BIM в зарубежной геотехнической практике

Введение

Использование информационного моделирования объектов строительства (BIM – Building Informational Modeling) в последние годы в целом значительно выросло. Однако геологию и геотехнику до сих пор не включают в BIM. И это существенное упущение, поскольку основная цель BIM заключается в снижении затрат за счет минимизации рисков на всех стадиях развития проекта. Неопределенность грунтовых условий, определяемая в том числе малым объемом исследований и неоднородностью грунтов, является одной из самых больших областей риска в любом строительном проекте. Принципы BIM могут быть применены к геотехнике, чтобы уменьшить эту неопределенность, лучше исследовав площадку строительства и в конечном итоге минимизировав риски и затраты (Morin, 2018).

Информационное моделирование объектов строительства в геотехнике можно рассматривать как дальнейшее развитие классических систем автоматизированного проектирования (САПР, CAD) и геоинформационных систем (ГИС, GIS) путем включения в BIM нескольких дополнительных элементов и рассмотрения проекта начиная с самых ранних стадий его развития (предварительного планирования, инженерных изысканий), затем на протяжении проектирования и строительства и даже на этапах эксплуатации построенного объекта и его сноса после окончания срока службы (Konietzky, 2020).

Несмотря на актуальность рассматриваемого вопроса, можно найти не так уж и много публикаций, в которых бы подробно рассматривались геотехнические аспекты BIM. К ним можно отнести, например, следующие работы: Tawelin, Mickovski, 2016; Morin et al., 2014; Obergriesser, Borrmann, 2012; Moller, Mahutka, 2018; Morin, 2018; Berdigylyjov, Popa, 2019; DAUB, 2019; Napa et al., 2019; Konietzky, 2020; Vanicek et al., 2021; Khan et al., 2021.

Немецкий комитет по подземному строительству и Немецкий комитет по строительству тоннелей (DAUB, 2019) опубликовали рекомендации по использованию BIM для создания подземных сооружений. Например, на рисунке 1 показано, как объединяют несколько BIM-подмоделей (по геотехнике, по наземной инфраструктуре, по тоннелю и т. д.) для создания сложной численной модели, необходимой для прогнозирования осадок грунта при строительстве тоннеля.

Рис. 1. BIM-подмодели, используемые для численного прогнозирования осадок грунта при строительстве тоннеля (по DAUB, 2019)

Геотехника и BIM

В статье Тавеляна и Мицковски (Tawelian, Mickovski, 2016) приведены результаты опроса представителей шотландских геотехнических компаний, выполненного в 2016 году по поводу необходимости использования информационного моделирования строительных объектов и в отношении геотехники. Все принявшие участие в анкетировании полностью согласились с тем, что в BIM должны быть включены геотехнические данные и что это будет выгодно строительной отрасли Великобритании. Более 80% респондентов заявили, что они используют BIM – в основном коммерчески доступные пакеты в сочетании с САПР и проприетарным (несвободным) программным обеспечением для проектирования. (Для сравнения: в 2013 году в Великобритании было только 54% пользователей BIM.)

Тремя основными категориями данных, включение которых в BIM-процесс респонденты сочли необходимым (рис. 2), являются параметры прочности грунта (например, угол внутреннего трения, удельное сцепление), характеристики несущей способности грунта (например, предельное сопротивление, CBR) и стратиграфия. Интересно, что ни один из участников опроса прямо не упомянул о подземных коммуникациях или существующих подземных сооружениях, хотя они часто составляют значительную часть условий, препятствующих реализации проектов. Кроме того, интересно отметить, что свойства грунтов могут быть локально неоднородными и требуют значительных исследований и интерпретации результатов. Тем не менее эти линии рассуждений уже присущи новому поколению инженеров-строителей и инженеров BIM, которым потребуются соответствующие входные данные для ввода в BIM-модели (PAS 1192-2, 2013).

Рис. 2. Результаты опроса представителей шотландских геотехнических компаний, выполненного в 2016 году: а – геотехнические данные, которые надо включать в BIM; б – предполагаемые ключевые преимущества BIM с интегрированными геотехническими данными (по Tawelian, Mickovski, 2016)

Проблема формата геоданных

При проектировании приоритетным является использование различных компьютерных программ, информация из которых должна быть передана любому программному обеспечению для BIM в различных форматах (ASCII, GSZ, DXF, PDF, DOC).

Программное обеспечение для BIM использует формат IFC (Industry Foundation Classes), который был разработан для обмена данными BIM с различными программными приложениями международной некоммерческой организацией buildingSMART International (ее целью является улучшение обмена информацией между программными приложениями, используемыми в строительной отрасли) (Wu et al., 2021). Формат IFC был зарегистрирован в соответствии с ISO-16739. С 2014 года использовался IFC-4, с 2020 года применяется IFC-5.

