1. 서 론

BIM(Building Information Modeling)은 건축물 생애주기 전반에 사용되는 건축물 관련 정보를 생성 및 관리하여 건축관련 분야 내 업무 효율성을 향상시켜왔다^{(Song et al., 2018)}. 그럼에도 불구하고, 시공 단계에서 BIM 적용은 BIM 설계 및 납품 기준 미비, 기본적인 수준의 BIM 지침서로 인해 BIM 적용 수준은 초기 단계에 머물러 있다^{(Kim et al., 2019)}. 현재 시공 단계에서 설계 BIM의 활용 수준은 간섭 검토, 2D 도면 오류 검토, 3D 도면 생성, 4D 시뮬레이션 등 3D를 통한 가시적인 효과에 의한 활용이 주를 이루고 있다. 그러나 설계 BIM을 시공 BIM으로 활용하기 위해서는 단순히 기술적으로 모델링하고 시뮬레이션하는 가시적 수행을 넘어, 3D 모델에 내재되어 있는 정보 활용 관점의 접근이 필요하다^{(Park et al., 2018)}.

시공 단계에서의 BIM 기술 활용성 증대를 위한 대표적 BIM 기술은 4D 모델 기반의 공정 관리이다. 하지만 공정 관리를 위한 공정 정보를 생성할 때 공정 순서는 수작업으로 처리해야 하며, 생성된 공정 정보를 3D 모델과 연동하는 절차에는 많은 시간과 품을 필요로 하기 때문에 실무 활용 시 장애요인이 되고 있다^{(Yoon, 2022)}. 이는 건설 공정의 특성상 많은 양의 공정 정보를 포함하고 있어 데이터 누락의 오류, 데이터 정확도 오류 등 수작업으로 인해 발생할 수 있는 문제 요소가 많이 발견된다.

따라서 본 연구에서는 이러한 한계점을 개선하기 위해 설계 BIM 모델의 속성 정보를 이용해 공정 순서를 자동으로 예측하고, 예측된 순서를 기반으로 일정 정보를 생성하는 방법론을 제시하고자 한다. 공정 순서를 예측하기 위해 순환 신경망인 RNN(Recurrent Neural Network) 계열 알고리즘 중 LSTM(Long-Short Term Memory) 알고리즘을 활용하고, 정렬된 데이터들의 선·후행 단계를 분석한 후 공정별 일정 정보 자동 생성 방안에 대한 연구를 제시하고자 한다.

이러한 연구는 설계 BIM의 활용성을 확장시켜 시공 BIM까지 사용이 될 수 있으며, 설계 BIM을 활용하지 못해 시공 BIM을 재생성 해야되는 한계점을 해결할 수 있다. 또한 기존 수작업으로 진행된 공정표 일정 정보의 작성 과정을 자동화 함으로써 일정 정보 생성에서 소요되는 시간을 단축시킬 수 있고 딥러닝을 통해 일정을 생성하므로 정확성과 신뢰성을 상승시킬 수 있다.

2. 국내·외 연구 동향

^{Jeong et al.(2019)}은 초기 설계단계에서 생성된 BIM 모델과 정보들을 활용하여 4D, 5D 설계 지원을 자동화 할 수 있는 알고리즘 구현과 실무에서 활용할 수 있는 방안을 제시하였다. ^Yoon(2022)은 시공단계에서 사용되는 4D 시스템 및 시뮬레이션 기능을 보다 간편하게 수행하기 위해 현재의 시뮬레이션 구현 시 자동연동의 문제점을 파악하고 보완하는 연구를 진행했다. 하지만 공정의 구분이 상대적으로 명확하지 않은 구조물에 적용하기 위해서는 군집 및 위상정렬 알고리즘 보다 정확한 적용절차에 대한 연구가 필요하다는 한계점이 존재했다. ^{An et al.(2024)}은 IFC 데이터 표준에 기반한 BIM 모델에서 BEM(Building Energy Modeling)으로의 변환 프로세스에 대한 최적화 연구를 제시했다. 하지만 건물 복잡성, 인적 요소의 차이로 인해 대부분의 건물에 대한 정확한 출력 정보로 이상화 되고 완전히 표준화된 BIM 모델링을 달성하지 못했다는 한계점이 존재하였다. ^Kim(2024)은 Revit을 기반으로 수목의 3D 형상과 속성정보 항목을 선정하여 교목과 관목의 라이브러리를 개발하는 연구를 진행했다. 하지만 개발한 라이브러리에는 치피초화류, 수목의 환경성능 등 다양한 데이터베이스가 아직 구축되지 않아 속성정보에 변수들이 탑재되지 않았다는 한계점이 존재했다.

