성과공개

성과공개 상세 정보

상세 정보

논문

BIM 모델 내 비유효 간섭 분류를 위한 다각도 이미지 학습 기반 관통성 분석 모델 성능 비교 연구

연도

5차

분류

구성기술2

연구기관

서울과학기술대학교
Seoul National University of Science and Technology

구분2

일반학술지

논문명

BIM 모델 내 비유효 간섭 분류를 위한 다각도 이미지 학습 기반 관통성 분석 모델 성능 비교 연구
Comparative Study on the Performance of Multi-view Image Learning-based Penetrability Analysis Model for Classifying Irrelevant Clashes in BIM model

학술지명

한국건설관리학회 논문집
Korean Journal of Construction Engineering and Management (KJCEM)

ISSN

2005-6095

학술지 볼륨번호

26(5)

게재일

2025-09-29

논문페이지

주저자명

이현우
Hyunwoo Lee

교신저자명

구본상
Bonsang Koo

공동저자명

유영수, 이원복
Youngsu Yu, Wonbok Lee

논문 초록

BIM 모델은 분야별로 분절된 상태에서 설계가 진행된 후, 실시설계 단계에서 통합되며 다수의 간섭이 발생한다. 이 중 상당수는 실제 시공 시 별도 조치가 필요 없는 비유효 간섭으로, 이를 분류하는 데 많은 시간과 노력이 소요된다. 특히, 슬리브 설치 가능 여부 식별은 비유효 간섭을 분류하는 핵심 과정으로, 이를 자동화하기 위한 관통성 분석 연구가 진행되어 왔다. 그러나 기존 연구는 수동 추론 규칙에 의존하고, 실무에 필요한 세부 관통 양상을 충분히 반영하지 못하는 한계가 있었다. 이에 본 연구는 이러한 한계를 극복하고자, 다각도 이미지 학습이 가능한 Multi-view CNN(MVCNN) 및 Multi-view Vision Transformer(MVT) 기반 관통성 분석 모델을 구축하고, 두 모델의 성능을 비교하여 최적의 분류 모델을 구축하고자 하였다. 실험 결과, MVT는 정확도 0.98을 기록하며 MVCNN 대비 0.13포인트 높은 성능을 보였고, 세부 관통 양상 분류에서도 우수한 결과를 나타냈다. 이는 MVCNN이 전체 형상에 주목한 반면, MVT는 attention 메커니즘을 통해 간섭 부위에 집중했기 때문으로 분석된다. 이러한 결과는 단순히 딥러닝 모델 간 성능비교를 넘어 설계 초기 단계에서 비유효 간섭을 자동으로 식별토록 하여 설계 효율성과 정확성을 향상시키고, 분류된 관통 양상 정보를 토대로 시공 단계에서의 공법 및 관련 비용을 더 정확하게 제시할 수 있다는 점에서 실무적 의의를 가진다.
BIM models are developed in a fragmented manner by discipline and integrated during the detailed design
phase, leading to numerous clashes. Many of these are irrelevant clashes that do not require intervention, yet
significant effort is needed for classification. Sleeve installation feasibility assessment is a key task in this process,
and various studies have explored automated penetrability analysis. However, existing methods relied on manually
defined inference rules or failed to capture detailed clash patterns. This study developed penetrability analysis models
using Multi-view CNN (MVCNN) and Multi-view Vision Transformer (MVT), both of which enable multi-view
image training. Experimental results showed that MVT achieved an accuracy (ACC) of 0.98, outperforming MVCNN
by 0.13 ACC. MVT’s superiority was attributed to its attention mechanism, which focused on clash-prone regions,
unlike MVCNN’s emphasis on overall object geometry. These findings demonstrate practical value by enabling the
early identification of irrelevant clashes to enhance design efficiency and accuracy, while supporting more precise
construction planning through detailed penetration information.

첨부파일

BIM 모델 내 비유효 간섭 분류를 위한 다각도 이미지 학습 기반 관통성 분석 모델 성능 비교 연구.pdf