Programmatische Digital-Twin-Workflows

Programmatische Digital Twin Workflows verbinden Punktwolken, 3D-Viewer, BIM Daten, Sensordaten und technische Zustandsinformationen zu nutzbaren digitalen Arbeitsumgebungen.

Der Schwerpunkt liegt nicht auf dekorativen 3D-Modellen. Entscheidend sind strukturierte, prüfbare und erweiterbare Daten, die für technische Entscheidungen im Bestand verwendet werden können.

Eigene Pilotentwicklung: Digital Twin, 3D Viewer und Taupunkt-Rechner

Neben der reinen Anwendung vorhandener Software entwickelt die Tchalabi Eng. GmbH eigene technische Pilotansätze. Dabei werden Messdaten, Punktwolken, Viewerfunktionen und bauphysikalische Bewertungen schrittweise miteinander verbunden.

Der Fokus liegt auf einem Phased Digital Twin. Zunächst werden Bestandsdaten sichtbar und messbar gemacht. Danach werden sie mit technischen Zusatzinformationen wie Feuchtewerten, Taupunktberechnungen, Schadensmarkern, Bauteilbezügen und Dokumentationsdaten erweitert.

Beispiel: Viewer-Marker mit Taupunktbewertung

In einem Digital Twin Workflow kann ein Messpunkt im Viewer nicht nur eine Position markieren. Zusätzlich kann er bauphysikalische Informationen enthalten, zum Beispiel Raumtemperatur, relative Luftfeuchte, Oberflächentemperatur und eine einfache Taupunktbewertung.

{
  "marker_id": "TE-MP-014",
  "viewer": "tchalabi_3d_viewer",
  "viewer_engine": ["Potree", "Three.js"],
  "type": "moisture_risk_point",
  "position": {
    "x": 4.82,
    "y": 1.35,
    "z": 2.10
  },
  "linked_dataset": {
    "pointcloud": "bestand_eg_potree",
    "room": "Kellerraum 01",
    "component": "Außenwand Nord"
  },
  "measurements": {
    "room_temperature_c": 20.0,
    "relative_humidity_percent": 60,
    "surface_temperature_c": 10.8,
    "dew_point_c": 12.0
  },
  "assessment": {
    "condensation_risk": true,
    "risk_level": "elevated",
    "technical_note": "Oberflächentemperatur liegt unterhalb der Taupunkttemperatur."
  }
}

Beispiel: Marker-Logik in Three.js

Three.js kann genutzt werden, um Zustandsmarker im 3D-Raum darzustellen. Potree liefert die performante Punktwolkenumgebung, während Three.js zusätzliche Objekte, Sensorpunkte und Interaktionen bereitstellt.

import * as THREE from "three";

function createDewPointRiskMarker(data) {
  const isRisk = data.assessment.condensation_risk === true;

  const geometry = new THREE.SphereGeometry(0.08, 24, 24);
  const material = new THREE.MeshBasicMaterial({
    color: isRisk ? 0xff6600 : 0x00aa88
  });

  const marker = new THREE.Mesh(geometry, material);

  marker.position.set(
    data.position.x,
    data.position.y,
    data.position.z
  );

  marker.userData = {
    markerId: data.marker_id,
    type: data.type,
    room: data.linked_dataset.room,
    component: data.linked_dataset.component,
    roomTemperature: data.measurements.room_temperature_c,
    relativeHumidity: data.measurements.relative_humidity_percent,
    surfaceTemperature: data.measurements.surface_temperature_c,
    dewPoint: data.measurements.dew_point_c,
    condensationRisk: data.assessment.condensation_risk,
    technicalNote: data.assessment.technical_note
  };

  return marker;
}

Digital Twin Workflows statt isolierter 3D-Visualisierung

Ein Digital Twin ist nur dann technisch wertvoll, wenn die zugrunde liegenden Daten nachvollziehbar strukturiert sind. Deshalb beginnt der Workflow nicht beim Viewer, sondern bei der Qualität der Eingangsdaten.

Zunächst werden Punktwolken, Fotos, IFC-Modelle, Messwerte und Projektinformationen getrennt erfasst. Danach werden sie in eine Datenstruktur überführt, die für Viewer, Auswertungen und spätere Erweiterungen geeignet ist.

Zentrale Technologien für Digital Twin Workflows

Je nach Projekt können unterschiedliche Werkzeuge kombiniert werden. Die Auswahl richtet sich nach Datenvolumen, Genauigkeitsanforderung, Viewer-Ziel, Serverumgebung und gewünschter Interaktion.

Potree als Kern für große Punktwolken

Potree ist für Digital Twin Workflows besonders relevant, wenn sehr große Punktwolken aus 3D-Laserscanning, Photogrammetrie oder Bestandsaufnahmen webbasiert nutzbar gemacht werden sollen.

Der entscheidende Vorteil liegt in der hierarchischen Datenstruktur. Statt eine vollständige Punktwolke auf einmal zu laden, werden nur die jeweils erforderlichen Detailstufen übertragen.

Beispiel: Potree Viewer einbinden

Das folgende Beispiel zeigt schematisch, wie eine vorbereitete Potree-Punktwolke in einen Viewer geladen wird. In realen Projekten werden Pfade, Koordinatensysteme, Berechtigungen und Serverstrukturen projektspezifisch angepasst.

