Design for Manufacturing and Assembly: A BIM‐Enabled Generative Framework for Building Panelization Design
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
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.
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) | 0,000 | 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