Strona główna / Year in Infrastructure / Yearbook 2023 — artykuły / Wyodrębnianie danych w celu tworzenia cyfrowych bliźniaków

Wyodrębnianie danych w celu tworzenia cyfrowych bliźniaków

Wyodrębnianie dark data w CAD w celu stworzenia cyfrowych bliźniaków

Jak firma zajmująca się oprogramowaniem inżynieryjnym poradziła sobie z jednym z największych wyzwań związanych z konwersją CAD do GIS.

Udostępnij
Flaga Kanady z czerwonym tłem.
Cyfrowa transformacja w przedsiębiorstwie, ikona z grafiką płytki drukowanej

KATEGORIA: Cyfrowa transformacja w przedsiębiorstwie

Ten artykuł autorstwa Gavina Schrocka został pierwotnie opublikowany w GoGeomatics
10 listopada 2023 r.

Teoretycznie, pozyskiwanie funkcji z rysunków technicznych w celu wypełnienia i rozszerzenia GIS powinno być dość prostym zadaniem. W rzeczywistości jednak rzadko jest to łatwe do zrealizowania. Czy linie i symbole na rysunkach CAD, rozróżnione na poziomy (lub warstwy) i komórki (lub bloki), nie powinny płynnie przekładać się na schemat GIS, gdy są reprezentowane w przestrzennych ramach odniesienia? Często mówi się, że diabeł tkwi w szczegółach, ale w przypadku starszych systemów CAD tym diabłem może być niezdolność do rozpoznania szczegółów.

„Standardy CAD mają to do siebie, że nie zawsze są ściśle przestrzegane, a ponadto ewoluują“ — powiedział Mark Stefanchuk, Chief Technology Officer w Phocaz Inc. „Na przykład przed 2000 rokiem poziomy były numerowane, a później ewoluowały do nazw poziomów. Projektanci zwykle nie korzystają ze standardów CAD, zwłaszcza gdy się spieszą. Spotykamy się z sytuacjami, w których przenoszą komórki do ich elementów bazowych, takich jak linie, okręgi, ramki tekstowe itp. lub grupują je razem, przez co tracimy edycję atrybutów, którą wolelibyśmy zachować“.

Istnieją rozbieżności z zakontraktowanymi firmami projektowymi, finansowanymi projektami, które wymagają różnych standardów, oraz ewoluującą konwencjonalną mądrością na temat schematów nazewnictwa poziomów/komórek. Na przykład niektóre firmy inżynieryjne rozszerzyły standardy, aby rozróżnić funkcje tylko projektowe od funkcji powykonawczych (lub rysunkowych). „Jeśli chcemy ponownie ewoluować standardy CAD, musimy opracować sposób przejścia od tego, co istniało lata temu, co istnieje dzisiaj, do tego, czego chcemy w przyszłości“ — stwierdził Stefanchuk. „Dzieje się tak w prawie każdej organizacji — niektóre mają lepszą kontrolę nad swoimi standardami niż inne. Z pewnością, na przykład wśród klientów departamentu transportu, widzimy anomalie w poszczególnych projektach, dezintegrację ludzi lub rozpad komórek“.

wizualizacja planu projektu CAD
Kluczowym elementem procesu opartego na sztucznej inteligencji jest wirtualny agent lub „samochód-robot“ (pokazany na czerwono w lewym dolnym rogu), który „napędza“ pasy plików CAD w celu wykrycia geometrii, które w przeciwnym razie zostałyby pominięte podczas prostej ekstrakcji poziomów/warstw i komórek/bloków. Na przykład komórka symbolu pasa do skrętu, którą kreślarz/projektant rozbił lub umieścił na niewłaściwym poziomie.

Dark data

„Podczas dyskusji na temat migracji CAD-GIS często pojawia się pytanie, dlaczego warto pracować ze starszymi danymi“ — powiedziała Mary A. Ramsey, Founding Partner i CEO w Phocaz Inc.

Wspólnie z naszymi klientami sądzimy, że każdy, kto ma starsze dane, zainwestował sporo, nawet miliony dolarów, w uzyskanie ich w pierwszej kolejności. Dziesięciolecia tworzenia zbiorów danych CAD mogą być ogromną inwestycją; warto przynajmniej spróbować wydobyć z nich jak najwięcej.

