Digital Twin and BIM synergy for predictive maintenance in smart building engineering systems development
Notice bibliographique
Résumé
The rapid evolution of smart building engineering has redefined how modern infrastructure is designed, operated, and maintained. At the intersection of this transformation lies the convergence of Digital Twin technology and Building Information Modelling (BIM), offering a dynamic and data-driven approach to predictive maintenance. Digital Twins, which serve as real-time virtual replicas of physical assets, when integrated with the information-rich environment of BIM, enable enhanced visibility, control, and foresight into building system performance. This synergy bridges the gap between design and operation, fostering a proactive maintenance culture within increasingly complex built environments. This paper investigates how the integration of BIM and Digital Twin frameworks supports predictive maintenance strategies in smart building systems. It explores the foundational principles of each technology and examines their interoperability in creating self-aware, responsive infrastructures. Emphasis is placed on real-time sensor integration, historical data mapping, anomaly detection, and the simulation of future scenarios to anticipate system failures before they occur. Through the implementation of Digital Twin-BIM ecosystems, facility managers and engineers gain continuous insights into HVAC, lighting, structural, and safety systems, thereby reducing downtime, optimizing performance, and extending asset life cycles. The study also outlines the challenges in deploying this hybrid model, including data standardization, interoperability gaps, and the need for cross-domain collaboration. Case references illustrate how early adopters have leveraged this synergy for smart facilities management and sustainable building lifecycle planning. Ultimately, the convergence of Digital Twins and BIM represents a paradigm shift toward intelligent, self-maintaining infrastructure, signaling a new era of digitally augmented engineering practices.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».