Ein Forschungsteam um Jun Xiao u. a. stellt in einem arXiv-Preprint (23.01.2026) eine vollautomatische, reversible Pipeline vor, die frühe B-rep-Entwurfsgeometrie (Design Model, DM) in ein Knowledge-Graph-basiertes BIM-Modell und anschließend in ein ausführbares Building Energy Model (BEM) überführt. Ziel ist es, frühe Entwürfe schneller leistungsbasiert (z. B. energetisch) bewerten und als strukturierte Datengrundlage für Graph-/KI-Methoden nutzen zu können.
Kernidee: Von „unstrukturiertem“ Entwurf zu KI-interpretierbaren Gebäudedaten
Der Preprint adressiert ein bekanntes Problem: In frühen Planungsphasen liegt Geometrie häufig als flexible B-rep-Modelle vor, denen räumliche Topologie, Semantik und Performance-Struktur fehlen. Die vorgestellte Methode erzeugt daraus explizite Räume, Bauteile, Nachbarschaften und verknüpft diese in einem Ontology-/Knowledge-Graph-Ansatz, bevor daraus ein EnergyPlus-fähiges Energiemodell abgeleitet wird.
Technische Bausteine (laut Veröffentlichung)
Die Pipeline kombiniert u. a.: automatisiertes Geometry-Cleansing, mehrere Auto-Space-Generation-Strategien, graphbasierte Extraktion von Space-/Element-Topologie, sowie ein ontology-aligned Knowledge Modeling mit reversibler Transformation zwischen ontology-basiertem BIM und EnergyPlus-BEM.
Evaluation: Robustheit, Topologie und Laufzeit
Für die Validierung berichten die Autoren Tests auf parametrischen, skizzenbasierten und realen Gebäudedatensätzen. In der Evaluation werden u. a. hohe Robustheit und konsistente topologische Rekonstruktion genannt; als Kennzahl wird eine durchschnittliche Topologie-Rekonstruktionsgüte (nGED) von 0,871 ausgewiesen. Zudem wird für die DM→BEM-Transformation eine Laufzeit von 0,01 s pro Zone bzw. 0,29 s für die komplette Transformation (MOOSAS-Energy-Kompatibilität) angegeben.
Warum das für KI-Workflows relevant ist
Die Autoren positionieren die Pipeline explizit als Infrastruktur, damit KI Gebäude nicht nur „sehen“, sondern strukturiert interpretieren kann (Räume, Beziehungen, thermische Attribute). Damit sollen u. a. graphbasierte Lernverfahren und performance-getriebene Variantenuntersuchungen in frühen Phasen erleichtert werden.
Einordnung: BIM Simulation als Engpass – KI als Beschleuniger
Der Ansatz passt in einen breiteren Forschungstrend, bei dem KI die Integration von BIM und Building Performance Simulation (BEPS) verbessern soll – insbesondere über offene Datenstandards wie IFC und deren semantische Nutzung. Ein peer-reviewter Überblicksartikel in Advanced Engineering Informatics (01/2026) diskutiert genau diese Herausforderungen, Lösungsansätze und Entwicklungslinien.
Verfügbarkeit / Reproduzierbarkeit
Als Bestandteil der Arbeit wird auf eine Code-Ocean-Ressource im Umfeld von „Moosas“ verwiesen (Building Performance Analysis/Optimierung für frühe Entwurfsphasen).
Hinweis zur Publikationsform
Die zentrale DM–BIM–BEM-Arbeit liegt aktuell als vor.
Quellen: arXiv-Preprint
