BIGNet：面向 BIM 模型中语义、空间与拓扑数据嵌入的预训练图神经网络
机器学习
2025-09-30 v1
摘要
大型基座模型（Large Foundation Models, LFMs）在 civil engineering 领域展现出显著优势，但主要聚焦于文本和视觉数据，忽视了 BIM（Building Information Modelling，建筑信息模型）中嵌入的丰富语义、空间与拓扑特征。因此，本研究构建首个大规模图神经网络（GNN），命名为 BIGNet，用于学习和复用 BIM 模型中嵌入的多维设计特征。首先，引入可扩展的图表示编码 BIM 组件的“语义-空间-拓扑”特征，并创建包含近 100 万节点和 350 万条边的数据集。随后，提出 BIGNet，通过引入新的消息传递机制集成至 GraphMAE2，并采用节点掩码策略进行预训练。最后，在各种基于 BIM 的设计检查迁移学习任务中评估了 BIGNet。结果表明：（1）单质构图表示在学习设计特征方面优于异构图；（2）考虑 30cm 半径内的局部空间关系可提升性能；（3）基于 GAT（Graph Attention Network，图注意力网络）的特征提取器实现的 BIGNet 在迁移学习任务中取得最佳效果。该创新使 Average F1 分数相较于非预训练模型提升了 72.7%，充分证明了其在学习和迁移 BIM 设计特征方面的有效性，促进了其在未来设计与生命周期管理中的自动化应用。
引用
@article{arxiv.2509.11104,
title = {BIGNet: Pretrained Graph Neural Network for Embedding Semantic, Spatial, and Topological Data in BIM Models},
author = {Jin Han and Xin-Zheng Lu and Jia-Rui Lin},
journal= {arXiv preprint arXiv:2509.11104},
year = {2025}
}