Формат IFC основан на стандарте STEP для обмена данными модели продукта  (STandard for Exchange of Product model data), который является частью стандарта ISO-10303, разработанного международной организацией по стандартизации ISO. Формат STEP-файлов является открытым, и их данные могут быть распознаны разными программами. Совокупность стандартов STEP позволяет физически и функционально описывать и обновлять любую информацию по компонентам строительного объекта (рис. 3), его геометрическим характеристикам, свойствам, отношению к другим объектам, жизненному циклу и т. д. Помимо этого очень популярен и часто используется для BIM-проектов формат XML (Extensible Markup Language). В целом программное обеспечение для BIM должно быть в состоянии обрабатывать совершенно разные форматы данных (файлов) (рис. 3).

Рис. 3. Примерная иллюстрация входных данных, связанных со строительным объектом (слева), на основе различных форматов (справа) (по Allplan, 2016)

На рисунке 4 отражено развитие формата IFC. Как показано на рисунке 5, возможности формата IFC были расширены, чтобы охватить все гражданское строительство, в том числе автомобильные и железные дороги, мосты, морские инженерные объекты, тоннели и другие подземные сооружения. Однако до сих пор нет развития данного формата применительно к задачам инженерно-геологических изысканий и геотехнического проектирования.

Рис. 4. Схема развития формата IFC (с сайта организации buildingSMART International)

Рис. 5. Расширение возможностей формата IFC с целью включения различных геотехнических сооружений (по DAUB, 2019)

Централизованная геотехническая база данных

Данные, полученные с помощью приборов в лаборатории или путем непосредственных полевых наблюдений и измерений, являются фактическими. Поскольку работа и взаимодействие сотрудников в среде BIM потребуют доступа к этим исходным данным, они должны сохраняться без обработки как основа достоверности (Obergriesser, Borrmann, 2012). Когда мы начнем их просматривать, анализировать и использовать (например, для определения того, к каким геологическим слоям относятся грунты, встреченные в каждой скважине), начнется их интерпретация. Эти интерпретированные базовые данные затем расширяются еще больше, когда геолог определяет, как слои могут соединяться друг с другом, для получения двумерного разреза, трехмерной модели или для составления отчета об исследовании, куда войдут уже результирующие данные.

Необходимым условием для извлечения, интерпретации и использования исходных данных является использование метаданных о базовой информации. Поскольку результирующие данные будут передаваться другим группам участников проекта, занимающимся проектированием, строительством, эксплуатацией и управлением, метаданные необходимы для предотвращения неправильного использования результирующих данных. Поэтому метаданным следует уделять больше внимания. Иными словами, в системе архива геотехнических данных для их описания должен использоваться набор параметров. Для картографических данных это могут быть масштаб, источник, время и т. д., для данных по скважине – идентификатор, название проекта, глубина, дата исследования и пр.

Эти четыре базы образуют централизованную геотехническую базу данных (рис. 6).

Рис. 6. Архитектура централизованной геотехнической базы данных (по Zhang et al., 2017)

Процесс создания централизованной геотехнической базы данных показан на рисунке 7. Ее источниками являются фактические данные инженерно-геологических и геотехнических исследований. Процесс переноса информации из бумажного материала в базу данных происходит вручную. Исходные цифровые и отсканированные бумажные материалы составляют фактическую базу данных. Их форматы могут быть различными. До дальнейшего поступления информации в базу базовых данных и позже в базу результирующих данных должны быть выполнены преобразование информации из одного формата в другой, изменение проекций, стандартизация и пр. Для обеспечения точности интерпретируемых результатов следует использовать стандартизированные шаблоны и проверку данных.

Рис. 7. Процесс создания централизованной геотехнической базы данных (по Zhang et al., 2017)

Основой и средством, позволяющими реализовать преимущества BIM, являются цифровые данные. При этом необходимо использовать общие согласованные форматы для представления информации. Для гармонизации процессов BIM на международном уровне существует стандарт EN ISO 16739 «Отраслевые базовые классы (IFC) для обмена и управления данными об объектах строительства», опубликованный в 2013 году и пересмотренный в 2018 году. Это открытый международный стандарт для обмена и совместного использования BIM-данных разными участниками того или иного строительного проекта, использующих различные программные приложения, а также для управления этими данными.

