Hoe AI architectonische tekeningen leest en materiaalstaten genereert

Een set architectonische tekeningen voor een commercieel gebouw van 4.500 m² kan 80 tot 120 bladen omvatten. In die bladen zitten deurschema's, raamtypen, afwerkingsschema's, plafondplannen, kastdetails en honderden andere elementen die gekwantificeerd moeten worden voordat iemand een zinvolle kostenraming kan maken. Handmatige extractie van al die hoeveelheden is een volledige werkdag voor een ervaren calculator, soms twee dagen bij complexe projecten.

Hoe AI voor het lezen van tekeningen werkt

AI-tekeningen lezen begint met documentclassificatie. De software identificeert welke bladen plattegronden zijn, welke gevels, welke details en welke schema's. Dit is belangrijk omdat hetzelfde element, bijvoorbeeld een deur, er anders uitziet op een plattegrond (een symbool met een nummer), een schema (een rij met specificaties) en een detail (een doorsnede met kozijn en hang- en sluitwerk). De AI moet alle drie de representaties met elkaar verbinden om een nauwkeurige hoeveelhedenberekening te produceren.

De plattegrondanalyse gebruikt computervisie om architectonische elementen te identificeren aan de hand van hun symbolen en annotaties. Deuren worden geteld en getypeerd op basis van hun schemamarkering. Ramen worden geïdentificeerd op grootte en typeaanduiding. Ruimtegrenzen worden getraceerd om vloeroppervlakten, wandlengtes en plafondoppervlakten te berekenen. De AI leest de tekstannotaties om elk element te koppelen aan de specificatie in de schema's.

Een landelijke calculatiedienst testte drie AI-tools voor het lezen van tekeningen op 25 commerciële projecten met bekende hoeveelheden. De best presterende tool behaalde 94% nauwkeurigheid bij het tellen en typeren van deuren, 91% bij raamidentificatie, 96% bij oppervlakteberekeningen van ruimtes en 88% bij het extraheren van afwerkingshoeveelheden. De zwakste gebieden waren complexe plafondplannen met meerdere hoogteverschillen en bijzondere architectonische elementen zoals gebogen wanden of maatwerk schrijnwerk.

Genereren van materiaalstaten

Zodra de AI alle architectonische elementen heeft geïdentificeerd en geteld, genereert het materiaalhoeveelheden. Deuren worden kozijnen, hang- en sluitwerksets en deurbladen met gespecificeerde afwerkingen. Ramen worden eenheden met bijbehorende hoeveelheden voor loodslabben, kit en binnenafwerking. Ruimteafwerkingen worden vierkante meters verf, tegels, tapijt of wat het afwerkingsschema ook specificeert.

De vermenigvuldigings- en doorrekeningen zijn waar AI een veelvoorkomende bron van menselijke fouten elimineert. Een calculator die 47 deuren van Type A telt en vervolgens handmatig de bijbehorende hoeveelheden hang- en sluitwerk, tochtstrips en afwerking berekent, heeft meerdere mogelijkheden om reken- of overschrijffouten te maken. De AI voert deze doorrekeningen direct en consistent uit.

Een hoofdaannemer in Portland vergeleek hun AI-gegenereerde materiaalstaten met hun handmatige proces bij 10 gelijktijdige inschrijvingsprojecten. De AI-hoeveelhedenberekening kostte gemiddeld 35 minuten verwerkingstijd plus 3 uur controle door de calculator. De handmatige berekening kostte gemiddeld 14 uur. De AI-berekeningen vonden gemiddeld 6 items per project die het handmatige proces had gemist, meestal items zoals revisiepanelen, dilatatievoegafdekking en speciaal hang- en sluitwerk dat in de tekeningen was gespecificeerd maar gemakkelijk over het hoofd wordt gezien bij handmatig tellen.

Het probleem van kruisverwijzingen in schema's

Architectonische schema's vormen de ruggengraat van nauwkeurige hoeveelhedenberekeningen, en ze zijn ook het gebied waar AI-tools de meest wisselende prestaties leveren. Een goed opgemaakt deurschema met consistente kolommen en duidelijke typeaanduidingen is gemakkelijk voor AI om te verwerken. Een deurschema dat afkortingen inconsistent gebruikt, over meerdere bladen is verdeeld of handgeschreven revisies bevat, is veel moeilijker.

