-14 Hankkeen nimi: Rakennuksen toteutusvaihtoehtojen tuottaminen modernin tekoälyn menetelmillä (BUILDING-AI) Diaarinumero: YM176/612/2017 Seurantakoodi: 70002004 Projektinumero: OH280-S51200-07-03 Käsittelijä: Minna Perähuhta Hankkeessa kehityt kokeelliset ratkaisut, palvelut, toimintamallit yms. Hankkeessa on sen päätavoitteen mukaisesti lisätty perustietämystä tekoälyn soveltamisesta rakennusten suunnitteluun ja tietomallien käytöstä opetustietoina. Hankkeessa sovellettiin kolmea eri tapa hyödyntää tietomallintamista tekoälyn lähtötietoina: 1. Tietomalleista luettiin tietoja yhteen tietokantaan, jota sitten käytettiin lähtötietoina. 2. Tallennetun tietomallin sijasta lähtötietoina käytetiin käyttäjän mallinnusohjelmalle antamia komentoja. 3. Tietomallista käytettiin vain siitä otettuja ruutukaappauskuvia tai kuvina tallennettuja osia. Hankkeessa on testattu neljää eri käytännön sovelluskohdetta demonstraatiotasolla. Niiden perusteella voidaan arvioida, että pidemmälle kehitettynä tekoälyä voidaan hyödyntää hyvin rajatuissa rutiinitehtävissä, joihin on saatavilla riittävästi opetusaineistoa. Suunnittelutehtävissä on hyvin paljon muuttujia, jolloin nykyiselellä tietojen käsittelyn kapasiteetilla täysin avoin suunnittelutehtävä ei ole toteutettavissa tekoälyn avulla. Onnistuneissa testeissä valinnat koskivat rakennusosien tai niiden osakomponenttien valintaa rajatussa ympäristössä. Hankkeen mahdolliset poikkeamat hakemukseen Alkuperäisessä hankesuunnitelmassa tavoitellut tulokset olivat: 1. Raportti miten BIM malleja voidaan hyödyntää koneoppimisen lähtötietoina. 2. Käytännön demonstraatio konkreettisten suunnitteluvaihtoehtojen tuottamiseksi. 3. Alustava ehdotus suunnitelmien arkistoinniksi koneoppimisen näkökulmasta. 4. Jatkotutkimussuunnitelma, joka sisältää taloudellisen arvion menetelmän vaikutuksista. Toteutuma 1. Toteutukset on esitetty erikseen sovelluskohteiden dokumenteissa, jolloin raporttia ei ole tehty yhtenä julkaisuna. 2. Toteutuneita kohteita oli neljä, kun tavoitteena oli yksi. Näistä tuloksista muodostui tutkimuksen painopiste ennakoidun 1. kohdan sijaan. 1 (7) S w e co Hatanpään valtatie 11 FI-33100 Tampere, p. +358 (0)207 393 000 www.sweco.fi Sweco Rakennetekniikka Oy 2635439-2 Reg. Office Helsinki Sweco Groupin jäsen Mauri Laasonen Kehityspäällikkö m. +358 40 525 9400 mauri.laasonen@sweco.fi
3. Saatu lopputulos koski vain menetelmää tallentaa tietomallit erilliseen, helpommin hyödynnettävään tietokantaan. Tietokannan tietosisältöön ei voida ottaa kantaa, koska se riippuu sovelluskohteesta eikä järkevää tiedon määrää pystytty määrittämään. 4. Jatkotutkimussuunnitelmaa ei tehty tämän projektin puitteissa, koska jatkorahoitus järjestyi osittain rinnakkaisena toteutetun Business Finlandin tukeman hankkeen kautta. Hankkeen toteutuneet kustannukset ylittivät hakemuksen budjetin Swecon lisättyä omaa rahoitusosuuttaan. Tulokset, niiden hyödynnettävyys ja vaikutukset Tulokset Tärkein tulos yrityksen kannalta on lisääntyneet valmiudet tekoälyn hyödyntämiseen. Kehityksessä ei ole vielä päästy niin pitkälle, että sovellutuksia olisi voitu ottaa tuotantoon. Kiradigi hankkeen päättyessä menetelmät ovat pilotointivaiheessa. Konkreettisena tuloksena hankkeesta on neljä rakennusten suunnittelutehtäviin liittyvään demonstraatio-ohjelmaa, jotka hyödyntävät tekoälyä. 1. Teräsrakenteisen kattilaitoksen liitosalueiden etsintä ja sopivan liitostyypin ehdottaminen Demossa käytetiin lähtötietoina kymmenestä kattilaitoksen mallista muodostettua tietokantaa. Demo etsii ensin liitosalueita, joissa teräsosien tulisi kiinnittyä toisiinsa. Löydetyille alueille demo etsii siihen soveltuvaa liitostyyppiä. Liitostyypit esitetään todennäköisyysjärjestyksessä. Lopuksi käyttäjä valitsee listasta sopivimman ja demo lisää kyseisen liitoskomponentin malliin. Tuloksena 22% liitoksista onnistuttiin luomaan sovellutuksen avulla. 2. Tietomallien kuvaaman rakennuksen tyypin tunnistamien kuvakaappauskuvien avulla Demossa käytettiin lähtötietoina 60 mallia, joista jokaisesta otettiin ruutukaappauksian 4 kuvaa. Kyseisestä aineistosta otettiin useiota kertoja satunnaisesti 48 kuvaa, joita 2 (7)
