Nerf2BIM

KI-gestützte Detailplanung auf Abruf durch nachhaltige Punktwolkenvermessungen und semantisches 3D-Verständnis für die fortschrittliche Modellierung bestehender Gebäude

In jüngster Zeit hat die Optimierung bestehender Gebäude, insbesondere in Deutschland, wo diese bis zu 80 % aller Projekte ausmachen, stark zugenommen, wobei der Schwerpunkt auf der energieeffizienten Sanierung von Wohngebäuden aus der Nachkriegszeit liegt. In den kommenden Jahren bieten Wohngebäude, die bis 1918 (15 %) sowie zwischen 1920 und 1940 (13 %) errichtet wurden, ein besonders großes Potenzial für Energieeinsparungen.

Erhebliche Herausforderungen ergeben sich aus fehlenden oder veralteten Plänen und Daten, die komplexe Bauvermessungen erforderlich machen. Im Gegensatz zu Neubauten entwickeln sich Bestandsgebäude im Laufe ihres Lebenszyklus weiter, wodurch ihre Untersuchung zu einer Art „umgekehrtem Entwurfs- und Planungsprozess“ wird. Dies erfordert die Vermessung „sichtbarer“ Flächen und Punkte, den Rückgriff auf ergänzende Unterlagen und Teilergebnisse sowie die Wiedergewinnung von entscheidendem Fachwissen, das heute oft in Vergessenheit geraten ist.

Da Bestandsgebäude niemals mit perfekter Präzision nachgebildet werden können, sind die daraus resultierenden Modelle zwangsläufig unvollkommen. NERF2BIM begegnet diesen Herausforderungen, indem es die jüngsten Fortschritte im Bereich der künstlichen Intelligenz nutzt, um eine Detailing-on-Demand-Strategie einzuführen, die die etablierte BIM-Methodik durch variable Informationsintegration in drei Bereichen erweitert.

Die erste Ebene verbessert punktwolkenbasierte Vermessungen durch die Berücksichtigung von Datenerfassung, Georeferenzierung und Unsicherheitsquantifizierung mit Fokus auf nachhaltige Lösungen; Scanleistung und Zuverlässigkeit werden durch Strategien zur Bewertung und Dokumentation von Unsicherheiten verbessert. Die zweite Ebene entwickelt die semantische Interpretation und Rekonstruktion von Innen- und Außenaufnahmen, integriert 2D- und 3D-Daten, um ein 3D-konsistentes semantisches Verständnis von Gebäudekomponenten innerhalb von Rohscans zu ermöglichen und die Rekonstruktion einfacher BIM-Komponenten aus geometrischen Darstellungen zu unterstützen. Der dritte Ansatz wendet die Detaillierung auf diese „einfachen“ BIM-Komponenten an, indem er auf eine Wissensbasis aus Architektur- und Bauwesen zurückgreift und dabei neuartige KI-Methoden sowie ein Nutzer-Feedback-System einsetzt, das die Ergebnisse kontinuierlich verfeinert.

Durch die Integration von unsicherheitsbewusster Datenerfassung, kontextbewusster Rekonstruktion und Fachwissen schließt NERF2BIM die Datenlücke bei bestehenden Gebäuden und ermöglicht effizientere, wissensgestützte Sanierungsprozesse.