An Integrated Framework for BIM Development of Concrete Buildings Containing Both Surface Elements and Rebar
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
As-built Building Information Models (BIM) are increasingly used to facilitate the management of all aspects of built infrastructure’s life cycle. Existing studies mainly focus on automating as-built BIM development for surface elements but often ignore embedded elements such as rebar due to the inaccessibility with typical sensing devices, such as image-based or time-of-flight-based methods. To tackle the issue, this research utilizes Ground Penetrating Radar (GPR) together with the photogrammetry method to generate BIMs for in- service buildings considering both surface elements (e.g., column, slab, wall, etc.) and rebar. As the first step, as-built BIM for surface elements is generated and then existing rebar is identified by using GPR. A calibration label is designed and attached to elements which are scanned by GPR device, and a series of images are captured from those elements and then used with other images to generate point clouds. Faster RCNN is then utilized to recognize labels among all images. Next, an inverse photogrammetry approach is deployed to identify the scanned elements in BIM. By matching the recorded timestamps of GPR data and labeled images, links between the rebar in GPR data and elements in BIMs are successfully established. Finally, IFC (Industry Foundation Classes) is developed to generate as-built BIM models. Six case studies demonstrate that the system is capable of automatically developing as-built BIM, while embedded rebar could be efficiently localized and projected into corresponding elements in BIM.
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