BIM과 머신러닝 알고리즘을 이용한 표준내역 작성 자동화 프로세스 개발

다국어 초록 (Multilingual Abstract)

In the era of the 4th Industrial Revolution, there is a growing trend to integrate new Information Technology (IT) technologies into the construction industry. Among these technologies, smart construction, which utilizes information technology, has gained significant attention. Building Information Modeling (BIM) technology, in particular, stands out as a core technology in smart construction and is widely adopted across all sectors of the construction industry. The introduction of BIM technology has enabled automated quantity takeoff and construction cost management through BIM objects, streamlining construction processes.

However, challenges remain when it comes to calculating BIM-based construction costs. There is a lack of established standards for linking the standardized statement with the BIM model, resulting in a dependency on the experience of integration engineers or the preferences of project owners in linking the BIM-derived objects with the statement. Furthermore, while quantity calculations based on BIM are emphasized, there is a significant lack of standardization in the prepared statements.

To address these issues, further efforts are needed to establish robust standards for linking BIM models with standardized statements, ensuring a seamless integration process and accurate cost management in construction projects. By tackling these challenges, the construction industry can fully leverage the potential of BIM technology, improving efficiency, reducing costs, and enhancing overall project outcomes.
Through the existing approaches, the focus of BIM-based construction cost management has primarily been on quantity takeoff, with limited emphasis on standardizing the generated statements. Consequently, there is a need to extract detailed item information from the BIM model and automatically generate standardized Bill of Quantities (BOQ). To address this, the proposed research aims to leverage the benefits of BIM technology and machine learning to create standard BOQs.

The research process involves several steps. First, the BIM model derived from the basic design and the standard detail writing data are collected. The BIM model provides information such as material, volume, area, size, and quantity, while the standard detail data includes construction item, item name, standard, and unit.

Next, the collected data undergoes preprocessing to prepare it for machine learning algorithms. This includes tasks such as removing data redundancy, supplementing incomplete information, and normalizing the data.

Then, a machine learning model is trained using the preprocessed data. Three models, namely Random Forest with Bag-of-Words (RF &BOW), Random Forest with TF-IDF (RF &TF-IDF), and Random Forest with Word2Vec (RF &W2V), are considered for model selection.

Using the trained machine learning model, the research aims to automatically generate standard breakdown data based on the information extracted from the BIM model.

The generated standard BOQ data is then verified by comparing it with existing standard historical data. Any errors or discrepancies found during this verification process are used to refine and correct the prediction model.

Finally, the validated machine learning model is applied to real-world scenarios, completing the process of linking the BIM model with standard specification data.
By implementing this automated workflow, the research aims to enhance the accuracy and efficiency of generating standard BOQs through BIM and machine learning technology. The approach enables better utilization of BIM data, streamlines the standardization process, and improves overall construction cost management.
The preparation of standard Bill of Quantities (BOQ) plays a crucial role in construction projects. However, manual preparation often leads to errors due to human mistakes and consumes significant amounts of time. In contrast, leveraging machine learning algorithms offers the potential to mitigate human errors, streamline the process, and ensure consistent results through automation. By adopting this approach, the time required for preparing standard specifications can be significantly reduced, resulting in faster project completion and cost savings.

The field of automation utilizing machine learning algorithms is continually advancing, offering a range of diverse applications. Through the integration of Building Information Modeling (BIM) and machine learning algorithms, it is anticipated that the automation of standard BOQ creation can be achieved with enhanced accuracy and efficiency. This advancement holds promise for improving the construction industry by enabling more reliable and efficient standard BOQ generation processes.

