Smart semantics for sustainable infrastructure. Ein NLP-basierter Ansatz zur kontextsensitiven Materialklassifikation für die BIM-basierte Ökobilanzierung im Schweizer Infrastrukturbau

Abstract

Im Schweizer Infrastrukturbau bilden die KBOB-Ökobilanzdaten die Grundlage für die Nachhaltigkeitsbewertung von Bauwerken. Die Zuordnung von Materialien aus digitalen Bauwerksmodellen zu den passenden Ökobilanzdaten erfolgt heute manuell. Dieser Prozess ist zeitaufwändig, fehleranfällig und wird, wenn überhaupt, erst in späten Projektphasen durchgeführt. Diese Arbeit entwickelt und evaluiert ein KI-gestütztes Verfahren, das genau an diesem Problem ansetzt. Es verringert den manuellen Aufwand, unterstützt die Zuordnung durch konsistente, nachvollziehbare Vorschläge und ordnet Materialien und Bauteile aus IFC-Modellen automatisch den passenden KBOBEinträgen zu. Dazu werden Informationen wie Bauteiltyp, Materialbezeichnung und Festigkeitsklasse zu einem Suchtext kombiniert, den ein domänenspezifisch trainiertes Sprachmodell mit 110 infrastrukturrelevanten KBOB-Einträgen vergleicht. Der Prototyp arbeitet als Entscheidungsunterstützung: Er liefert eine nach Ähnlichkeit sortierte Rangliste, die Fachperson trifft die finale Entscheidung. Auf Testdaten mit 389 Abfragen erreicht das trainierte Modell eine Trefferquote von 96,9 %. Es übertrifft damit das LLM «GPT-5.5 Thinking» um 10 Prozentpunkte. Auch bei fehlerhaften Eingaben oder fehlenden Attributen bleibt der korrekte Eintrag in 87,7 % der Fälle unter den ersten zehn Vorschlägen. Auf realen Brückenmodellen liegt die Genauigkeit zwischen 60 und 89 %, abhängig von der Vollständigkeit der Modelldaten. Die Analyse zeigt, dass nicht der Algorithmus, sondern die Qualität der im IFC-Modell hinterlegten Informationen der limitierende Faktor ist. Modellierungsrichtlinien, die vollständige Angaben sicherstellen, haben einen grösseren Einfluss als Verbesserungen am Matching-Verfahren selbst.