Automated building information modeling for fault detection and diagnostics in commercial HVAC systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Organizations involved in facility management (FM) can use building information modeling (BIM) as a knowledge repository to document evolving facility information and to support decisions made by the facility managers during the operational life of a facility. Despite ongoing advances in FM technologies, FM practices in most facilities are still labor intensive, time consuming and often rely on unreliable and outdated information. To address these shortcomings, the purpose of this study is to propose an automated approach that demonstrates the potential of using BIM to develop algorithms that automate decision-making for FM applications. Design/methodology/approach A BIM plug-in tool is developed that uses a fault detection and diagnostics (FDD) algorithm to automate the process of detecting malfunctioning heating, ventilation, and air conditioning (HVAC) equipment. The algorithm connects to a complaint ticket database and automates BIM to determine potentially damaged HVAC system components and develops a plan of action for the facility inspectors accordingly. The approach has been implemented as a case study in an operating facility to improve the process of HVAC system diagnosis and repair. Findings By implementing the proposed application in a case study, the authors found that automated BIM approaches such as the one developed in this study, can be highly beneficial in FM practices by increasing productivity and lowering costs associated with decision-making. Originality/value This study introduces an innovative approach that leverages BIM for automated fault detection in operational buildings. FM personnel in charge of HVAC inspection and repair can highly benefit from the proposed approach, as it eliminates the time required to locate HVAC equipment at fault manually.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle