当前位置：首页 > news >正文

BIM Revit教程（十一）如何使用机器学习实现 MEP 布局自动化？

news 来源：原创 2025/6/6 6:53:26

# 简介

选择了一个 "点击 "的标题来吸引眼球（营销策略）。更严肃地说，这个项目是在 Revit 模型中实现 MEP（机械、电气、管道）实施附件自动化的首次尝试。

有些项目，尤其是住房项目，利润最低，但同样耗时。事实上，尽管这些单位彼此非常相似，但建模人员必须逐一设计和实施每件设备，并将它们正确地放置在模型上。

我想在这里提出的需求是 2021 年所有建模软件的共同需求，尤其是 Revit：没有任何形式的智能来帮助建模者。无论建模者一开始是想为一个房间还是浴室建模，他都必须从头开始。

要把房间设计成卧室，至少需要摆放一张床、3-4 个插座、一个开关、一个灯具和一个取暖器，然后为每个插座选择合适的旋转方式、合适的高度和合适的连接方式......我的意思是，要正确设计房间，有一条循环往复的路径。无论住房项目如何，所有房间的形状、面积和布局都是相似的。从长远来看，我们的想法是获得一个代理，它能预测建模者的需求，并根据植入的元素提出一个连贯的方案，按照房间的标签放置其他设备。每件设备的高度、旋转、水平、功率和区域等技术信息都将直接整合在一起。这一推理可适用于其他房间标签，如走廊、入口、起居室、厨房等。

这样的进程并非乌托邦。在没有任何信息的情况下，从一个空的住宅平面图中，该程序可以识别出每一个房间，然后根据每一个房间的标签，如上文所述，对其进行不适当的填充。

事实上，这些作品以纯粹的统计方法来思考和处理 BIM。通过有监督的机器学习方法，算法显示出令人信服的结果。

我喜欢这项研究，因为研究人员发现，房间的原始几何形状与它们在住宅中的作用密切相关。通过巧妙地利用多边形的平方等变量，他们发现房间的几何形状本身就说明了问题。如下图所示，在 60% 的情况下，厨房是最小的房间（不包括卫生间）。相反，房间面积越大，就越肯定是客厅。

通过添加新的解释变量，如四等分或等级制，问题就会自行解决。甚至可以应用 "简单 "的决策树来解决这个问题。因此，本研究以数据科学家的方法提出了一个真正的解决方案，其中所使用的解释变量的质量至关重要。

在本文中，我将介绍我利用机器学习 (ML) 实现 MEP 附件自动布局的工作。我的工作分为 5 个部分：

Revit 模型中的空间数据收集（C#、Revit API）
深度 Q-Learning 代理的训练（Python、Keras、Tensorflow、MCTS）
对训练好的代理的讨论和反馈
基于 Revit 模型中的 ML 预测的 Revit 族实现（C#、Keras.NET、Revit API）
C# 设置项目和 Python 设置环境

## Revit 模型中的空间数据收集 [1/5]

要使用自动设备布局工具，首先必须为机器提供有用的数据。我目前的项目是在 Revit 上为住房项目的卧室安装电源插座。为此，我需要获取每个 Revit 房间的几何图形。通过 Revit API，我可以查询数字模型，获取所需的信息。数字模型（Revit）在一个文件中包含了所有可以想象到的建筑数据。对于像医院这样的大型项目来说，包含所有这些数据的文件大得惊人。这些模型中包含的数据量无法给出一个数量级。我们可以说这是一个真正的数据库，必须根据需要进行更新、充实和查询。我们必须意识到这一点，这也是使用计算机处理数据的原因。因此，Revit API 可以为每间卧室收集每条形状线的（直角坐标）。我们需要通过存储每个顶点的坐标（x、y、z）来收集红色形状。

我留下了一个代码，它可以让我收集每间卧室和每张床的形状。我仔细地对代码进行了注释。每个人都可以按照自己的意愿来编排代码，这里最主要的是关注数据恢复的动态。首先，收集每个顶点的坐标非常简单。这是在 c_CloneRoom.cs 类中，更具体地说是在 GetRoomShapesFromGroundFace(room) 函数中。

