Development of a method for comparing the similarity of CAO 3D models
Notice bibliographique
Résumé
Evaluating the similarity between 3D Computer-Aided Design (CAD) models is a critical challenge in modern industrial design, especially as complex designs grow. Accurate similarity assessment enhances design reuse, reduces redundant modeling efforts, and optimizes resource management. CAD model similarity evaluation applications include model retrieval, shape recognition, quality control, and design optimization.Existing CAD model similarity evaluation methods rely on semantic or geometric feature comparison. However, each approach has limitations: semantic comparisons often lack geometric precision, while geometric methods struggle with contextual meaning. Companies underutilize valuable CAD, CAM, and ERP data, while decision-making phases remain costly and time-consuming due to extensive designer involvement. A hybrid solution is required to improve accuracy and efficiency in similarity assessments.This research aims to develop an integrated similarity evaluation model leveraging semantic and geometric feature analysis. The objective is to enhance accuracy and robustness in comparing 3D CAD models while addressing challenges related to shape variability, scale differences, and assembly complexity.The research follows a structured approach with four phases:1. Contextualization: A comprehensive literature review establishes the research foundation and identifies existing methodologies.2. Identification: Key insights from the literature are analyzed to define specific research needs and formulate the problem.3. Proposal: A hybrid similarity evaluation model is developed by integrating semantic and geometric feature analysis.4. Testing & Evaluation: Multiple techniques are compared, and evaluation criteria are established to measure effectiveness. Results are analyzed for feasibility and reliability, leading to refinements if necessary.Our approach integrates semantic feature extraction using Visual Studio and SolidWorks with geometric feature analysis via a Siamese neural network model. The Jaccard index quantifies semantic similarity, while ResNet-50 with a contrastive loss function evaluates geometric similarity.Preliminary results indicate that the combined approach significantly improves similarity estimation compared to standalone methods. The model effectively captures both structural and contextual relationships between CAD models. However, challenges remain, including handling large component datasets and sensitivity to semantic attribute selection.This research advances CAD model retrieval, design automation, and engineering knowledge reuse. The findings have the potential to streamline design workflows, reduce development costs, and enhance computational efficiency in industrial applications. Future work will refine the model to improve scalability and adaptability to industry-specific requirements.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,013 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».