智能建造

BIM构件几何信息比对与重用方法

  • 陈维亚 ,
  • 张倬豪 ,
  • 蔡建华 ,
  • 陈珂 , *
展开
  • 华中科技大学 土木与水利工程学院,武汉 430074
陈珂,副教授,E-mail:

陈维亚(1988—),男,副教授

收稿日期: 2024-10-29

  网络出版日期: 2025-06-26

基金资助

国家重点研发计划项目(2022YFC3802100)

国家自然科学基金项目(72001086)

版权

版权所有,未经授权,不得转载。

Geometric information comparison and reuse method for BIM components

  • Weiya CHEN ,
  • Zhuohao ZHANG ,
  • Jianhua CAI ,
  • Ke CHEN , *
Expand
  • School of Civil and Hydraulic Engineering, Huazhong University of Science and Technology, Wuhan 430074, China

Received date: 2024-10-29

  Online published: 2025-06-26

Copyright

All rights reserved. Unauthorized reproduction is prohibited.

摘要

随着建筑信息模型(building information modeling,BIM)技术的推广和迭代,BIM建模软件及相关系统已应用于各种建筑项目。然而,不同软件在数据交换过程中,由于模型包含大量的同类构件,因此导出的BIM包含大量冗余几何信息,增加了模型的存储和传输成本。针对这一问题,该文提出一种基于几何张量和图匹配的BIM构件几何信息比对与重用方法。该方法针对工业基础类(industry foundation classes,IFC)格式的BIM构件,计算其以边界表示(boundary representation,B-Rep)表达的度量张量和惯性张量,并结合多个面的图匹配,判断不同BIM构件的几何信息同一性。研究结果表明:该文所提方法能有效忽略构件的位移和旋转变化,通过同类构件的几何重用,减小BIM数据的存储量,为提升BIM的数据存储和交换效率提供技术支持。

本文引用格式

陈维亚 , 张倬豪 , 蔡建华 , 陈珂 . BIM构件几何信息比对与重用方法[J]. 清华大学学报(自然科学版), 2025 , 65(7) : 1221 -1228 . DOI: 10.16511/j.cnki.qhdxxb.2025.26.032

Abstract

Objective: The widespread adoption of building information modeling (BIM) in construction projects has notably advanced design, coordination, and project management. However, a persistent challenge in BIM implementation lies in the efficient management of geometric information, particularly when identical or similar components are repeatedly present in a model. This leads to substantial data redundancy, increasing both storage and network transmission costs, thereby impeding the scalability and efficiency of BIM models in large-scale projects. Methods: This study proposes an approach for geometric component comparison and reuse based on geometric tensor analysis and graph matching algorithms. The method focuses on BIM models in the industry foundation class (IFC) format, leveraging the boundary representation (B-Rep) of geometric components to extract key features such as metric tensors and inertia tensors. These tensors serve as shape and spatial property descriptors, enabling accurate assessments of geometric similarity. Graphs are constructed in this process, where nodes represent the surfaces of components and edges denote the topological relationships between them. By applying graph matching techniques, this method identifies geometric similarity even when components undergo transformations such as rotation, translation, or scaling. The proposed method was validated through several experiments focused on reducing geometric redundancy and optimizing model storage. Results: In the first experiment, a complex geometric component, a window that consisted of 392 surfaces and 758 edges, was analyzed for reuse. This process reduced the IFC file size from 188 kB to 66 kB, representing a 64.9% decrease and demonstrating the effectiveness of identifying and reusing repeated geometric components in minimizing storage requirements. The second experiment applied the method to a 22-story residential building, focusing on the standard floors comprising 22 718 components. The method decreased the overall IFC model size by 90.0%, illustrating its scalability and efficiency in handling large-scale BIM models. The third experiment evaluated the time required to retrieve models of different scales, showing short retrieval times. However, these findings indicated the need for further optimization when handling large-scale models. This approach offers several advantages over traditional methods for managing geometric information in BIM. First, geometric tensor analysis ensures robust component comparison that is invariant to transformations, enabling accurate identification and reuse of components regardless of their spatial orientation. Second, the integration of graph matching algorithms provides a flexible and scalable framework for handling complex topologies and large datasets, making this method particularly suitable for high-volume construction projects. In addition to reducing redundant geometric data in BIM models, the proposed method enhanced storage efficiency and data exchange, minimized BIM model sizes, and facilitated faster data transfer while reducing the strain on network resources. These features are critical for large collaborative projects involving multiple stakeholders across different platforms. Furthermore, the method improved the maintainability of BIM models by facilitating version control and consistency checks, ensuring efficient management of model updates without duplicating existing geometric data. Conclusions: In conclusion, combining geometric tensor analysis and graph matching offers a robust solution for optimizing BIM models through geometric component reuse. This method addresses the challenge of data redundancy, delivering significant improvements in storage efficiency and network transmission. Subsequent research may focus on refining the computational aspects of the method, particularly for processing highly complex models, and explore its integration into cloud-based BIM systems to further enhance real-time collaboration and model management across multidisciplinary teams.

