• 목록

[일시] 2026.01.20

 [세미나 주제]
Data-driven lifting-centered construction site layout planning decision approach with BIM

 [발표자]
장도영

[요약]
본 발표에서는 타워크레인 양중 효율을 중심으로 한 건설 현장 배치 계획(CSLP)의 계산 복잡성과 데이터 단절 문제를 해결하기 위해, BIM과 생성형 AI(GAN)을 결합한 새로운 데이터 주도형 의사결정 프레임워크를 제안하였습니다. CSLP는 시설물 배치의 조합이 기하급수적으로 증가하는 NP-Hard문제로, 기존 수학적 최적화(BBA)나 메타 휴리스틱(GA) 방법은 연산 시간이 과다하게 소요되고 BIM 데이터 추출이 수동으로 이루어지는 정보의 고립 한계가 존해합니다. 이를 극복하기 위해 본 연구는 BIM 모델에서 현장 정보를 2D 이미지로 자동 추출하고, 이를 Conditional GAN 기반의 CSLP-GAN 모델에 입력하여 실시간으로 최적 배치를 예측하는 파이프라인을 구축하였습니다. 이때 AI 모델은 비용, 안전, 양중 효율을 고려한 다목적 최적화 수식으로 도출된 정답데이터를 학습하여 건설 현장의 복잡한 규칙을 내재화하였습니다. 실험 결과, 제안된 AI 모델은 기존 알고리즘 대비 90% 이상의 획기적인 연산 시간 단축을 달성하였으며, 기능적 비용 측면에서도 GA보다 우수한 성능을 보였습니다. 실제 우산 건설 프로젝트 적용 사례를 통해서 2주가 소요되던 계획업무를 약 5분만에 완료하였으며, 전문가 인터뷰를 통해 동선 최적화와 위험구역 분리 등 실무적 타당성을 입증하였습니다. 본 발표는 복잡한 수식 계산 과정을 이미지 기반의 학습으로 대체하고, 결과를 다시 BIM으로 시각화함으로써 건설 초기 단계의 의사결정 효율성을 높이는 방법론을 제시하였습니다.

 [관련 논문]
- Data-driven lifting-centered construction site layout planning decision approach with BIM

[Q&A]
- 다목적 함수는 학습용 데이터 생성에만 쓰였나요? 학습 단계 검증용으로는 사용되지 않는건가요?
A) 다목적 함수는 오직 학습용 정답 데이터 생성에만 사용되었습니다. 학습 단계에선 MSE Loss, Content Loss, Feature-matching Loss 3가지 손실함수를 적용하여 정답 이미지와 픽셀 차이, 특징 차이, 구조적 특징 차이라는 측면에서 유사하게 이미지를 생성하도록 학습되었습니다.

-모델의 출력에 대한 검증은 어떤식으로 수행되나요?
A) AI가 생성한 2D 이미지(imgP)에서 OpenCV를 이용해 가설 시설물(TF)의 픽셀 좌표를 추출하고, 이를 실제 BIM 모델의 좌표계로 변환합니다. 이 좌표를 바탕으로 BIM을 통해 물리적 충돌을 감지하고 시각적 검토를 통해 작업자의 동선이나 장비의 회전 반경 등이 실제 현장에 적합한지 시각적으로 검증하게 됩니다.

 - 다목적 함수와 제약식은 본 논문에서 처음으로 제시한 개념인가요?
A) 아닙니다. CSLP를 풀기 위해 다목적 함수와 제약식을 사용하는 개념 자체는 기존 연구에서도 많이 사용되고 있습니다. 비용 최소화, 안전 확보 등 많은 선행 연구에서 다양한 목표를 위한 수학적 모델을 제시하였습니다. 그러나 본 논문에서는 양중 중심이라는 점을 강조하여 여러 제시된 수학적 모델을 조합하여 본 연구에 최적화된 식을 정의하였습니다.

[녹화 영상]
https://us06web.zoom.us/rec/share/z7xuSc_x6lMbTXo9CEmm69otX__KeqT5bv4dmSW8_tnN9XMa9uJbOYSch8wgYOii.Y1pMKYBQxZ98-k2y?startTime=1768898033000