В Великобритании и некоторых других странах для геотехнических данных используются стандарты, предложенные Ассоциацией специалистов по геотехнике и геоэкологии (AGS). А в Соединенных Штатах все больше предпочитают формат обмена данными по геотехнике и геоэкологии DIGGS, поддерживаемый Американским обществом инженеров-строителей (ASCE) и Федеральным управлением автомобильных дорог США (FHWA). Оба эти формата позволяют передавать геотехнические и геоэкологические цифровые данные внутри организаций и между ними. При этом требуется их импорт из файла обмена информацией в выбранную систему управления геотехническими данными (в разных системах используются файлы разных форматов, например AGS, DXF, AVI, PDF, ASCII, DOC, XLS). К сожалению, в России до сих пор нет отечественных возможностей для этого. А стоимость годовой лицензии на использование формата AGS довольно велика.

Формат AGS может быть принят в нашей стране в качестве стандартного с введением дополнительных изменений для учета особенностей геологических данных для России или несовместимых с ним геотехнических данных, накопленных ранее, которые необходимо будет предварительно обработать. Аналогичным образом, файлы в формате AGS должны быть адаптированы для включения данных о подземных сооружениях и подземных коммуникациях, чтобы получить преимущества процесса BIM (Morin et al., 2014). Однако вышесказанное будет зависеть от качества исследований грунтовых условий, управления строительством и мониторинга. И задача будет заключаться в том, чтобы включить интерпретированные данные в файлы подходящих форматов, возможно используя в качестве основы национальные геологические/геотехнические базы данных.

Первостепенное значение для включения геотехнических данных в общий процесс BIM, позволяющий взаимодействовать разным участникам проекта, будет иметь разработка подходящего стандартизированного формата этих данных. Любая новая разработка, в которой будет геотехническая информация, должна будет включать варианты оцифровки исторических данных из традиционных печатных копий с минимальной ручной обработкой или без нее (Morin et al., 2014), чтобы избежать лишних затрат времени и денег. При этом будут оставаться риски неучтенных характеристик или локальных изменений свойств грунтов, которые следует сводить к минимуму с каждым новым исследованием на конкретном участке. Точно так же результаты наземных исследований и их интерпретации должны быть задокументированы в соответствующем формате и предоставлены разработчикам наземной части BIM, дающей подробное представление о подземных условиях. Формат AGS (AGS, 2011) предназначен только для передачи геотехнических данных и не охватывает общую информацию о месте изысканий и конструкции объекта строительства или его фундамента, однако эта информация может быть отражена путем введения новых классов IFC.

Коммерчески доступное программное обеспечение может позволить импортировать информацию о подземных коммуникациях, при ознакомлении с которой можно было бы просматривать и качественные метаданные, если таковые имеются (как предложено в британском стандарте PAS 128 2014 года). Такое программное обеспечение может помочь в управлении всеми геотехническими данными на протяжении всех этапов развития проекта, а также обеспечить возможность доступа к исторической и текущей информации, имеющей отношение к проекту (Tawelian, Mickovski, 2016).

Интегрирование технологий GIS и BIM

Геоинформационная система (ГИС, GIS) предоставляет значительную информацию о рассматриваемой территории, в то время как информационное моделирование объектов строительства (BIM) может дать информацию для проектирования и строительства на конкретной площадке в мельчайших деталях. Тем не менее интеграция BIM и GIS для моделирования геотехнических свойств грунтов пока, насколько известно авторам обзора, не используется (Ammar, Dadi, 2021).

В статье Хана и др. (Khan et al., 2021) рассмотрена интеграция BIM и GIS для моделирования геотехнических свойств и безопасных зон строительства в зависимости от типа грунта (рис. 8). К набору данных полевых и лабораторных испытаний в пакистанском городе Пешавар было применено использование открытых стандартных классов IFC, таких как IfcBorehole, IfcGeoslice и IfcGeomodel, что улучшило интеграцию двух систем и позволило обмениваться геотехнической информацией между различными заинтересованными сторонами. То есть полученные результаты продемонстрировали, что предложенный метод успешно интегрирует BIM и GIS, давая на выходе трехмерную цифровую геотехническую модель. Эта модель обладает отличным потенциалом для предоставления информации о типах грунтов, свойствах, глубине и объеме каждого их слоя и может быть использована проектировщиками и менеджерами для определения наиболее эффективных и безопасных методов строительства.

Рис. 8. Схема интеграции GIS и BIM (по Khan et al., 2021)

Обзор Аммара и Дади (Ammar, Dadi, 2021) показал, что в общей сложности только в 15 публикациях из 100 обсуждалось применение интегрированной системы BIM-GIS, причем в основном для моделирования и проектирования элементов транспортной инфраструктуры, их строительства, мониторинга и проверки соответствия требованиям стандартов, а также для управления этими объектами и соответствующими активами. Таким образом, в отношении внедрения интегрированных приложений BIM-GIS существует заметный разрыв между секторами транспортного строительства и возведения зданий и нетранспортных сооружений, который предстоит преодолеть. Кроме того, для эффективного внедрения BIM-GIS требуется интеграция и с другими технологиями (в том числе сенсорные и интернет-технологии).

