ClashAI: an intelligent framework for automated clash detection and resolution in revit environment

Building Information Modeling (BIM) is crucial in the Architecture, Engineering, and Construction (AEC) sector in terms of coordination across various disciplines. However, conventional clash detectors are still marred with excessive numbers of false positives and manual resolutions. This thesis proposes a novel machine-learning-based workflow to reduce the noise of coordination and overcome the automation gap directly within the authoring environment. To this end, the authors conceived, developed, and validated a dedicated Revit plugin named ClashAI- as the primary instrument through which the proposed framework is implemented and tested. This method improves the current practices by converting manual geometric clash detection to an automated clash resolution. Based on the Extreme Gradient Boosting (XGBoost) model, which is trained in deterministic architectural rules. The workflow executes three primary tasks: binary detection to filter false-positives, multi-class classification to predict resolution actions (Move, Resize, and Delete), and value regression to calculate precise displacement for each axis. These predictions are presented in a user-friendly interface, allowing the designer to explore validated conflicts and run automated geometric resolution. Furthermore, the thesis investigates the quantitative impact on productivity, particularly regarding the reduction of rework and time. Empirical results demonstrate that ClashAI achieves a false-positive reduction of up to 98% and significantly reduces the total coordination cycle time by nearly 50%. The proposed workflow addresses the fundamental limitations of the traditional methods that tend to be contextually irrelevant and lead to misclassification or delay in coordination. Ultimately, this intelligent workflow significantly accelerates the BIM coordination stage and removes design errors before construction. It shows that automated spatial resolution is not a hypothetical concept anymore, but an operational requirement in large-scale projects.

Il Building Information Modeling (BIM) è fondamentale nel settore dell'Architettura, Ingegneria e Costruzioni (AEC) per il coordinamento tra le varie discipline. Tuttavia, gli strumenti convenzionali per il rilevamento delle interferenze (clash detection) sono ancora compromessi da un numero eccessivo di falsi positivi e dalla necessità di risoluzioni manuali. Questa tesi propone un innovativo flusso di lavoro basato sul machine learning per ridurre il rumore di coordinamento e colmare il divario di automazione direttamente all'interno dell'ambiente di authoring, A tal fine, gli autori hanno ideato, sviluppato e convalidato un plugin Revit dedicato denominato ClashAI- come strumento principale attraverso il quale il framework proposto viene implementato e testato. Questo metodo migliora le pratiche attuali convertendo il rilevamento geometrico manuale delle interferenze in una risoluzione automatica delle stesse. Basato sul modello Extreme Gradient Boosting (XGBoost), addestrato su regole architettoniche deterministiche, il flusso di lavoro esegue tre compiti principali: rilevamento binario per filtrare i falsi positivi, classificazione multi-classe per prevedere le azioni di risoluzione (Sposta, Ridimensiona ed Elimina) e regressione dei valori per calcolare lo spostamento preciso per ciascun asse. Queste previsioni sono presentate in un'interfaccia intuitiva, che consente al progettista di esplorare i conflitti validati ed eseguire una risoluzione geometrica automatizzata. Inoltre, la tesi analizza l'impatto quantitativo sulla produttività, in particolare per quanto riguarda la riduzione delle rilavorazioni e dei tempi. I risultati empirici dimostrano che ClashAI ottiene una riduzione dei falsi positivi fino al 98% e riduce significativamente il tempo totale del ciclo di coordinamento di quasi il 50%. Il flusso di lavoro proposto affronta i limiti fondamentali dei metodi tradizionali che tendono a essere irrilevanti dal punto di vista contestuale e portano a una classificazione errata o a ritardi nel coordinamento. In definitiva, questo flusso di lavoro intelligente accelera notevolmente la fase di coordinamento BIM ed elimina gli errori di progettazione prima della fase di costruzione. Esso dimostra che la risoluzione spaziale automatizzata non è più un concetto ipotetico, bensì un requisito operativo nei progetti su larga scala.