Building Information Modelling‐ (BIM‐) Based Generative Design for Drywall Installation Planning in Prefabricated Construction
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
In prefabricated construction, building components are manufactured off‐site before shipping to the site for installation. Accurate design and planning are essential for smooth on‐site execution and improved efficiency, which requires evaluations of various design options. However, due to the design process’s complexity, such evaluations cannot be achieved without automation and optimization. Meanwhile, the recent advancement of digital design technologies (e.g., building information modelling (BIM)) has enabled flexibility in the design process. The integration of BIM with other analytical algorithms also allows optimization of designs, such as the generative design that can parametrize the design. This study proposes a generative design approach that utilizes the optimization of the drywall installation layout to improve overall project efficiency. The framework includes a decision support module that considers environmental, cost, and aesthetic aspects to identify the optimal layout. The framework’s practical applicability has been successfully demonstrated through a case study. After implementation, three “best” design alternatives were found according to the decision aspects. The design improvements achieved were 37.5%, 7%, and 54% for the environmental, cost, and aesthetic factors, respectively. Accordingly, practitioners can make better decisions on planning drywall projects. This approach has proven effective in planning drywall installation and can be applied in similar design scenarios for other prefabricated construction processes.
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 | 0,001 |
| 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