Подробная информация о строительном объекте и окружающих его условиях необходима на протяжении всех стадий развития проекта и является важнейшим активом для более эффективного распределения ресурсов и принятия решений. А подробные модели с исчерпывающей информацией из BIM, интегрированной с расширенными возможностями GIS, улучшат совместимость данных, облегчат их анализ и обеспечат надежность результатов. Следовательно, по мнению Аммара и Дади (Ammar, Dadi, 2021), необходимы будущие исследования для изучения потенциала этой интеграции.

BIM и неопределенность свойств грунтов

В Федеральном управлении автомобильных дорог Соединенных Штатов (FHWA) принципы BIM недавно были применены к геотехническому проектированию. Основная цель заключалась в снижении неопределенности результатов инженерных изысканий и улучшении их практики, что в конечном итоге поможет снизить риски и затраты (Wang et al., 2020). По сути, концепция BIM, когда она распространяется на геотехнику, требует разработки новых алгоритмов для моделирования грунтовых оснований с переходом от традиционной парадигмы, основанной на опыте, к более продвинутой, основанной на данных (рис. 9). Более того, вместо детерминированной интерпретации результатов исследований, основанной на субъективных суждениях геологов и геотехников, исходные данные могут быть обработаны, проанализированы и смоделированы с использованием вероятностных моделей и байесовских статистических методов, логики и сетей, так что возможные пространственные закономерности могут быть извлечены автоматически с использованием методов искусственного интеллекта с возможностью количественной оценки неопределенности. Парадигма, основанная на данных, более объективна, а уровень достоверности полученных результатов может быть вычислен с использованием байесовских принципов машинного обучения. Возможность количественной оценки неопределенности является ключевой особенностью, которая отличает BIM для геотехники от аналога для наземных сооружений. Кроме того, даже по мере все большего накопления и хранения данных исследований в стандартизированных форматах с помощью BIM можно автоматически импортировать, экспортировать, обрабатывать и передавать геотехнические данные через Интернет, что открывает путь к разработке веб-приложений для масштабируемой платформы BIM на основе искусственного интеллекта.

Рис. 9. Традиционные методы инженерно-геологических исследований, основанные на опыте, и современные парадигмы, основанные на данных (по Wang et al., 2020)

Логическая схема байесовского подхода и марковские случайные поля

Чтобы справиться с неопределенностями, связанными с определением стратиграфического строения грунтовых массивов, используют вероятностные подходы, включая байесовский метод (Wang et al., 2013), метод кластеризации (Liao, Mayne, 2007), метод максимумов модуля вейвлет-преобразования (Ching et al., 2015) и методы, основанные на машинном обучении (Wang et al., 2018). На основе стратиграфических колонок, полученных для мест расположения скважин, с помощью пространственной интерполяции границ между соседними слоями может быть интерпретирован стратиграфический разрез исследуемой площадки (Chen et al., 2018; Li et al., 2015; Patel, McMechan, 2003). Неопределенность в стратиграфической конфигурации может быть охарактеризована с помощью вероятностных подходов, на основе цепей Маркова (Elfeki, Dekking, 2001; Hu, Huang, 2007; Qi et al., 2016) или на основе случайных полей Маркова (Li et al., 2016; Norberg et al., 2002; Wang et al., 2016).

Таким образом, можно сказать, что неопределенность интерпретируемой геологической модели может быть хорошо охарактеризована с помощью вероятностных подходов, которые состоят из двух основных компонентов: байесовского машинного обучения и стохастической модели.

1. Байесовское машинное обучение основано на механизме стохастического распознавания образов. По сути, построение геологической модели, независимо от того выполняется ли оно геологами или с помощью алгоритмов искусственного интеллекта, представляет собой процесс разработки модели на основе результатов исследований, выполненных локально или в редко расположенных точках. Неполнота таких данных означает, что выводы должны делаться исходя из предварительных знаний о пространственной корреляции, геологическом строении и инженерно-геологической истории площадки, а неопределенности, связанные с этими выводами, должны быть четко определены количественно.

Байесовское машинное обучение (BML) – это междисциплинарная область, объединяющая машинное обучение и метод байесовского статистического вывода. Первое способно распознавать абстрактные шаблоны и моделировать системы с высокой сложностью. Второй позволяет проводить принципиальные оценки неопределенности и обеспечивает формальную основу для кодирования предварительных знаний человека для построения надлежащей вероятностной модели, выбор которой будет иметь большое значение для производительности и возможностей разработанной системы интерпретации и моделирования.

