MétaCan
Menu
Retour à la cohorte
Enregistrement W2958522796 · doi:10.3390/biomimetics4030049

BiomiMETRIC Assistance Tool: A Quantitative Performance Tool for Biomimetic Design

2019· article· en· W2958522796 sur OpenAlexaff
Philippe Terrier, Mathias Glaus, Emmanuel Raufflet

Notice bibliographique

RevueBiomimetics · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueDesign Education and Practice
Établissements canadiensHEC MontréalGDG EnvironnementÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésBiomimeticsEngineeringBiomimetic materialsSystems engineeringComputer scienceArtificial intelligenceNanotechnologyMaterials science

Résumé

récupéré en direct d'OpenAlex

This article presents BiomiMETRIC, a quantitative performance tool for biomimetic design. This tool is developed as a complement to the standard ISO 18458 Biomimetics-terminology, concepts, and methodology to quantitatively evaluate the biomimetics performance of a design, a project, or a product. BiomiMETRIC is aimed to assist designers, architects, and engineers to facilitate the use of the biomimetic approach beyond the existing frameworks, and to provide an answer to the following question: How can a quantitative evaluation of biomimetic performance be carried out? The biomimetic quantitative performance tool provides a method of quantitative analysis by combining the biomimetic approach with the impact assessment methods used in life-cycle analysis. Biomimetic design is divided into eight steps. The seventh step deals with performance assessment, verifying that the concept developed is consistent with the 10 sustainable ecosystem principles proposed by the Biomimicry Institute. In the application of the biomimetic quantitative performance tool, stone wool and cork are compared as insulation materials used in biomimetic architecture projects to illustrate the relevance and added value of the tool. Although it is bio-based, cork has a lower biomimetic performance according to the indicators used by the biomimetic quantitative performance tool presented in this article.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,063

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,024
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,002
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0190,005

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.

Tête enseignante Opus0,045
Tête enseignante GPT0,281
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiomimeticsMême sujetDesign Education and PracticeTravaux en français237 207