Syfte: Syftet med arbetet är att förbättra dimensioneringsprocessen för knutpunkter i stålstrukturer. Förslag har getts på en förbättrad dimensionsprocess baserad på de BIMrelaterade datorprogrammen SBI Steel Connections och FEM-design. Syftet har brutits ner till följande frågeställningar:  Hur går konsultföretag till väga idag för att beräkna knutpunkter vid stålkonstruktioner?  Hur kan den vanligaste dimensioneringsprocessen för knutpunkter förbättras?  Vilka fördelar blir det vid en sammankoppling av de BIM-relaterade datorprogrammen SBI Steel Connections och FEM-design? Metod: Arbetet grundar sig i en fallstudie och ett flertal metoder användes för att samla in data. Dessa är semistrukturerade intervjuer, litteratursökning, dokumentanalys och beräkningar. Resultat: Genom arbetet framgår det hur dimensioneringsprocessen ser ut för knutpunkter i stål. Resultatet är att processen varierar beroende på företag. Vissa delar i processen kan utföras på olika sätt men grundprincipen är densamma för de flesta företagen som har intervjuats. Vid dimensionering av knutpunkter som kan ske både för hand och med hjälp av ett datorprogram kan det uppstå felslag vid inmatning eller felskrivningar. Denna del av processen kan förbättras med hjälp av en ökad användning av egengjorda mallar. Det sker ett utvecklingsarbete under våren 2015 där målet är att skapa en sammankoppling mellan SBI Steel Connections och FEM-design. Genom denna sammankoppling reduceras några av de fel som anses tillhöra den mänskliga faktorn. Konsekvenser: Undersökningen har medfört en förståelse med både fördelar och nackdelar för olika sätt att dimensionera knutpunkter i stål. En del företag stävar efter en större utveckling, medan andra anser sig jobba bäst på det sätt som de alltid har gjort. Det framgår att den mänskliga faktorn är något som påverkar dimensioneringsprocessen märkbart och dessa fel behöver reduceras. De rekommendationer som framgår i arbetet är att företag ska se över processen och de förnyelsemöjligheter som finns i branschen. Det rekommenderas även en större användning av de datorprogram som används vid dimensioneringsprocessen. Begränsningar: Avgränsningar gjordes utifrån de kunskaper som erhållits i utbildningen för att studien inte skulle bli alltför omfattande. Däremot har ny kunskap bidragit till ett större ämnesdjup som utbildningen inte berört. Studien orienterades kring knutpunkter av stål och en av de vanligaste knutpunkterna studerades. Stålkvalitet och dimensioner på pelare och balk valdes utifrån knutpunktsexemplet i SBI:s handbok publikation 186 (PT3). Rapporten behandlar enbart beräkningsprogrammen SBI Steel Connections och FEM-Design. Detta medförde endast avgränsningar på material, val av knutpunkt, pelar- och balkprofiler samt laster.

The development of technology in project planning has enabled more efficient work through easier interaction and handling of complex problems. Despite the technological advancements, many companies have not yet utilized its potential, and many areas within the construction industry are in need of streamlined work processes. This study examines the possibilities of automating the design process for joints in steel structures using digital tools and artificial intelligence (AI) technologies. The digital tools examined are Tekla Structures and IDEA StatiCa, and how they, along with the developed workflow, can streamline the design process and improve the accuracy and quality of the work. Interviews with designers and AI developers have mapped out the current usage of digital tools and the perspective on automating the design process. Several challenges and limitations with the implementation of AI have been identified, such as safety risks, the need for extensive data, and human integration. To ensure that the joints are correctly designed and constructible, it is important to maintain a balance between automation and human expertise. The report aims to propose a workflow for automating the design process of joints. The proposed workflow may include various AI algorithms to achieve the best possible optimization. Some algorithms mentioned in the report are machine learning, artificial neural networks (ANN), and evolutionary algorithms (EA). These algorithms are suitable for identifying and preparing data, reading, and finding complex patterns. Previous automation of the design process for joints using digital tools has shown to reduce the time required for modeling and designing. The developed workflow can provide improved efficiency, accuracy, and quality in the design process; however, further development is required to overcome the current limitations. / Teknikens utveckling inom projektering har möjliggjort effektiviserade arbeten genom lättare samspel och hantering av komplexa problem. Trots teknikens utveckling är det många företag som ännu inte utnyttjat dess potential och många områden inom byggbranschen är i behov av en effektiviserad arbetsprocess. I denna studie undersöks möjligheterna att automatisera dimensioneringsprocessen för knutpunkter i stålkonstruktion genom användning av digitala verktyg och artificiella intelligenta (AI) teknologier. Digitala verktyg som undersöks är Tekla Structures och IDEA StatiCa och hur de tillsammans med det framtagna arbetsflödet kan effektivisera dimensioneringsprocessen och förbättra noggrannheten och kvaliteten i arbetet. Intervjuer med konstruktörer och AI-utvecklare har kartlagt den nuvarande användningen av digitala verktyg och synen på automatisering av dimensioneringsprocessen. Det har identifierats ett flertal utmaningar och begränsningar med implementeringen av AI, faktorer som säkerhetsrisker, behovet av omfattande data och mänsklig integration. För att säkerställa att knutpunkterna är korrekt dimensionerade och byggbara är det viktigt med en balans mellan automatisering och mänsklig expertis. Rapportens mål är att ta fram ett förslag på ett arbetsflöde för automatisering av dimensioneringsprocessen av knutpunkter. Det förslagna arbetsflödet kan inkludera olika AIalgoritmer för att uppnå bästa möjliga optimering. Några algoritmer som nämns i rapporten är maskininlärning, artificiella neurala nätverk (ANN) och evolutionära algoritmer (EA). Dessa algoritmer är lämpade för att identifiera och förbereda data, läsa av och hitta komplexa mönster. Tidigare automatisering av dimensioneringsprocessen för knutpunkter med hjälp av digitala verktyg har visats minska tidsåtgången för modellering och dimensionering. Det framtagna arbetsflödet kan ge en förbättrad effektivitet, noggrannhet och kvalitet i dimensioneringsprocessen, dock krävs ytterligare utveckling för att överkomma de nuvarande begräsningarna.