BIM-AI 설계 프레임워크

IFC → OpenUSD 변환, Qdrant 벡터 DB 기반 속성 관리, LLM 멀티에이전트 설계 자동화

---

프레임워크 개요

[IFC / Point Cloud / Revit]
        ↓
[Layer 2] IfcOpenShell → IFC-USD Mapper → Property Embedder
        ↓                                      ↓
[Layer 3] OpenUSD Scene Graph  ←→  Qdrant Vector DB
        ↓                                      ↓
[Layer 4] RAG Retriever + LLM Multi-Agent + Generative Design
        ↓
[Layer 5] USD→IFC Export / 3D Viz / Design Review / Digital Twin
        ↓
      Feedback Loop → Layer 2 재순환

---

Layer 1 — 데이터 소스

포맷	용도	비고
IFC 2x3 / 4.3	레거시 BIM 모델	ISO 16739, 업계 표준
IFC 5 (JSON)	차세대 표준	JSON 직렬화, OpenUSD 통합 설계
Point Cloud	현장 스캔 (LAS/E57)	SLAM 기반 현실 데이터
Revit / Archicad	BIM 저작 도구	API 통한 직접 연동
CityGML / GIS	도시·인프라 스케일	BIM-GIS 통합

---

Layer 2 — 파싱 & 변환

2-1. IfcOpenShell 파서

IFC 파일에서 요소, 속성, 관계, 지오메트리를 추출하는 핵심 라이브러리.

import ifcopenshell
import ifcopenshell.util.element as util

model = ifcopenshell.open("model.ifc")

for wall in model.by_type("IfcWall"):
    psets = util.get_psets(wall)          # 속성 세트 전체
    location = util.get_container(wall)   # 공간 위치 (층)
    wall_type = util.get_type(wall)       # 타입 정보

• 지원: IFC2x3 TC1, IFC4 Add2 TC1, IFC4x3 Add2
• 지오메트리 → triangulated mesh 변환 (ifcopenshell.geom)
• IfcConvert CLI로 glTF, OBJ, DAE 등 일괄 변환 가능

2-2. IFC → OpenUSD 매핑 전략

IFC 엔티티	USD 대응	설명
IfcProject	Stage root	USD 파일 루트
IfcSite	/Site Xform	좌표계 기준점
IfcBuilding	/Site/Building Xform	건물 단위
IfcBuildingStorey	.../Storey_1F Xform	층 단위
IfcWall, IfcSlab 등	Mesh + MaterialBinding	요소별 지오메트리
IfcPropertySet	Custom attribute (bim: namespace)	속성 보존
IfcRelation	USD Relationship	공간·타입·재료 관계
IfcGlobalId	bim:guid attribute	양방향 추적 키

핵심 원칙: 무손실 라운드트립. IFC→USD→IFC 왕복 시 속성 및 관계 정보가 보존되어야 함.

2-3. Property Embedder

BIM 요소의 속성을 벡터로 변환하여 의미 검색을 가능하게 하는 모듈.

def serialize_element(element, psets: dict) -> str:
    """BIM 요소를 구조화된 텍스트로 직렬화"""
    lines = [
        f"Type: {element.is_a()}",
        f"Name: {element.Name}",
        f"Storey: {get_storey(element)}",
    ]
    for pset_name, props in psets.items():
        for key, val in props.items():
            lines.append(f"{pset_name}.{key}: {val}")
    return "\n".join(lines)

# 임베딩 생성
text = serialize_element(wall, psets)
vector = embedding_model.encode(text)  # 1536d dense vector

임베딩 모델 선택지:

• text-embedding-3-large (OpenAI) — 범용, 1536d
• 도메인 fine-tuned Sentence-BERT — AEC 용어 특화 시 정확도 향상
• Multilingual 모델 — 한국어 속성명 처리 필수

---

Layer 3 — 이중 저장소

3-1. OpenUSD Scene Graph

역할: 기하 정보 + 공간 계층 + 시각화

• Composition arcs: Reference, Sublayer, Variant로 다중 소스 합성
• Layer overlay: AI 편집 결과를 별도 레이어로 저장 → 원본 비파괴
• Custom schema: bim:ifcClass, bim:guid, bim:psetHash 등으로 IFC 메타데이터 보존
• Variant set: 설계 대안을 USD Variant로 관리 → 즉시 전환 가능

model.usda          ← 원본 IFC 변환 결과
├── ai_edits.usda   ← AI 생성 설계 변경 (sublayer)
├── review.usda     ← 검토 코멘트 레이어
└── iot_live.usda   ← 실시간 센서 데이터 레이어

3-2. Qdrant Vector DB

역할: 속성 기반 의미 검색 + 하이브리드 필터링

from qdrant_client import QdrantClient
from qdrant_client.models import (
    VectorParams, Distance, PointStruct,
    Filter, FieldCondition, MatchValue
)

client = QdrantClient(host="localhost", port=6333)

# 컬렉션 생성
client.create_collection(
    collection_name="bim_elements",
    vectors_config={
        "dense": VectorParams(size=1536, distance=Distance.COSINE),
        "sparse": VectorParams(size=30000, distance=Distance.DOT),  # BM25
    }
)