yritettiin tunnistaa lopun aineiston avaulla. Onnistumisprosentti oli keskimäärin 90% yksittäiseten testien vahdellessa 57-95 %:n välillä. 3. Betonisen ulkoseinäelementin suunnitteluvaiheiden tunnistaminen ja kyseiseen vaiheeseen sopivien osakomponenttien ehdottaminen Demossa ohjelma ehdottaa betonielementin suunnittelussa komponentteja, joita elementtiin voisi lisätä. Testissä komponentteja onnistuttiin lisäämään siten, että niiden mitat skaalautuivat oikein. Jotta valitun ratkaisun toimivuus voitaisiin arvioida, se pitäisi vielä mitoittaa. Tässä projektissa testit rajoitetiin tekoälyosuuteen eikä arviointia viety visuaalista tarkastelua pidemmälle. Myös testattujen tapauksien lukumäärä ei riitä tilastolliseen tarkasteluun. Jos tilastollinen testi tekoälyn toimivuudesta haluttaisiin tehdä, ohjelmaa käyttävän ihmisen vaikutus pitäisi jotenkin sulkea pois. 4. Ulkomittoihin sopivan naulalevyristikon etsintä ja parhaiden vaihtoehtojen ehdottaminen Ristikon suunnittelun lähtötietoina ovat katon muodon määräämät ulkoreunat. Testissä ulkomitoista muodostettiin kuvatiedosto, joka verrattiin tehdyistä suunnitelmista tallennettuihin kuvatiedostoihin. Kuvat tallennettiin vakiomittakaavassa, jolloin sopivan kokoisen ristikon löytäminen on mahdollista. Testissä oli käytössä 1000 ristikon kuvaa ja normaaleissa tapauksissa järkevän näköisen ristikon etsintä onnistui. Tulosta ei ole arvioitu tilastollisesti samoista syistä kuin 3. testissä. 3 (7)
Hyödynnettävyys Tulosten mukaan tekoälyn hyödyntäminen on selvästi mahdollista sekä esitettyjen numeeristen testausten että käyttäjien arvioinnin perusteella. Demonstraatio-ohjelmien avulla tekoälyn toimintaa voidaan esitellä konkreettisesti käyttäjille ja saada palautetta tuotteistamista varten. Testikohteissa käytetty tiedon määrä oli melko pieni. Suurempi tietomäärä mahdollistaa monimutkaisempien ongelmien ratkaisun, joissa on enemmän muuttujia. Riskinä on kuitenkin, saadaan ohjelmat toimimaan tarpeeksi nopeina. Demojen toiminta oli hidasta, koska painopiste oli saada ne toimimaan mahdollisimman vähäisellä ohjelmointityöllä. Tuotantoversiot vaativat eri tutkimuksen osien ja tekniikoiden yhdistämisen sekä nykyistä laajemmat lähtötiedot. Esimerkiksi ristikoiden tapauksessa lähtötietoihin tulisi lisätä rakennuksen paikkakunta, sillä se määrittelee Suomessa merkittävimmän kuorman eli lumen määrän. Lähtötietoina käytetyn rakennusten tulisi olla mahdollisimman samanlaisia suunnittelukohteen kassa, jotta tulokset olisivat mahdollisimman luotettavia. Projektin tulosten avulla tuotantoversioiden ohjelmoinnin kannattavuutta voidaan arvioida ja tehdä päätöksiä kehityspanosten kohdistamisesta parhaisiin kohteisiin. Vaikutukset Tuotantokäyttöön sovellettuna kehitetyillä menetelmillä tavoitellaan seuraavia vaikutuksia: 1. Mallinnustyö tehostuu, kun rutiinityön osuus vähenee. 2. Kokematon suunnittelija pääsee tekoälyn antamien ehdotusten avulla nopeammin hyvään lopputulokseen. 3. Mahdollisia mallinnusvirheet voidaan huomata heti mallinnustyön aikakana, kun mallista etsitään poikkeamia vertailumalleihin. 4 (7)
Toteutettu tulosten viestintä ja avoin jakaminen Kira-digi www-sivut http://www.kiradigi.fi/kokeiluhankkeet/kokeiluhankkeet/tekoalya-rakennusten-suunnitteluun.html Uutiset Swecon www-sivuilla http://www.kiradigi.fi/en/3-experiments/ongoing-projects/using-artificial-intelligence-in-buildingdesign.html http://www.sweco.fi/uutiset/uutisarkisto/news-2017/sweco-ratkaisemassa-tekoalynhyodyntamista-ymparistoministerion-kira-digi-kokeilussa/ 18.10.2017 http://www.sweco.fi/en/news/news-archive/news-2017/sweco-is-looking-for-artificial-intelligencesolutions-in-the-kira-digi-experimental-project-of-the-ministry-of-the-environment/ 18.10.2017 http://www.sweco.fi/uutiset/uutisarkisto/news-2018/korvaako-kone-suunnittelijan-sweco-tutkiikira-digi-hankkeessaan-tietomallien-hyodyntamista-koneoppimisessa/ 22.3.2018 5 (7)
