2023년 스마트건설 트랜드

가상 모델을 통해 건물 소유자는 구현 변형을 3D로 평가하고 피드백을 제공할 수 있다. 또한 각 설계 측정의 비용이 디지털 트윈에 저장되기 때문에 재무 요소를 고려할 수 있다. 결과적으로 특정 변경이 가격에 어떤 영향을 미치는지 쉽게 알 수 있다.

BIM을 사용한 디지털 설계를 통해, 건물 소유자는 프로젝트를 훨씬 더 잘 제어할 수 있게 되었다. BIM으로 설계 단계에서 건물을 가상으로 둘러볼 수 있다. BIM 데이터를 기반으로 한 건물의 상세한 가상 모델인 디지털 트윈을 통해 가능하다.

소유자 및 기타 이해 관계자의 피드백을 기반으로 설계자는 프로젝트를 조정한 다음 다시 검토할 수 있다. 이러한 반복 주기는 알고리즘이 설계자의 손에서 많은 작업을 수행하기 때문에 짧고 비용 효율적이다. 예를 들어 병원을 설계할 때 방 크기를 줄이면 알고리즘이 사전 정의된 기준에 따라 가상 모델의 벽을 자동으로 조정한다. 화재 감지기의 수와 위치와 같은 다른 세부 사항에도 동일하게 적용된다. 따라서 계획을 보다 안정적이고 효율적으로 수행할 수 있다. 

디지털 트윈은 여러 분야에 걸쳐 투명한 설계를 가능하게 하다. 이를 통해 오류를 방지하고 분야를 최적으로 조정하며 항상 최신 비용 정보를 제공할 수 있다. 이러한 추세는 더욱 두드러져 건물 설계를보다 투명하게 만들뿐만 아니라보다 효율적이고 비용 효율적이다.

디지털 트윈에서의 협업

디지털 설계가 이점을 제공하려면 건설에 관련된 이해 관계자가 데이터를 공유해야 하다. 그래야만 전체 설계 및 시공 프로세스에서 투명성을 확립 할 수 있다.

최신 소프트웨어 개발에서 이러한 프로세스는 여러 프로그래머가 프로젝트에서 공동 작업 할 수 있는 Github, Gitlab과 같은 플랫폼에서 모델링된다. 소프트웨어는 모든 입력을 관리하며 모든 변경 사항은 모든 사람이 볼 수 있다.

그러나 건설 산업은 많은 이해 관계자가 여전히 연결되지 않은 2차원 계획으로 작업하거나 레거시 방식으로 작업하여 손실을 초래하다. 전체 설계 프로세스에서 원하는 투명성은 아직까지도 쉽지 않다.

이해 관계자가 다른 사람들과 협력하여 분야를 설계하는 경우이 새로운 접근 방식을 사용하여 비용을 상쇄하는 방법을 사용할 수 있다. 예를 들어, 운영 최적화 중에 디지털 트윈의 혜택을 받는 건물 소유자는 이 부가가치에 대해 디지털 트윈을 만든 설계자에게 보상할 수 있다.

디지털 프로젝트 관리

디지털 빌딩 트윈이 구축되면 다음 질문은 물리적 빌딩이 어떤 단계로 구성될 것인가이다. 오늘날 프로젝트 기획자는 순서를 결정하다. 이는 경험을 기반으로 하고 일반적으로 부정확하며 하위 단계에서 지연이 발생하는 경우 조정하기 어렵다.

디지털화는 프로젝트 관리의 극적인 개선을 약속하다. 예를 들어, 미국 회사 인 Alice Technologies는이 프로세스를 완전히 자동화하기 위해 노력하고 있다. 

이 기술은 이상적인 프로젝트 단계 순서를 학습할 수 있다. BIM 데이터를 사용하여 자체적으로 프로젝트 계획을 작성할 수 있다. 만약, 어딘가에서 지연이 발생하면 즉시 관련 정보를 업데이트 할 수 있다. 회사에 따르면이 솔루션은 이미 건설 중 평균 11 %의 비용과 17 %의 시간을 절약 할 수 있다.

자원을 보존하면서 구축

건물 건설은 자원 집약적이며 기후 친화적이지 않다. 매년 약 44 억 톤의 시멘트가 생산되어 700 개의 석탄 화력 발전소와 같은 CO2를 방출한다.

건물과 인프라의 환경 발자국을 줄이려면 건축 자재를 지속 가능하게 사용하는 것이 중요하다. 그러므로, 많은 건축 자재를 재활용해야하다. 예를 들어, 기존 콘크리트 쉘은 더 이상 철거 및 재건되지 않고 새 건물 설계에 통합되거나, 채우기 재료로 재사용된다. 3D 프린팅은 안정성을 손상시키지 않으면서, 건축 자재를 덜 사용하는 새로운 형상을 인쇄하는 데 적층 제조를 사용할 수 있다.