BIM에서 일정 정보를 자동으로 생성한 연구는 다음과 같다.

^{Song et al.(2012)}은 4D 시뮬레이션 정보전달의 문제점을 해결하기 위해 정보전달의 효율성 향상을 목표로 공법 템플릿 기반의 공정 자동 생성 시스템(Template basde Schedule Generation System) 개발을 진행하였다. 하지만 형상 객체와의 연결 자동화, 초고층 빌딩 형상을 관리하기 위한 대용량 형상 객체 처리와 관련된 추가 연구가 이루어져야 한다는 한계점이 존재했다. ^{Doukari et al.(2022)}는 프랑스의 Nanterre 2 CESI 프로젝트를 사례로 하여 4D BIM을 통해 건설 일정 정보를 효율적으로 생성하는 방법을 제시하였다. 하지만 3D 모델의 4D BIM 전환 시 많은 수작업을 필요로하여 자동화 하는 데 어려움이 있다는 한계점이 존재하였다. ^{Kim et al.(2013)}은 건설 프로젝트의 일정 생성 과정을 자동화하기 위해 BIM에 저장된 데이터를 활용하여 건설 작업과 일정을 자동으로 생성하는 연구를 진행하였다. 하지만 기본적인 건축 요소만을 고려하였으며, 모든 요소를 포함하는 연구가 필요하다는 한계점이 존재하였다. ^{Li et al.(2017)}은 BIM에 저장된 공간, 기하학, 재료 등의 정보를 활용하여 건설 작업을 생성한 후 추출된 정보를 바탕으로 일정 생성 알고리즘을 적용하여 건설 일정을 자동으로 생성하는 연구를 진행했다. ^{Park et al.(2015)}는 설계 단계에서 작성된 BIM 모델을 중심으로 건설공사 현장의 일정 관리에 활용 될 수 있는 시스템을 개발하였다.

기존 연구의 한계점으로는 일정 정보를 자동으로 생성할 때 설계 3D 모델만을 이용해 연구를 진행하여 설계 3D 모델의 속성 정보들에 대한 연구가 진행되지 않았고, 생성된 일정 정보를 4D 시뮬레이션에 연동하기 위해 일정 정보를 계속 수작업으로 입력한다는 한계점이 존재하였다.

따라서 본 연구에서는 이러한 한계점을 개선하기 위해 건설 공사에 대한 설계 3D 모델의 속성 정보를 이용하여 RNN 알고리즘 중 장기 의존성에 강한 LSTM 알고리즘을 통해 공정 순서를 예측하고, 이를 바탕으로 일정 정보가 자동으로 생성될 수 있는 방법론을 제시하고자 한다.

3. LSTM(Long-Short Term Memory) 알고리즘

RNN 이란 순환 신경망의 한 종류로, 시퀀스(Sequence) 형태의 데이터를 처리하는데 특화된 모델이다. 여기서 시퀀스 데이터란 일련의 연속된 데이터를 분석하는 기술로 일정한 간격, 공간상의 위치, 이벤트의 발생 순서와 같은 순서적인 특성을 가지는 데이터이다.