建筑信息模型(building information modeling,BIM)作为一种数字化建模技术,为现代建筑设计、施工和运维管理提供了重要支撑[1]。BIM能够集成建筑全生命期的各类信息,提升工程管理效率和数据治理能力[2]。近年来,BIM建模软件及相关系统已应用于规模较大且复杂度较高的建筑项目[3]。然而,BIM建模软件的无纸化操作在带来便利的同时,因版本控制和多专业且跨阶段的协同工作,产生了大量模型文件。与传统基于二维图纸的工作模式相比,BIM较高的存储和传输成本成为阻碍其广泛应用的关键因素之一[4]
BIM通常以构件为单位,大量几何信息相同或相似的构件在模型中重复出现。如果不进行压缩,冗余几何信息将大幅增加模型的存储和传输成本,降低模型的加载和共享效率。因此,识别和提取BIM中几何信息相同的构件,并有效压缩其冗余几何信息,对于降低模型的复杂度,提升模型的加载和共享效率至关重要[5]。目前,围绕BIM比对的研究主要集中在构件语义层面的搜索和文本比对[6];几何信息比对研究主要集中在不同版本BIM间的构件比对,通过识别同一构件在不同版本BIM中的对应关系,自动判断模型是否需要修改[7]。此类方法通常基于构件ID进行一致性比对,虽然简化了几何信息比对流程,但无法适用于位于不同坐标或采用不同几何表达方式的构件。
随着建筑项目越来越复杂,几何信息冗余问题愈加突出[8],亟须研制一种高效且能够考虑几何形状多样性及位姿(位置和方向)变化的BIM构件几何信息比对方法。因此,本文提出一种基于几何张量和图匹配的BIM构件比对与重用方法,旨在去除BIM中同类构件的冗余几何信息。

1 构件比对方法

在BIM几何信息比对与重用领域,现有研究方法包括基于构件全局唯一标识符(globally unique identifier,GUID)的比对方法,基于几何形状分布的比对方法和基于图匹配的比对方法,且各种方法均有其优势和局限性。

1.1 基于构件GUID的比对方法

基于构件GUID的比对方法通过比对构件ID验证其几何或属性差异。此外,还有一种重新编码新构件ID和提取整体BIM中待替换构件ID的方法[9]。基于构件GUID的比对方法一般采用以下策略:如果2个工业基础类(industry foundation classes,IFC)文件中某实例的GUID相同,则视为相同实例;否则,即使其实体或属性相同,仍视为不同实例[10]。因此,基于构件GUID的比对方法存在局限性,特别在多人协同设计或数据不同步时,同一构件的GUID会发生变化,导致比对与重用错误。
此外,部分研究直接比对IFC文件的文本信息,以检测模型的几何和语义差异[11]。这类方法大多采用自然语言处理技术提取关键字,并将其映射至IFC实体或属性[12]。这类方法虽然相对简单,但忽略了构件的形状特征,仅限于比对模型的基本属性信息[13]。因此,基于IFC的文本信息比对方法在处理几何形状复杂的构件时存在局限性[14]

