Applicability of BIM-IoT-GIS integrated digital twins for post occupancy evaluations
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
Post Occupancy Evaluations (POE) provided a systematic methodology for determining the performance gap between expected and actual performance. Monitoring quality of the indoor environment is essential for understanding building performance in relation to occupant health, wellbeing, and comfort. Because of the global COVID-19 pandemic, researchers faced numerous issues accessing the building for collecting data and making spot measurements of the indoor environment. Technologies such as Building Information Modeling (BIM), Internet of Things (IoT), and Geographical Information Systems (GIS) have the potential to address existing challenges for data collection, analysis, and visualization in post occupancy evaluations. This study aims to explore the applications of a BIM-IoT-GIS-integrated digital twin for post occupancy evaluations. First, high-level use case scenarios are developed to derive system requirements for a digital twin platform. Second, four tests are conducted that provide a step-by-step procedure for BIM-IoT-GIS integration. Third, the integration is validated by geo-reference checks, data transfer checks, and visual checks. Based on the tests, a streamlined workflow is recommended for similar/future projects. The results demonstrate that Revit-ArcGIS Pro integration meets the system requirements for post occupancy evaluations. Moreover, as shown in the graphical abstract (Figure), the spatial-temporal capabilities of ArcGIS Pro enable continuous monitoring and visualization of building performance in 4D. In conclusion, BIM-IoT-GIS integration can provide a solid foundation for developing a centralized digital twin for post occupancy evaluations and enables researcher to collect and analyze the data without being physically present in the building.
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