Ten questions concerning wind-focused shape and structural optimization of tall buildings
Notice bibliographique
Résumé
Tall buildings, over 60 m in height, are characteristic of modern urban cities and are expected to form a significant portion of future urban habitats. Given that the construction industry accounts for 38% of worldwide carbon emissions, targeting sustainability in this sector is vital. Due to the multi-dimensional nature of the tall building design process, optimization shows growing promise in developing solutions that increase design efficiency while sufficiently exploring design spaces and limiting computational costs. However, integrating architectural concepts with structural design to ensure that aesthetic goals are met without compromising structural integrity is challenging. Additionally, the critical dependency of lateral load magnitudes on a building’s outer shape and structural details underscores the need for a holistic design approach to meet both serviceability and capacity requirements for highly tall and flexible structures. Characterized as dynamically sensitive structures, tall buildings require thorough consideration of wind and seismic loads, which exert a dominant influence on the structural system. This paper provides a roadmap for the structural optimization of tall buildings, focusing on wind loads, presenting a perspective on design parameters, algorithms, and modelling techniques, in addition to utilizing machine learning in various design stages. It also assesses the impact of different load types on the optimization process, the role of surrogate models in facilitating design frameworks, and innovative methods offering promising solutions surpassing current capabilities. Cumulatively, this paper addresses avenues for future research into optimization and tall building design.
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 | 0,000 | 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 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 ».