Modellierung von Feldinformationen (FIM)™ mit Hilfe von Punktwolken

Während der Bauphase dient das entworfene BIM als detaillierte Projektgrundlage zur Unterstützung der Bauarbeiten vor Ort. Nach dem Bau müssen relevante Felddaten gesammelt, in semantische digitale Informationen umgewandelt und anschließend mit dem geplanten BIM verglichen werden, um die Übereinstimmung sicherzustellen. Etwaige Unstimmigkeiten zwischen dem Plan und der Praxis müssen sofort erkannt werden, damit die Projektbeteiligten rechtzeitig Korrekturmaßnahmen ergreifen können. Der letztgenannte Prozess der Erfassung und Umwandlung von Felddaten in intelligente, greifbare und semantische digitale Informationen zum Vergleich mit dem geplanten BIM wird als Field Information Modelling (FIM)™ bezeichnet. 


Als eines der Mittel zur Erfassung von Felddaten bieten Punktwolken eine einzigartige Möglichkeit zur Diskretisierung der umgebenden Oberflächen in 3-dimensionale (3D) Koordinaten (mit Intensitäts- und/oder Farbinformationen). Diese Punktwolken können für die Fortschrittsüberwachung, die Qualitätskontrolle, die digitale Verzweigung und die Gesundheitsüberwachung genutzt werden. Eine häufige manuelle Verarbeitung der Punktwolkendaten ist aufgrund des Zeit- und Kostenaufwands und der Subjektivität, die mit manuellen Analyse- und Modellierungsverfahren verbunden sind, unpraktisch. Daher konzentriert sich die aktuelle Forschung auf die Automatisierung des Prozesses der Punktwolkenverarbeitung. 
 

Bei BIM-basierten Bauprojekten kann das entworfene BIM genutzt werden, um die Art und Geometrie der Objekte zu bestimmen, die aus der registrierten Punktwolke extrahiert werden müssen. Mit den im Koordinatensystem des BIM registrierten Punktwolken ist es dann möglich, einen Suchraum um jedes klassifizierte Element im BIM zu definieren, um das entsprechende Objekt aus der Punktwolke zu erkennen. Das Verfahren ist in der Abbildung links schematisch dargestellt

Wenn keine Konstruktionsfehler vorliegen, hängt die Genauigkeit der Punktwolkenanalyse nur von den Messfehlern und den Fehlern bei der Zuordnung von Punktwolke und Modell ab. Bei spürbaren Konstruktionsfehlern (was der typische allgemeine Fall ist) ist das Problem komplizierter und erfordert anspruchsvollere Mustererkennung, mathematische Modellierung und maschinelle Lernverfahren, um die Entsprechungen korrekt zu ermitteln. In solchen Fällen, vor allem, wenn erhebliche Formverschiebungen und Verformungen nicht von Belang sind, kann das in Maalek (2021) vorgestellte Verfahren verwendet werden, wie im folgenden Video gezeigt wird.

Ressourcen

Journal:

  1. R. Maalek, “Field Information Modeling (FIM)TM: best practices using point clouds,” Remote Sensing, vol. 13, no. 5, p. 967, March 2021, doi: 10.3390/rs13050967.