Uutiset muilla verkkosivuilla https://aec-business.com/sweco-boosts-construction-productivity-and-quality-with-ai/ https://aec-business.com/how-ai-can-become-a-design-adviser/ http://www.rtcevents.com/blog/the-ai-story-sweco/ Esitykset yleisissä seminaareissa Kira-digi 360, Suunnittelun uudet työkalut / Suunnittelun automatisointi ja digitaalinen valmistus 7.3.2018 Tampereen teknillinen yliopisto, AI-aamu 14.6.2018 WDBE2018 - http://programme.exordo.com/wdbe2018/delegates/presentation/15/ Esitykset tieteellisissä seminaareissa 17th International Conference on Computing in Civil and Building Engineering (ICCCBE), Tampere 5.-7.6.2018 7th European Workshop on Visual Information Processing (EUVIP), Tampere 26.-28.11.2018 (hyväksytty julkaistavaksi) Linkedin posts https://www.linkedin.com/feed/update/urn:li:activity:6326396012722298881 https://www.linkedin.com/feed/update/urn:li:activity:6377140745060564993 https://www.linkedin.com/feed/update/urn:li:activity:6380315225429667840 https://www.linkedin.com/feed/update/urn:li:activity:6385064518204080128 https://www.linkedin.com/feed/update/urn:li:activity:6389109060670672896 https://www.linkedin.com/feed/update/urn:li:activity:6394143509837807616 https://www.linkedin.com/feed/update/urn:li:activity:6404269811605475328 https://www.linkedin.com/feed/update/urn:li:activity:6405845965659467776 https://www.linkedin.com/feed/update/urn:li:activity:6406775141891661824 https://www.linkedin.com/feed/update/urn:li:activity:6410081287322767360 https://www.linkedin.com/feed/update/urn:li:activity:6411890409470980096 https://www.linkedin.com/feed/update/urn:li:activity:6413090311119085568 https://www.linkedin.com/feed/update/urn:li:activity:6417028621730353152 Tulossa olevat julkaisut Tuloksia tullaan esittämään Tampereen teknillisellä yliopistolla julkaistavassa diplomityössä. Havaitut haasteet ja kehittämistarpeet Osoittautui, että tietomallit eivät sellaisenaan sovellu tekoälyn opettamiseen. Pääsyitä oli kaksi: 1. Alkuperäisessä muodossa oleva tietomalli ovat liian hitaasti luettavissa vaikka käytössä on monipuolinen ohjelmointirajapinta. 2. Tietomallin tiedot ovat vahvasti hierarkkisessa muodossa, mikä estää niiden käytön sellaisenaan. Alkuperäisen mallin suoran hyödyntämisen sijasta testeissä sovellettiin kolmea korvaavaa menetelmää, jotka on esitetty kohdassa hankkeessa 6 (7)
kehitetyt ratkaisut. Kaikkien sovellettujen menetelmien haittana on, että suuri määrä alkuperäisen mallin tietoa menetetään. Tietojen analysointiin sovellettiin useita eri tekoälyn menetelmiä. Suuri osa tehdyistä kokeiluista ei johtanut käyttökelpoiseen ratkaisuun. Esimerkiksi käyttäjien antamia komentoja ei pystytty jäsentelemään kielen jäsentelyyn yleisesti käytetyllä Markov chain -menetelmällä. Osaamista tekoälyn soveltamisesta tarvitaan vielä lisää sekä pilotoinnin että menetelmien testauksen osalta. Oleellista on onnistua rajaamaan ongelma siten, että sen ratkaisu ei vaadi massiivisia lähtötietoja ja monimutkaisia tekoälyn algoritmeja. Liitteet Hankkeessa tuotetut julkaisut 1. Helminen, J., Tuori, J., Laasonen M., Farinha, R. Automated Generation of Steel Connections of BIM by Machine Learning. 17th International Conference on Computing in Civil and Building Engineering (ICCCBE), edited by Mela, K., Pajunen, S., Raasakka, V. Tampere, Finland, 2018, pp. 631-638. ISBN 978-951-758-632-0, ISSN 0356-9403 2. Lomio, F., Farinha, R., Laasonen, M. and Huttunen, H. Classification of Building Information Model (BIM) Structures with Deep Learning. 7th European Workshop on Visual Information Processing (EUVIP). 2018 Tampere (not published yet) 7 (7)