Lean-Agile FM-BIM: a demonstrated approach
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 This paper aims to respond to the high cost of facility management-enabled building information model (FM-BIM) creation and maintenance, a significant and under-researched barrier to adoption for existing buildings. The resultant approach focuses on only value-adding content (“Lean”) developed flexibly and iteratively in collaboration with end-users (“Agile”). Design/methodology/approach Five case studies were developed for university and hospital buildings in collaboration with end-users, guided by the process presented. These informed the refinement of a robust and flexible approach to increase BIM functionality with minimal geometry, focusing instead on the development of specific parameters to map semantic information necessary for each desired FM use. Findings The resulting BIM provided a breadth of model functionality with minimal modeling effort: 15 hours average implementation time per supported FM use. This low level of effort was achieved by limiting geometry to where it is necessary for the FM use implementation. Instead, the model incorporated the majority of geometry by reference and focused on semantic and topological parameters to house FM information. Research limitations/implications This study provides the basis for a new ontology structure focused on defining the rules for hosting asset management data (host entity, parameter type and characteristics) to reduce the reliance on complex geometric model development. Practical implications By prioritizing highly beneficial applications, early investment is minimized, providing quick returns at low risk, demonstrating the value of FM-BIM to end-users. Originality/value The Lean-Agile approach addresses the known research gap of low-effort, flexible approaches to FM-BIM model creation and maintenance and its effectiveness is analyzed through five case studies.
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) | 0,001 | 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