A Preliminary Investigation into Automated Identification ofStructural Steel Without A Priori Knowledge
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
One of the most prohibiting factors when attempting to reuse structural steel members or systems of members is the time and labour required to accurately determine dimensions. Current practices dictate that all required measurements are recorded by hand using tape measures and calipers which adds a significant cost to reused steel. To mitigate this cost, a semi-automated method for identifying structural steel components and systems is proposed that uses data acquired in the form of a 3D point cloud. Current research in the field of automated object recognition currently has two major limitations: (1) a priori knowledge, such as a building information model (BIM) is required, or (2) only simple, flat surfaces can be identified. The purpose of this study is to preliminarily investigate the possibility of automating the process of (1) cross section identification, (2) end connection geometry of bolted connections, and (3) relative component position of multi-component, planar structural systems such as trusses. Cross section identification is performed by creating filters that match standard structural sections and then convolving them over images of the cross section data. The end connection geometry is identified using Hough algorithms to detect lines and circles representing the limits of the component and the bolt holes, respectively. Planar structural systems are identified using Hough algorithms to detect lines which represent the components of the system. The results from the proposed methods show a strong potential for fully automated processes to be able to identify structural steel components and systems without a priori knowledge.
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 | 0,001 | 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 découle