1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 73 KI-gestützte Schadensdokumentation im Ingenieurbau - Potenziale und Herausforderungen bei der Integration in BIM-Modelle Daniel Fröhlich, M. Sc. Hochschule München, Institut für Material- und Bauforschung, Deutschland Prof. Dr.-Ing. Christoph Dauberschmidt Hochschule München, Institut für Material- und Bauforschung, Deutschland Zusammenfassung Die Langlebigkeit von Bauwerken stellt ein zentrales Anliegen für Stakeholder: innen wie Immobilienverwalter: innen, Ingenieur: innen und insbesondere Immobilieneigentümer: innen dar. Es besteht ein wesentliches Interesse daran, den Immobilienwert über die gesamte Nutzungsdauer zu sichern, Schäden frühzeitig zu erkennen und zu begrenzen. Eine zentrale Funktion übernimmt hierbei die bauwerksdiagnostische Zustandsbewertung durch qualifizierte, sachkundige Planende. Die systematische Identifikation, Klassifikation und Bewertung von Schadensbildern im Rahmen von Inspektion und Wartung erfordert jedoch ein hohes Maß an ingenieurtechnischer Verantwortung sowie fundierte Fachkenntnisse, Erfahrung und personelle Ressourcen. Vor diesem Hintergrund verfolgt das von der Nemetschek Innovationsstiftung geförderte Forschungsprojekt „AInspect2Twin 1 “ das Ziel, Inspektions- und Wartungsdaten mithilfe künstlicher Intelligenz zu digitalisieren und für eine zeitaufgelöste Bauwerksbewertung nutzbar zu machen. Die vorliegende Arbeit stellt hierzu eine automatisierte Vorgehensweise zur Integration visuell erkennbarer Betonschäden in eine BIM-basierte Umgebung vor. 1 https: / / hm.edu/ forschungsprojekte_de/ forschungsprojekt_detail_8834.de.html 1. Einführung Die regelmäßige Erfassung und Bewertung von Schäden an Bauwerken stellen einen zentralen Bestandteil der baulichen Unterhaltung sowie eines nachhaltigen Gebäudemanagements dar. In Anbetracht des zunehmenden Fachkräftemangels [1] und der notwendigen Erfahrungsanforderungen an Ingenieur: innen, gewinnt der Einsatz automatisierter, reproduzierbarer und objektiver Verfahren zur Schadenserfassung zunehmend an Bedeutung. Durch eine automatisierte Schadensaufnahme können Inspektionsergebnisse wirtschaftlich und effizient generiert werden, was die Planung von Wartungs- und Instandsetzungsmaßnahmen vereinfacht. Eine zentrale Voraussetzung für die Umsetzung der Automatisierung ist der Einsatz künstlicher Intelligenz [2]. Umfangreiche Trainingsdatensätze aus zurückliegenden Inspektions- und Wartungsintervallen können dabei die Grundlage für verlässliche Modelle bieten. Diese Modelle sollen eine präzise Detektion, Klassifikation und Segmentierung von Schäden ermöglichen. Das vorgestellte Forschungsprojekt verfolgt einen interdisziplinären Ansatz, in dem Fachkenntnisse zur Schadenserfassung aus den Bereichen Glas-, Stahl- und Stahlbetonbau gebündelt und in ein KI-Modell integriert werden. Der Beitrag konzentriert sich auf die methodische Ausarbeitung eines Workflows zur systematischen Erfassung und Dokumentation von Schäden an Stahlbetonbauwerken, zunächst entwickelt für den exemplarischen Anwendungsfall von Rissbildungen bei (Stahl-)Betonbauteilen. Im Mittelpunkt stehen die erforderlichen Randbedingungen und Parameter für das Training des KI-Modells sowie die Visualisierung der erfassten Daten in einer BIM-basierten Umgebung unter besonderer Berücksichtigung des offenen IFC-Standards. Insbesondere wird hierbei auf visuell erfassbare Schadensarten eingegangen. 