국문 초록 (Abstract)

4차 산업혁명 시대를 맞아 건설공사에서는 새로운 IT(Information Technology)기술을 결합하려는 많은 시도가 이루어지고 있다. 그중에서도 최근 정보화기술을 건설산업에 적용한 스마트 건설이 각광을 받고 있다. 특히 이런 기술 중 BIM기술은 스마트건설의 가장 핵심인 기술로 건설산업 전 분야에 폭넓게 사용되고 있다. 이처럼 BIM기술의 도입으로 건설공사에서도 BIM객체를 통한 자동 물량산출과 공사비 관리가 가능해지고 있으며 이를 통해 BIM 기반의 견적자동화 및 공정·공사비 통합 관리에 대한 많은 연구가 이루어지고 있다. 하지만 BIM 기반 공사비 산출시 표준화된 내역서와 BIM모델간의 연계에 대한 작성기준이 마련되지 않아 아직도 BIM에서 산출한 객체와 내역서의 연계방법을 적산 엔지니어의 경험에 의존하거나 발주처의 관행에 의해 내역작성이 결정되고 있다. 또한 BIM 기반으로 물량을 산출하고 이를 통해 내역서를 작성한다 하더라도 대부분 물량산출에 초점이 많이 맞추어 있고 내역작성에 대한 표준화는 많이 미흡한 실정이다. 이에 기본적인 BIM모델로부터 내역항목의 정보를 추출하고 표준내역을 자동으로 작성하는 프로세스 과정이 필요하며, 실무에서 사용이 가능한 BIM 기반의 표준 내역서를 작성하기 위해서는 BIM객체로부터 추출한 정보를 표준내역에 맞게 매칭하는 분류작업이 필요하며 이를 위해 머신러닝 알고리즘을 이용하고자 한다.

이 논문에서는 BIM 활용에 장점과 러닝머신 기술을 활용하여 BIM모델로 부터 추출한 정보를 통해 표준내역을 작성하는 6단계의 프로세스를 제시하고자 한다.

1단계는 기본설계에서 생성된 BIM 모델과 표준내역 작성 데이터를 수집한다. BIM 모델에서는 재료, 체적, 면적, 크기, 개수 등의 정보를 추출하고, 표준내역 작성 데이터에서는 공사항목, 품목명, 규격, 단위 등의 정보를 추출한다.

2단계에서는 수집한 데이터를 전처리하여 머신러닝 알고리즘의 학습에 사용할 수 있는 형태로 변환한다. 이 단계에서는 데이터의 중복 제거, 불완전한 정보 보완, 데이터 정규화 등의 작업을 수행한다.

3단계는 머신러닝 알고리즘을 이용한 모델 학습으로 전처리된 데이터를 사용하여 머신러닝 모델을 학습한다. 학습모델의 선택은 랜덤 포레스트의 3가지 모델 ‘RF & BOW’, ‘RF & TF-IDF’, ‘RF & W2V’에서 하나를 선택하면 된다.

4단계에서는 예측 모델 적용으로 학습된 머신러닝 모델을 사용하여 BIM 모델에서 추출한 정보를 바탕으로 표준내역 작성 데이터를 자동으로 생성한다.

5단계는 결과 검증으로 생성된 표준내역 데이터를 검증하여, 정확한 정보가 생성되었는지 확인한다. 이 단계에서는 생성된 데이터와 기존의 표준내역 데이터를 비교하여 오류를 찾고 예측 모델을 수정한다.
6단계는 자동화 프로세스 적용으로 검증이 완료된 머신러닝 모델을 실제 작업에 적용한다. 이 단계에서는 BIM 모델과 표준내역 작성 데이터를 연결하는 프로세스를 완성한다.

표준내역 작성은 건설공사 프로젝트에서 필수적인 작업이지만, 수작업으로 작성하는 경우 인적인 실수로 인한 오류와 작업시간이 오래 걸리는 문제가 있다. 그러나 머신러닝 알고리즘을 사용하면 이러한 인적인 실수로 인한 오류를 줄일 뿐 아니라 작업 시간도 크게 단축시킬 수 있으며 자동화된 프로세스를 통해 일관성 있는 결과물을 보장할 수 있다. 결과적으로 표준내역 작성에 소요되는 시간을 줄여 빠른 프로젝트 완료가 가능해져 프로젝트 비용을 줄일 수 있다.

