Webinar Efekt drona na budowie: Od danych do Cyfrowego Bliźniaka

Dzień dobry wszystkim. Witam bardzo serdecznie na webinarze odnośnie naszej jesiennej serii. Temat dzisiejszego webinaru to Od danych do Cyfrowego Bliźniaka, czyli Jak AI, przyczytaj to Agencja Machine Learning, tutaj można zamiennie na takim poziomie, powiedzmy, komunikacji to stosować i podejście z CAN to BIM rewolucjonizują zarządzanie cyklem życia inwestycji. Na kilku przykładach pokażę jak my w firmie do tego podchodzimy. Kilka technologii po prostu tutaj się spotyka, kilka technologii tutaj ma swoje zastosowanie, więc myślę, że z różnych ujęć, z perspektywy różnych branż do tematu będziemy mogli podejść.

Szybkie zestawienie różnych technologii, które nam w tym pomagają, dlatego jakby na potwierdzenie tych słów, o których wcześniej mówiłem, czyli że spotkało się kilka technologii, które pozwalają generować te cyfrowe bliźniaki szybciej. Mamy tutaj właśnie czy machine learning, czy analizę obrazu, modelowanie BIM, integrację danych, czyli całe IT związane z Z tym, żeby te dane ze sobą rozmawiały, żeby je łączyć w jedną całość, ale też technologie pozyskiwania danych, które są coraz lepsze, czy sensory, które generują nam dane w czasie rzeczywistym.

Zaczniemy od telekomunikacji i proszę pamiętać o tym, że mieć z tyłu głowy tą matrycę, czyli na każdym z tych przykładów w zasadzie będzie bardzo podobna Bardzo podobny proces, bardzo podobne elementy, tylko infrastruktura nam się zmienia, narzędzia trochę nam się zmieniają i oczywiście dedykowane, czy modele machine learningu, czy dedykowane zespoły techniczne, merytoryczne dla danego obiektu, natomiast całościowo to możemy w tą matrycę zapiąć. I teraz przechodząc już do konkretów. W ramach naszych działań, w ramach naszych projektów, które realizujemy, zajmujemy się tworzeniem cyfrowych bliźniaków infrastruktury telekomunikacyjnej i tam wykorzystujemy drony, dokumentację techniczną, AI do modelowania 3D i do takiego automatycznego generowania modeli BIM dla tej infrastruktury.

Te poszczególne elementy w szczegółach opiszę, czyli akwizycje danych, wykorzystanie machine learningu do rozpoznania poszczególnych elementów na tej infrastrukturze i do generowania cyfrowego bliźniaka 3D. Tutaj takie zestawienie, które w postaci takiego business case'a opracowaliśmy z klientami, czyli porównanie przeglądów rocznych, pięcioletnich, takich konstrukcji. Wysmukłych konstrukcji wysokościowych w sposób tradycyjny, z wykorzystaniem tradycyjnego podejścia w porównaniu do nowego procesu z wykorzystaniem dronów, Cyfrowego Bliźniaka i tego, że mamy tę matrycę, tę taśmę produkcyjną stworzoną. Ta infrastruktura wbrew pozorom bardzo mocno żyje, bo ta infrastruktura zmienia się, ta infrastruktura też stoi przed takim wyzwaniem zmian w kontekście prowadzenia 5G, więc tutaj modernizacje tej infrastruktury są bardzo istotne.

Punkt, który reprezentuje śrubkę i punkt, który reprezentuje antenę, to jest dokładnie ten sam punkt dla naszego algorytmu czy dla naszego Cyfrowego Bliźniaka, jeżeli nie zamienimy go w inną informację. I teraz przechodzimy już dalej, czyli jak to zrobić, żeby z tych danych fotogrametrycznych, żeby ze zdjęć przerobić to na model cyfrowy i wygenerować z tego cyfrowego bliźniaka. Po pierwsze, wykorzystujemy tutaj algorytmy oparte o machine learning do tego, żeby wykryć poszczególną infrastrukturę, po pierwsze na zdjęciach, po to, żeby zidentyfikować tą infrastrukturę, po to, żeby wykonać właśnie automatyczne modelowanie.

No i to, co Państwo widzą, to tutaj mamy na zdjęciu wykrycie w sposób automatyczny. Te infrastruktury, te kolorki reprezentują nam różne rodzaje anten, różne rodzaje elementów, obiektów, które na tej infrastrukturze się znajdują. Modele oparte właśnie o machine learning do tego, żeby wykrywały te poszczególne elementy. Także tutaj była duża praca związana z tym, żeby wygenerować takie modele uczące. I dzięki temu mamy tę segmentację, która wykrywa poszczególne elementy. No i w dalszym kroku, jeżeli te elementy już mamy wykryte na zdjęciach, przechodzimy na 3D i identyfikujemy te dane na 3D.

Więc w tym segmencie wykorzystujemy drony, wykorzystujemy analizę obrazu i machine learning do tego, żeby wykrywać uszkodzenia na liniach kolejowych. Tak długoterminowo pomysł na to jest taki, że te drony będą po prostu automatycznie latać wzdłuż linii kolejowych, pozyskiwać dane i następnie system będzie analizował poszczególne elementy, porównywał to do Cyfrowego Bliźniaka albo w tym Cyfrowym Bliźniaku alertował, alarmował odnośnie zmian, Od danych do Cyfrowego Bliźniaka.

