서 론

공기 환경에 대한 중요성이 높아짐에 따라, 건물 분야에서도 공기 환경을 분석할 수 있는 Computational Fluid Dynamics (CFD)에 대한 활용이 증가하고 있다. CFD는 수치해석을 통해 유체의 흐름이나 온도, 유속, 압력 등의 물리적 수치를 예측하는 도구이다. CFD는 건축물의 형상과 규모에 관계없이 건물의 공기환경과 관련된 다양한 시뮬레이션이 가능하다. 이로 인하여 건축물의 환기 성능, 풍압, 바람길, 온열 환경 분석 등 다양한 공기역학적 문제를 분석하는 도구로 부상하고 있다. 이와 같이 다양한 형상과 환경 조건에 대한 분석이 가능하여 기존 분석 방법에 비해 생산성이 높은 장점이 있다(Wang and Zhai, 2012). CFD 모델 설계를 위해 건축물의 형상 모델 설계와 함께 경계면의 유형이나 속성 정보를 입력하는 경계 조건 설정 등이 포함된다. 각 과정 모두 CFD 시뮬레이션 결과의 정확성과 연산 시간을 결정하는 중요한 요소이며, 많은 작업 시간이 요구된다. 따라서, CFD 분석의 효율성을 위해 CFD 모델 설계 과정의 간소화나 기존 자료를 이용한 연계가 필요하며 이를 지원할 수 있는 기술 개발이 필요하다.

건축 3차원 모델 설계와 관련하여 최근 Building Information Modeling (BIM)은 핵심 모델링 기술로 부상하고 있다(Porter et al., 2018). BIM은 건축물의 형상과 속성에 관한 정보를 모두 포함하고 있어 건물의 물리적, 기능적 특성을 제공한다(Eastman et al., 2011). 이러한 장점으로 3차원 건물 모델 설계가 필요한 시뮬레이션 분야에 BIM을 연계할 경우, 불필요한 모델 설계 과정을 간소화하여 분석의 효율성이 향상될 수 있다. 건물 시뮬레이션 중 Building energy simulation (BES)나 CFD의 모델 설계에서 필요한 데이터를 BIM의 정보로 입력할 수 있다. 특히, BIM은 건물 구성 재료의 물성 정보를 포함하고 있어 이를 활용하면 모델 설계에 필요한 상당한 시간과 노력을 절약할 수 있고, 데이터의 오기나 누기 등을 줄일 수 있다(Rahmani Asl, 2013). 이로 인해 BES와 BIM을 연계하는 연구는 활발하게 이루어지고 있으며, BIM에 포함된 형상 및 속성정보 모두 BES 모델에 연계가 이루어지고 있다.

반면, CFD는 현재까지 대부분의 연구와 분석 도구에서 BIM의 형상 정보 연계만 가능하다. BIM에는 건물 경계면의 유형, 벽면의 구성 재료 및 재료에 대한 물성 정보 등 CFD 모델 설계의 경계 조건 설정에 활용 가능한 많은 정보를 포함하고 있다. 이를 활용할 경우 모델 설계에 필요한 작업시간을 대폭 절감할 수 있다. 따라서 BIM에 포함된 건물의 속성 정보를 연계할 수 있는 기술 개발이 필요하다. 국외 일부 연구에서 CFD에 BIM 속성정보 연계를 시도하였으나, 대부분 재료의 유형이나 이름 매칭만 이루어지고 있다. 재료의 물성 정보인 밀도, 비열, 열관류율 등은 연계가 이루어지지 않아 실제 CFD 모델 설계에 필요한 정보는 누락이 되고 있다. 이로 인해 여전히 연구자가 도면이나 설계 자료 등을 토대로 직접 물성 정보를 찾아서 입력해야 하는 불필요한 작업이 발생하고 있다.

