Harnessing machine learning for rapid and cost-efficient 3D geometry generation in neighborhood energy modeling
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
Accurate and scalable 3D building stock modeling is essential for reliable energy modeling, urban planning, and the design of sustainable, net-zero communities. This study introduces an automated method that generates 3D building models with minimal computational resources using OpenStreetMap footprints and street view images. The approach integrates image processing with machine learning techniques, including convolutional neural networks (CNN), Faster R-CNN, and semantic segmentation networks (SSN), from limited input data, one footprint and four façade images per building. Validation against manual measurements demonstrates an average volume accuracy of 95%, while modeling times are reduced from 3,600–19,800 s (manual process) to 458–466 s. Furthermore, energy simulations based on these models show reasonable agreement with energy audits, with variations ranging from 0.6% to 8.9%. The novelty of this work lies in its ability to combine open data sources, discrete methods and ML-based image processing for rapid, cost-effective, and interoperable 3D stock modeling. This framework accelerates large-scale digital twin development and supports integration with open BIM standards for construction and facility management. • ML techniques streamline urban digital twin creation for sustainable cities. • Method focused on low computational cost and modeling time reduction. • Automated geometry modeling using ML for building stock energy modeling. • Adaptable method supports various detail levels in geometric data collection. • Integration of various imaging datasets for detailed energy modeling.
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 | 0,001 | 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