Die KI-basierte Gebäudemodellierung ist ein innovativer Ansatz, um Prozesse im Gebäudedesign zu automatisieren und zu optimieren.
Diese Art der Unterstützung kann in verschiedenen Phasen des Gebäudedesigns und der Konstruktion zum Einsatz kommen, einschließlich der Konzeptphase, der detaillierten Designphase und der Konstruktionsphase. Die Modelle können Daten aus verschiedenen Quellen nutzen, wie z.B. CAD-Dateien, BIM-Modelle, geografische Informationen, Umweltdaten und mehr, um genaue und effiziente Gebäudemodelle zu simulieren.

Traditionelle Methoden sind oft zeitaufwändig und erfordern einen hohen Grad an Fachwissen. Darüber hinaus können menschliche Fehler und Unstimmigkeiten in den Modellen zu kostspieligen Fehlern und Verzögerungen in der Konstruktionsphase führen. Ebenfalls bestehen Herausforderung in der Konstruktion nachhaltigerer und energieeffizienterer Gebäude. Diese Hürden können mittles KI-basierter Unterstützung minimiert oder teilweise sogar eliminiert werden. Ebenfalls kann KI in fertiggestellten Objekten (u.a. mittels Robotik und Laserscanner) bei der Navigation durch das Gebäude unterstützen und über Gebäudezustände informieren.

Die Einbindung von KI in Gebäudemodellierungsprozesse können vielfältig sein. Da häufig aber mit dreidimensionalen Modellen gearbeitet wird, spielt das Computer Vision eine grundlegende Rolle. Auf Basis welcher methodischen Ansätze die Datenverarbeitung stattfindet, ist aber wiederum abhängig von der Aufgabe und deren Anforderungen.

1. Machine Learning
   1. Supervised Learning - um z.B. aus historisch gelabelten Daten, den Energieverbrauch vorherzusagen.
   2. Unsupervised Learning - um z.B. Muster und Beziehungen in Gebäudedaten zu identifizieren, die nicht offensichtlich sind.
   3. Reinforcement Learning - um z.B. verschiedene Designoptionen auszuprobieren und daraus zu lernen, welche Optionen zu den besten Gebäudeleistungen führen.
2. Deep Learning
   1. Convolutional Neural Networks (CNN) - zur Analyse von Bildern und visuellen Daten, wie z.B. 3D-Modelle.
   2. Recurrent Neural Networks (RNN) - zur Analyse von Gebäudeleistungsdaten, um präzisere Vorhersagen machen zu können, wie z.B. Energieverbrauch auf Basis mehrerer Variablen.
   3. Autoencoder (AE) - zur Komprimierung großer Mengen an Gebäudedaten, die schwierig zu speichern oder zu verarbeiten sind.

• Effizienzsteigerung durch Automatisierung von Gebäudemodellierungsprozessen und damit verbundenen Einsparungen von Zeit und Kosten.
• Steigerung von Nachhaltigkeits- und Energieeffizienz.
• Verbesserung der Genauigkeit von Modellen.
• Optimierung des Designs und Designlösungen.
• Vorhersagen der Modelle können nur so gut sein wie die Daten selbst (Datenqualität als Risiko).
• Langfristig potentielle Verschlechterung von menschlichen Fähigkeiten und Fachwissen durch technologische Abhängigkeit.
• Meist komplexe und kostspielige Implementierung.

• Beschleunigung des Scan-to-BIM-Prozesses mit Hilfe von KI

• KI im Behördeneinsatz: Erfahrungen und Empfehlungen (2020)
  Jan Engelmann; Michael Puntschuh
• Use Cases – Erfahrungswerte aus der Anwenderpraxis (2022)

  Bianca Christina Weber-Lewerenz Wertakzente im Bauwesen 4.0 p113-213

  Springer Fachmedien Wiesbaden DOI:10.1007/978-3-658-38238-4_7
• EDU-AI: a twofold machine learning model to support classroom layout generation (2022)

  Ilker Karadag, Orkan Zeynel Güzelci, Sema Alaçam Construction Innovation 23/4 p898-914

  Emerald DOI:10.1108/ci-02-2022-0034
• The Effect of Three-Dimensional Drawing on Learning Construction Detail Design in Interior Architecture Education (2022)

  , Soufi Moazemi Goudarzi, Emre Seles, Journal of Design Studio 4/spi2 p21-34

  Journals of Design Studio DOI:10.46474/jds.1153639
• Review of Machine-Learning Techniques Applied to Structural Health Monitoring Systems for Building and Bridge Structures (2022)

  Alain Gomez-Cabrera, Ponciano Jorge Escamilla-Ambrosio Applied Sciences 12/21 p10754

  MDPI AG DOI:10.3390/app122110754
• Developing an MCDM Model for the Benefits, Opportunities, Costs and Risks of BIM Adoption (2023)

  Seyed Mohammad Hossein Zakeri, Sanaz Tabatabaee, Syuhaida Ismail, Amir Mahdiyar, Mohammad Hussaini Wahab Sustainability 15/5 p4035

  MDPI AG DOI:10.3390/su15054035