# BIM 요소 삽입
client.upsert(
    collection_name="bim_elements",
    points=[PointStruct(
        id=element_id,
        vector={
            "dense": dense_embedding,
            "sparse": sparse_embedding,
        },
        payload={
            "ifc_guid": wall.GlobalId,
            "ifc_class": "IfcWall",
            "storey": "2F",
            "material": "concrete_200mm",
            "usd_prim_path": "/Site/Building/Storey_2F/Wall_001",
            "pset_summary": "Pset_WallCommon.IsExternal: True, ...",
        }
    )]
)

# 하이브리드 검색: 의미 + 필터
results = client.search(
    collection_name="bim_elements",
    query_vector=("dense", query_embedding),
    query_filter=Filter(must=[
        FieldCondition(key="storey", match=MatchValue(value="2F")),
        FieldCondition(key="ifc_class", match=MatchValue(value="IfcWall")),
    ]),
    limit=10,
)

Qdrant 선택 이유:

• Payload filter: HNSW 탐색 중 적용 → 후처리 필터 대비 성능 우위
• Hybrid search: Dense(의미) + Sparse(키워드) 동시 쿼리
• Quantization: Binary/Scalar quantization으로 메모리 최대 64x 절감
• Rust 기반: 고부하에서도 안정적 성능
• Multitenancy: 프로젝트별 tenant 격리 가능

3-3. 양방향 링크 구조

┌─────────────────┐         ┌─────────────────┐
│  OpenUSD Prim    │         │  Qdrant Point    │
│                  │         │                  │
│  bim:guid ───────┼────→────┼─ payload.guid    │
│  prim_path ◄─────┼────←────┼─ payload.usd_path│
│                  │         │                  │
│  geometry (mesh) │         │  vector (1536d)  │
│  hierarchy       │         │  payload (filter)│
└─────────────────┘         └─────────────────┘

의미 검색 결과에서 usd_prim_path로 즉시 3D 뷰 점프. 3D 뷰에서 선택한 요소의 bim:guid로 Qdrant 유사 요소 검색.

---

Layer 4 — AI 엔진

4-1. RAG 파이프라인

사용자 질의 (자연어)
    ↓
Query Embedding (dense + sparse)
    ↓
Qdrant Hybrid Search (+ payload filter)
    ↓
Top-K BIM 요소 + PropertySet 컨텍스트
    ↓
USD Scene에서 geometry/hierarchy 보강
    ↓
LLM (Claude / GPT-4) → 답변 생성

질의 예시:

• “2층 외벽 중 단열 성능이 가장 낮은 벽체는?”
• “이 건물에서 내화 1시간 미만인 구조 부재를 찾아줘”
• “지하 주차장 기둥 간격이 설계 기준에 맞는지 확인해”

4-2. LLM Multi-Agent System

LangGraph 또는 AutoGen 기반 4-에이전트 구조:

Agent	역할	도구 접근
design_agent	설계 의도 해석, 파라메트릭 조건 생성	Qdrant search, USD read
checker_agent	건축법규/구조기준 적합성 검토	법규 DB, IFC validation
coordinator_agent	에이전트 간 조율, 충돌 해소	전체 에이전트 통신
executor_agent	검증된 코드를 BIM 도구에서 실행	Revit API, Dynamo, USD write

워크플로우: 사용자 프롬프트 → design_agent가 설계안 생성 → checker_agent가 검증 → 통과 시 executor_agent가 USD Layer에 기록 → 실패 시 design_agent에 피드백.

4-3. Generative Design

• 입력: 설계 제약 (법규, 구조, 에너지, 동선)
• 처리: 파라메트릭 알고리즘 + LLM 기반 최적화
• 출력: 다수의 설계 대안 → USD Variant Set으로 저장
• 평가: 자동 스코어링 (에너지 성능, 법규 적합도, 비용)

---

Layer 5 — 출력 & 피드백

출력 채널	기술	용도
USD → IFC 역변환	IfcOpenShell write API	기존 BIM 워크플로우 복귀
3D 시각화	Omniverse / Three.js USD Viewer	웹·VR 기반 리뷰
자동 설계 검토	Rule-based + LLM checker	코드 체크, 충돌 감지
Digital Twin	USD + IoT 스트리밍	실시간 운영 모니터링

피드백 루프: AI 편집 결과 → Property Embedder 재실행 → Qdrant 벡터 갱신 → 다음 검색에 최신 상태 반영.

---

기술 스택 요약

영역	기술	버전/비고
IFC 파싱	IfcOpenShell	0.8.x, Python/C++
Scene graph	OpenUSD (pxr)	Pixar USD, Python 바인딩
Vector DB	Qdrant	1.17+, Rust, Gridstore 엔진
Embedding	text-embedding-3-large	1536d, 또는 도메인 fine-tuned
LLM	Claude / GPT-4	RAG + Agent 활용
Agent framework	LangGraph 또는 AutoGen	Multi-agent orchestration
Visualization	Omniverse / Three.js	USD 네이티브 렌더링
CI/CD	IFC 변경 감지 → 자동 파이프라인	Git-ops 연동

---

구현 우선순위 (제안)

Phase 1: IFC → USD 변환 파이프라인 (IfcOpenShell + pxr)
Phase 2: Qdrant 속성 저장 + 하이브리드 검색 구축
Phase 3: RAG 기반 BIM 질의응답 시스템
Phase 4: Multi-Agent 설계 자동화
Phase 5: Generative Design + Digital Twin 통합

---

2025.03 기준 최신 동향 반영. IFC 5.0 + OpenUSD 통합은 buildingSMART-AOUSD 공식 협력으로 진행 중.