„W przypadku departamentów transportu (DOTs) są to pieniądze podatników. Dokonano znacznych inwestycji w te zasoby cyfrowe, a teraz trzeba czerpać z nich więcej korzyści. Zacznijmy więc analizować dane, które się tam znajdują. To, czego nie można wyodrębnić automatycznie na podstawie poziomu i nazwy komórki, to „dark data“. A jednak jest to rysunek, jako geometria — wyobraź sobie wartość, jaka by się tam znajdowała, gdyby można ją było w pełni wyodrębnić“. Dark data w infrastrukturze to popularny temat. W kontekście infrastruktury dark data odnosi się do skądinąd cennych danych, które nie są łatwo dostępne ze względu na ewoluujące konwencje danych, brak przestrzegania standardów, nadmierne poleganie na wiedzy instytucjonalnej lub słabe zarządzanie danymi. Sztuczna inteligencja umożliwia nowe sposoby wydobywania tych danych. I właśnie takie podejście przyjęła firma Phocaz, aby wydobyć dark data z archiwum CAD klientów z sektora transportowego.

Kolejne pytanie brzmi: „Dlaczego nie mobilne mapowanie i drony?“. Mobilne mapowanie i rejestrowanie danych za pomocą dronów rozwinęło się w ostatnich latach znakomicie. Poczyniono postępy w zakresie precyzji, dokładności pozycjonowania, automatyzacji rozpoznawania cech i uproszczonych operacji w terenie. Rzeczywistość jest jednak taka, że rejestrowanie dziesiątek tysięcy kilometrów korytarzy autostrad kosztowałoby wiele milionów, a mimo to technologie te nie byłyby w stanie uchwycić każdej cechy. Koszty utopione w postaci dziesięcioleci projektowania CAD i rysunków powykonawczych są potencjalnie opłacalnym zasobem, który można wykorzystać w celu znacznego zapełnienia/rozszerzenia GIS przedsiębiorstwa (ewoluującego w cyfrowego bliźniaka).

Zwiększenie produktywności

„Założyliśmy Phocaz jako sposób na świadczenie usług programistycznych głównie dla obszaru projektowania wspomaganego komputerowo“ — powiedziała Ramsey. „W szczególności dla użytkowników inżynierii lądowej; Civil 3D, Bentley MicroStation i OpenRoads (oczywiście w tamtym czasie był to InRoads) itp. Zasadniczo opracowywaliśmy i utrzymywaliśmy dodatki dla naszych klientów, które działały na tych platformach i podstawowych produktach. Nadal wykonujemy tego typu prace, dużo pracy dla Departamentów Transportu w tym zakresie, a także dla innych klientów infrastrukturalnych“.

Firma Phocaz pracowała nad swoim rozwiązaniem CAD do GIS, gdy długoletni klient, Departament Transportu stanu Georgia (GDOT), zwrócił się do nich z następującą prośbą: Czy możliwe jest zebranie danych z pliku CAD, zautomatyzowanie wyodrębniania i umieszczenie ich w naszym korporacyjnym systemie GIS? To była geneza tego, co GDOT nazwał CLIP (CAD Level Integration Process), czyli „Proces integracji na poziomie CAD“. Firma Phocaz najpierw zidentyfikowała istniejące narzędzia, niektóre nawet w środowisku CAD, które zostały zaprojektowane do tego celu. „Dość szybko odkryliśmy, że procesy te były nieco powolne i nie byłyby praktyczne, biorąc pod uwagę ogrom archiwum CAD, które DOT chciał wyodrębnić. Nie wspominając już o tym, jak zarządzać produkcją i ogromną ilością danych, które zostałyby wygenerowałoby takie przedsięwzięcie“.

Rozwiązanie musiało być skalowalne, aby sprostać potrzebom GDOT i innych dużych klientów infrastrukturalnych. „Na przykład GDOT zarządza 80 000 mil pasów ruchu i trasami pomocy federalnej“ — powiedział Stefanchuk. „Stanowi to około jednej trzeciej autostrad w stanie — prawdopodobnie jest to bliżej 250 000 mil pasów ruchu w stanie“. Georgia nie jest osamotniona w możliwościach (i wyzwaniach) związanych z „wydobywaniem“ tak wielu mil plików CAD autostrad; spójrzmy na sumę mil pasów ruchu dla każdego z 50 stanów. Firma Phocaz rozpoczęła opracowywanie algorytmów opartych na sztucznej inteligencji, przyjęła podejście cyfrowego bliźniaka i wykorzystała Bentley Systems ProjectWise do produkcji i zarządzania danymi.

Wirtualny samochód-robot

Początkowo myślano o zeskanowaniu rysunków CAD w poszukiwaniu najprostszych cech rozpoznawalnych po nazwach poziomów i komórek. Okazało się jednak, że lepiej jest po prostu raz „przejechać się cyfrowymi pasami ruchu“ i kompleksowo wyodrębnić cechy.