Więc mamy tutaj klasyfikację i znowu biorąc pod uwagę to, co wcześniej mówiłem, na podstawie takiego schematycznego budowania bazy danych BIM-owej albo wykorzystujemy bazę istniejącą, albo generujemy właśnie takie modele BIM po to, żeby Żeby ten Cyfrowy Bliźniak zasilać informacjami o tych uszkodzeniach i żeby te uszkodzenia odnośnie infrastruktury to był jeden z atrybutów tego Cyfrowego Bliźniaka infrastruktury kolejowej. Kolejówka to też zadania związane z przetargami, związane z monitoringiem postępu prac. I tutaj mam taki przykład zrealizowania projektu, w którym właśnie te narzędzia oparte o machine learning

Na dane uszkodzenia i następnie też generuje z tego pliki wektorowe, czyli ten wektor albo inaczej. To uszkodzenie może być zaprezentowane w postaci zdjęcia, w postaci raportu, w postaci wektora, który na takim modelu 3D może zostać umieszczony i pomierzony, ale może być też atrybutem w tym modelu BIM-owym czy w Cyfrowym Bliźniaku tej infrastruktury. Porównanie oznaczeń eksperta w stosunku do takiego wyniku z Machine Learningu. No i patrząc na taki projekt, gdzie już wykonaliśmy kilkadziesiąt, kilkaset takich obiektów budynkowych, no to widzimy tutaj duże oszczędności związane po prostu z tymi kosztami terenowymi, gdzie właśnie czy audytor,

To jest właśnie przykład wykorzystania danych dronowych, który może być realizowany. I gdzie właśnie ten machine learning, gdzie te cyfrowe bliźniaki w budownictwie? No i tutaj wchodzimy już na konkretne zastosowania i na konkretne przykłady. Wykrywanie hałd, czy to na placach spodowych, czy to na placu budowy. Te hałdy akurat po prostu mamy takie algorytmy i u nas wewnętrznie, i też na portalu SkySnap do tego, żeby wykrywać te obrysy w sposób automatyczny. I tak jak tutaj Państwo widzą, na czerwono mamy obrysy w postaci manualnego obrysowania przez inżyniera czy przez geodetę.

Na czarno mamy obrysy z machine learningu. Różnice to są pojedyncze procenty, także... Także tutaj po prostu w każdym segmencie chcemy sobie tą robotę jak najbardziej automatyzować. To samo dotyczy robót ziemnych, akurat tutaj taki przykład z inwestycji hali przemysłowej, więc monitoring postępu prac właśnie z wykorzystaniem danych projektowych, z wykorzystaniem danych dronowych i Od danych do Cyfrowego Bliźniaka.

Oprócz infrastruktury technicznej czy konstrukcyjnej, mamy też infrastrukturę towarzyszącą dookoła, czyli na przykład pomiar kostki brukowej. Tutaj znowu widzimy poszczególnymi kolorami oznaczone zmiany na tym obiekcie, na tej budowie w czasie. Kolejny przykład prac drogowych brukarskich. Tutaj ten przykład, który teraz pokażę, akurat tutaj było sporo, właśnie analizy obrazu, machine learningu i takiego technicznego podejścia, gdzie transformujemy przekroje geologiczne z 2D do 3D po to, żeby mieć na końcu powierzchnię 3D danych warstw gruntowych.

Algorytmy analizy obrazu oparte właśnie o machine learning wykrywały, która warstwa to która, przenosiły te poszczególne oznaczenia warstw gruntowych i gleb na 3D. Posiadając właśnie informacje o miejscu odwiertu, o skali, można było to z powodzeniem w układ współrzędnych wpasować, więc to, co tutaj widać po prawej stronie, to są przełożone Przekroje na 3D pasowane w układ współrzędny i następnie na tej podstawie za pomocą interpolacji były wygenerowane powierzchnie 3D danej gleby. Tych warstw, jak Państwo się domyślają, było bardzo dużo.

Ta gleba jest zmienna. Więc wykorzystanie takich danych w oparciu o machine learning po prostu nam tutaj dużo prac automatyzuje, jeżeli chodzi o taką powtarzalność i tego, żeby na dużym zbiorze danych takie elementy sobie zautomatyzować. Efektem... Po pierwsze była powierzchnia 3D ciągła, nie tylko w postaci przekroju w danym miejscu, tylko w postaci takiej ciągłej, więc można było szybko policzyć przedmiar prac i zweryfikować przedmiar robót akurat tutaj dla firmy budowlanej, która potrzebowała takie zestawienie, żeby porównać to z przedmiarem od zamawiającego.

I faktycznie poziom odniesienia jest tutaj super istotny. Czy machine learning jest nieomylny w przypadku takiej dokumentacji geologicznej? No oczywiście, że nie. Tutaj to jest proces taki bym powiedział kontrolowany, nadzorowany. Gdyby nie machine learning w tym projekcie, no to potrzeba by było posadzenia bardzo dużej liczby osób do tego, żeby zwektoryzować te dane z przekrojów. To jest taki element, który nam po prostu bardzo dużo pomaga w takim procesie. Dzień dobry, witam wszystkich.

Czy wszystkie przedstawione funkcje AI, zliczanie podkładów, uszkodzenia izolatorów, spękania ścian są zainteresowane w SkySnap 2.0? SkySnap 2.0 to nasz portal SkySnap, czyli nowa wersja naszego portalu. Jeżeli chodzi o algorytmy, które są tam zaimplementowane, to mamy w tej wersji dostępnej dla użytkowników algorytm zlicza... Wykrywanie hałd, liczenia tych hałd, zliczanie podkładów, izolatorów, spękań. Nie mamy tego zaimplementowanego w portalu. Po pierwsze, Pracujemy nad tym, żeby w przyszłym roku coraz więcej takich modeli maszyn learningowych było na pokładzie jako algorytmy automatyzujące pracę na Państwa danych, czyli po wgraniu ortofotomapy, chmury punktów będą mogli Państwo skorzystać z coraz więcej algorytmów opartych właśnie o machine learning.