Fig. 1. LSTM Algorithm Structure ^{(Kim and Lee, 2024)}

기존의 RNN 알고리즘은 시간이 지날수록 앞의 정보가 소실되는 장기 의존성의 문제가 있다. LSTM 알고리즘은 RNN의 한계점을 극복하기 위해 개발된 RNN 계열의 알고리즘 모델이다. LSTM 알고리즘은 Fig. 1과 같이 기본적으로 두 가지 주요 경로, 즉 장기 기억을 유지하는 경로와 단기 기억을 처리하는 경로로 구성된다. 장기 기억 경로는 시퀀스의 중요한 정보를 장기간 유지하며, 이는 네트워크의 셀 상태(Cell State)를 통해 관리한다. 단기 기억 경로는 현재 입력과 과거의 단기 기억을 결합하여 현재의 출력을 생성하며 이 경로는 장기 기억과 함께 작동하여 필요한 정보를 단기적으로 활용하고, 불필요한 정보는 소거한다^{(Kim et al., 2024)}. 본 연구에서는 문자 데이터를 사용하는데 최적화가 되어있는 RNN 계열 알고리즘 중 LSTM 알고리즘을 사용한다. 이는 문자로 나타나는 설계 3D 모델의 속성 정보를 활용하기 적합한 모델이므로 RNN 계열의 모델 중 장기 기억 의존성에 강한 LSTM 모델을 선정하였다.

4. 공정 순서 예측 방법론

4.1 전체 연구 개념

연구의 진행 과정은 Fig. 2와 같다. 먼저 Fig. 2의 1번과 같이 BIM 모델의 속성 정보를 활용하기 위해 Revit Dynamo 노드를 통해 3D 모델의 속성 정보들을 추출한다. 그 후 같은 공정끼리의 구분을 위해 공정명 뒤에 각 Number를 정해준다. 그 후 Fig. 2의 2번과 같이 Google Colab 환경에서 RNN 알고리즘을 이용한 공정 순서를 예측하는 알고리즘을 작성한 후 모델의 성능을 검증한다. 이때 공정 순서를 3가지 경우에 대해서 학습을 진행한다. 마지막으로 Fig. 2의 3번과 같이 LSTM 알고리즘으로 도출된 결과에 일정 정보를 자동으로 입력할 수 있는 코드를 사용하여 최종적으로 공정별 정립된 순서를 통해 공정 일정 정보가 생성되게 되고, 마지막으로 3D 모델과 일정 정보의 연동을 통한 시뮬레이션으로 일정 정보 정확도를 확인하는 과정으로 연구를 진행한다. 이러한 방법론은 기본 상용 관리 툴인 NavisWorks에 활용될 수 있다.

Fig. 2. Research Methodology

4.2 3D 모델 속성 정보 추출 및 정렬

LSTM 알고리즘을 통해 공정 순서를 예측하기 위해서는 먼저 문자 기반의 데이터를 추출하는 과정이 필요하다. 이를 위해 Fig. 3의 그림과 같이 Revit의 Dynamo 노드를 활용하여 3D 모델의 속성 정보를 Excel 형식으로 추출해 낼 수 있는 노드를 사용한다. 먼저 Select models 노드를 통해 Revit 인터페이스 상의 모든 부재를 Dynamo 환경에 Import 한다. 그 후 Python script를 사용하여 3D 모델 중 같은 부재끼리 차별성을 둘 수 있는 코드를 적용하여 마지막 Export Excel 노드를 통해 속성정보를 추출해 낸다. 추출된 정보에는 모델 ID, (X,Y,Z) 좌표 등 이 포함된다. 그 중 같은 모델 ID 끼리의 구분 위해 모델 ID 에 Number를 입력하는 과정을 거친다.