2. Grundlagen und verwandte Arbeiten Bevor die Methodik zur visuellen Auswertung und Darstellung vorgestellt wird, werden zunächst die relevanten Grundlagen zu Digitalen Zwillingen und BIM sowie die erforderlichen Eingangsparameter aus den dieser Arbeit zugrunde liegenden Studien zur KI-basierten Schadenserkennung skizziert. 2.1 Digitaler Zwilling Digitale Zwillinge verknüpfen physische Bauwerke mit virtuellen Modellen, die durch Sensor- und Inspektionsdaten kontinuierlich aktualisiert werden. Bei Ingenieurbauwerken besteht der digitale Zwilling im Regelfall aus einem geometrischen 3DModell sowie einer Datenschnittstelle zur Integration von Zustandsdaten [3]. Die Erfassung dieser Zustandsdaten erfolgt durch UAV- Inspektionen, Sensordaten (IoT-Systeme) oder 3D-Vermessungen, beispielweise mittels Punktwolken aus Laserscannern oder photogrammetrische Methoden. [4] [5]. Der Einsatz von IoT-Monitoringsystemen stellt eine verhältnismäßig neue Entwicklung zur Prognose der Le- 74 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 KI-gestützte Schadensdokumentation im Ingenieurbau - Potenziale und Herausforderungen bei der Integration in BIM-Modelle bensdauer von Bauwerken dar. Die Systeme zur Bestimmung der Restnutzungsdauern werden entweder in bestehende Betonstrukturen nachträglich integriert oder bereits im Neubau vorgesehen[6] [7]. Ergänzend werden papierlose Schadens- und Risskartierungen erstellt, die anschließend in nachgelagerten Prozessen in die virtuellen Modelle überführt werden. In den digitalen Zwillingen können so Schadens- und Alterungsprozesse aus Inspektions- und Wartungszeiträumen nachvollziehbar hinterlegt werden. 2.2 BIM und Datenintegration Der manuelle Arbeitsablauf der Informations- und Attributzuordnung, beispielsweise in einem IFC-basierten BIM-Modell, ist jedoch ressourcen-intensiv und potenziell fehleranfällig. Die Umwandlung von Informationen zwischen unterschiedlichen Datenformaten führt zudem häufig zu Datenverlusten oder semantischen Inkonsistenzen und erschwert dadurch den Integrationsprozess[8]. Vor diesem Hintergrund stellt das Vorgehen aktuell noch keinen Teil der alltäglichen Praxis von Sachkundig Planenden der Instandsetzung (SKPI) dar. Angesichts von möglichen Informationsbrüchen, Datenverlusten und dem zunehmendem Fachingenieur: innen- Mangel erscheint ein skalierbarer, automatisierter Ansatz vielversprechend: Der Einsatz KI-gestützter Algorithmen sowohl zur Schadenserkennung als auch zur modellbasierten Verknüpfung. Auch die bereits in der Vergangenheit gesammelten analogen und digitalen Daten können hierfür als Trainingsgrundlage für die KI-Modelle verwendet werden. Auf bauend auf diesen Grundlagen beschreibt der Abschnitt „Methodik“ den Trainings- und Auswertungsworkflow exemplarisch am Schadensbild von Rissen an Stahlbetonbauwerken. 3. Ansatz zur KI-gestützten Eigenschaftenerkennung und Visualisierung 3.1 Allgemeines Eine systematische Integration von Bauwerksuntersuchungen an Stahlbetonbauteilen in Tiefgaragen in ein BIMModell beginnt bei der Erfassung der Zustandsdaten. Neben UAVInspektionen und Sensordaten aus IoTSystemen werden insbesondere 3DVermessungen mittels Laserscanner oder photogrammetrischer Verfahren eingesetzt. Aus den Messungen entsteht eine hochaufgelöste Punktwolke, die den IstZustand des Bauwerks geometrisch 2 https: / / www.dgpf.de/ src/ tagung/ jt2025/ start.html abbildet. Damit diese Daten nutzbar werden, muss die Punktwolke zunächst in das Koordinatensystem des BIMModells registriert und mit semantischen