Reconstruir com precisão sistemas Mecânicos, Elétricos e Hidráulicos (MEP) a partir de nuvens de pontos escaneadas a laser é frequentemente dificultado por oclusões estruturais, ruído do sensor e desequilíbrio extremo de escala entre tubos grandes e conexões pequenas. Este estudo apresenta uma estrutura híbrida, impulsionada por conhecimento e dados, para atualização automatizada de BIM de pipelines. Para lidar com variação de escala, implementamos uma estratégia de segmentação grosseira a fina usando o Clustering Espacial Baseado em Densidade de Aplicações com Ruído (DBSCAN) para isolar instâncias de pipeline antes da segmentação com PointNeXt. Além disso, um módulo de refinamento baseado em lógica integra priors geométricos e topológicos do BIM de design para corrigir desvios de coordenadas em conjuntos de dados incompletos. Finalmente, a análise de isomorfismo de grafos permite o mapeamento topológico automatizado entre instâncias de nuvem de pontos não estruturadas e componentes BIM estruturados. Resultados experimentais de um estudo de caso em um centro comercial denso demonstram que a estrutura alcança uma mIoU de segmentação semântica de 74,45% e reduz o erro médio de coordenadas espaciais para menos de 7 mm. Notavelmente, o fluxo de trabalho automatizado comprimiu o tempo de modelagem de 3–5 dias para aproximadamente 3 horas, oferecendo uma solução robusta para a gestão de instalações orientada ao gêmeo digital.
Wang et al. (Qua,) estudaram esta questão.