Automating BIM (IFC) Data Analysis Using LangGraph
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
This study introduces a novel methodology for automating the analysis of Building Information Modeling (BIM) data using LangGraph and integrating Google's Gemini Large Language Model (LLM) with IfcOpenShell.BIM, and specifically Industry Foundation Class (IFC) files, are widely used in the construction industry for representing and managing building data.However, analyzing this data effectively remains a significant challenge due to its volume and complexity.Additionally, analyzing BIM data typically requires knowledge of different BIM software depending on the application.This research addresses this challenge by creating a workflow that utilizes LangGraph's ability to develop different AI agents designed to handle tasks like extracting element data, analyzing spatial relationships, and categorizing risks based on predefined criteria, without the need for any BIM software at all.The integration of Gemini LLM provides advanced language-based reasoning and decision-making capabilities that allow the system to process complex queries, in human language, and provide valuable insights from the BIM data.As a proof-of-concept, four applications of the LangGraph methodology were created, providing significant insights regarding the strengths and limitations of this framework.The models were validated through hypothetical case studies and real-world applications, and responses were evaluated based on their accuracy, validity, and completeness, demonstrating the framework's effectiveness in analyzing BIM data in construction projects.However, the results also revealed limitations that can affect the system's performance in large-scale real-world applications.These findings suggest that while the proposed system shows great potential, further optimization is needed to enhance its usability and reliability in more complex and large-scale scenarios.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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