건물을 구성하는 벽면의 재료명과 함께 재료의 밀도, 열관류율 등을 모두 포함한 BIM 속성 정보를 CFD에 연계하기 위해 본 연구에서는 문자열 유사도 기반의 속성정보 매칭 방법을 제안한다. BIM에서 속성정보를 추출할 수 있는 알고리즘을 설계하였으며, 이와 함께 물성 정보의 매칭을 위해 건축 자재의 표준 물성 정보 데이터베이스를 구축하였다. 문자열 유사도 판단을 위해 두 문자열 사이의 편집거리를 산정하는 Levenshtein distance 알고리즘을 활용하였다. BIM에서 추출한 재료명과 데이터베이스에 포함된 재료명의 유사도를 판단하여 가장 유사한 재료의 물성 정보를 CFD 모델에 입력하도록 하였다.

문자열 유사도를 활용한 BIM 속성정보 매칭 연구 사례 분석

BIM 속성정보 매칭 관련 기존 연구 분석

BIM 모델에는 건물에 관한 형상 정보와 속성 정보들이 모두 포함되어 있다. 기존 CFD 분석 도구에서는 BIM 파일을 입력 확장자로 지원하지 않아 직접적인 연계가 불가능하였다. 형상 정보의 경우, 일부 연구자들에 의해 OBJ, SAT 포맷 등으로 형상 정보를 변환하여 CFD 모델에 활용하는 연구가 일부 수행되었다(Spearpoint and Dimyadi, 2007; Ismail et al., 2016; Utkucu and Sözer, 2020). 한편, 속성 정보의 연계는 거의 이루어지지 않아 CFD 모델 경계조건 입력에 여전히 불필요한 수작업이 요구된다. 이로 인해 많은 작업시간이 소요되어 CFD 분석 효율성을 저하시킨다. 또한, 건물의 규모가 클수록 CFD 모델에 설정해야 할 속성 정보의 양도 늘어난다. 이러한 경우에는 CFD 모델 입력 과정에서 건물에 관한 속성정보의 오기나 누기 등이 발생할 수 있으며, 시뮬레이션 결과의 정확도가 저하될 수 있다.

이러한 문제를 해결하기 위해 BIM에 포함된 속성정보를 연계하기 위한 시도가 이루어지고 있다. Lee and Song (2010)은 gbXML 포맷의 BIM 파일을 간단한 CFD 분석에 활용하였다. 다만, 해당 연구는 기초적인 CFD 분석을 지원하는 Building energy simulation 도구인 Design Builder를 사용하여 CFD 분석의 한계가 있다. Xu et al. (2018)은 BIM 모델을 연계할 수 있는 화재 시뮬레이션(Fire Dynamic Simulator, FDS) 모델을 설계하여, 형상정보와 속성정보의 연계를 시도하였다. 속성정보의 경우, BIM 모델 내 재료 정보를 입력하기 위한 모듈을 개발하여 재료 정보를 FDS 모델에 입력하였다. Gan et al. (2019)은 BIM 모델의 정보를 이용하여 건물 에너지 시뮬레이션 분석에 활용하였다. 해당 연구에서 BIM 모델을 이용하여 분석 대상의 형상과 재료 종류, 그리고 연산 영역을 추출하여 CFD 모델 설계에 사용하였다. 그러나 위의 연구들은 BIM에 속한 재료 종류와 유형만 불러왔으며, 재료의 물성 정보인 밀도, 열관류율, 비열 등의 정보는 매칭하지 않았다. 속성 정보의 완전한 연계와 CFD 시뮬레이션의 정확도를 위해 각 벽면의 물성 정보를 정확하게 CFD 모델에 매칭하는 것이 중요하다. 따라서, BIM에 포함된 각 객체의 재료의 이름, 유형과 함께 물성 정보를 함께 매칭하는 기술 개발이 필요하다.