1.2 基于几何形状分布的比对方法

基于几何形状分布的比对方法,主要通过描述和比较几何对象的空间分布特征来评估构件的相似性。这类方法的核心在于通过计算几何形状的特征分布,将复杂的形状信息简化为概率分布,从而进行几何信息比对。Osada等[15]提出的几何形状分布方法,通过随机采集3D模型表面两点之间的Euclid距离分布(D2分布)来表示几何对象的全局形状特征。文[16-17]提出一种多个BIM的比对方法,该方法结合构件的形状分布与位置配准,比对不同版本BIM修改前后的精确位点,计算多个BIM的相似度。基于几何形状分布的比对方法突破了仅基于构件GUID或文本属性进行编码的局限性,能有效捕捉模型中几何元素的变化。
然而,现有研究仅实现了不同构件的几何相似性分析,尚无法准确判断构件几何元素的一致性。另外,随着构件复杂程度的增加,几何控制点的提取成本和空间配准的计算成本均随之升高,在处理大规模BIM时,存在计算性能瓶颈[18]

1.3 基于图匹配的比对方法

为进一步提升构件几何信息比对的效率和精度,基于图匹配的比对方法逐渐受到关注。这类方法的核心思想是将几何体表示为图,将几何体的特征点表示为图的节点和边,借助图匹配算法计算图之间的相似度,从而判断构件的几何相似性[19]。由于基于图匹配的比对方法可有效忽略几何体的位移和旋转变换,专注于几何形状的本质特征,因此在处理构件几何重用时鲁棒性较强[20]
Wang等[21]提出一种基于子图匹配的BIM检查框架,将建筑模型转换为图数据库,并采用子图匹配技术检测机电系统之间的关系。研究结果证明了子图匹配技术在复杂模型检查中的有效性,尤其是处理包含大量冗余组件的复杂几何模型时,能够提高模型一致性检查的效率和精度。Gao等[22]提出一种基于二维视图投影和图匹配的网格模型比对方法,通过构建多个二维视图的加权二分图,支持三维网格模型的比对。
综上所述,将图作为表达复杂模型整体与部分拓扑关系的数据结构,能有效实现几何体的比对,但仍缺乏基于图匹配技术处理BIM及其组件的相关方法。
本文提出一种结合几何张量和图匹配的BIM构件几何信息比对与重用方法。该方法针对IFC格式的BIM构件,通过计算几何构件的度量张量和惯性张量,结合多个面的图匹配技术判断几何信息的相似性,并实现重用。与现有方法中图匹配节点代表构件之间的关系不同,本文所提方法中图匹配节点代表构件的各个面,反映构件自身面与面之间的关系。本文通过试验验证了所提方法在降低BIM数据存储量和提升数据交换效率等方面效果较好。

2 方法实现

2.1 整体架构

BIM中构件通常采用多种几何构造方式和表达形式,如边界表示(boundary representation,B-Rep)、拉伸体和构造实体几何(constructive solid geometry,CSG)等[23]。然而,拉伸体和CSG在进行几何描述时存在局限性,不适合处理复杂或不规则的几何体[24]。为了解决这一问题,本文提出的BIM构件几何信息比对与重用方法针对采用B-Rep表达的几何信息。B-Rep表达形式通过定义构件的边界,使用顶点、边和面描述几何体的外部形状(一般情况下,能够表示所有几何形状)。本文将BIM导出为IFC文件,将其几何表达转换为B-Rep形式并进行解析,从而将构件的所有外部形状统一表示为顶点、边和面的集合,并结合图匹配算法比对构件的几何相似度。
几何信息的表示和转换是本文所提方法的基础。在几何信息表示和转换阶段,首先进行统一的B-Rep转换,以消除不同表达方式之间的差异;然后,提取几何形状的特征,并进行几何张量计算,这些特征作为图匹配算法的节点属性,可用于评估不同构件的几何相似度。本文所提方法的具体流程如图 1所示。
图 1 BIM构件几何信息比对流程