Fig. 3. Extract and Sort 3D Model Attribute Information

4.3 LSTM 알고리즘을 통한 공정 순서 예측

4.3.1 선·후행 관계 정립

추출된 속성 정보 Excel 데이터를 LSTM 모델로 학습하기 전 공정들에 대해 선·후행 관계를 정립하는 과정이 필요하다. Fig. 4는 LSTM 모델 학습을 위한 선후행 관계를 정립하는 코드이다. 코드는 Python 기반인 Google Colab Pro 환경에서 연구를 진행했다. 먼저 Excel 형식으로 추출된 데이터들의 중복되지 않는 공정명들을 추출 한 뒤 공정의 개수를 파악한다. 그 후 공정들을 숫자로 변환 하여 교대-교각-상부의 큰 부위에서 작은 부위들에 대한 순서로 선·후행 관계를 정립한다.

Fig. 4. Establishing Process Precedence Relationships

4.3.2 LSTM 알고리즘을 통한 공정 순서 예측

선·후행 관계가 정립이 되면 LSTM 알고리즘을 통해 공정 순서를 예측한다. 이때 공정 순서는 공사 순서가 현장마다 제각각 다르기 때문에 본 연구에서는 한가지 공정이 하나씩 진행되는 공정과 동일 공정끼리 묶여서 진행되는 공정, 마지막으로 길이가 긴 구조물의 경우 시작과 끝 부분에서 동시에 공사가 시작되는 공정, 총 3가지 대표적인 경우를 대상으로 진행한다.

4.3.2.1 동일 공정 단일 예측 LSTM

동일 공정 단일 예측 LSTM은 4D 시뮬레이션을 할 때 가장 기본이 되는 시뮬레이션이다. 모든 공정이 하나씩 생성되며, 물리학적 법칙에 위배되지 않게 밑 방향에서 윗 방향으로 순서대로 예측되게 된다. Fig. 5처럼 LSTM 알고리즘을 사용하였으며, 정립된 선·행 관계를 통해 공정의 순서를 예측하게 되고, 다음으로 같은 공정끼리 각각 가지는 숫자를 통해 최종적으로 공정-번호 순으로 순서를 예측하게 된다. 예측된 순서는 최종 공정 순서로 지정되며, 엑셀 데이터의 Process Step Number 열에 저장되게 된다.

Fig. 5. Same Process Single Prediction LSTM Methodology

4.3.2.2 동일 공정 동시 예측 LSTM

동일 공정 동시 예측 LSTM은 같은 공정일 때, 동시적으로 시뮬레이션이 될 수 있는 4D 시뮬레이션이다. 이때 Fig. 6과 같이 기본 코드는 One-way LSTM 알고리즘과 동일하지만, 같은 공정끼리 Group으로 묶을 수 있는 코드를 추가하여 공정 순서를 예측할 때 사용자가 설정한 크기의 그룹으로 입력될 수 있도록 한다. Process Step Number 열에서 같은 Group으로 묶인 데이터들은 같은 Number를 가진다.

Fig. 6. Same Process Simultaneous Prediction LSTM Methodology

4.3.2.3 양방향 공정 동시 예측 LSTM

양방향 공정 동시 예측 LSTM은 길이가 긴 구조물의 경우 시작과 끝 부위에서 동시에 시공이 진행되는 경우를 시뮬레이션하는 과정이다. Fig. 7과 같이 코드를 추가하여 같은 공정끼리 서로 가장 멀리 떨어진 번호대로 공정 순서를 정렬하여 일정 정보를 자동으로 생성할 때 같은 일정이 입력될 수 있도록 한다.

Fig. 7. Bidirectional Process Simultaneous Prediction LSTM Methodology

4.4 일정 정보 자동 생성을 통한 4D Simulation

학습된 선·후행 공정 정립을 통해 RNN 알고리즘 모델을 학습시킨 후 공정 순서를 예측하면, 다음으로 예측된 데이터를 바탕으로 일정 정보를 자동으로 생성한다. Fig. 8과 같이 각 공정별 공사일을 지정하고 지정된 공사일이 알맞은 부재에 들어가기 위해 좌측 상단 코드를 이용한다. 말뚝이나 교좌장치 같은 작은 부위에 대한 값은 개수를 합쳐서 동시에 같은 일정이 입력될 수 있도록 코드를 구성하였다.

