MétaCan
Menu
Retour à la cohorte
Enregistrement W7127969627 · doi:10.22260/crc-csce-2025/0060

Physics-Based Simulation for Construction Activity Sequence Planning

2025· article· W7127969627 sur OpenAlexfundno aff
Mohammad Rezaul Karim, Yasser Mohamed

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Alberta
Mots-clésSequence (biology)Process (computing)Identification (biology)Key (lock)Context (archaeology)

Résumé

récupéré en direct d'OpenAlex

Construction activity sequence planning ensures the structured execution of construction processes by defining task order, dependencies, and constraints.While traditional planning methods rely on predefined templates, fragnets, or automated approaches using large language models, machine learning, and 4D building information modeling (BIM), these methods often struggle to address site-specific and real-time constructability challenges.To address these challenges, this study introduces a physicsbased simulation approach that automates sequencing by evaluating structural dependencies and spatial constraints.In this study, a 3D BIM model is transformed into a physics-simulated environment using universal robot description format files, where a brute-force search iteratively refines sequences based on stability and path clearance constraints.To confirm the method's ability to dynamically generate feasible sequences that can subsequently be structured into construction schedules, testing is conducted on an industrial module comprising steel frames, pipe spools, and cable trays.Notably, as structural complexity increases, computational demands grow exponentially, demonstrating the limitations of brute-force search.The results indicate that physics-based simulation effectively validates constructability but requires optimization for scalability.Therefore, future advancements in this area should focus on AI-driven sequence optimization, improved BIM data integration, and distributed computing to enhance efficiency.By bridging the gap between digital models and real-world constraints, this study offers a novel method for advancing automated construction sequencing, making it more practical for industry-wide adoption.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,308
Écart entre enseignants0,274 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentnon

Explorer davantage

Même sujetBIM and Construction IntegrationTravaux en français237 207