An Integrated Framework for BIM Development of Concrete Buildings Containing Both Surface Elements and Rebar
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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.
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».