문자열 유사도를 활용한 연구 분석

문자열 유사도를 이용하여 데이터의 유사도 판단, 데이터베이스 탐색을 통한 매칭 등의 연구가 이루어지고 있다. 문자열 유사도를 평가하는 다양한 방법 중 편집 기반 유사도 측정 방법이 주로 연구에 활용되고 있다. 편집 기반 유사도 측정 방법은 두 개의 문자열이 같아지기 위한 최소 수정 연산 횟수를 구하는 방법으로 가장 대표적인 방법으로 Levenshtein distance 알고리즘이 있다(Yang and Lee, 2019). Levenshtein distance 알고리즘은 거리함수가 갖춰야 할 속성을 모두 충족하여 다양한 연구에 적용되고 있다.

Choi (2010)은 Levenshtein distance 알고리즘을 이용하여 몽골어파의 16개의 언어, 방언들 사이의 유거리를 측정하고 유사도를 분류하였다. Yang and Lee (2019)는 상품 구매 이력 유사도를 산정하기 위하여 구매이력 시퀀스의 유사도를 Levenshtein distance로 평가하였다. Lee and Oh (2013)은 기존의 Levenshtein distance 알고리즘이 탐색 작업의 중요도를 구분할 수 없는 점에 착안하여 어휘들의 사용빈도에 따른 가중치를 배분한 개선된 Levenshtein distance 알고리즘을 제안하였다.

문자열의 유사도를 산정하는 연구에서 나아가 Levenshtein distance 알고리즘을 미리 구축한 데이터베이스에 결합하여 최적의 데이터를 매칭하는 연구도 다수 진행되었다. Chong (2019)는 국내 도로표지 안내지명 데이터베이스를 구축하고, OCR 기술을 통해 인식한 단어와 데이터베이스에 속한 단어의 Levenshtein distance를 계산하여 가장 최소의 편집거리를 갖는 탐색하는 연구를 수행하였다. Lee et al. (2019)은 국내 130만개의 상호명을 데이터베이스로 구축한 후, 휴대폰으로 촬영한 이미지에서 상호명을 추출하여 데이터베이스의 상호명과 편집거리를 계산하여 가장 유사한 상호명을 도출하는 알고리즘을 개발하였다.

이와 같이 미리 구축한 데이터베이스와 대상이 되는 단어의 편집 거리를 계산하여 최적의 데이터를 매칭하는 연구가 이루어지고 있다. 이러한 기술을 건축 모델링 기술과 연계한 연구는 이루어지지 않고 있다. 이에, 본 연구에서는 건축 모델의 속성정보 중 재료명을 표준화하여 라이브러리를 구축하고 이에 대한 물성정보를 매칭하는 기술을 문자열 유사도를 활용하여 구현하고자 하였다.

Levenshtein distance를 이용한 속성정보 매칭 방법 개발

BIM 속성정보 매칭 방법 정의

본 연구에서 적용한 BIM 속성정보 매칭 방법은 Figrue 1과 같다. 개방형 BIM 파일인 IFC (Industry Foundation Classes) 파일을 대상으로 하였으며, CFD 분석 도구 또한 개방형 기술인 OpenFOAM을 대상으로 하였다. BIM 속성정보 매칭을 위해 첫번째로 CFD 모델 설계에 필요한 요구정보를 추출할 수 있는 BIM 속성정보 추출 알고리즘을 설계하였다. BIM 모델에 입력된 속성정보 중 재료정보의 경우, 대부분 재료의 명칭 정보만 입력되고 재료의 비열, 열관류율 등의 속성정보는 입력이 이루어지지 않는다. CFD 시뮬레이션을 위해서는 경계면을 이루는 벽에 대한 물성 정보가 요구된다. 따라서, 재료의 물성정보를 입력할 수 있도록 별도의 물성 정보 데이터베이스 구축이 필요하다. 데이터베이스에 재료명과 BIM 모델에 속한 재료명을 탐색하여 대응되는 물성치 정보를 CFD 모델에 입력하였다.

Figure 1.