Как правило, подповерхностное пространство может быть абстрагировано в виде двухуровневой иерархической модели (рис. 10). Первый показанный на рисунке 10 уровень называется физическим пространством и соответствует пространственному распределению различных типов дисперсных и скальных грунтов ниже поверхности земли, которое может быть описано с использованием пространственно коррелированной категориальной модели, основанной, например, на марковском процессе (то есть на случайном поле Маркова). Второй уровень называется пространством признаков, в котором представлены вариации изменчивых показателей свойств грунта (например, плотности, влажности, водопроницаемости, прочности, параметров CPT и SPT и т. д.).

Рис. 10. Схематическое представление концептуальной иерархической геологической модели (Wang et al., 2020)

Для описания изменчивости свойств грунта могут быть использованы допущения Гаусса (или логарифмически нормальные допущения). Как марковское предположение, так и предположение Гаусса уже давно используются исследователями. Однако каждое из них не может рассматриваться как всеобъемлющая модель для интерпретации и моделирования геологических условий. Предположение Маркова само по себе не может отразить изменчивость свойств грунта. А классификация грунта, основанная только на предположении Гаусса, уязвима для «белого шума» данных, и получаемая интерпретированная стратификация обычно нереалистична и показывает чрезмерно частую смену типов грунта по глубине.

Предыдущие исследования (Wang et al., 2018, 2019) представляли собой экспериментальные попытки объединить эти два предположения в иерархическую модель, которая позволяла бы полностью интегрировать предварительные знания человека о подземном пространстве с измеряемыми свойствами грунтов. Кроме того, с точки зрения совместимости моделей такая комбинация интуитивно понятна, поскольку методы отбора проб грунта и визуальный/лабораторный контроль предоставляют прямые данные о типе грунта в физическом пространстве, а полевые испытания и/или геофизические исследования обеспечивают измерения инженерных характеристик грунтов в подземном пространстве площадки изысканий.

Таким образом, разработанная иерархическая модель обеспечивает базовую основу, позволяющую объединять разнообразные данные о грунтах из разных источников и моделировать их унифицированным образом.

На основе концептуальной иерархической геологической модели (см. рис. 10) интерпретация данных изысканий, по существу, представляет собой решение байесовской задачи классификации, основанной на сходстве показателей свойств грунта в пространстве признаков с учетом их пространственной корреляции (иначе говоря, пространственной структуры) в физическом пространстве.

Для площадки изысканий с несколькими типами данных по грунтам, собранных в нескольких местах, существуют две возможные схемы интерпретации.

Обычная схема заключается в том, чтобы интерпретировать эти данные раздельно, а затем вручную интегрировать полученную локальную стратификацию в полную 3D-модель. Этот процесс работы является субъективным и детерминированным.

Другая схема заключается в объединении данных по грунтам, собранных в разных местах с использованием разных методов исследований, и их совместной интерпретации в единой системе классификации грунтов. Исследования (Wang et al., 2020) показали, что такой путь имеет значительные преимущества по сравнению с обычной схемой интерпретации. Так, со статистической точки зрения дополнительные выборки данных могут предоставить более полную и расширенную статистическую информацию для каждого кластера (типа и свойств грунта) и тем самым значительно повысить точность результатов кластеризации. Более того, совместная интерпретация данных по грунтам, полученных с использованием нескольких методов исследований, может извлечь выгоду из взаимодополняемости различных методов, дополнительно устранив потенциальные несоответствия и приведя к согласованным результатам интерпретации. Что еще более важно, совместная интерпретация служит надежной гарантией масштабируемости процесса байесовского вывода, поскольку он обеспечивает надежный способ интеграции дополнительных данных по грунтам. Для использования такой схемы типичная задача состоит в том, чтобы объединить различные показатели в единую структуру корреляции, учитывая при этом различную достоверность разных показателей из-за способов их измерений. Эта проблема может быть решена путем внедрения алгоритмов контролируемого обучения или полууправляемого обучения в неконтролируемые подходы к кластеризации для учета корреляций между различными показателями свойств грунтов. Байесовский вывод иерархической модели может включать выборку в многомерном пространстве параметров для оценки апостериорной вероятности. Для повышения эффективности такого вывода были разработаны усовершенствованные схемы выборки по методу Монте-Карло с цепью Маркова (англ. MCMC) для численной реализации байесовского вывода. Некоторые самые последние методы, упомянутые выше, уже были реализованы в программе моделирования подповерхностного пространства, разработанной в FHWA.

