下载app免费领取会员
BIM大数据的核心价值是发现和理解信息内容,以及信息之间的关系,进而从企业BIM大数据资产中找到新的商业价值。因此,需从项目的BIM数据提取出一些特征,由于大数据应用的驱动因素、面临的场景及选择的技术措施不同,需提取的特征也不同。
(1)资源定位特征。BIM大数据提取的资源定位特征与应用需求和管理方法有关,资源定位特征主要包括库位置、企业名称、项目名称、模型名称、版本信息,用这5项信息唯一定位BIM大数据资源。“库”是一个逻辑名称,其背后可能是分布式文件系统或NoSQL数据库,分库管理也是BIM大数据资源管理的实际需求。企业名称和项目名称也是逻辑分组的手段。版本信息要统一,可使用1.0.0、2.1.1这样的版本模式,也可用精确到毫秒的时间戳作为版本。
(2)原始属性特征。BIM大数据积累和应用是不断汇总、分类的过程,其中有些特征需在汇集时赋予,这就是原始属性特征。对于企业,包括工程总承包、设计总承包、设计分包、施工总承包、施工分包等原始属性;对于项目,房建类工程的建筑面积、港口航道类工程的设计停靠能力、公路类工程的线路长度等均为原始属性;对于模型,成果类型是原始属性,包括方案设计模型、初步设计模型、施工图设计与深化设计模型、施工过程模型及竣工验收模型。BIM大数据原始属性是在数据收集过程中填写,要简单明确,这也是贴标签的过程,标签数据库是后台的主要技术支撑手段。
(3)空间关系特征。BIM的一大特征是三维空间技术,工程数据只有与空间关联才有意义,例如某种建筑材料用于基础还是屋顶是非常关键的因素。以IFC标准定义的模型为例,其是通过场地→建筑→楼层→空间形成递进包含的三维空间结构,其他建筑构件(如墙、梁、板、柱、机电管道、设备等)均与该空间结构关联。
BIM大数据汇集过程中应提取这部分信息,涉及的技术问题是信息转换,即用自定义格式存储BIM模型。目前常用的做法是模型轻量化,但该方式为显示性能需要,并未保留较完整的空间关系,仅保留绝对位置信息,从而失去BIM大数据分析的基础。
(4)混杂特征。BIM大数据并不仅包括模型数据(空间几何和非几何属性),而是广义的工程数据,包括模型、图纸、文档、管理数据等,模型数据与其他工程数据可通过引用和参考关系链接在一起,格式各异,结构化数据和非结构化数据均包括在内。但在数据汇集过程中,往往无法进行数据重新分类和命名标准化,导致BIM大数据存在混杂性特征。在大数据背景下,“样本=总体”能获取所有工程数据,但数据量的大幅增加会造成数据不准确,要适当放宽数据收集标准,掌握更多的数据或全部数据。
(5)相关关系特征。准确分析大量数据是一种挑战,为让分析变得简单,会将数据量压缩到最小,这也是统计学的一种惯性思维,用尽量少的随机样本数据证实可能的重大发现。但该方法固有缺陷很多,很重要的一点是只能从采样数据中得出事先设计好的问题结论,分析结果缺乏延展性,特别是在更深层次的细分领域。
建立在相关关系分析法基础上的预测将是BIM大数据的核心思想。以施工现场安装为例,如果大数据显示,某企业承揽项目的安装质量水平普遍高于其他企业,不用深入探究该企业的企业文化、科技投入、成本投入等细节,即可预测未来一段时间内,该企业的安装质量仍将保持在高水准状态。
本文作者:刘金樱 邱奎宁(中国建筑股份有限公司)
转载请注明来源本文地址:https://www.tuituisoft/bim/22048.html
上一篇:没有了
下一篇:没有了