건설 현장의 로봇

쉰들러 (Schindler) 또는 힐티 (Hilti)의 드릴링 로봇은 이미 사양에 따라 콘크리트에 독립적으로 구멍을 뚫고 있다. 

비용 압박이 증가하면 더 많은 산업 건설이 발생할 것이다. 새로운 디지털 제조 방법을 사용하여 구성 요소가 개별 주문형으로 생산된다. 더 많은 요소가 조립식 제품에 통합될 것이다.

데이터 기반 건물 운영

난방, 냉방 및 가정용 온수는 건물 운영 단계에서 가장 많은 에너지를 필요로 한다. 미래의 스마트 빌딩에는 장비의 운영을 최대한 효율적으로 만드는 센서와 지능형 제어 장치가 있다. 건물 거주자의 행동과 요구를 고려할 수 있다. 예를 들어, 비어있는 공간에서는 난방이 필요하지 않다. 스마트 빌딩은 일기 예보와 재생 가능 에너지의 가용성(예. 지붕의 PV 시스템)을 통합할 수 있다.

스마트 빌딩에서 수집된 데이터는 알고리즘으로 분석하여 건물 관리를 최적화할 수 있다. 편차가 발생하면 시설 관리에 정보를 제공하여 무엇을 해야 할지 결정할 수 있다. 데이터는 표준화 된 형태로 제공되며 처리된다. 이러한 응용 프로그램은 가상 마켓플레이스에서 사용할 수 있으며 고객은 자신의 목적에 가장 적합한 응용 프로그램을 선택할 수 있다.

전력 저장으로서의 전기 자동차

미래에는 전기 자동차가 에너지 저장 장치 역할을 하여 재생 에너지 사용을 최적화할 수 있다.

스마트 빌딩에서 에너지 저장은 오늘날보다 더 큰 역할을 할 것이다. 낮에는 직장에 주차 할 때, 태양광 발전을 한다. 저장된 전력은 저녁에 집에서 사용할 수 있다. 

소비자와 발전 데이터를 연결하면 재생 에너지 사용을 최적화할 수 있다. 이는 지속 가능한 에너지 공급을 보장하는 데 중요한 역할을 할 것이다. 에너지 최적화는 새로운 비즈니스 모델을 낳을 것이다. 예를 들어, 초과 전력은 이웃에게 판매 될 수 있다. 다만, 이러한 솔루션은 현재 높은 관료적, 정치적 장애물을 극복해야 한다.

향후 전망

지속가능하고 지능적인 건설 및 부동산 산업을 위한 기술과 재료가 이미 존재하지만, 건설의 미래로 가는 길에는 장애물이 가득하다. 건설 규제와 레거시 구조는 발전을 방해한다. 아마, 비용 압력이 충분히 높지 않은 한, 건설 산업의 자동화는 앞으로 나아 가지 않을 것이다. 그러나 장기적으로 건설분야는 결국 디지털화될 것이다.

레퍼런스

• 7 major trends that will transform the construction industry
• The Benefits of AI In Construction
• Top 4 Construction Industry Trends You Need to Know in 2023
• GPS and VPS

BIM, 머신러닝과 데이터 마이닝

BIM, 머신러닝과 데이터 마이닝에 대한 좋은 기사가 있어 소개합니다. BIM이 일종의 건설데이터베이스로써 역할을 할 수 있고, 이기종 데이터셋을 연결할 수 있는 미들웨어 역할을 할 수 있을 때, 그 다음 단계는 당연히 필요한 정보를 얻어내는 데이터 마이닝일 것입니다. 이를 위해 우리는 머신러닝과 같은 데이터 사이언스가 필요하겠죠. 이 글은 AECbyte 기사(Rashid Siddiqui, 2018)를 참고하였음을 밝힙니다(2021.9.7). 

개요

BIM (Building Information Modeling) 기술은 초기 계획, 설계, 건설, 운영에서 운영에 이르기까지 시설의 수명주기 전반에 걸쳐 건축, 엔지니어링, 건설 소유 운영 산업에 의해 광범위하게 구현된다. 충돌 감지, 4D 스케쥴링, 5D 견적, 6D 지속 가능성, 7D 설비 관리 및 레이저 스캐닝과 같은 다양한 프로세스를 지원한다. 업계 커뮤니티는 BIM에 대한 표준을 개발했다. 여기에는 COBie (건물 정보 교환), IFC 및 LoD (세부 수준 / 개발 수준) 등이 있다. BIM 기술의 사용이 늘어남에 따라 기본 BIM 데이터를 이해하고 탐색하는 것이 매우 중요하다.

