MétaCan
Menu
Retour à la cohorte
Enregistrement W39773279 · doi:10.22260/isarc2013/0127

Automatic Generation of BIM Using Parametric Family

2013· article· en· W39773279 sur OpenAlexaboutno aff
J. Lee, Y. Liu, Julian Kang, Sungjin Ahn

Notice bibliographique

RevueProceedings of the ... ISARC · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCaissonParametric statisticsComputer scienceProcess (computing)Parametric modelParametric designEngineeringEngineering drawingStructural engineeringOperating system

Résumé

récupéré en direct d'OpenAlex

Automatic Generation of BIM Using Parametric Family J. Lee, Y. Liu, J. Kang, S. Ahn Pages 1157-1163 (2013 Proceedings of the 30th ISARC, Montréal, Canada, ISBN 978-1-62993-294-1, ISSN 2413-5844) Abstract: A monolithic caisson is one of the major structural components commonly used in the construction of docks, breakwaters, and container terminal quay walls. Since the structure of monolithic caissons is typical and somewhat simple, its design process is also typical and repetitive, but still time consuming. To reduce the total time and enhance productivity, we developed a parametric model in Revit to automatically generate a 3D model of a monolithic caisson. It is designed to generate the Revit model of a caisson with concrete body and reinforcing bars. The size of caisson, the number of reinforcing bars, and the space between reinforcing bars are automatically changed when users update parameters. This paper presents how we developed this parametric family in Revit for monolithic caisson design and how it would enhance its design process. Keywords: BIM, Parametric modeling, Revit Family, automatic generation DOI: https://doi.org/10.22260/ISARC2013/0127 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley

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)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
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 savante0,0010,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,004

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 Opus0,027
Tête enseignante GPT0,210
Écart entre enseignants0,183 · 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'étudeSans objet
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

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the ... ISARCMême sujetBIM and Construction IntegrationTravaux en français237 207