2. Марковские случайные поля – математические представления пространственной неоднородности. Пространственное распределение грунтов и связанных с ними инженерных объектов обладает определенными закономерностями, которые обусловлены естественными процессами формирования и эволюции подповерхностного пространства. С учетом локальных результатов интерпретации (то есть локальной стратификации грунтов и локальных оценок их свойств) построение полной 2D/3D геологической модели требует ее адекватного понимания и эффективного воспроизведения. Более конкретно, инженерно-геологическую модель можно разделить на две части: стационарную и нестационарную. Первая отражает основные характеристики грунтов (состав, текстуру и пр.), которые в значительной степени определяются одними и теми же или сходными процессами их формирования. Вторая имеет большое значение для специфической местной геологической деятельности (поднятия, складкообразования и др.). Реальные конфигурации подповерхностных слоев можно рассматривать как наложение друг на друга нестационарной локализованной и крупномасштабной стационарной структур.

Работы по дистанционному зондированию и геофизическим измерениям (Wang et al., 2019; Wang et al., 2016) показали, что марковские случайные поля (MRF) могут использоваться для имитации стационарных пространственных структур и разрезов реальных грунтов. Более конкретно, дискретизированное подповерхностное пространство может быть представлено в виде неориентированной графической модели, в которой каждый пиксель (в двумерном физическом пространстве) или воксель (в трехмерном физическом пространстве) грунта может быть пространственно коррелирован с соседними пикселями/вокселями. Такая настройка используется для моделирования следующего основного наблюдаемого факта: сходные типы дисперсных или скальных грунтов обычно находятся близко друг к другу и образуют слоистые структуры (принцип кригинга). Анизотропия обычно контролируется путем установки параметров в марковских моделях случайного поля. Алгоритмы распознавания образов, основанные на машинном обучении, могут извлекать стационарную пространственную структуру грунта из результатов либо непрерывных геофизических измерений, либо «разреженных» наблюдений в скважинах с помощью метода байесовского вывода, как упоминалось выше.

Нестационарная структура может быть частично определена на основе известных геологических данных (геологических карт и пр.). Если же геологическая информация отсутствует или недостаточна, то в большинстве случаев простой и эффективной альтернативой является выполнение условного стохастического моделирования на основе полученных результатов по стратификации в отдельных точках и разработанной концептуальной модели с выбором всех возможных тенденций. Нестационарное поведение контролируется путем локальных изменений параметров MRF в соответствии с доступными локальными данными.

Как только пространственные структуры будут получены, они могут быть закодированы и представлены в виде соответствующих моделей случайного поля, а также воспроизведены в виде сгенерированных данных о подповерхностных условиях. Для создания непрерывных 2D/3D геологических моделей используются надлежащие методы прямого стохастического моделирования.

Технология информационного моделирования применительно к задачам геологии и геотехники в России

В Российской Федерации технологию BIM часто называют по-русски – ТИМ (технологией информационного моделирования).

Очень важно отметить, что в РФ силами ООО «НПП Геотек» была разработана ТИМ применительно к задачам геологии и геотехники под названием Geotek BIM, которая включает несколько программных модулей (рис. 11, 12).

Рис. 11. Структура информационных потоков в технологии информационного моделирования Geotek BIM (названия программных модулей приведены на латинице)

Рис. 12. Структурная схема полевых испытаний и проектирования оснований при использовании технологии информационного моделирования Geotek BIM

В отличие от подхода, показанного на рисунке 9, Geotek BIM решает задачи не только исследований свойств грунтов, но и проектирования оснований зданий и сооружений с использованием аналитических решений (в соответствии со сводами правил РФ), а также численных решений методом конечных элементов (рис. 13). Пример трехмерной модели плитного фундамента и его основания, полученной с использованием Geotek BIM, представлен на рисунке 14.

Рис. 13. Комплексный подход к решению задач инженерных изысканий и проектирования оснований, использованный в технологии информационного моделирования Geotek BIM

Рис. 14. Пример трехмерной модели плитного фундамента и его основания, полученной с помощью Geotek BIM

Более подробную информацию о возможности использования программы с предлагаемой отечественной технологией информационного моделирования Geotek BIM можно найти на сайте www.geotek-bim.ru.

Заключение

BIM становится важным инструментом для проектирования, строительства и эксплуатации строительных объектов. Данная технология использует цифровую информационную модель в качестве надежной основы для обмена информацией, совместной работы, визуализации, принятия решений и управления на всех этапах развития проекта. Это позволяет оптимизировать проектирование, строительство и эксплуатацию объектов и минимизировать возможные неопределенности и риски. К сожалению, в настоящее время большинство строительных проектов, которые могут внедрять процессы BIM, часто игнорируют геотехнические данные и не включают их в BIM-модель здания или сооружения.

Для того чтобы решить данную проблему, ООО «НПП Геотек» разработало российскую информационную систему для геологов и геотехников, применение которой позволяет существенно сократить продолжительность инженерно-геологических исследований и проектирования оснований и уменьшить связанные с ними риски.

