Green Building Performance Prediction and Evaluation System under BIM – based Digital Construction Technology
Notice bibliographique
Résumé
Traditional green building performance evaluation methods usually rely on static design data and a single evaluation indicator, and lack dynamic monitoring and multi-dimensional data integration, which makes it dif icult to connect data at different stages, resulting in a large gap between prediction and actual performance.This paper applies digital construction technology to construct a green building performance prediction and evaluation system that integrates data across stages and dynamically, thereby improving the accuracy and reliability of the evaluation.First, according to Building Information Modeling (BIM) technology, a digital building model containing data such as energy ef iciency, environmental impact, and resource utilization is constructed.By deploying Internet of Things (IoT) sensors, energy consumption, temperature, humidity, and air quality in the building are monitored in real-time.The data is transmitted to the cloud platform for centralized processing and visualization, and compared with the design data in the BIM model to provide timely feedback on performance differences.Using big data analysis, support vector machine (SVM), and particle swarm optimization (PSO), data from the full life cycle are analyzed to predict building performance and optimize it.Finally, the LCA (Life Cycle Assessment) method is utilized to comprehensively consider the environmental impacts of buildings such as carbon footprint and resource consumption, and combined with multi-objective decision analysis tools to optimize the green building design and operation plan.The experiment shows that the energy ef iciency comparison difference of green buildings is within 10kWh/m, and all indicators are accurately predicted, providing a scienti ic basis for the design and operation of green buildings.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».