<div id="potree_render_area" style="width:100%; height:650px;"></div>

<script>
  window.viewer = new Potree.Viewer(
    document.getElementById("potree_render_area")
  );

  viewer.setEDLEnabled(true);
  viewer.setFOV(60);
  viewer.setPointBudget(2000000);
  viewer.loadSettingsFromURL();

  Potree.loadPointCloud(
    "/pointclouds/bestand/cloud.js",
    "Bestandsaufnahme",
    function(event) {
      const pointcloud = event.pointcloud;
      viewer.scene.addPointCloud(pointcloud);

      pointcloud.material.size = 1.0;
      pointcloud.material.pointSizeType = Potree.PointSizeType.ADAPTIVE;
      pointcloud.material.shape = Potree.PointShape.CIRCLE;

      viewer.fitToScreen();
    }
  );
</script>

Three.js für individuelle Digital Twin Funktionen

Three.js ist dann besonders wichtig, wenn der Viewer nicht nur Punktwolken anzeigen soll. Zusätzlich können Bauteile, Sensorpunkte, Messachsen, Schadensmarker, IFC-Elemente oder projektspezifische Benutzeroberflächen integriert werden.

Dadurch entsteht eine technische Arbeitsoberfläche, die auf den konkreten Anwendungsfall abgestimmt werden kann.

import * as THREE from "three";

function createSensorMarker(sensor) {
  const geometry = new THREE.SphereGeometry(0.08, 24, 24);
  const material = new THREE.MeshBasicMaterial({
    color: sensor.status === "critical" ? 0xff6600 : 0x00aa88
  });

  const marker = new THREE.Mesh(geometry, material);

  marker.position.set(
    sensor.position.x,
    sensor.position.y,
    sensor.position.z
  );

  marker.userData = {
    sensorId: sensor.id,
    type: sensor.type,
    lastValue: sensor.lastValue,
    unit: sensor.unit,
    ifcGuid: sensor.ifcGuid
  };

  return marker;
}

const sensor = {
  id: "SEN-F-023",
  type: "Feuchte",
  lastValue: 72.4,
  unit: "%",
  status: "critical",
  ifcGuid: "3vH7GsQeP2m9Lx",
  position: { x: 4.2, y: 1.1, z: 2.0 }
};

scene.add(createSensorMarker(sensor));

WebODM, CloudCompare und Blender im Workflow

Nicht jede Datenquelle entsteht durch Laserscanning. Deshalb können ergänzende Werkzeuge eingesetzt werden, um Bilddaten, Meshes, Punktwolken und technische Modelle vorzubereiten.

Empfohlene Datenpipeline

Ein belastbarer Digital Twin Workflow entsteht schrittweise. Deshalb werden Rohdaten zuerst geprüft, dann technisch aufbereitet und erst danach in Viewer- oder Projektstrukturen integriert.

Beispiel: Metadaten für Viewer und Digital Twin

Für Digital Twin Anwendungen reicht die Geometrie allein nicht aus. Messpunkte, Zustandsinformationen, Bauteilbezüge und Datenquellen müssen maschinenlesbar beschrieben werden.

{
  "project_id": "TE-DT-2026-001",
  "dataset_type": "pointcloud",
  "source": "terrestrial_laserscan",
  "viewer": "potree",
  "coordinate_system": "project_local",
  "linked_assets": [
    {
      "type": "ifc_element",
      "ifc_guid": "3vH7GsQeP2m9Lx",
      "name": "Außenwand Nord",
      "condition": "moisture_risk"
    },
    {
      "type": "sensor",
      "sensor_id": "SEN-F-023",
      "measurement": "relative_humidity",
      "last_value": 72.4,
      "unit": "%"
    }
  ]
}

Technische Grenzen und Qualitätsanforderungen

Ein performanter Viewer ersetzt keine Datenprüfung. Besonders bei großen Punktwolken müssen Genauigkeit, Koordinatensystem, Dateigröße, Punktdichte, Segmentierung und Herkunft der Daten geprüft werden.

Außerdem muss zwischen Visualisierung und technischer Bewertung unterschieden werden. Eine schöne Darstellung ist noch kein belastbarer Digital Twin. Belastbar wird der Datenraum erst durch prüfbare Struktur, dokumentierte Herkunft und fachlich kontrollierte Auswertung.

Ergebnis für Projektbeteiligte

• performante Punktwolken-Viewer mit Potree
• individuelle WebGL-Funktionen mit Three.js
• Integration von Messpunkten, Sensoren und Annotationen
• Verknüpfung von Punktwolken mit IFC- oder Projektinformationen
• strukturierte Datenpipelines für große Bestandsdaten
• technische Grundlage für Phased Digital Twin Anwendungen
• bessere Nachvollziehbarkeit für Planung, Prüfung und Dokumentation

Weiterführende technische Quellen

Für die technische Einordnung webbasierter Digital Twin Workflows sind insbesondere die offiziellen Dokumentationen und Projektseiten zu Potree, Three.js, WebODM und CloudCompare relevant.

Relevante Leistungen

• Digitale Systeme & Projektintegration
• 3D-Bestandsaufnahme
• Zerstörungsfreie Bauwerksdiagnostik
• Feuchte- und Schimmeldiagnostik

Kontakt und Anfrage

Hinweis: Die genannten Technologien werden projektspezifisch ausgewählt. Die technische Umsetzung hängt von Datenmenge, Datenqualität, Koordinatensystem, Hosting-Umgebung, Datenschutzanforderungen und gewünschter Viewer-Funktionalität ab.