The proposed method of BIM attribute data matching

한편, BIM 모델 설계자에 따라 같은 재료명도 띄어쓰기나 단어의 배열 등을 다르게 하여 여러가지 형태로 BIM 모델에 입력될 수 있다. 이로 인해 물성 정보 데이터베이스 내에 재료명을 한 가지로 정의하기 힘들고, 속성 정보의 매칭이 어려워진다. 이를 해결하기 위하여 기존 선행 연구에서 적용한 유사도 기반의 데이터베이스 탐색 기술을 구현하였다. 본 연구에서는 Levenshtein distance 알고리즘을 이용하여 BIM 모델에 저장된 재료명과 데이터베이스 재료명과의 편집거리를 계산하여 유사도가 가장 높은 데이터베이스의 재료명을 탐색하고, 이를 CFD 모델에 적용하는 알고리즘을 구축하였다.

BIM 속성정보 추출 알고리즘 설계

건물의 형상과 속성정보를 포함하고 있는 IFC는 건물 각 요소의 좌표, 형태, 재료 등의 정보를 개별 데이터베이스 저장 형태인 엔티티(entity) 단위로 표현하고 있다. 따라서 CFD 모델 설계에 필요한 속성정보를 추출하기 위해 IFC의 entity를 분석하고 필요한 정보를 추출하는 알고리즘이 필요하다. 이를 위해 IfcOpenShell 라이브러리를 활용하여 IFC의 구조를 분석하였다. IFC 파일에는 구조물 재료의 물성치에 관한 속성 정보가 포함되어 있으며, 이를 CFD 모델의 벽체 재료 정보와 열관류율 입력에 활용하였다. 속성 정보 추출은 각 구조체의 구성에 대한 정보가 포함된 IfcMaterial entity를 대상으로 수행하였다.

속성정보 추출 알고리즘은 벽 객체(IfcWall), 슬라브 객체(IfcSlab)와 같은 속성 객체로부터 재료의 정보가 포함된 Material Layer을 탐색하여 재료의 이름과 두께 그리고 열전도율을 추출한다. IfcWall 과 IfcSlab는 Figure 2와 같이 구성층의 정보를 참조하고 있으며, 각 객체에서 재료 구성 정보가 포함된 IfcRelAssociatesMaterial, IfcMaterialLayerSetUsage 객체를 거쳐 재료 층을 구성하는 정보(IfcMaterialLayerSet 또는 IfcMaterialLayer)를 확인할 수 있다. IfcMaterialLayer는 단일 재료로 구성된 층의 정보를 담는 객체이며, 재료의 이름과 층의 두께를 추출 가능하다. 벽 혹은 슬라브를 구성하는 재료가 여러 개인 경우에는 재료층의 목록을 담는 IfcMaterialLayerSet을 참조하여 정보를 추출하였다. BIM으로부터 추출된 정보를 OpenFOAM CFD 모델의 속성정보로 입력하기 위하여 데이터 변환하고 이를 기반으로 한 설정 파일을 생성한다.

Figure 2.

Reference between wall and slab objects and material layer objects

표준 물성정보 데이터베이스 구축

재료 이름으로부터 BIM 모델에 누락된 물성 정보를 추정하고 CFD 모델에 입력하기 위해, 표준 물성정보 데이터베이스를 구축하였다. 데이터베이스 구축을 위해 건축 자재의 재료명, 밀도, 비열, 열전도율 정보를 수집하였다. 오픈소스 라이브러리인 ht에서 제공하는 재료의 물성치 정보와 문헌를 조사하여 물성정보 데이터베이스를 구축에 활용하였다. 또한, 건축재료의 열성능에 관한 기준인 DIN, ASHRAE Standard 등을 참조하여 재료별 열관류율, 밀도, 비열 등의 정보를 데이터베이스에 포함하였다.

데이터베이스의 단위는 OpenFOAM CFD 모델의 입력 단위로 변환하였다. 다음 Table 1은 재료의 열적 성능 정보를 구축한 예시이며, Figure 3은 구축된 표준 물성정보 데이터베이스의 예시이다. 열적 성능과 함께 추가적으로 표면 거칠기에 관한 정보도 함께 데이터베이스로 구축하였다. 재료 이름으로부터 유체 거동에 영향을 주는 표면 거칠기를 설정하기 위해, 오픈소스 라이브러리인 fluid와 관련 문헌을 통해 재료별 조도 길이 라이브러리를 구축하였다.

