속도로 다가오는 차량이 있으면 청각 및 시각 경고가 발생한다. 네트워크 기반 접근 방식은 안전 메시지를 특정 영역에 대해 미세하게 지정할 수 있다는 장점이 있다. AI가 운전자가 일반적으로 제동하기 전에 빠른 속도로 교차로에 접근하는 물체가 있다는 것을 알게되면 경고가 가능하다. 이 학습 메커니즘은 경고를 무시할 가능성을 줄이는 데도 도움이된다.

CAS (Crash Analysis System)의 사용자 인터페이스(Intranel)

2018년 뉴질랜드에 기반을 둔 Orbica는 GeoAI라는 인공지능 딥러닝 알고리즘과 항공 이미지에서 피쳐 추출 및 분류를 위한 지오 프로세싱의 조합을 사용한다.

전통적으로 건설 회사는 건설 현장의 진행 상황에 대해 정기적으로 (종종 일주일에 한 번) 보고하도록 현장 측량 팀에게 조사를 의뢰한다. 콘크리트 및 철골 작업의 실제 상태와 기계 장비의 설치는 현장 측량사가 육안으로 검사한다. 이들은 현장에 배송되는 자재 및 장비 수량 목록과 대조된다. 그런 다음 이러한 수량을 건설 일정의 계획 값과 비교하여 각 하청 업체 및 일반 계약 업체가 소유한 지불금을 결정한다.

이 프로세스는 시간이 많이 걸리고 부정확하며 오류가 발생하기 쉽다. 현장 크기에 따라 송장과 함께 보고서를 생성하는 데 며칠 또는 몇 주가 걸릴 수 있다. 이 청구는 며칠 또는 몇 주 뒤이다. 건전한 현금 흐름을 유지하고 위험을 적절히 관리하는 것은 건설 프로젝트에서 필수적이다. 청구서가 뒤쳐지면 은행에 예치하고 수익성있는 일을 할 수 있을 것이다.

GeoAI는 드론 비행에서 얻은 3D 포인트 클라우드 모델에서 콘크리트 슬래브, 기둥, 비계 및 보강 철근과 같은 객체들을 감지 할 수 있다. 건설 현장을 운전하고 걸어 다니는 현장 측량 팀을 보내는 것과 몇 킬로미터 길이의 전체 현장을 지도화하기 위해 드론 몇 대를 보낼 수 있다는 것을 비교해보라.

Orbica의 GeoAI는 딥러닝 기능 감지 알고리즘을 사용하여 드론 또는 위성 기반 이미지에서 수역, 도로 및 건물 윤곽을 식별하고 추출한다. GeoAI는 오픈 소스, Windows, Linux 및 클라우드 기반 소프트웨어 및 하드웨어의 혼합을 사용하여 구축되었다. GeoAI 스택은 파이썬 기반으로 사용하는 엔비디아 GPU에서 실행되는 SkLearn, GDAL, 구글의 오픈 소스 ML 플랫폼 Tensorflow를 사용한다.

GeoAI의 주요 목표 중 하나는 이미지 데이터 세트에서 거의 실시간 정보를 제공하는 것이다. 기존 워크플로는 사전 훈련된 딥러닝 알고리즘을 사용하여 타일당 최대 8 시간이 처리에 소요될 수 있지만 Orbica는 사용 가능한 계산 능력에 따라 이 프로세스를 단 몇 분으로 줄일 수 있다. 이는 건물 외곽선, 도로, 지표수 및 분류가 필요한 초목과 같은 다른 지표면 기능에도 적용된다.

업계에서 Grasshopper3D 및 Dynamo 와 같은 시각적 스크립팅 도구는 유전 알고리즘 (GA) 기능을 제공하고 있으며, Galapagos및 Project Refinery는 생성 및 진화 설계에 가장 자주 사용되는 플러그인이다.

Grasshopper3D 용 플러그인 Galapagos의 유전 알고리즘

디자인 옵션은 초안, 분석 및 평가할 때 디자이너로서 일반적으로 수행하는 작업이다. 이제 하나의 옵션이 아니라 첫 번째 인구가 100 명의 개인으로 구성되어 있다고 상상해보라. 100 세대에 걸쳐 GA는 몇 시간(컴퓨터 성능에 따라 몇 분) 내에 10,000 개의 옵션을 설계, 테스트 및 평가했을 것이다. API를 사용하면 Autodesk의 Civil3D와 같은 다른 토목 설계 및 모델링 패키지에 연결하여 계산 및 도면 (여전히 필요한 경우)을 포함한 설계 문서화를 자동화 할 수 있다.