2.2 几何张量计算

完成构件的B-Rep解析后,通过几何张量计算提取几何形状的特征。几何张量计算主要包括度量张量和惯性张量2部分。度量张量是构件的特征张量,用于描述构件面上控制点之间的几何关系。首先,提取B-Rep的面控制点构建四维坐标系;然后,基于控制点的四维坐标计算每个面的度量张量,表示如下:
$\overline{\overline{\boldsymbol{M}}}\left(\overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}}\right)=\overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}} \otimes \overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}}\left\{\begin{array}{c}\boldsymbol{V}_0 \\\boldsymbol{V}_1 \\\vdots \\\boldsymbol{V}_p\end{array}\right\} \otimes\left\{\begin{array}{c}\boldsymbol{V}_0 \\\boldsymbol{V}_1 \\\vdots \\\boldsymbol{V}_p\end{array}\right\}=\left[\begin{array}{cccc}\boldsymbol{V}_0^x & \boldsymbol{V}_0^y & \boldsymbol{V}_0^z & \boldsymbol{V}_0^\omega \\\boldsymbol{V}_1^x & \boldsymbol{V}_1^y & \boldsymbol{V}_1^z & \boldsymbol{V}_1^\omega \\\vdots & \vdots & \vdots & \vdots \\\boldsymbol{V}_p^x & \boldsymbol{V}_p^y & \boldsymbol{V}_p^z & \boldsymbol{V}_p^\omega\end{array}\right]\left[\begin{array}{cccc}\boldsymbol{V}_0^x & \boldsymbol{V}_0^y & \boldsymbol{V}_0^z & \boldsymbol{V}_0^\omega \\\boldsymbol{V}_1^x & \boldsymbol{V}_1^y & \boldsymbol{V}_1^z & \boldsymbol{V}_1^\omega \\\vdots & \vdots & \vdots & \vdots \\\boldsymbol{V}_p^x & \boldsymbol{V}_p^y & \boldsymbol{V}_p^z & \boldsymbol{V}_p^\omega\end{array}\right]^{\mathrm{T}} .$
其中:$ \overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}} $为几何体中面α的向量束;V p为该向量束在不同方向的分量;V xpV pe 1方向的分量;V ypV pe 2方向的分量;V zpV pe 3方向的分量; V ωpV pe 4方向的分量;$ \overline{\overline{\boldsymbol{M}}}$($ \overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}} $)为面α的度量张量;xyz均为控制点在自然坐标系中的坐标;ω为权重系数。
惯性张量用于度量面之间的相似性,尤其是尺寸的一致性。计算每个面与其重心之间的距离矩阵,可得到惯性张量。本文针对每个面计算其简化的重心矩阵,表示如下:
$\overline{\overline{\boldsymbol{K}_{\mathrm{G}, \alpha}}}\left(\overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}}\right)=\left[\begin{array}{cccc}\sum\limits_{i=0}^n m_i\left(y_i^2+z_i^2+\omega_i^2\right) & -\sum\limits_{i=0}^n m_i x_i y_i & -\sum\limits_{i=0}^n m_i x_i z_i & -\sum\limits_{i=0}^n m_i x_i \omega_i \\-\sum\limits_{i=0}^n m_i x_i y_i & \sum\limits_{i=0}^n m_i\left(y_i^2+z_i^2+\omega_i^2\right) & -\sum\limits_{i=0}^n m_i y_i z_i & -\sum\limits_{i=0}^n m_i y_i \omega_i \\-\sum\limits_{i=0}^n m_i x_i z_i & -\sum\limits_{i=0}^n m_i y_i z_i & \sum\limits_{i=0}^n m_i\left(y_i^2+z_i^2+\omega_i^2\right) & -\sum\limits_{i=0}^n m_i z_i \omega_i \\-\sum\limits_{i=0}^n m_i x_i \omega_i & -\sum\limits_{i=0}^n m_i y_i \omega_i & -\sum\limits_{i=0}^n m_i z_i \omega_i & \sum\limits_{i=0}^n m_i\left(y_i^2+z_i^2+\omega_i^2\right)\end{array}\right] .$
其中:$ \overline{\overline{\boldsymbol{K}_{\mathrm{G}, \alpha}}}$ ($ \overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}} $)为面α的重心矩阵;G为重心;mi为第i个控制点的质量分布,对于质量分布均匀的面,mi=1;n为求和项数的上限。
根据控制点的分布计算每个面的惯性张量,表示如下:
$\overline{\overline{\boldsymbol{I}}}\left(\overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}}\right)=\left[\begin{array}{cccc}I_\alpha^1 & 0 & 0 & 0 \\0 & I_\alpha^2 & 0 & 0 \\0 & 0 & I_\alpha^3 & 0 \\0 & 0 & 0 & I_\alpha^4\end{array}\right] .$
其中:$ \overline{\overline{\boldsymbol{I}}}$($ \overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}} $)为面α的惯性张量;Iα1Iα2Iα3Iα4均为$ \overline{\overline{\boldsymbol{K}_{\mathrm{G}, \alpha}}}$ ($ \overline{\overline{\mathit{\boldsymbol{\boldsymbol{\varGamma}}}_\alpha}} $)的特征值。
本文通过计算度量张量和惯性张量,以精确描述每个构件的几何形状,为后续的图匹配算法提供几何特征基础。