Informationen angereichert werden [10]. Im nächsten Schritt erfolgt der Abgleich der segmentierten Bauteile mit dem bestehenden BIMModell. Liegt noch kein Modell vor, kann aus der Punktwolke ein geometrischer Digitaler Zwilling (3D-Modell) generiert werden. Die Parametrisierung des Modells erfolgt entweder manuell oder halbautomatisiert, beispielweise mittels des in [11] vorgeschlagenen Workflows. Nach der geometrischen Parametrisierung erfolgt die zustandsbezogene Anreicherung: Erkannte Schäden werden als zusätzliche Objekte bzw. Attribute im Modell hinterlegt. Dies ist exemplarisch für Risse im Mauerwerk in Abb. 1 dargestellt. Auf bauend auf der beschriebenen Datenpipeline wird im folgenden Abschnitt die methodische Vorgehensweise zur Segmentierung und Informationsextraktion erläutert. Im Anschluss daran erfolgt die Begründung der Modellwahl. Diese stützt sich auf Studien, die im Rahmen des Forschungsprojekts von Krefft und Hoegner 2 an der Hochschule München bereits durchgeführt wurden. 3.2 Schadenserkennung, Segmentierung und Informationsextraktion In [12] wird eine automatisierte Methode zur Detektion und Quantifizierung von Rissen auf Mauerwerksoberflächen vorgestellt. Kernstück ist eine auf semantische Segmentierung trainierte neuronale Netzwerkarchitektur (YOLO11), die Risse in Bilddaten zuverlässig identifizieren kann. Obwohl sich [12] auf Mauerwerksoberflächen bezieht, lässt sich der Ansatz auch auf Betonoberflächen übertragen, wobei Unterschiede in der Datenauf bereitung berücksichtigt werden. Die 3D-Punkte werden photogrammetrisch erfasst und auf die Bildebene projiziert, wodurch metrisch interpretierbare Segmentierungsdaten entstehen. Auf dieser Grundlage können segmentierte Risse quantitativ ausgewertet werden: Die Rissbreite wird aus Segmentierungsmasken abgeleitet und mittels Skalierungsfaktoren in metrische Maße überführt, während die Längenbestimmung graphenbasiert über die Ermittlung des längsten zusammenhängenden Risspfades mithilfe des Dijkstra-Algorithmus [13] erfolgt. Die in Abb. 1 verwenden Bilder der Punktwolken wurden mit der beschriebenen Methode verarbeitet. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 75 KI-gestützte Schadensdokumentation im Ingenieurbau - Potenziale und Herausforderungen bei der Integration in BIM-Modelle Abb. 1: Von der Datenerfassung zur Informationsextraktion - exemplarische Darstellung am Beispiel von Mauerwerksrissen. Die Segmentierung erfolgt entsprechen der in [12] vorgestellten Methode. Krefft und Hoegner untersuchten darüber hinaus in [14] die automatisierte Schadenserkennung in der Bauwerksprüfung mittels semantischer Segmentierung von Bildern. Ziel der Untersuchung war die Identifikation eines Modells, das sowohl hohe Genauigkeit als auch Rechenleistungs-effizienz bietet, um in praktischen Anwendungsfällen, wie der Inspektion und Wartung von Bauwerken insbesondere der Infrastruktur, eingesetzt werden zu können. Verglichen wurden das auf Objekterkennung spezialisierte Modell YOLO11 und die Encoder-Decoder-Architekturen DeepLabV3+ und UNet++. Diese wurden jeweils mit verschiedenen Encodern kombiniert: ResNet, EfficientNet, MobileNet und einem Mix Vision Transformer (MiT). Als Datengrundlage diente der Datensatz DACL10k, bestehend aus rd. 8.000 annotierten Bildern mit 19 Schadenklassen, darunter Risse, Korrosion und Abplatzungen. Die Ergebnisse der Studie zeigten, dass das DeepLabV3+- Modell in Kombination mit einem transformerbasierten Encoder (MiT) die