Automatic Classification of Design Conflicts Using Rule-based Reasoning and Machine LearningAn Example of Structural Clashes Against the MEP Model
Notice bibliographique
Résumé
Automatic Classification of Design Conflicts Using Rule-based Reasoning and Machine LearningAn Example of Structural Clashes Against the MEP Model Ying-Hua Huang and Will Y. Lin Pages 324-331 (2019 Proceedings of the 36th ISARC, Banff, Canada, ISBN 978-952-69524-0-6, ISSN 2413-5844) Abstract: With the emergence of 3D technologies in a recent decade, BIM software makes it easy to detect those conflicts in the early stage of a project. Clash detection in BIM software is now a common task. Among those conflicts found by BIM software, however, a relatively high percentage belongs to pseudo conflictswhich are permissible or tolerable, but BIM software does not reveal this information. Thus, currently BIM managers have to manually inspect every detected conflict to classify the type of conflict. Some researchers urged an automated process to facilitate this laborious process. This study implemented both a rule-based reasoning system and machine learning classifiers to help classify those BIM-detected conflicts. Preliminary testing results indicate that machine learning algorithms can achieve comparable results to a traditional rule-based system, but with much less costs and energy in developing. Keywords: Clash detection, Machine learning, Rule-based reasoning, BIM DOI: https://doi.org/10.22260/ISARC2019/0044 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».