이처럼 머신러닝 알고리즘을 이용한 자동화는 끊임없이 발전하고 있으며, 이를 적용할 수 있는 방법 또한 다양해지고 있다. 따라서 BIM과 머신러닝 알고리즘을 적용하여 보다 정확하고 효율적인 표준내역 작성 자동화가 가능해 질 것으로 기대된다.

목차 (Table of Contents)

• 제 1장 서 론 1
• 1.1 개요 1
• 1.2 연구의 배경 3
• 1.2.1 토목BIM 기반 내역작성 시 머신러닝 적용현황 3
• 1.2.2 토목BIM 기반 내역작성에 머신러닝 적용시 문제점 6
• 1.3 연구내용 및 범위 9
• 1.3.1 연구내용 9
• 1.3.2 연구범위 및 절차 11
• 제 2장 선행연구 분석 및 관련이론 고찰 13
• 2.1 BIM과 머신러닝 및 표준내역 용어 정리 13
• 2.2 BIM과 AI를 이용한 표준내역 작성 연구 동향 15
• 2.3 국내 BIM과 AI를 이용한 표준내역 작성 연구 동향 17
• 2.4 BIM을 활용한 표준내역 작성 19
• 2.5 표준내역 작성을 위한 머신러닝 알고리즘 21
• 2.5.1 벡터화 알고리즘 21
• 2.5.2 학습모델 알고리즘 28
• 2.6 BIM과 인공지능을 활용한 표준내역 작성 선행연구 고찰 31
• 제 3장 머신러닝(Machine Learning) 방법 33
• 3.1 표준내역 작성 자동화 프로세스 개발을 위한 데이터 수집 33
• 3.1.1 BIM 모델 데이터 수집 33
• 3.1.2 건설공사 내역 데이터 수집 37
• 3.1.3 건설공사 내역 데이터 분류 및 현황분석 38
• 3.2 머신러닝 활용을 위한 데이터 구축 및 전처리 45
• 3.2.1 건설공사 내역 데이터 구축 45
• 3.2.2 훈련 데이터 구축 46
• 3.2.3 데이터 전처리 작업 49
• 3.3 머신러닝 활용을 위한 알고리즘 선정 53
• 3.3.1 건설공사 내역 데이터의 한글 전처리 알고리즘 53
• 3.3.2 건설공사 내역 데이터의 토큰화 알고리즘 57
• 3.3.3 건설공사 내역 데이터의 벡터화 알고리즘 59
• 3.3.4 머신러닝 학습모델 로지스틱 회귀 알고리즘 61
• 3.3.5 머신러닝 학습모델 나이브 베이즈 알고리즘 64
• 3.3.6 머신러닝 학습모델 랜덤 포레스트 알고리즘 66
• 3.3.7 머신러닝 학습모델 Support Vector Machine 알고리즘 68
• 3.4 머신러닝 알고리즘을 활용한 표준내역 작성 자동화 모델 70
• 3.4.1 머신러닝을 활용한 표준내역 작성 자동화 모델 구성 및 절차 71
• 3.4.2 머신러닝을 활용한 표준내역 작성 자동화 모델 테스트 결과 77
• 3.5 머신러닝 알고리즘을 이용한 표준내역 작성 자동화 프로세스 85
• 제 4장 표준내역 작성 자동화 예측 모델의 검증 87
• 4.1 머신러닝 알고리즘을 이용한 표준내역 작성 자동화 모델 결과 87
• 4.1.1 표준내역 작성 자동화 모델 결과값 (교량공사) 88
• 4.1.2 표준내역 작성 자동화 모델 결과값 (IC 개량공사) 91
• 4.2 머신러닝 알고리즘을 이용한 표준내역 작성 자동화 모델의 비교 분석 93
• 4.3 머신러닝 알고리즘을 이용한 표준내역 작성 자동화 모델 검증 95
• 4.3.1 표준내역 작성 자동화 모델 검증 개요 95
• 4.3.2 표준내역 작성 자동화 모델 검증 결과 97
• 제 5장 결 론 99
• 참고문헌 102
• 국문초록 104
• Abstract 107