2.3 几何相似度计算

图匹配算法是B-Rep几何信息比对方法的核心,用于评估不同构件之间的相似性。本文为实现几何信息比对,将几何构件的各个面表示为无向图的节点Ni,将面之间的公共边表示为图的边Ei, j。每个节点的特征信息包括度量张量和惯性张量,而每条边则代表相邻面之间的拓扑关系,如图 2所示。在进行图匹配时,采用广度优先搜索方法,通过最大公共子图匹配2个构件的最优映射。图匹配算法能有效忽略构件的位移和旋转变换,完成构件的几何相似度比对。
图 2 基于图匹配的比对方法
构件的几何相似度simE表示如下:
$\operatorname{sim}_{\mathrm{E}}=\frac{N_{\mathrm{E}, \operatorname{sim}}}{N_{\mathrm{E}}} \times 100 \%$
其中:NE,sim为相同面的个数; NE为构件的面数。图匹配有多种映射方式,其中simE最大值的映射为最优映射。

3 试验结果与分析

3.1 试验环境与方法

本文为验证所提BIM构件几何信息比对方法的有效性,针对不同类型的BIM构件进行了几何相似度比对测试。试验环境为Windows 10操作系统,Intel酷睿i7-7700HQ处理器,8 GB内存,并采用BIMBase 2024 R1.5设计软件,提取BIM的几何信息,生成B-Rep表达。
本文试验分为3部分:试验1旨在验证单个复杂几何模型的比对效果,试验对象为一个由392个面和758条边组成的建筑窗,如图 3所示。首先,复制并旋转该窗2次,导出IFC文件,生成B-Rep表达,并计算几何张量;然后,利用图匹配算法评估几何相似度,并实施几何重用。
试验2旨在比对与重用标准层的所有几何模型,检查单个标准层中重复构件的数量,并对这些重复构件实施几何重用,试验对象为某个22层的住宅楼模型,如图 4所示。
图 4 某住宅楼及其构件模型
试验3分析了图匹配算法应用于不同规模模型的比对效率。该试验分别选择包含200、400、600和800个构件的模型进行测试,统计比对这4个模型消耗的时间。
3个试验中,每个BIM均包含丰富的几何信息,试验2中90%以上的构件均超过20个面和30条边。本文通过分组试验,全面评估了所提方法的适用性和性能。

3.2 试验结果

3.2.1 单个复杂几何模型比对与重用

未进行几何重用时,试验1中建筑窗的IFC文件大小为188 kB;经几何重用后,文件大小降至66 kB,缩幅约64.9%,比对与重用该建筑窗的总耗时为41 s。试验1结果表明,本文所提基于几何张量和图匹配的BIM构件几何信息比对与重用方法在处理复杂构件时,能准确识别重复构件,原因在于该方法能有效忽略构件的位移和旋转变换,专注于几何形状的本质特征,即使几何模型复杂,且存在角度变化,仍能比对成功。