BIM의 주요 이점은 여러 분야가 함께 작동하고 단일 모델로 공동 작업 할 수 있다는 것이다. 단일 모델을 사용하면 특히 대규모 프로젝트의 경우 어려움이 있다. 이러한 문제는 일반적으로 하드웨어 제한, 소프트웨어 상호 운용성 및 모델 관리 제한과 관련된다. 솔루션은 여러 모델과 다른 데이터베이스 (예 : 4D, 5D 등)를 사용하는 WBS (Work Breakdown Structure) 를 사용하는 것이다. 

WBS 솔루션을 사용할 때 "빅 데이터"활용이 필요할 때가 있다. 빅 데이터 간 불일치를 해결하고 BIM 표준 및 요구 사항의 정확성을 유지하는 데는 많은 시간이 소요된다. 데이터 사이언스는 혁신적인 워크 플로 변경을 통해 비즈니스 요구 사항 및 사용 가능한 데이터베이스에 따라 효율성을 최적화 할 수 있다. 이 기사에서는 데이터 과학, 워크 플로 및 BIM과 관련된 주요 문제의 하위 필드에 대해 중점적으로 다룬다. 다음 그림은 BIM, 데이터웨어 하우스 및 데이터 사이언스 관계를 함께 보여준다.

데이터를 추출하기 위해, ETL (Extract Transform Load) 프로세스라고 불리는 다양한 데이터 리소스 및 형식 (예 : BIM 컨텍스트에서의 다 분야 BIM 모델, 4D, 5D, COBie 등)에서 정보를 추출하는 과정이 필요하다. 기본적으로 다음 그림과 같이 데이터가 응답하는 5 가지 주요 질문이 있다.

데이터가 대답 할 수있는 다섯 가지 질문

1. 추출 변환 및 로드 (ETL)

ETL은 다양한 자원 및 형식에서 정보를 추출하고 원시 데이터를 균일 한 데이터 구조로 변환하는 데 사용되는 프로세스로 데이터웨어 하우징 및 데이터 통합에 적합하다. 다음은 데이터웨어 하우스에 저장되기 전에 ETL 프로세스를 거칠 수 있는 건물 관련 정보의 예를 보여준다. BIM 데이터베이스에는 일반적으로 구조화, 반 구조화 및 비 구조화의 세 가지 유형의 데이터가 포함된다. 이들 각각은 아래에 설명 된 ETL 프로세스를 거쳐야한다.

BIM-GIS 와 ETL

추출 : ETL 프로세스의 초기 부분에는 BIM 모델 (예 : 문, 레벨 및 공간과 같은 모델 요소), Excel 스프레드 시트, HTML 파일 및 플랫 파일과 같은 다양한 데이터 리소스에서 중요한 BIM 데이터를 추출하는 과정이 포함된다. 

변환 : 다음 프로세스는 변환이며, 대상 데이터웨어 하우스에 적합한 데이터를 준비하는 데 필요한 가장 중요한 ETL 프로세스 중 하나이다. 변환 프로세스에서는 다양한 기능이 데이터에 적용된다. 기능에는 데이터 유형 식별, 데이터 정리, 누락 된 값 찾기 및 원하는 열 지정이 포함된다. 이러한 기능은 추출 된 데이터에 적용되어 데이터웨어 하우스 및 균일 한 데이터 구조에로드되기 전에 데이터의 품질을 보장한다.

로드 : ETL 프로세스의 마지막 단계는 추출 및 변환 된 데이터를 대상 데이터웨어 하우스에로드하는 것이다.

2.  기계 학습 알고리즘

기계 학습은 데이터 사이언스의 하위 분야이다. ETL 프로세스를 거쳐 데이터웨어 하우스에 저장된 정보는 기계 학습을 용이하게 한다. 기계 학습은 명시적인 프로그래밍없이 질문에 대한 해답을 예측하기위한 데이터 집합 및 알고리즘에 의존한다. 단순화 된 설명으로서, 기계 학습은 다양한 종류의 기계 학습 알고리즘을 사용하여 훈련 데이터 세트를 포함한다.

예를 들어 사용자가 BIM 표준, 프로젝트 표준, BIM 실행 계획 또는 기타 BIM 문서와 비교하여 BIM 모델에서 정보가 참인지 거짓인지 예측할 수 있다고 가정하자. 기계 학습 알고리즘을 사용하여 주어진 요소 (예 : 선 두께, 색상, 선 패턴 등)를 입력 데이터로 사용하여 예측을 수행 할 수 있다. 응답은 BIM 데이터 세트에 적용된 알고리즘에 따라 true / false / missing 일 수 있다. 출력은 ETL로 처리되는 새 데이터에 대한 예측을 생성 할 수 있다. 이 개념을 설명하기위한 간단한 예는 주어진 이메일이 스팸인지 여부를 식별하는 이메일 필터링 알고리즘이다. 원하는 수준의 정확도가 달성 될 때까지 프로세스를 계속하도록 기계학습 할 수 있습니다.