Figure 3.

Example of standard property information database

Levenshtein distance 기반 BIM 속성정보 매칭 알고리즘 개발

BIM에서 추출한 재료 명칭과 별도로 구축한 표준 물성 정보 데이터베이스를 활용한 BIM 속성정보 매칭 알고리즘을 개발하였다. BIM에 포함된 재료의 명칭과 두께 정보는 추출과 동시에 CFD 모델에 매칭하였다. IFC 객체의 Material layer로부터 재료의 이름과 두께로 구성된 tuple 자료형(선언된 변수와 그에 대한 요소 값에 대한 자료 형태)을 추출하여 CFD 모델에 매칭하였다. 밀도, 열관류율, 비열 등의 물성 정보는 표준 물성정보 데이터베이스의 값을 이용하도록 하였다. IFC 모델에 입력된 재료 명칭을 표준 물성정보 데이터베이스에서 탐색하고 가장 유사한 재료의 열관류율을 해당 재료의 열관류율로 지정하였다.

IFC와 데이터베이스 간 재료 매칭 알고리즘은 Levenshtein distance를 통한 문자열 간 유사도를 기준으로 구현하였다. Levenshtein distance는 하나의 문자열에 수정연산을 하여 다른 문자열과 같게 할 때 가장 적은 수정 연산 횟수를 계산한다. 수정 연산은 삽입(insertion), 삭제(deletion), 치환(substitution)이 있으며, 문자의 수정 횟수를 편집거리로 표현한다. 문자 a와 b에 대한 Levenshtein distance를 산정하는 식 (1)과 같다.

여기서, ≤va,b(i,j)는 문자열 a와 b의 Levenshtein distance임.

Levenshtein distance 알고리즘을 이용하여 편집거리를 계산한 예시는 Table 2와 같다. 두 문자열 간의 일치하지 않는 위치(붉은색 칸)의 개수가 편집 거리와 동일하다.

Table 2.

Calculation example of levenshtein distance

String	Comparison result	Levenshtein distance
aluminum alumina brick		7
polystyrene polypropylene		5

한편, 건축재료의 이름은 대부분 두 개 이상의 단어로 이루어져 있으며, IFC 모델, 데이터베이스의 출처에 따라 띄어쓰기와 단어 순서 등이 다를 수 있다. 이로 인해 동일한 재료라도 재료 명칭의 띄어쓰기, 구분 기호의 차이와 단어 순서에 따라 편집 거리가 달라질 수 있다. 이를 고려하여 개별 구성 단어의 유사도를 평가할 수 있는 Token Set ratio 함수를 적용하여 알고리즘을 설계하였다. 입력된 재료명을 단어열로 분리한 후, 개별 단어의 최대 유사도를 통해 전체 문자열을 평가하였다. 만약, 한국어 재료명이 입력된 경우, 사전 설정한 한국어-영어 재료명 데이터를 통해 영문 재료명으로 변환하도록 하였다.

Levenshtein distance를 통해 유사도를 계산하여 최적 단어를 매칭하도록 하였다. 유사도 산정식은 다음 식 (2)와 같다.

여기서, s는 문자열 a와 b의 유사도, a는 문자열 a의 길이, ≤v(a,b)는 문자열 a와 b의 Levenshtein distance임.

유사도가 가장 높은 재료를 IFC 파일의 재료와 동일한 재료로 판단하였다. 최종적으로 동일하다고 판단된 재료의 물성정보를 반환하고 IFC에서 추출한 재료 명칭, 두께 정보와 함께 OpenFOAM CFD 모델에 속성 정보로 입력하였다.