3.2.2 标准层几何模型比对与重用

本文采用所提方法比对标准层重复构件(窗a 2个、窗b 4个、门a 3个、门b 7个、梁2个、栏杆3个和柱3个),重复构件被全部识别,并实现几何重用,部分构件比对结果如图 5所示。比对与重用标准层内所有构件的总耗时为4 557 s。未进行几何重用时,单个标准层的文件大小为15 037 kB;几何重用后,文件大小降至12 224 kB,缩幅约18.7%。该建筑各标准层之间构件完全重复,本文对该建筑进行几何比对与重用试验时,该建筑IFC文件大小缩幅超过90.0%。试验2结果表明, 本文所提方法能准确识别重复构件, 并实现几何重用。
图 5 标准层部分构件比对结果
试验3结果表明,随着比对模型规模的增加,计算成本增加,导致构建图和图匹配的时间增加,如图 6所示。
图 6 不同规模模型比对用时

3.3 结果分析

试验1和2结果表明,本文所提方法在实际应用中能够有效识别并重用BIM的重复构件,从而降低模型的数据量,提高模型的存储和传输效率。
试验2中,各标准层之间构件完全重复,模型压缩率较高。然而,在实际应用中建筑模型的复杂度和构件的多样性会导致压缩率发生变化, 后续需进一步优化比对算法,以提高本文所提方法对不同类型建筑模型的适用性。
图 6可知,随着构件数量的增加,比对模型消耗的时间呈介于线性增长与指数增长之间的形态,这表明在处理构件数量较多的模型时,比对与重用时间显著增加。
综合3个试验的结果可知,对于复杂且规模较大的模型,比对与重用耗时较长,当前图匹配算法仍存在优化空间。后续可以考虑采用并行计算方法,利用多核处理器将图匹配算法改进为支持多个面数相同的构件同时进行比对,从而提高几何张量计算和图匹配效率。

4 结论

本文提出一种基于几何张量和图匹配的BIM构件几何信息比对与重用方法,旨在解决采用传统几何信息比对与重用方法处理复杂构件时,面临的计算复杂度较高和无法处理位移及旋转变换等问题。本文采用B-Rep表达方式将构件的几何形状标准化,并利用度量张量和惯性张量提取构件的几何特征,进而采用图匹配算法实现构件的相似性比对。该方法能快速且准确地识别相似或相同构件,显著降低模型体量,从而提高模型的存储和加载效率。
试验结果表明,本文所提方法不仅能满足复杂构件的比对需求,还在几何重用方面存储优化效果较好,能够大幅提高BIM的存储效率,特别对于多层建筑模型,几何重用可显著降低数据冗余,提升模型的处理效率。该方法在处理复杂BIM构件时展现的实用价值,可为BIM的自动化几何去重提供参考,并具有广泛应用于建筑全生命周期信息管理的潜力。后续研究可从2方面进行深化:一方面,优化比对算法的效率和功能,以提升比对速度,并增加比对多构件组合体的功能;另一方面,扩展该方法的适用构件类型和应用场景,以适配商业和医疗等多类建筑模型。
1
CHEN K , LU W S , WANG H D , et al. Naming objects in BIM: A convention and a semiautomatic approach[J]. Journal of Construction Engineering and Management, 2017, 143 (7): 06017001.

DOI

2
CHEN K , LU W S . Bridging BIM and building (BBB) for information management in construction: The underlying mechanism and implementation[J]. Engineering, Construction and Architectural Management, 2019, 26 (7): 1518- 1532.

DOI

3
刘强, 张建平, 胡振中. 基于键-值缓存的IFC模型Web应用技术[J]. 清华大学学报(自然科学版), 2016, 56 (4): 348- 353.

DOI

LIU Q , ZHANG J P , HU Z Z . Key-value cache based IFC model implementation for web environments[J]. Journal of Tsinghua University (Science & Technology), 2016, 56 (4): 348- 353.

DOI

4
CHAN D W M , OLAWUMI T O , HO A M L . Perceived benefits of and barriers to Building Information Modelling (BIM) implementation in construction: The case of Hong Kong[J]. Journal of Building Engineering, 2019, 25, 100764.

DOI

5
SUN J , LIU Y S , GAO G , et al. IFCCompressor: A content-based compression algorithm for optimizing Industry Foundation Classes files[J]. Automation in Construction, 2015, 50, 1- 15.

DOI

6
KIRYAKOV A , POPOV B , TERZIEV I , et al. Semantic annotation, indexing, and retrieval[J]. Journal of Web Semantics, 2004, 2 (1): 49- 79.