在上述函数中，我 "简单 "地浏览了一组定义给定房间建筑面积的线条。我创建了 C# 对象，以便于管理和操作收集到的数据。这样，每个房间的边界就被恢复了：这是很好的一步！只是，对这些形状的利用并不成功。事实上，这些多边形并没有显示任何关于部件方向的信息。因此，有必要对模型进行查询，以恢复每个房间内的所有设备。

第二步，我在数字模型中提取床铺的轮廓。请注意，这里有一个微妙之处。恢复设备的轮廓比恢复房间的轮廓要精细得多。首先，MEP 配件是 Revit API 中的家庭实例对象。然而，这些对象并不包含任何用于检索轮廓的明确属性。事实上，从编程的角度来看，不可能浏览每个房间，也不可能浏览其中包含的对象。因此，有必要浏览整个数字模型数据库，过滤 "床 "对象，然后根据它们的位置坐标来确定哪个是主房间。

这需要一些疯狂的过程，但只要代码严谨、结构化，就可以做到！GetAllBeds() 函数（c_Start.cs 类）将代码串联起来以实现这一目标。在这个函数中，我举了一个典型的例子，即收集床的形状，并将每个形状分配给其所在的房间。对于门、窗等，可以用同样的方法重复这一过程。有些设备会有一些特殊的复杂问题，但时间长了也能解决。Revit应用程序接口（API）在这方面很不稳定。

我还想强调一下 c_Bed.cs 类中的 GetHostRoom(FamilyInstance fi) 函数的重要性。该函数将一个 Family Instance 对象作为参数，并在该对象的 Room 属性不可用的情况下（这种情况经常发生），根据其 XYZ 位置确定主机房间。这个函数并不完美，但在大多数情况下都能找到房间。该函数克服了 API 中的属性问题。我使用了不同的技巧，代码中会有解释（请参阅函数）。

使用边界框可能是有意义的，但由于种种原因，边界框不够可靠和准确，我就不多说了。

应用所有这些，我们就得到了示例中房间和床铺的所有空间数据。下面是添加门窗后生成的结果。

所有这些信息都是图形化的，机器最终无法使用。一组代表不同实体的二维点对计算机来说意义不大。这就是为什么我使用光栅化技术......以获得具有真实数字矩阵的图像。这些数字矩阵很容易以 .txt 文件的形式存储在一个目录中。然后，这个目录将作为一个真正的数据库，用于强化学习（RL）代理的多样化训练。

为了将所有二维点（笛卡尔数据）转换成图像（整数矩阵），我使用了光栅化（二维）和布雷森汉姆技术。光栅化是将矢量图像转换成光栅图像以便在屏幕上显示的过程。下面是我用来实现这一目标的一个有价值的 GitHub。

我就不多说了，因为互联网上的所有资料都已经很充分、很清楚。让我们来看看我的项目所取得的成果吧。

这些图像将用于向强化学习（RL）代理提供信息，以应用卷积原理。(所有这些将在文章的下一部分详细介绍）。这里还有一个重要细节没有提及。它涉及从 Revit 坐标系（(x; y) ∈ |R²）到栅格坐标系（(x; y) ∈ |N²，其中 x ∈ [0; 49] 和 y ∈ [0;49]）的转换。没有必要深入研究这个问题，但我们应该知道，矩阵位置（0; 0）并不对应于 Revit 中每个矩阵的相同位置。因此，对于每个矩阵，从 Revit 到光栅化矩阵的位置转换都是唯一的。此外，还必须加上 Revit 中 15 厘米或 0.5 英尺的分辨率。

## 深度 Q 学习代理的培训 [2/5]

我使用的技术是强化学习（Reinforcement Learning），更具体地说是深度 Q 学习（Deep Q-Learning）。关于深度 Q-Learning 技术的工作原理，我就不多说了，因为互联网上的所有资料都已足够清晰。我的工作基于谷歌对 AlphaGo 所做的研究，特别是大卫-福斯特（David Forster）开展的一个项目，该项目使用了 AlphaGo 的技术，但将其应用于 "Connect 4 "游戏。