입력된 일정 정보의 검증을 위해 4D 시뮬레이션을 통한 검증을 실시한다. 4D 시뮬레이션 소프트웨어는 AutoDesk사의 NavisWorks 프로그램을 사용하였고 TimeLiner 기능을 사용하여 생성된 일정정보를 CSV 파일로 변환 후 설계 3D 모델과 연동한다.

Fig. 8. 4D Simulation with Automatic Generation of Schedule Information

5. 방법론 검증

5.1 3D 모델 속성정보 추출 검증

본 방법론을 검증하기 위해 무작위 두 개의 3D 설계 모델을 대상으로 방법론을 검증한다. 검증 모델은 기존의 제작된 설계 3D 모델을 대상으로 하였으며 총 두가지 모델을 검증 모델로 사용한다. Fig. 9는 선정한 모델의 3D 모습이며, 우측은 Dynamo Node를 통해 추출된 같은 속성 정보들을 나타낸 값들이다. 1번 모델의 경우 103개의 속성 정보가 존재했고 2번 모델의 경우 359개의 속성 정보가 존재했다.

Fig. 9. Model Property Information Chart

5.2 RNN 알고리즘을 통한 공정 순서 예측 검증

5.2.1 Case 별 모델 성능 검증

각 Case 별 LSTM 모델 성능을 검증하기 위해 LOSS 값과 정확도 값을 통해 모델 성능을 검증한다. 동일 공정 단일 예측 LSTM 알고리즘의 경우 Fig. 10과 같이, Loss 값은 0.1517 정확도 값은 94.99 %로 각각 이상적인 우하향, 우상향 곡선을 그려 모델 학습이 잘 된 것을 확인할 수 있다. 동일 공정 동시 예측 LSTM 알고리즘과 양방향 공정 동시 예측 LSTM 알고리즘의 경우도 마찬가지로 모두 Loss 값과 정확도 값이 각각 우하향, 우상향 곡선을 그리므로 모델 학습이 잘 된 것을 확인할 수 있었다. 이는 모든 LSTM 모델이 데이터의 패턴을 잘 학습하고 예측의 오차를 줄였다는 것을 알 수 있다.

Fig. 10. Algorithm Loss Value, Accuracy Graph

5.2.2 동일 공정 단일 예측 LSTM

Fig. 11은 두 가지 3D 모델에 대해 One-way LSTM 알고리즘을 적용한 결과이다.

Case. 1의 경우 Fig. 11처럼 모든 공정 순서가 예측 된 결과이다. 선·후행 관계 정립을 통해 공종별 순서 예측이 잘 된 것을 확인할 수 있었고, 같은 공종끼리의 Number도 순서대로 이어지고 있어 데이터 예측이 잘 된 것을 확인할 수 있다.

Case. 2의 경우도 선·후행 관계 정립을 통한 순서 예측과 같은 공종의 Number도 순서대로 예측이 된 것을 확인할 수 있었다.

Fig. 11. One-way LSTM Reuslts

5.2.3 동일 공정 동시 예측 LSTM

첫 번째 3D 모델의 경우 Fig. 12와 같이 모든 공정 순서가 예측 된 결과이다. 선·후행 관계 정립을 통해 공종 별 순서 예측이 잘된 것을 확인할 수 있었고, 같은 공종끼리 지정한 크기만큼 그룹화가 된 것을 확인할 수 있다.

Fig. 12. Grouped LSTM Results

5.2.4 양방향 공정 동시 예측 LSTM

첫 번째 3D 모델의 경우 Fig. 13과 같이 모든 공정 순서가 예측된 결과이다. 선·후행 관계 정립을 통해 공종별 순서 예측이 잘 된 것을 확인할 수 있었고, 같은 공종끼리 서로 번호의 차이가 큰 순서부터 공정 순서 예측이 잘 된 것을 확인할 수 있다.

