AI-assisted 3D model generation for discontinuum-based analysis of URM buildings
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 research presents a novel framework for the discontinuum-based analysis of unreinforced masonry (URM) buildings, integrating artificial intelligence (AI) assisted object detection and segmentation into the structural analysis workflow. Recent advancements in machine learning, particularly Convolutional Neural Networks (CNNs), are utilized to digitize a URM building, and the most relevant construction quality parameters (e.g., block size and staggering ratio) are automatically captured from the vision-based data. The collected information is used to inform the implemented block generation algorithm, which places masonry units into wall sections that are not documented (or poorly detected) due to various on-site obstructions. Then, the digital replica of the building is turned into an evidence-based computational model using the discrete element method (DEM), where detected masonry units are represented as discrete rigid blocks in a fully discontinuous setting. The mechanical interaction between rigid blocks is predicted using a cohesive frictional contact model to capture the unit-mortar interface (bond) behavior. The AI-assisted DEM-based model is later used to perform nonlinear pushover analysis to predict the seismic behavior and collapse mechanism of the analyzed building. Hence, it is demonstrated that the proposed approach offers a great potential for discontinuum-based analysis of URM buildings by eliminating the time-consuming model generation process and providing the most representative construction quality features in the structural analysis.
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 | 0,000 | 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