MétaCan
Menu
Retour à la cohorte
Enregistrement W3104880028 · doi:10.1061/9780784482865.121

BIM-Based Automated Drainage System Design in Prefabrication Construction

2020· article· en· W3104880028 sur OpenAlexaff
Nan Zhang, Yichen Tian, Jingwen Wang, Mohamed Al‐Hussein

Notice bibliographique

RevueConstruction Research Congress 2020 · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésPrefabricationConstruction managementScheduleEngineeringBuilding information modelingDrainagePlan (archaeology)Process (computing)Construction engineeringSystems engineeringComputer scienceCivil engineeringScheduling (production processes)

Résumé

récupéré en direct d'OpenAlex

Building information modeling is a technology applied in many construction projects to improve cost and time management, also enhancing the building processes of off-site construction. This paper proposes an automated method to design residential drainage systems in the BIM model, adapted for panelized construction manufactory. The drainage pipeline is separated into smaller components at the plumbing panel geometry boundaries in order to improve production efficiency at the prefabrication plant. The automated design application is created using C# programming in Visual Studio, providing an assembly plan for residential drainage systems using a prefab drainage planning approach. Meanwhile, a quantity take-off list for each plumbing panel is generated for the purpose of further cost analysis and schedule management. The auto-design method and planning algorithm are validated in a case study. The key contribution of this research is a rule-based and knowledge-based auto-design method for residential drainage systems to improve production efficiency and enhance the planning process in panelized construction. In future work, automated drainage system design for industrial projects and concrete or steel applications will be pursued.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,816
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,290
Écart entre enseignants0,248 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConstruction Research Congress 2020Même sujetBIM and Construction IntegrationTravaux en français237 207