일반적으로 사용되는 두 가지 유형의 기계 학습 알고리즘은 감독 학습 알고리즘과 비감독 학습 알고리즘이다.

BIM and Deep Learning (Sensors, 2020, BIM and Data-Driven Predictive Analysis of Optimum Thermal Comfort for Indoor Environment)

감독 학습 알고리즘. 감독 학습 알고리즘은 요소가 시스템에 분류되어 입력 및 출력 데이터 모두를 쉽게 훈련 할 수 있으므로 시스템이 문제를 해결하기위한 정확한 통찰력을 생성 할 수 있기 때문에 BIM에서 가장 일반적으로 사용된다. 다음은 일반적으로 사용되는 감독 학습 알고리즘이다.

• 분류
• 회귀 분석
• 비감독 학습 알고리즘. 감독되지 않은 학습 알고리즘에는 카테고리 정보가 없다. 요소를 범주화하기 위해 추가 요소 기능 (예 : 요소 모양 및 크기)을 추가해야 한다. 감독되지 않은 학습 알고리즘의 목적은 데이터를 분류하여 출력을 분류하는 것이다. 다음은 흔히 사용되는 감독되지 않은 학습 알고리즘이다.
• 클러스터링
• 차원 감소

3. 데이터 시각화

기계 학습 결과물은 그래픽 형식으로 제공되어 사용자가 데이터의 불일치 또는 불완전한 부분을 파악할 수 있다. 예를 들어, AECOM은 ETL 프로세스 및 기계 학습 알고리즘을 실행하여 BIM 데이터의 문제를 예측하고 다음 시각화 도구를 사용하여 보고서 및 통찰력을 제공하는 도구를 내부적으로 개발했다. 데이터 시각화는 프로젝트 팀을 지원하는 데 필요한 여러 수준에서 생성 될 수 있다. 프로젝트 레벨, 모델 레벨 및 요소 레벨에서 생성 할 수 있다. 이 수준에서 시각화를 제공하면 사용자가 동일한 정보를 다른 수준의 세부 정보로 볼 수 있다.

결론

컴퓨터 학습 알고리즘을 사용하면 사람이 BIM 데이터 불일치를 식별하고 정보를 수동으로 확인하는 데 필요한 시간을 크게 줄일 수 있다. 

데이터 사이언스는 몇 분 이내에 데이터 시각화 및 보고서를 생성하고 모든 장치 및 보안 장치에서 액세스 할 수있는 클라우드를 통해 정보를 공유하는 데 도움이 된다. 시각화 및 보고서는 시간별, 일별 및 주별로 생성 할 수 있다. 건축, 엔지니어링, 건설 및 소유자 / 운영자 산업은 BIM 기술 및 BIM 표준에 크게 투자 해 왔으며 이와 관련된 실행 계획, 정책 및 절차를 개발했다. BIM 데이터를 효과적으로 사용하는 것이 비즈니스 의사 결정을 개선하는 데 중요하다. 

레퍼런스

• AECbytes, Rashid Siddiqui, 2018.2.28, BIM and Data Science, AECOM

로보틱스 기반 건설 자동화 Build Robotics

이 글은 로보틱스 기반 건설 자동화 Build Robotics 사례를 공유한다.

최근 건설 분야에서도 첨단 기술로 무장한 스타트업체들이 진입해 큰 투자를 받고 사업을 추진하고 있다. 이미 카테라와 같이 성공한 업체도 있으며, 새로 진입하고 있는 업체도 있다. 빌드 로보틱스는 신생 스타트업체로 실리콘밸리에서 수백억이상 투자를 받고, 건설 자동화 로봇 개발을 위해 노력하고 있다. 

아래 영상은 이 회사가 무엇을 하려 하고 있는 지 잘 보여준다.

빌드 로보틱스는 무인 자율 자동차를 개발 중인 구글의 핵심 엔지니어들이 나와 만든 스타트업이다. 이 회사가 주로 사용하는 기술은 다음과 같다. 

• Robotics 및 application
• ROS(Robot Operating System)
• CAD
• BIM(Building Information Modeling)
• 시공 기술

앞으로 주목할만한 회사 중 하나로 생각되어 기록한다.

레퍼런스

• Build Robotics
• CNBC, 2017.10, This ex-Googler is bringing self-driving excavators to construction sites