MétaCan
Menu
Retour à la cohorte
Enregistrement W3158653109 · doi:10.1155/2021/5554551

Design for Manufacturing and Assembly: A BIM‐Enabled Generative Framework for Building Panelization Design

2021· article· en· W3158653109 sur OpenAlexaff
Hexu Liu, Yuxuan Zhang, Zhen Lei, Hong Li, SangHyeok Han

Notice bibliographique

RevueAdvances in Civil Engineering · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensConcordia UniversityUniversity of New BrunswickUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésGenerative grammarGenerative DesignManufacturing engineeringEngineering drawingArchitectural engineeringConstruction engineeringComputer scienceDesign elements and principlesEngineeringSoftware engineeringOperations managementArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Offsite construction (OSC) is attracting increasing attention from both industry and academia due to its benefits, such as improved productivity and quality, as well as reduced waste. However, the current building panelization design in OSC is a time‐consuming and experience‐based manual process, and the generated panelization design may result in unbalanced manufacturing processes. One reason is that the prefabrication of building components involves a highly variable product mix and there is a lack of a computational framework to evaluate panelization design. The objective of this research is, thus, to propose a BIM‐based generative framework that automatically generates the design of production components with the aim of improving production productivity. This framework consists of a building information extraction module, a generative design algorithm, and a simulation‐based performance evaluation model. The building information extraction module is designed to extract building component information from a BIM model and classify building components into different production groups in accordance with functionalities and materials. The generative design algorithm is then developed to formulate panelization design alternatives in consideration of the structural, production, and logistics constraints. On this basis, the generated panelization designs are quantitatively assessed by a simulation‐based evaluation model in terms of productivity. A case study was used to verify and validate the framework. This research contributes to the body of knowledge by a computational framework of building panelization design, which leverages the generative design algorithm and BIM‐simulation integration for optimized panelization design.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,248
Écart entre enseignants0,231 · 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
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

Citations41
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Civil EngineeringMême sujetBIM and Construction IntegrationTravaux en français237 207