höchste Genauigkeit mit einem mittleren Intersection over Union (mIoU) von 0,409 erreichte. Im Vergleich dazu erzielte das YOLO11-Modell nur einen mIoU von 0,321, was dessen begrenzte Eignung für pixelgenaue Segmentierungsaufgaben verdeutlicht. Die Untersuchung bestätigt somit das Potenzial von Aufmerksamkeitsmodellen für die präzise und effiziente Analyse struktureller Schäden. Abschließend sprechen sich die Autoren für eine Weiterentwicklung transformerbasierter Netzwerkarchitekturen sowie für eine Erweiterung und Diversifizierung der Trainingsdatensätze aus, um die Genauigkeit der Schadenserkennung und -quantifizierung künftig weiter zu steigern. 3.3 Semantische Darstellung Die ermittelten Rissgeometrien und Kennwerte müssen konsistent im BIM-Modell abgelegt werden. Im Folgenden wird dargestellt, wie der Segmentierungsoutput geometriegetreu und mit semantischen Informationen als IFC-Objekt integriert wird. Die Industry Foundation Classes (IFC) stellen einen international anerkannten, offenen, herstellerneutralen und maschinenlesbaren Standard dar. Solche offenen Formate sollen sicherstellen, dass Informationen aus Punktwolken, UAVAufnahmen und Sensordaten ohne Verluste zwischen Softwarelösungen ausgetauscht werden können. IFCbasierte BIMModelle ermöglichen es, zusätzliche Schadensobjekte als Platzhalterentitäten mit Geometrie, Typ, Schweregrad und Erfassungsdatum zu speichern. Das aktuelle IFC-Schema IFC 4.3 unterstützt die exemplarisch für Risse relevanten Attribute nicht. Bis eine Standardisierung erfolgt, werden Risse als IfcProxy mit Property Sets, beispielweise wie in Tab. 1 dargestellt, abgelegt. Die Positionsgeometrie wird dabei als Surface geführt und Messwerte in Psets gespeichert. Der zugrunde liegende Workflow sowie die verwendeten Frameworks sind in Abb. 2 dargestellt. 76 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 KI-gestützte Schadensdokumentation im Ingenieurbau - Potenziale und Herausforderungen bei der Integration in BIM-Modelle Abb. 2: Workflow zur semantischen Darstellung der Inspektionsdaten und KI-gestützten Schadenserkennung Es ergibt sich folgender Workflow: I. Registrierung und Modellabgleich: Die segmentierten Punktwolken werden mittels Referenzpunkten in das BIM-Koordinaten-system überführt. Nicht erfasste Bauteile können aus der Punktwolke als neue IFCElemente generiert werden. II. Anreicherung mit Zustands-informationen: Die in der Punktwolke identifizierten Schadensbereiche werden als vernetzte Flächen im BIMModell verankert und mit PropertySets ergänzt. Diese enthalten Angaben zur Schadensart (Riss, Abplatzung, Korrosion), zu den Maßen (Länge, Breite, Fläche) sowie zum Erfassungszeitpunkt. III.Zeitliche Analyse: Durch die Verwendung von Zeitstempeln werden zeitliche Veränderungen zwischen den Wartungsintervallen nachweisbar. Die Verknüpfung mit Sensordaten ermöglicht die Erstellung eines digitalen Zwillings, der den Zustand der Tiefgarage in Echtzeit abbildet und Daten für Prognosen zur künftigen Beanspruchung bereitstellt. 