BIGNet: Pretrained Graph Neural Network for Embedding Semantic, Spatial, and Topological Data in BIM Models

📄 arXiv: 2509.11104v1 📥 PDF

作者: Jin Han, Xin-Zheng Lu, Jia-Rui Lin

分类: cs.LG

发布日期: 2025-09-14

期刊: Computer-Aided Civil and Infrastructure Engineering, 2025

DOI: 10.1111/mice.70073

💡 一句话要点

提出BIGNet，用于BIM模型中语义、空间和拓扑数据的图神经网络预训练。

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: BIM 图神经网络 预训练 迁移学习 设计检查 语义建模 空间建模

📋 核心要点

  1. 现有方法在土木工程中主要关注文本和视觉数据，忽略了BIM模型中丰富的语义、空间和拓扑信息。
  2. BIGNet通过图神经网络学习和重用BIM模型中嵌入的多维设计特征，并引入新的消息传递机制。
  3. 实验结果表明，BIGNet在BIM设计检查的迁移学习任务中，平均F1分数比非预训练模型提高了72.7%。

📝 摘要（中文）

大型基础模型(LFMs)在土木工程中展现出显著优势，但主要关注文本和视觉数据，忽略了BIM模型中丰富的语义、空间和拓扑特征。因此，本研究开发了首个大规模图神经网络(GNN)BIGNet，用于学习和重用BIM模型中嵌入的多维设计特征。首先，引入了一种可扩展的图表示来编码BIM组件的“语义-空间-拓扑”特征，并创建了一个包含近100万个节点和350万条边的的数据集。随后，通过向GraphMAE2引入一种新的消息传递机制，并使用节点掩码策略对其进行预训练，提出了BIGNet。最后，BIGNet在各种基于BIM的设计检查迁移学习任务中进行了评估。结果表明：1)同构图表示在学习设计特征方面优于异构图；2)考虑30厘米半径内的局部空间关系可以提高性能；3)基于GAT的特征提取的BIGNet取得了最佳的迁移学习结果。该创新使平均F1分数比非预训练模型提高了72.7%，证明了其在学习和迁移BIM设计特征方面的有效性，并促进了其在未来设计和生命周期管理中的自动化应用。

🔬 方法详解

问题定义：论文旨在解决现有大型基础模型在土木工程领域应用时，对BIM模型中蕴含的丰富语义、空间和拓扑信息利用不足的问题。现有方法主要集中于文本和视觉数据的处理，无法有效提取和利用BIM模型中的多维设计特征，限制了其在设计检查、自动化设计等方面的应用。

核心思路：论文的核心思路是利用图神经网络(GNN)来学习和表示BIM模型中的语义、空间和拓扑信息。通过将BIM模型中的组件表示为图的节点，组件之间的关系表示为边，从而将BIM模型转化为图结构数据。然后，利用GNN强大的图表示学习能力，提取BIM模型中的多维设计特征，并进行预训练，以便在下游任务中进行迁移学习。

技术框架：BIGNet的整体框架包括以下几个主要阶段：1) 图表示构建：将BIM模型转化为图结构数据，节点表示BIM组件，边表示组件之间的语义、空间和拓扑关系。2) 数据集构建：构建包含近100万个节点和350万条边的大规模BIM图数据集。3) 模型预训练：基于GraphMAE2，引入新的消息传递机制，并使用节点掩码策略进行预训练。4) 迁移学习：将预训练的BIGNet应用于各种基于BIM的设计检查任务，评估其性能。

关键创新：论文的关键创新在于：1) 提出了首个大规模BIM图神经网络BIGNet，用于学习和表示BIM模型中的多维设计特征。2) 引入了一种新的消息传递机制，增强了GNN对BIM模型中复杂关系的建模能力。3) 构建了一个大规模的BIM图数据集，为GNN的预训练提供了数据基础。

关键设计：在图表示构建方面，论文考虑了组件之间的语义、空间和拓扑关系，并探索了同构图和异构图两种表示方式。实验结果表明，同构图表示在学习设计特征方面优于异构图。在空间关系建模方面，论文考虑了30厘米半径内的局部空间关系，并发现其可以提高性能。在模型结构方面，论文采用了基于GAT的特征提取器，并取得了最佳的迁移学习结果。损失函数采用了节点掩码重建损失，用于预训练GNN。

📊 实验亮点

实验结果表明，BIGNet在基于BIM的设计检查迁移学习任务中表现出色。与非预训练模型相比，BIGNet的平均F1分数提高了72.7%。此外，实验还发现，同构图表示优于异构图，考虑30厘米半径内的局部空间关系可以提高性能，基于GAT的特征提取器取得了最佳的迁移学习结果。这些结果验证了BIGNet在学习和迁移BIM设计特征方面的有效性。

🎯 应用场景

BIGNet的应用场景广泛，包括自动化设计检查、智能设计优化、建筑生命周期管理等。通过学习和迁移BIM设计特征，BIGNet可以帮助工程师更高效地进行设计验证，减少人为错误，提高设计质量。此外，BIGNet还可以应用于建筑设施的智能运维，例如故障诊断、能耗优化等，从而降低运营成本，提高建筑的可持续性。

📄 摘要（原文）

Large Foundation Models (LFMs) have demonstrated significant advantages in civil engineering, but they primarily focus on textual and visual data, overlooking the rich semantic, spatial, and topological features in BIM (Building Information Modelling) models. Therefore, this study develops the first large-scale graph neural network (GNN), BIGNet, to learn, and reuse multidimensional design features embedded in BIM models. Firstly, a scalable graph representation is introduced to encode the "semantic-spatial-topological" features of BIM components, and a dataset with nearly 1 million nodes and 3.5 million edges is created. Subsequently, BIGNet is proposed by introducing a new message-passing mechanism to GraphMAE2 and further pretrained with a node masking strategy. Finally, BIGNet is evaluated in various transfer learning tasks for BIM-based design checking. Results show that: 1) homogeneous graph representation outperforms heterogeneous graph in learning design features, 2) considering local spatial relationships in a 30 cm radius enhances performance, and 3) BIGNet with GAT (Graph Attention Network)-based feature extraction achieves the best transfer learning results. This innovation leads to a 72.7% improvement in Average F1-score over non-pretrained models, demonstrating its effectiveness in learning and transferring BIM design features and facilitating their automated application in future design and lifecycle management.