这项工作对我来说非常有价值，因为他出色地成功普及和解释了代理人运作的不同阶段。他的文章非常完整，并可重定向到许多相关资源。非常感谢大卫-福斯特！我想通过极客 Skowster 频道的一系列视频来补充这些资料，这些视频让我更好地了解了深度 Q-Learning 技术的功能。

## 关于训练有素的代理的讨论和反馈 [3/5]

关于深度 Q 学习的这一部分即将结束。所有代码都可以在 David Forster 的 GitHub 上找到，在此再次向他表示感谢。使用深度 Q-Learning 的主要原因是我缺乏数据。RL 提供了以最少的数据训练代理的机会。我们的想法是通过错误学习使其收敛。这种学习过程可以逐步消除不良场景，从而逐渐向良好行为靠拢。

在 BIM 领域，没有大规模的数据库，在我所从事的领域更是如此。到目前为止，集成到模型中的数据都没有经过处理：既没有结构化，也没有标准化。因此，必须对其进行收集、清理甚至格式化。所有这些都需要大量的上游工作，甚至在解决最初问题的实质之前。要在 BIM 中应用机器学习，数据架构师需要完成一项真正的工作。必须设计和组织数据库。数据基础设施对于促进数据访问也至关重要。

我的项目还有很多需要改进的地方。我说的是 50x50 输入矩阵的尺寸。这个尺寸还是太大了，可以通过将矩形腔体旋转 90° 轻松缩小。我们的目标是使主要尺寸（长度）和另一个尺寸（宽度）保持一致。我必须研究这样一种情况，即我把房间里的所有家具（尤其是床）都搬走。那么代理的行为会是怎样的呢？为了进行培训，我在电脑上安装了英伟达™（NVIDIA®）GeForce RTX 2060 SUPER 显卡，但我希望拥有更强的计算能力，以便进一步开展培训和 MCTS 研究。这就是为什么我想尽快使用 Google Colab 的原因。

要使 RL 代理汇聚，还需要添加其他元素。事实上，目前我并没有给他提供门的开启方向，这一点相当具有决定性。在开门的一侧放置一个插座似乎更符合逻辑。这意味着我的 S-score 功能将获得额外奖励。

我们还可以讨论插座的数量，它可以根据房间的面积而变化。如果多边形由 3 个或 5 个插座组成，这将影响面积比（如上所述）。总之，我收集的数据越完整，质量越高，代理就越容易趋向于一致的方案。然而，这些信息必须直接从 Revit 中提取，这并非易事。

## 基于 Revit 模型中的 ML 预测的 Revit 族实现 [4/5]

在最后一节中，我将讨论 Revit 模型中设备布局的 RL 模型实现。我们任务的难点在于如何在 C# 项目中成功提取经过训练的 RL 模型的预测结果。事实上，我们之前已经详细介绍了深度 Q-Learning 代理的创建，所有工作都是在 Python 中完成的。因此，这里的数据互操作性工作至关重要，因为处理 Revit 的语言是 C#。

此外，我们还不能忘记代理预测的一个重要细节。事实上，代理返回的位置 x 和 y 与 50x50 矩阵的索引相对应。因此，这些位置对于我们的 Revit 模型来说并不重要。因此，我们必须将这些矩阵位置转换为 Revit 坐标系。(每个光栅化矩阵中的位置（0,0）与 Revit 坐标系中的位置并不一致，因为并非所有部件都位于模型中的相同位置）。这将在第 1/5 部分的最后进行解释。

因此，我们将看到如何通过 Keras.NET 库使用 C# 来利用机器学习模型。整个 C# 设置项目将在下文最后部分详细介绍。在本部分中，我将介绍如何安装 Keras 库并将其链接到 C# 项目，以及如何定义 Python 环境（第 5/5 部分）。第一步是获取 RL 代理。为此，可以通过 .h5 文件保存机器学习模型。文件生成后，必须将其合并到 C# 项目中。就我而言，该文件包含在我电脑上的一个目录中。理想情况下，该 .h5 文件应链接到项目的资源，以便在本地执行，但目前，当我在本地合并 model.h5 文件时，会产生异常。