Koncepcja polegała na tym, aby sztuczna inteligencja badała rysunek, poruszając się wzdłuż pasów ruchu i rejestrując cechy podczas jazdy. To prawie jak jazda po każdym pasie za pomocą samochodu wyposażonego w LiDAR / kamerę zmontowaną na dachu (ale za ułamek kosztów). Zanim jednak samochód SI będzie mógł rozpocząć swoją podróż, musi istnieć spójne środowisko przestrzenne. Na szczęście, jak zauważa Stefanchuk, podejście projektowe w CAD polegało na pracy w modelu, pobieraniu referencji i wycinaniu z nich arkuszy. Tak więc w prawie wszystkich przypadkach rysunek jest gotowy do „jazdy“. W przypadku klientów DOT, którzy pracują w środowisku DGN (MicroStation), wybór Bentley ProjectWise okazał się szczególnie odpowiedni do zarządzania rysunkami, postępem wyodrębniania i wynikowymi danymi.

Przyszłe zastosowania

Jeśli chcemy poprawić standardy CAD, musimy opracować sposób przejścia od tego, co istniało lata temu, przez to, co istnieje dzisiaj, do tego, czego chcemy w przyszłości.

ProjectWise to pakiet do zarządzania projektami firmy Bentley Systems, który może służyć jako centrum danych z wielu branż i formatów, a także całego cyklu życia projektu, umożliwiając pracę w środowisku cyfrowego bliźniaka. Ponieważ wielu klientów z sektora transportowego pracuje głównie w środowisku Bentley (np. DGN i MicroStation oraz powiązane pakiety oprogramowania do projektowania), zarządzanie projektami CLIP w tym pakiecie miało sens.

„Samochód CLIP lub samochód-robot, jak go nazwaliśmy, jest dla nas tak naprawdę narzędziem wizualizacji do sesji, aby zrozumieć, co dzieje się z naszymi algorytmami“ — powiedział Stefanchuk. „Użytkownik końcowy nigdy tego nie zobaczy“. Choć muszę przyznać, że fajnie było zobaczyć samochód-robota podczas prezentacji. „To, czego ostatecznie chcą klienci, to wykresy linii osiowych obiektów w środowisku GIS i przypisane do nich właściwości“.

Aby dowiedzieć się, jakie są te właściwości w danym punkcie wzdłuż autostrady, Phocaz opracował narzędzie, które może wyszukiwać i znajdować te cechy. Sztuczna inteligencja jest szkolona w zakresie różnych aspektów przestrzennych cech, takich jak oznaczenia pasów rowerowych (które mogą się znacznie różnić nawet w zależności od hrabstwa), i stosuje inne zasady, takie jak odległość, którą należy zachować, aby pokryć standardową szerokość jezdni. „Musieliśmy skonceptualizować i zwizualizować to, co chcieliśmy, aby algorytmy robiły“ — powiedział Stefanchuk. „Pomyśleliśmy o krętej drodze biegnącej przez wieś, o tym, jak jeździlibyśmy nią w świecie fizycznym i co widzielibyśmy przez przednie i boczne okna. Następnie zastanawialiśmy się, w jaki sposób moglibyśmy nauczyć sztuczną inteligencję „podróżowania“ wzdłuż zgrupowanych pasów CAD i uczenia się na podstawie tego, co prawdopodobnie zobaczy“.

„Istnieją pewne kwestie, w których CLIP / samochód-robot ma przewagę“ — zauważył Stefanchuk. „Jedną z nich jest to, że nie musimy zbierać wszystkich danych na raz. Musimy tylko zebrać to, co widzimy w danym momencie, podjąć decyzje, spakować je, dopóki nie będziemy gotowi do raportowania, a następnie kontynuować jazdę autostradą. Kiedy natrafimy na coś takiego jak oznakowanie nawierzchni, możemy użyć wizualnych modeli sztucznej inteligencji, aby dowiedzieć się, co reprezentuje to oznakowanie“.

„Z projektu CLIP dowiedzieliśmy się, że możemy zacząć od symbolu, takiego jak strzałka skrętu w prawo lub strzałka skrętu w lewo, i możemy nauczyć sztuczną inteligencję rozpoznawania go“ — powiedział Stefanchuk. „Ale możemy podejmować inne decyzje w oparciu o to, co możemy z tego wywnioskować, na przykład na jakim pasie ruchu się znajduję. Czy jedziemy pasem do skrętu w prawo, pasem przelotowym, pasem do skrętu w lewo, pasem do zawracania i tak dalej“.

