Integrating industry foundation classes and knowledge graphs for automated deconstruction planning
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
Decarbonizing the built environment and urbanization have driven a surge in demolitions, resulting in significant waste generation. While deconstruction offers a more sustainable alternative by enabling material reuse, demolition remains the dominant practice due to its short-term benefits. Facilitating the shift from demolition to deconstruction requires rigorous planning and the elimination of key barriers that hinder implementation, including challenges related to information, knowledge, execution, and automation. To this end, the present study aims to integrate Industry Foundation Classes (IFC) and Knowledge Graphs (KGs) to enhance deconstruction planning and support its broader adoption. The framework comprises three modules, i.e., (i) ‘IFCDecon’, which automates the extraction of IFC data and generates deconstruction-related information; (ii) ‘DeconKG’, which processes this information and creates a deconstruction knowledge graph (DKG); and (iii) ‘DeconPlanner’, which generates deconstruction schedules and offers a verification step through 4D simulations. The framework was tested on two benchmark case studies and demonstrated significant potential for advancing automated deconstruction planning., Additionally, the framework's functionalities were evaluated against industry-driven barriers to ensure practical applicability. The proposed framework offers a practical solution for deconstruction contractors by automating deconstruction planning through IFC data and providing 4D simulations. Its potential for rapid market adoption is driven by increasing demand for deconstruction, fueled by rising home renovations and the global push for eco-friendly building practices. Furthermore, integrating the framework with retrofit assessment tools could enhance decision-making by offering a holistic view of both deconstruction and post-renovation performance, ultimately improving project lifecycle management .
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