Результаты рассмотренных в настоящем обзоре исследований показывают, что геологические и геотехнические данные могут быть включены в BIM-модель для формирования полной информационной модели, имеющей также геологическую и геотехническую составляющие. Это может сделать решения по проекту на всех этапах его развития наиболее эффективными, безопасными и экономичными и, свою очередь, максимизировать инвестиции в геотехническую составляющую проекта.

Список литературы

1. AGS, 2011. Electronic transfer of geotechnical and geoenvironmental data – AGS4. Association of Geotechnical and Geoenvironmental Specialists, 2011.
2. Allplan, 2016. BIM-compendium theory and practise. Allplan Deutschland GmbH, 2016. 340 p.
3. Berdigylyjov M., Popa H., 2019. The implementation and role of geotechnical data in BIM process // E3S Web of Conferences 85. 2019. P. 08009.
4. Chen G., Zhu J., Qiang M., Gong W., 2018. Three-dimensional site characterization with borehole data – a case study of Suzhou area // Engineering Geology. 2018. Vol. 234. P. 65–82.
5. Ching J., Wang J.-S., Juang C.H., Ku C.-S., 2015. CPT-based stratigraphic profiling using the wavelet transform modulus maxima method // Canadian Geotechnical Journal. 2015. Vol. 52. № 12. P. 1993–2007.
6. DAUB, 2019. Digitales Planen, Bauen und Betreiben von Untertagebauten, BIM im Untertagebau. Deutscher Ausschuss fьr Unterirdisches Bauen; German Tunneling Committee, May 2019.
7. Elfeki A., Dekking M., 2001. A Markov chain model for subsurface characterization: theory and applications // Mathematical Geology. 2001. Vol. 33. № 5. P. 569–589.
8. Gong W., Tang H., Wang H., Wang X., Juang C.H., 2019. Probabilistic analysis and design of stabilizing piles in slope considering stratigraphic uncertainty // Engineering Geology. 2019. Vol. 259. P. 105162.
9. Hu Q., Huang H., 2007. Risk analysis of soil transition in tunnel works // Proceedings of the 33rd ITA-AITES world tunnel congress-underground space-the 4th dimension of metropolises. May 2007. P. 209–215.
10. Khan M.S., Park J., Seo J., 2021. Geotechnical property modeling and construction safety zoning based on GIS and BIM integration // Appl. Sci. 2021. Vol. 11. P. 4004.
11. Konietzky H., 2020. BIM for geotechnical engineering. TU Bergakademie Freiberg, Institut fьr Geotechnik, 2020. 30 p. URL: tu-freiberg.de/sites/default/files/media/professur-felsmechanik-32204/E-book/39_geotechnical_building_information_modelling_8.pdf.
12. Li X., Zhang L., Li J., 2015. Using conditioned random field to characterize the variability of geologic profiles // Journal of Geotechnical and Geoenvironmental Engineering. 2015. Vol. 142. № 4. P. 04015096.
13. Li Z., Wang X., Wang H., Liang R.Y., 2016. Quantifying stratigraphic uncertainties by stochastic simulation techniques based on Markov random field // Engineering Geology. 2016. Vol. 201. P. 106–122.
14. Liao T., Mayne P., 2007. Stratigraphic delineation by three-dimensional clustering of piezocone data // Georisk. 2007. Vol. 1. № 2. P. 102–119.
15. Moller O., Mahutka K.-P., 2018. BIM in der Geotechnik – Konzeptpapier, Hochschule 21, Buxtehude: technical report № 10. 2018. 18 p.
16. Morin G., 2018. Geotechnical BIM: applying BIM principles to the subsurface. Autodesk University, 2018. № TR-21042. 10 p.
17. Morin G., Hassall S., Chandler R., 2014. Case study – the real life benefits of geotechnical building information modelling // Advances in Soil Mechanics and Geotechnical Engineering. Vol. 3. Information Technology in Geo-Engineering. IOS Press, 2014. P. 95–102.
18. Napa V., Ventini R., Vittoria C., Domenico A., 2019. A new frontier of BIM process: geotechnical BIM //Proceedings of the XVII ECSMGE-2019 “Geotechnical Engineering foundation of the future”, 2019.
19. Norberg T., Rosen L., Baran A., Baran S., 2002. On modelling discrete geological structures as Markov random fields // Mathematical Geology. 2002. Vol. 34. № 1. P. 63–77.
20. Obergriesser M., Borrmann A., 2012. Infrastructural BIM standards – development of an Information Delivery Manual for the geotechnical infrastructural design and analysis process, // eWork and eBusiness in Architecture, Engineering and Construction. Taylor & Francis, 2012. P. 581–587.