Afwerkingsschema's brengen vergelijkbare uitdagingen met zich mee. Wanneer de architect een standaardformaat gebruikt met ruimtenummers die duidelijk overeenkomen met de annotaties op de plattegrond, overschrijdt de AI-nauwkeurigheid bij afwerkingshoeveelheden de 90%. Wanneer ruimtenummers op het afwerkingsschema niet exact overeenkomen met de annotaties op de tekening, of wanneer afwerkingsspecificaties in notities zijn opgenomen in plaats van in een formeel schema, daalt de nauwkeurigheid naar 75 tot 80%.

De praktische implicatie is dat AI-tekeningen lezen het beste werkt bij projecten van architecten die schone, goed georganiseerde documenten produceren. Projecten van bureaus met minder gestandaardiseerde tekenpraktijken vereisen meer menselijke controletijd, hoewel de AI nog steeds een nuttig startpunt biedt.

Integratie met kostendatabases

De ruwe hoeveelhedenberekening wordt waardevoller wanneer deze gekoppeld wordt aan kostengegevens. Sommige AI-tools voor het lezen van tekeningen integreren met RSMeans of aannemerspecifieke kostendatabases om naast de hoeveelheden ook voorlopige kostenramingen te genereren. Dit maakt van een materiaalstaat een grove kostenraming binnen enkele minuten na ontvangst van de tekeningen.

Voor aannemers die AI-tools in hun calculatieworkflow voor de bouw gebruiken, verandert deze snelle ROM-mogelijkheid hoe ze inschrijvingskansen evalueren. In plaats van een dag te besteden aan hoeveelhedenberekening om er vervolgens achter te komen dat het project buiten hun doelbudget valt, kunnen ze binnen een uur een ROM-getal krijgen en sneller een go/no-go-beslissing nemen.

De kostenramingen in dit stadium zijn ruw, doorgaans binnen 15 tot 20% van de uiteindelijke inschrijfbedragen. Ze zijn niet nauwkeurig genoeg voor daadwerkelijke inschrijving, maar ze zijn nauwkeurig genoeg voor het screenen van kansen. Een aannemer die op 1 op de 5 projecten inschrijft die hij beoordeelt, kan AI-gegenereerde ROM-ramingen gebruiken om kansen sneller te screenen en mogelijk zijn inschrijvingsvolume te verhogen zonder extra calculatiepersoneel aan te nemen.

Omgaan met revisies en addenda

Een ondergewaardeerde mogelijkheid van AI-tekeningen lezen is het bijhouden van revisies. Wanneer een addendum arriveert met herziene bladen, kan de AI de nieuwe bladen vergelijken met de originelen en identificeren wat er is veranderd. Toegevoegde deuren, verplaatste wanden, gewijzigde afwerkingen en andere revisies worden automatisch gemarkeerd.

Dit is waardevol omdat het beoordelen van addenda een van de meest foutgevoelige activiteiten in het inschrijvingsproces is. Addenda komen laat binnen, vaak 2 tot 3 dagen voor de inschrijvingsdatum, en de calculator moet snel alle wijzigingen identificeren en hoeveelheden aanpassen. Het missen van een wijziging in een addendum is een veelvoorkomende bron van inschrijvingsfouten. AI-ondersteunde revisietracking vermindert dat risico aanzienlijk.

Huidige beperkingen

AI-tekeningen lezen is nog in ontwikkeling op verschillende gebieden. Faseringsplannen, waarbij dezelfde ruimte in fasen wordt opgebouwd met verschillende afwerkingen of configuraties per fase, brengen de meeste AI-tools in verwarring. Renovatieprojecten waarbij bestaande situaties en nieuw werk op dezelfde bladen worden weergegeven, vereisen dat de AI onderscheid maakt tussen bestaand-te-handhaven en nieuwe elementen, wat niet altijd betrouwbaar is.

Driedimensionale ruimtelijke relaties blijven ook uitdagend. De AI werkt voornamelijk vanuit 2D-plattegronden, en hoewel het doorsnede- en gevelinformatie kan lezen, lost het niet altijd correct conflicten op tussen wat een plattegrond toont en wat een doorsnede door hetzelfde gebied toont. Ervaren calculators vangen deze discrepanties op door hun begrip van hoe gebouwen in elkaar zitten. AI-tools worden hier beter in, maar zijn er nog niet helemaal.

Zelfs met deze beperkingen vertegenwoordigt AI-tekeningen lezen een betekenisvolle productiviteitsverbetering voor architectonische hoeveelhedenberekeningen. De technologie verwerkt het repetitieve tel- en extractiewerk goed, waardoor calculators zich kunnen richten op de beoordelingsintensieve aspecten van calculatie waar hun ervaring de meeste waarde toevoegt.