Firma Phocaz nie skupiała się tylko na oznakowaniu nawierzchni. Stosując to samo podejście, co w przypadku oznakowania nawierzchni, mogą utworzyć model uczenia maszynowego dla dowolnej komórki, która znajduje się w dowolnej bibliotece komórek. „Nasz mózg sztucznej inteligencji to model uczenia maszynowego (MLM)“ — powiedział Stefanchuk. „Nasze oprogramowanie, oddzielna aplikacja od CLIP (o nazwie Phorz AI), poprowadzi użytkownika przez proces tworzenia własnego MLM, zaczynając od jednej lub więcej komórek (symboli), takich jak strzałka skrętu, ścieżka rowerowa, dojazd, przepust itp. Utworzony przez użytkownika model MLM można następnie zastosować do wykrywania tych obiektów w dowolnym modelu iTwin (cyfrowym bliźniaku). Pomysł polegał na tym, że mogliśmy ułatwić każdemu stworzenie MLM, który mógłby wykrywać funkcje w projekcie CAD. W przypadku CLIP Departamentu Transportu stanu Georgia istnieje MLM, który został przez nas przeszkolony, więc nie muszą wykonywać tego kroku“. W przypadku projektów innych klientów tworzony jest model główny, ale pozwala on każdemu użytkownikowi rozszerzać i uczyć sztuczną inteligencję, ponieważ komórki i symbole mogą się różnić w zależności od miasta, hrabstwa itp.

Firma Phocaz została niedawno finalistą w kategorii Cyfrowa transformacja w przedsiębiorstwie w corocznym konkursie Year in Infrastructure Going Digital Awards, który odbył się w Singapurze w dniach 11-12 października 2023 r. Na tym samym wydarzeniu Julien Moutte, Chief Technology Officer w firmie Bentley Systems, zademonstrował wyodrębnianie strzałek skrętu w lewo z rysunków autostrad CAD za pomocą programu CLIP. „GDOT zawsze wierzył, że jego rysunki CAD mogą być bogatym źródłem danych o majątku trwałym“ — zauważył Moutte. Dostęp do tych danych wymagał jednak ręcznego zbierania projektów i rysunków, których były tysiące, a następnie wizualnej inspekcji każdego zasobu, co zajmowało niezliczone godziny. Aby rzucić światło na dark data, firma Phocaz wykorzystała oprogramowanie ProjectWise obsługiwane przez iTwin do stworzenia cyfrowych bliźniaków, które można wydajniej analizować za pomocą sztucznej inteligencji z rozpoznawaniem funkcji i odniesieniami przestrzennymi. Firma Phocaz poszła jeszcze dalej, wykorzystując nowatorską technikę sztucznej inteligencji, aby wypełnić luki między modelami. Stworzono agenta AI, który może wirtualnie jeździć po pasach ruchu w cyfrowym bliźniaku, wykrywając linie środkowe. Dzięki automatyzacji sztucznej inteligencji proces wyodrębniania danych nie jest już czasochłonny ani kosztowny dla klientów.

Przyszłe zastosowania

„CLIP to unikalny proces pracy, który opracowaliśmy w celu rozwiązania tego problemu dla naszych klientów z branży transportowej“ — stwierdził Ramsey. „Jesteśmy w stanie zacząć od określenia warunków wstępnych, z którymi pracujemy — dróg. Niekoniecznie bylibyśmy w stanie łatwo zastosować to do np. architektury. Jednak gdy zrozumiemy, jaki jest kontekst, możemy zacząć myśleć o tym, jak zbierać dane z tego rodzaju projektów“.

Do jakich zastosowań w infrastrukturze można zaadaptować to podejście? Na myśl od razu przychodzi infrastruktura użyteczności publicznej. Istnieją sieci przesyłowe i dystrybucyjne, a w przypadku telefonii i sieci komunikacyjnych elementy łączności oparte na regułach, które mogą pomóc w dalszym udoskonaleniu analizy zarówno cech liniowych, jak i typów urządzeń. Jeśli chodzi o infrastrukturę podziemną, biorąc pod uwagę niepraktyczność fizycznego lokalizowania wszystkich cech, automatyzacja wyodrębniania cech CAD może być nieoceniona. Nie jest wykluczone, że przy użyciu tego rodzaju rozwiązania można odnieść pewien sukces w wyodrębnianiu cech z zeskanowanych rysunków technicznych. Istnieją jednak wyzwania związane z odniesieniem przestrzennym (skala i rejestracja pozycji), a także jakość/kompletność konwersji rastra na wektor (chociaż poczyniono znaczne postępy w wykorzystaniu sztucznej inteligencji w celu ich ulepszenia).

Podczas gdy samorządy, przedsiębiorstwa użyteczności publicznej i kampusy starają się budować cyfrowe bliźniaki, koszt pełnego fizycznego rejestrowania danych i ankiet powykonawczych stanowi przeszkodę w szerszym zastosowaniu. Jednak niewiele elementów zostało zbudowanych bez rysunków projektowych, a przynajmniej w przypadku tych, które powstały w ciągu ostatnich czterech dekad, prawdopodobnie istnieją rysunki CAD, które można wykorzystać w ten sposób. W milionach plików CAD czai się ogromna skarbnica dark data. Czas to wykorzystać.

Udostępnij