BIM 속성정보 매칭 알고리즘 정확도 검증

정확도 검증 방법 및 대상 선정

Levenshtein distance를 활용한 BIM 속성정보 매칭 알고리즘의 정확도를 평가하기 위한 검증을 수행하였다. 검증은 BIM 속성정보 추출 알고리즘과 Levenshtein distance 기반 BIM 속성정보 매칭 알고리즘에 대하여 수행하였다. BIM 속성정보 추출 알고리즘은 BIM에서 추출한 재료 정보가 IFC 모델 내 정보와 동일한가를 기준으로 정확도를 평가하였다. BIM 속성정보 매칭 알고리즘은 미리 구축한 데이터베이스와 추출한 재료명의 유사도 평가 결과를 바탕으로 선정된 재료명을 CFD 모델에 입력하고, 해당 정보가 IFC 모델의 정보와 일치하는가를 기준으로 정확도를 평가하였다.

검증을 위한 대상 선정을 위해 웹에서 공개된 BIM 라이브러리를 활용하였다. Table 3과 같이 총 3개의 데이터베이스에서 제공하는 8개의 BIM 모델을 대상으로 검증을 수행하였다. BIM 속성 추출 알고리즘은 8개의 BIM 모델에 포함된 모든 객체(IfcWall, IfcSlab)에 대하여 검증을 수행하였다. BIM 속성 매칭 알고리즘은 각 데이터베이스에서 한 개의 BIM 모델을 추출하여 총 3개의 BIM 모델에 대하여 검증을 수행하였다.

BIM 속성정보 추출 정확도 평가

BIM에서 속성정보를 추출하는 알고리즘의 정확도를 평가하였다. 검증 대상 모델에 포함된 모든 벽(IfcWall)과 슬라브(IfcSlab) 객체를 대상으로 재료 구성 정보를 추출하였다. 추출된 재료 정보가 BIM 모델의 재료 정보와 일치하는지 확인하고, 이를 통해 추출의 정확도를 평가하였다. 단, IfcSlab 객체로 저장된 계단의 경우 공간의 경계에 해당하지 않기 때문에 평가 대상에서 제외하였다.

추출 알고리즘의 정확도를 평가한 결과는 아래 Table 4와 같다. NIBS 데이터베이스의Medical Clinic 모델과 NIBS 데이터베이스의 Office Building 모델의 경우 슬라브 객체를 포함하지 않아 추출 정확도 평가가 불가능하였다. 모든 검증 대상의 벽, 슬라브 객체를 대상으로 산정한 추출 정확도는 약 99.1%로 평가되었다(Table 4의 각 모델의 추출 정확도의 평균 값). 일부 조건에서 추출이 정상적으로 이루어지지 않아 오차가 발생한 것으로 나타났다. BIM 데이터의 표준 교환 형식인 IFC2×3은 IfcRelAssociatesMaterial과 IfcMaterialLayerSetUsage 객체를 통해 벽 또는 슬라브를 구성하는 객체를 참조하도록 규정하고 있다. 한편, 추출 오차가 발생한 NIBS 데이터베이스의 Duplex Apartment 모델과 UA의 West Riverside Hospital Parking Garage 모델은 표준 IFC 규약을 준수하지 않고 IfcPropertySingleValue 객체로 재료 정보를 저장하였다. 또한, 두께 정보를 포함하지 않고 있어 정상적인 속성정보 추출이 불가능하였다. 표준 규약을 따르는 BIM 모델에 대해서는 오차 없이 추출이 이루어졌다. 따라서, 개발 알고리즘은 BIM의 속성정보를 오차 없이 매우 정확하게 추출하는 것으로 평가된다.