DOI

7
JUSZCZYK M , TOMANA A , BARTOSZEK M . Current issues of BIM-based design change management, analysis and visualization[J]. Procedia Engineering, 2016, 164, 518- 525.

DOI

8
XUE F , LU W S . A semantic differential transaction approach to minimizing information redundancy for BIM and blockchain integration[J]. Automation in Construction, 2020, 118, 103270.

DOI

9
HSU C L , WANG J T , HUANG Y H . A functional element-naming approach for bim elements in building envelope systems[J]. Journal of Construction Engineering and Management, 2023, 149 (6): 04023035.

DOI

10
SHI X , LIU Y S , GAO G , et al. IFCdiff: A content-based automatic comparison approach for IFC files[J]. Automation in Construction, 2018, 86, 53- 68.

DOI

11
SHAFIQ M T , LOCKLEY S R . Application of signature-based matching for IFC model comparison[J]. International Journal of Construction Management, 2022, 22 (9): 1765- 1774.

DOI

12
LIN J R , HU Z Z , ZHANG J P , et al. A natural-language-based approach to intelligent data retrieval and representation for cloud BIM[J]. Computer-Aided Civil and Infrastructure Engineering, 2016, 31 (1): 18- 33.

DOI

13
EMUNDS C , PAUEN N , RICHTER V , et al. SpaRSE-BIM: Classification of IFC-based geometry via sparse convolutional neural networks[J]. Advanced Engineering Informatics, 2022, 53, 101641.

DOI

14
GERBINO S , CIERI L , RAINIERI C , et al. On BIM interoperability via the IFC standard: An assessment from the structural engineering and design viewpoint[J]. Applied Sciences, 2021, 11 (23): 11430.

DOI

15
OSADA R, FUNKHOUSER T, CHAZELLE B, et al. Matching 3D models with shape distributions[C]//Proceedings International Conference on Shape Modeling and Applications. Genova, Italy: IEEE, 2001: 154-166.

16
王佳, 吴磊, 周小平, 等. 基于构件形状分布和配准位置的BIM模型对比方法[J]. 图学学报, 2020, 41 (3): 480- 489.

WANG J , WU L , ZHOU X P , et al. Comparison method of BIM models based on component shape distribution and registration position[J]. Journal of Graphics, 2020, 41 (3): 480- 489.

17
王佳, 苏鼎丁, 周小平, 等. BIM模型相似度计算方法[J]. 图学学报, 2020, 41 (4): 624- 631.

WANG J , SU D D , ZHOU X P , et al. Similarity calculation method of BIM mode[J]. Journal of Graphics, 2020, 41 (4): 624- 631.

18
BIASOTTI S , CERRI A , BRONSTEIN A , et al. Recent trends, applications, and perspectives in 3D shape similarity assessment[J]. Computer Graphics Forum, 2016, 35 (6): 87- 119.

DOI

19
LIVI L , RIZZI A . The graph matching problem[J]. Pattern Analysis and Applications, 2013, 16 (3): 253- 283.

DOI

20
WANG R Z , YAN J C , YANG X K . Combinatorial learning of robust deep graph matching: An embedding based approach[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023, 45 (6): 6984- 7000.

DOI

21
WANG Y Q , ZHANG L M , YU H B , et al. Detecting logical relationships in mechanical, electrical, and plumbing (MEP) systems with BIM using graph matching[J]. Advanced Engineering Informatics, 2022, 54, 101770.

DOI

22
GAO Y , DAI Q H , WANG M , et al. 3D model retrieval using weighted bipartite graph matching[J]. Signal Processing: Image Communication, 2011, 26 (1): 39- 47.

DOI

23
ZHU J X , TAN Y , WANG X Y , et al. BIM/GIS integration for web GIS-based bridge management[J]. Annals of GIS, 2021, 27 (1): 99- 109.

DOI

24
HUANG M , DU Y Z , ZHANG J G , et al. A topological enabled three-dimensional model based on constructive solid geometry and boundary representation[J]. Cluster Computing, 2016, 19 (4): 2027- 2037.

DOI

文章导航

/