21. PAS 1192-2, 2013. Specification for information management for the capital/delivery phase of construction projects using building information modelling. London: British Standards Institution, 2013.
22. Patel M.D., McMechan G.A., 2003. Building 2-D stratigraphic and structure models from well log data and control horizons // Computers & geosciences. 2003. Vol. 29. № 5. P. 557–567.
23. Qi X.-H., Li D.-Q., Phoon K.-K., Cao Z.-J., Tang X.-S., 2016. Simulation of geologic uncertainty using coupled Markov chain // Engineering geology. 2016. Vol. 207. P. 129–140.
24. Tawelin L.R., Mickovski S.B., 2016. The implementation of geotechnical data into the BIM process // Procedia Engineering. 2016. Vol. 143. P. 73–741.
25. Vanicek I., Jirasko D., Vanicek M., 2021. Role of geotechnical engineering in BIM process modelling // 14th Baltic Sea Region Geotechnical Conference, 2021.
26. Walthall S., Palmer M., 2006. The development, implementation and future of the AGS data formats for the transfer of geotechnical and geoenvironmental data by electronic means // GeoCongress 2006 “Geotechnical Engineering in the Information Technology Age”. 2006. P. 1–4.
27. Wang H., Wang X., Liang R., 2020. Study of AI based methods for characterization of geotechnical site investigation data: report № FHWA/OH-2020-3. 2020. 56 p.
28. Wang H., Wang X., Wellmann F., Liang R.Y., 2018. A Bayesian unsupervised learning approach for identifying soil stratification using cone penetration data // Canadian Geotechnical Journal. October 2018. DOI:10.1139/cgj-2017-0709. URL: researchgate.net/publication/328463267_A_Bayesian_unsupervised_learning_approach_for_identifying_soil_stratification_using_cone_penetration_data.
29. Wang H., Wellmann F., Zhang T., Schaaf A., Kanig R.M., Verweij E., von Hebel C., van der Kruk J., 2019. Pattern extraction of topsoil and subsoil heterogeneity and soil-crop interaction using unsupervised Bayesian machine learning: an application to satellite-derived NDVI time series and electromagnetic induction measurements // Journal of Geophysical Research. Biogeosciences. 2019. Vol. 124. P. 1524–1544. DOI: doi.org/10.1029/2019JG005046.
30. Wang H., Wellmann J.F., Li Z., Wang X., Liang R.Y., 2016. A segmentation approach for stochastic geological modeling using hidden Markov random fields // Mathematical Geosciences. 2016. Vol. 49. № 2. P. 145–177.
31. Wang X., Li Z., Wang H., Rong Q., Liang R.Y., 2016. Probabilistic analysis of shield-driven tunnel in multiple strata considering stratigraphic uncertainty // Structural Safety. 2016. Vol. 62. P. 88–100.
32. Wang X., Wang H., Liang R.Y., 2017. A method for slope stability analysis considering subsurface stratigraphic uncertainty // Landslides. 2017. Vol. 1 P. 1–12 (2018. Vol. 15. № 5. P. 925–936).
33. Wang X., Wang H., Liang R.Y., Liu Y., 2019. A semi-supervised clustering-based approach for stratification identification using borehole and cone penetration test data // Engineering Geology. 2019. Vol. 248. P. 102–116.
34. Wang X., Wang H., Liang R.Y., Zhu H., Di H., 2018. A hidden Markov random field model based approach for probabilistic site characterization using multiple cone penetration test data // Structural Safety. 2018. Vol. 70. P. 128–138.
35. Wang Y., Huang K., Cao Z., 2013. Probabilistic identification of underground soil stratification using cone penetration tests // Canadian Geotechnical Journal. 2013. Vol. 50. № 7. P. 766–776.
36. Weaver S.D., Lefchik T.E., Hoit M.I., Beach K., 2008. Geoenvironmental and geotechnical data exchange: setting the standard // GeoCongress 2008 “Characterization, Monitoring, and Modeling of GeoSystems”. 2008. P. 557–564.
37. Wu J., Chen J., Chen G., Wu Z., Zhong Y., Chen B., Ke W., Huang J., 2021. Development of data integration and sharing for geotechnical engineering information modeling based on IFC // Hindawi. Advances in Civil Engineering. 2021. Article ID 8884864. 15 p.
38. Zhang J., Wu C., Wang Y., Ma Y., Wu Y., Mao X., 2017. The BIM-enabled geotechnical information management of a construction project. 2017, 2018. DOI:10.1007/s00607-017-0571-8. URL: researchgate.net/publication/319187043_The_BIM-enabled_geotechnical_information_management_of_a_construction_project.