BIM 속성정보 매칭 검증 결과

문자열 유사도 기반의 BIM 속성정보 매칭 알고리즘 검증은 Table 4의 대상 BIM 모델과 Figure 2의 표준 물성정보 데이터베이스를 이용하여 수행하였다. 단, Haus30 모델의 경우 BIM에서 속성정보를 추출하는 알고리즘의 정확도를 평가하였다. Table 5는 속성정보 매칭 결과로, 제안한 매칭 알고리즘이 BIM에 포함된 모든 재료 정보를 오류 없이 CFD 모델에 매칭한 것으로 나타났다. 재료명 중 핵심적인 단어가 IFC 모델과 물성정보 데이터베이스 재료명 모두 동시에 속한 경우, 유사도는 1로 판단하였다. 재료명의 유사도는 평균 0.84, 최소 유사도는 0.55로 도출되었다. 유사도가 낮게 나온 3개의 재료명은 공통적으로 모두 metal 단어를 포함하는 것으로 나타났다. 이는 현재 구축한 표준 물성정보 데이터베이스에 metal 관련 재료가 충분하지 않아 발생한 문제로 사료된다. Metal 관련 재료를 데이터베이스 추가하여 유사도를 향상시킬 수 있을 것으로 판단된다. 이 외의 재료에 대해서는 IFC 모델에 속한 재료명과 유사한 재료명을 데이터베이스에서 탐색하였고, 해당 재료의 열관류율, 밀도, 비열 등을 추출하여 CFD 모델에 성공적으로 매칭하였다.

결 론

BIM에 포함된 건축물 속성정보의 활용과 이를 통한 CFD 모델 설계 효율성 향상을 위해 본 연구에서는 Levenshtein distance를 활용한 문자열 유사도 기반 BIM 속성정보 매칭 알고리즘을 제안하였다. 기술 개발의 확장성을 위해 BIM은 개방형 BIM 포맷인 IFC 파일을 기준으로 하였으며, CFD 역시 개방형 분석 도구인 OpenFOAM을 대상으로 하였다. IFC 파일에서 속성정보를 추출하기 위하여 BIM 속성정보 추출 알고리즘을 설계하였다. 속성정보는 경계면의 명칭, 유형과 함께 경계면을 구성하는 재료의 종류와 재료의 물성정보(열관류율, 밀도, 비열 등)을 추출하도록 하였다. 문자열 유사도 기반의 매칭 알고리즘 구현을 위하여 두 문자열 간의 편집 거리를 계산하는 Levenshtein distance 알고리즘을 적용하였다. 정확한 물성정보의 CFD 입력을 위하여 건축에서 주로 사용되는 자재에 대한 표준 물성정보 데이터베이스를 구축하였다. IFC에서 추출한 재료명과 물성정보 데이터베이스 내의 재료들과의 편집거리를 계산하였다. 편집거리를 유사도로 변환하고 이를 기반으로 선정된 최적 재료의 물성정보를 CFD 모델에 입력하는 매칭 알고리즘을 설계하였다. 유사도가 가장 높은 재료를 탐색하고 이의 열관류율 등의 물성정보를 CFD 모델에 입력하도록 하였다.

개발된 알고리즘의 검증을 수행하여 정확도를 평가하였다. 웹 공개 BIM 라이브러리를 활용하여 총 8개의 BIM 모델에 대하여 개발 알고리즘의 정확도를 평가하였다. BIM 속성정보 추출 알고리즘의 정확도를 평가한 결과, 약 99.1%의 정확도로 평가되었다. 일부 모델에서는 추출 오차가 발생하였는데, 이는 해당 BIM 모델이 표준 규약을 준수하지 않아 생긴 문제로 분석되었다. 따라서, BIM 표준 규약을 준수하는 BIM 모델의 경우 해당 알고리즘이 정확하게 IFC 재료 정보를 추출 가능한 것으로 평가되었다. 이와 함께 매칭 알고리즘에 대한 정확도도 평가하였다. 유사도 평가 결과는 평균 0.84로 나왔으며, IFC에 속한 재료를 모두 정확하게 CFD 모델에 매칭하는 것으로 평가되었다. 본 연구에서 구축한 물성정보 데이터베이스에서 Metal 재료와 관련된 정보가 부족하여 유사도 점수가 일부 낮게 도출되었다. 향후에 이를 보완하여 유사도 점수 개선이 가능할 것으로 판단된다.