Ahmed, Abdulkadir Hassan (2026) Automating Bim Clash Classification Using a Hybrid Cnn-Mlp Approach for Enhanced Design Coordination. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF G202313430 Final Thesis Submission -Abdulkadir Ahmed.pdf - Accepted Version Restricted to Repository staff only until 23 June 2027. Download (6MB)

Arabic Abstract

تتناول هذه الدراسة قصورًا جوهريًا في تنسيق التصميم القائم على نمذجة معلومات المباني (BIM)، ألا وهو عدم كفاءة أنظمة كشف التداخلات الحالية في التمييز بين التداخلات ذات الصلة وغير ذات الصلة. فبينما تُحدد الأدوات الآلية، مثل Autodesk Navisworks، التداخلات الهندسية بكفاءة، إلا أنها تُنتج عددًا كبيرًا من التداخلات الإيجابية الخاطئة، مما يُؤدي إلى جهد كبير في المراجعة اليدوية وانخفاض كفاءة التنسيق. وللتغلب على هذا التحدي، يقترح هذا البحث إطار عمل متعدد الوسائط للتعلم الآلي يدمج بيانات BIM المرئية والمنظمة لتصنيف التداخلات آليًا حسب أهميتها. وقد طُوّر نموذج هجين من الشبكة العصبية الالتفافية وشبكة بيرسيبترون متعددة الطبقات (CNN-MLP) للتعلم المشترك من صور التداخلات والبيانات الوصفية المستخرجة من سير عمل تنسيق BIM. يلتقط مكون CNN السمات المكانية والهندسية من لقطات شاشة التداخلات، بينما تعالج MLP السمات الدلالية والرقمية المستمدة من تقارير التداخلات. وتُستخدم استراتيجية دمج على مستوى السمات لدمج كلا النمطين وإنتاج مخرجات التصنيف النهائية. تم تدريب النموذج وتقييمه باستخدام مجموعة بيانات متعددة الوسائط مُنشأة من مشاريع BIM حقيقية، مع تصنيفات مدى تداخل العناصر المُستخدمة من قِبل خبراء المجال. تمت مقارنة المنهجية المقترحة مع نماذج أساسية أحادية الوسائط، بما في ذلك نماذج الصور فقط (CNN) ونماذج الجداول فقط (MLP). تُظهر النتائج التجريبية أن نموذج CNN-MLP الهجين يتفوق على كلا النموذجين الأساسيين، محققًا دقة بلغت 99.34%، ومقياس F1 بقيمة 0.9843. تؤكد هذه النتائج أن الوسائط المرئية والجدولية تُوفر معلومات مُكملة، وأن دمج الوسائط المتعددة يُحسّن أداء التصنيف بشكل ملحوظ مع تقليل كل من النتائج الإيجابية والسلبية الخاطئة. يُساهم هذا البحث في تطوير سير عمل BIM الذكي من خلال إثبات فعالية التعلم متعدد الوسائط في تصنيف مدى تداخل العناصر، ومن خلال تقديم إطار عمل قابل للتطوير وقائم على البيانات، ومتوافق مع ممارسات التنسيق في هذا القطاع. يتمتع النهج المقترح بإمكانات قوية لتقليل عبء العمل اليدوي، وتحسين كفاءة اتخاذ القرارات، ودعم التبني الأوسع لأنظمة تنسيق BIM المدعومة بالذكاء الاصطناعي. .

English Abstract

This study addresses a critical limitation in Building Information Modeling (BIM)-based design coordination, namely the inefficiency of current clash detection systems in distinguishing between relevant and irrelevant clashes. While automated tools such as Autodesk Navisworks effectively identify geometric conflicts, they generate a high volume of false-positive clashes, resulting in significant manual review effort and reduced coordination efficiency. To overcome this challenge, this research proposes a multimodal machine learning framework that integrates visual and structured BIM data for automated clash relevance classification. A hybrid Convolutional Neural Network–Multilayer Perceptron (CNN–MLP) model is developed to jointly learn from clash images and metadata extracted from BIM coordination workflows. The CNN component captures spatial and geometric features from clash screenshots, while the MLP processes semantic and numerical attributes derived from clash reports. A feature-level fusion strategy is employed to combine both modalities and produce final classification outputs. The model is trained and evaluated using a multimodal dataset constructed from real BIM projects, with clash relevance labels provided by domain experts.

Item Type:	Thesis (Masters)
Subjects:	Construction
Department:	College of Design and Built Environment > Architectural Engineering and Construction Management
Thesis Advisor:	Osama Mohsen,
Thesis Committee Members:	Ziad Ashour, Ahmed Ghaithan,
Depositing User:	ABDULKADIR HASSAN AHMED
Date Deposited:	24 Jun 2026 08:23
Last Modified:	30 Jun 2026 09:21
URI:	https://eprints.kfupm.edu.sa/id/eprint/144619