Fig. 13. End to End LSTM Results

5.3 일정 정보 자동 생성을 통한 4D Simulation 검증

두 개의 모델과 3가지 LSTM 알고리즘 Case에 대해 생성된 결과에서 일정 정보를 자동으로 생성 한다. 일정 정보 생성 코드를 통해 추출된 결과는 Fig. 14와 같다. 동일 공정 단일 예측 LSTM Model을 보면, 모든 공정이 시뮬레이션 창의 녹색 부재와 같이 각각의 일정 정보를 가진 것을 확인할 수 있다. 동일 공정 동시 예측 LSTM Model의 경우 임의로 Group된 같은 부재들끼리 같은 일정 정보를 가진 것을 알 수 있으며, 마지막으로 양방향 공정 동시 예측 LSTM Model을 보면 번호끼리의 차이가 가장 크게 나타난 부재 순서대로 일정 정보가 입력 된 것을 확인할 수 있었다.

최종적으로 일정 정보의 생성이 정확히 되었는지 확인하기 위해 4D Simulation 검증을 실시했다. Fig. 15, Fig. 16은 두 가지 모델과 3가지 Case에 대해 실행한 결과이며 LSTM 알고리즘으로 예측된 공정 순서 및 자동으로 생성된 일정 정보들이 알맞게 입력 되어 4D 시뮬레이션 되는 것을 확인할 수 있었다.

Fig. 14. Schedule Information Results for Cases

Fig. 15. Model 1 Simulation Results

Fig. 16. Model 2 Simulation Results

6. 결 론

본 연구에서는 순환 신경망인 LSTM 알고리즘을 통해 설계 BIM을 시공 BIM에 활용할 수 있도록 설계 BIM 모델에 내재되어 있는 속성정보를 활용할 수 있는 연구를 진행했다. 먼저 설계 3D 모델의 속성 정보를 추출하기 위해 Dynamo Node를 사용하였고, 속성 정보와 LSTM 알고리즘을 통해 공정 순서를 예측하여 공정을 자동으로 예측했다. 그 후 예측된 데이터들의 공정별 일정 정보를 자동 생성하여 4D 시뮬레이션을 실행하는 방법론을 사용하였다.

연구 결과는 다음과 같다. 방법론을 검증하기 위해 2가지의 설계 3D 모델을 활용하였고, 공정 순서를 예측할 때 총 3가지의 Case에 대해 공정 순서를 예측하였다. 동일 공정 단일 예측 LSTM Model의 경우 모델에 대한 Loss 값이 0.1517 정확도가 94.99 %로 높은 학습률을 가졌다. LSTM 알고리즘 모델과 2가지 설계 모델을 통해 3가지 Case에 대해 공정 순서를 자동으로 예측하여 Excel 데이터로 나타냈다. 생성된 Excel 데이터를 기반으로 일정을 자동 생성한 결과, 교대에서 교각, 하부에서 상부 과정으로 일정 정보가 자동으로 생성되는 것을 확인 할 수 있었다. 4D 시뮬레이션의 결과로는 각 Case 별에 대해서 설계 3D 모델의 공정에 대해서 일정 정보들이 알맞게 입력되어 시뮬레이션이 되는 것을 확인했다.

연구의 한계점은 토목 공사 중 교량 만을 대상으로 하여 다른 토목 구조물에 대한 공정 순서 예측이 이루어지지 않았다. 또한 모든 토목 공사가 똑같은 부재를 사용하는 것이 아니기 때문에 특정 부재의 경우 인식을 하지 못하여 학습률이 떨어지게 되는 경우가 발생하였다. 이를 위해 향후 연구에서는 더욱 복잡하고 작은 단위의 부재들까지 포함하여 공정 순서를 예측할 수 있는 방법이 필요하다.