4. Anwendungsfall - TG Karlstraße 6 Die zuvor beschriebene Methode wurde exemplarisch an der Bodenplatte der Tiefgarage der Hochschule München (Karlstraße 6) angewendet. Die Tiefgarage wurde mittels LiDAR und Befundbildern erfasst. Die daraus resultierende hochaufgelöste Punktwolke wurde in das Koordinatensystem des in Abbildung 3 dargestellten BIM-Modells registriert und mit semantischen Informationen angereichert. Abb. 3: IFC-Modell der Tiefgarage der Hochschule München in der Karlstraße 6 als Modellbeispiel zur Validierung des Workflows Für die metrische Auswertung wurden 3D-Punkte auf die Bildebene projiziert. Das trainierte KI-Modell segmentierte rissartige Schadstellen in den Bilddaten; die Segmentierungen wurden räumlich in der Punktwolke verortet. Auf Basis der Segmentierungsmasken wurden die Rissbreiten mittels Skalierungsfaktoren in metrische Maße überführt. Die Risslängen wurden graphenbasiert über den Dijkstra-Algorithmus als längster zusammenhängender Risspfad ermittelt. Die so identifizierten Rissgeometrien wurden sowohl als JSON-Dateien (vgl. Abb. 4) gespeichert als auch im LAS-Format als Punktwolken exportiert (vgl. Abb. 5). Abb. 4: Vorgeschlagene Struktur der JSON-Datei zur Schadenserkennung exemplarisch für Risse, Abplatzungen und Korrosion Abb. 5: Darstellung der Punktwolke und exemplarisch Segmentierung eines Risses am Übergang zwischen Zufahrtsrampe und Parkfläche. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 77 KI-gestützte Schadensdokumentation im Ingenieurbau - Potenziale und Herausforderungen bei der Integration in BIM-Modelle Die segmentierten Punktwolken wurden mithilfe der Poisson Surface Reconstruction zu Flächen trianguliert und als IfcProxy-Elemente in ein IFC-basiertes BIM-Modell überführt. Ein Python-Skript vervollständigte die zugehörigen Property Sets und ordnete sie den Proxy-Elementen automatisiert zu. Da IFC 4.3 derzeit keine speziellen Entitäten für Risse bereitstellt, erfolgt die Ablage der Rissgeometrie (Surface) und Attribute projektspezifisch über Proxy und Property Sets (Abb. 6). Abb. 6: Visualisierung innerhalb eines IFC-Modells sowie semantische Anreicherung mit Riss-geometrien Tab. 1: Vorgeschlagene Property Sets für die Beschreibung von Rissen im Beton IFC4concrete-crack- Attribute Wert Rissbreite mm Risslänge m Risstiefe mm Rissverlauf linienförmig, verzweigt, netzförmig… Rissart Trennriss, Biegeriss, Krakelee-Riss Rissursache Schwinden, Setzung, Last… Feuchtigkeit Ja/ Nein Wasserdurchtritt Ja/ Nein Visuelle Zustandsbewertung Optisch, statisch relevant, kritisch Bereits Instand gesetzt? Ja/ Nein Rissfüllung vorhanden Ja/ Nein Datum Temperatur °C 5. Diskussion Für eine belastbare Oberflächenrekonstruktion aus Punktwolken sind korrekt ausgerichtet und geglättete Normalen essenziel. Die Poisson-Parameter der vorgeschlagenen Oberflächenrekonstruktion müssen jeweils auf die spezifischen Punktwolken abgestimmt werden [15]. Die Auswahl der Parameter erfordert fachliche Erfahrung und beeinflusst maßgeblich die Genauigkeit der Rekonstruktion. Ein weiteres Problem besteht darin, dass häufig kein aktuelles As-Built-Modell des untersuchten Bauwerks vorliegt. Nach Abschluss der Bauausführung werden Planungsmodelle nur selten aktualisiert, sodass für die skizzierte Vorgehensweise zunächst ein entsprechendes Modell erzeugt oder ein bestehendes angepasst werden muss. Dadurch entsteht bereits vor der eigentlichen Schadenserkennung zusätzlicher manueller Aufwand. Eine mögliche Konsequenz, falls kein aktuelles As-Built-Modell vorliegt, sind Fehler in der Visualisierung der Messdaten. Diese können jedoch teilweise durch die KIgestützte Informationenextraktion sowie die in den vernetzten Objekten hinterlegten Attribute relativiert werden, da die Informationen zur Geometrie der Schäden unabhängig von der Visualisierung und Genauigkeit der Modellerstellung existieren. Darüber hinaus existiert im aktuellen IFC-Schema-4.3 keine standardisierte „Schadens-bzw. Defektklasse“. Zwar lassen sich Rissgeometrien als IfcElementProxy über Netzrepräsentationen (z. B. add_mesh_representation) abbilden und semantisch über Property Sets beschreiben - jedoch handelt es sich hierbei lediglich um einen Workaround und nicht um ein dediziertes Datenmodell. Auch die Forschung bestätigt diese Lücke: Zwar existieren methodische Ansätze zur Schadensdokumentation, allerdings keine anerkannten offenen Standards für den durchgängigen Austausch einschließlich automatisierter Erfassung und Übertragung [16]. Ohne definierte Modellierungsrichtlinien besteht das Risiko, dass unterschiedliche Teams Schäden uneinheitlich dokumentieren. Das erschwert Vergleichbarkeit und verhindert eine Skalierbarkeit. Zusammenfassend ist daher die Entwicklung neuer Softwarelösungen oder integrierter Ansätze erforderlich, die Schäden zuverlässig erkennen und entweder standardisiert in IFC überführen oder auf Basis von Beziehungen in einer strukturierten und formalen Beschreibung darstellen [17]. Der vorgestellte Ansatz demonstriert das Potenzial, Risse automatisiert zu detektieren, geometrisch zu verorten und mit quantitativen Kennwerten zu hinterlegen. Für eine praxisreife Integration in bestehende Arbeits- und Modellierungsprozesse ist jedoch ein zusätzlicher Entwicklungsaufwand erforderlich. 6. Ausblick In einem nächsten Schritt wird die Methode zur Schadenserkennung unter kontrollierten Bedingungen an standardisierten Betonprobekörpern validiert. Verwendet werden Betonbalken mit definierten, kraftinduzierten Rissbreiten und -verläufen (linear, verzweigt, netzförmig), deren Rissbreiten und -längen mithilfe von Bildkorrelation sowie Risslupen als Ground-Truth-Daten erfasst werden. 78 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 KI-gestützte Schadensdokumentation im Ingenieurbau - Potenziale und Herausforderungen bei der Integration in BIM-Modelle Die Auswertung erfolgt auf zwei Ebenen: (1) die Segmentierungsqualität und (2) die metrische Genauigkeit der abgeleiteten Kenngrößen. Die Segmentierungsleistung wird mittels IoU pro Klasse und mIoU bewertet. Für die Quantifizierung werden die Breiten aus den Segmentierungsmasken in metrische Einheiten skaliert und die Längen über den Dijkstra-Algorithmus bestimmt. Die mittleren absoluten Fehler werden als ΔL und ΔB berechnet. Zukünftige Forschung wird sich zudem mit ergänzenden Sensortechnologien befassen, die über die optischen Verfahren hinausgehen. Ein besonderer Fokus liegt hierbei auf Methoden zur Überwachung von Korrosionsparametern, um beispielweise den Eintrag von Chloriden sichtbar zu machen. Danksagung. Diese Arbeit wurde von der NEMET- SCHEK Innovationsstiftung unterstützt. Literatur [1] VDI e.V., Institut der deutschen Wirtschaft e.V.: VDI/ IW-Ingenieurmonitor 4. Quartal 2024. Düsseldorf/ Köln: VDI/ IW, 2025.] [2] Al-Hakam Hamdan, Jakob Taraben, Marcel Helmrich, Tobias Mansperger, Guido Morgenthal, Raimar J. Scherer: A semantic modeling approach for the automated detection and interpretation of structural damage. In: Automation in Construction, Vol. 128, 2021, https: / / doi.org/ 10.1016/ j.autcon.2021.103739]. [3] Muhammad Fawad, Marek Salamak, Qian Chen, Kalman Koris: Development of an immersive digital twin framework to support infrastructure management: a case study of bridge asset health monitoring. In: Proceedings of the 41st ISARC, Lille, 2024, S. 808-814, ISBN 978-0-6458322-1-1, ISSN 2413-5844. [4] Caterina Gabriella Guida, Marco Limongiello: An Evolved Bridge Digital Twin Framework: A New Paradigm for Infrastructure Monitoring and Management. In: New Technologies, Development and Application VIII (2025), s. 187-197. [5] Patrick Pfändler, Karen Bodié, G. Crotta, Michael Pantic, Roland Siegwart, Ueli Angst: Non-destructive corrosion inspection of reinforced concrete structures using an autonomous flying robot. In: Automation in Construction, Vol. 158, 2024, https: / / doi.org/ 10.1016/ j.autcon.2023.105241 [6] Christoph Dauberschmidt, Florian Stauder, Marcus Kopp: Korrosionsinhibitoren - Möglichkeit zur Verlängerung der Nutzungsdauer von Parkflächen mit chloridhaltigen Rissen. In: 11. Kolloquium Parkbauten, Februar 2024, Narr Francke Attempto Verlag [7] Yurena Seguí Femenas, Michèle Gschwind, Ueli Angst: DuraMon - Korrosionsmonitoring in Stahlbetonbauten für intelligentere, kostengünstigere, sicherere und nachhaltigere Erhaltungs- und Instandsetzungslösungen. 2024. https: / / doi.org/ 10.3929/ ethz-b-000662172 [8] Michael Belsky, Rafael Sacks, Ioannis Brilakis: Semantic Enrichment for Building Information Modeling. In: Computer-Aided Civil and Infrastructure Engineering, Vol. 31, Nr. 4, 2016, S. 261-274. https: / / doi.org/ 10.1111/ mice.12128. [9] Bonsang Koo, Raekyu Jung, Youngsu Yu, Inhan Kim: A geometric deep learning approach for checking element-to-entity mappings in infrastructure building information models. In: Journal of Computational Design and Engineering, 8(1), 2021, S. 239-250. https: / / doi.org/ 10.1093/ jcde/ qwaa075. [10] Dušan Isailović, Vladeta Stojanovic, Matthias Trapp, Rico Richter, Rade Hajdin, Jürgen Döllner: Bridge damage: Detection, IFC-based semantic enrichment and visualization. In: Automation in Construction, Vol. 112, 2020, 103088. https: / / doi. org/ 10.1016/ j.autcon.2020.103088. [11] Christoph Emunds, Nicolas Pauen, Veronika Richter, Jérôme Frisch, Christoph van Treeck: SpaRSE-BIM: Classification of IFC-based geometry via sparse convolutional neural networks. In: Advanced Engineering Informatics, Vol. 53, 2022, 101641, ISSN 1474-0346. https: / / doi.org/ 10.1016/ j.aei.2022.101641. [12] Lorenz Krefft, Ludwig Hoegner: A Method for Crack Detection and Quantification in Masonry Using Neural Network-Based Image Analysis, Dreiländertagung der DGPF, der OVG und der SGPF in Muttenz, Schweiz - Publikationen der DGPF, Band 33, 2025 [13] Aric A. Hagberg, Daniel A. Schult, Pieter J. Swart: Exploring Network Structure, Dynamics, and Function using NetworkX. In: Proceedings of the 7th Python in Science Conference (SciPy 2008), S.-11-16. [14] Lorenz Krefft, Ludwig Hoegner: Semantic Segmentation of Structural Damage: A Comparative Study of YOLO11 and Encoder-Decoder Networks in *Proceedings der 3D GeoInfo & Smart Data Smart Cities (Tagungsband)*, Tokyo, Japan. (erscheint) [15] Michael Kazhdan, Matthew Bolitho, Hugues Hoppe: Poisson surface reconstruction. In: SGP ‘06: Proceedings of the Fourth Eurographics Symposium on Geometry Processing, 2006, S. 61-70. [16] Silvana Bruno, Mariella De Fino, Fabio Fatiguso: Historic Building Information Modelling: performance assessment for diagnosis-aided information modelling and management. In: Automation in Construction, Vol. 86, 2018, S. 256-276. https: / / doi.org/ 10.1016/ j.autcon.2017.11.009. [17] Al-Hakam Hamdan, Raimar Scherer: A knowledge-based Approach for the Assessment of Damages to Constructions. In: 36th CIB W78 2019 Conference, Northumbria University, Newcastle, UK, September 2019