Betonielementtien tietomallinnus CADS House -ohjelmistolla
Bibliographic record
Abstract
Opinnäytetyön tavoitteena oli tarkastella monipuolisesti CADS House -ohjelmiston uusia betonielementtitoimintoja, jotka mahdollistavat tietomallin luomisen. Työssä tietomallinnet-tiin JL-Rakenne Oy:ssä suunniteltavana oleva kerrostalo ja tehty tietomalli luovutettiin Kymdata Oy:n käyttöön. Esimerkkikohteena oli käynnissä oleva rakennushanke Nummelan Ilves, joka koostuu kahdesta asuinkerrostalosta. Samalla tutkittiin ohjelmiston \nsoveltuvuutta JL-Rakenne Oy:n tarpeisiin lisääntyvien tietomallinnusvaatimuksien vuoksi. \n\nOpinnäytetyössä tehtävänä oli suunnitella esimerkkikohteen betonielementit, osittain vanhoilla ja osittain uusilla betonielementtitoiminnoilla. Massiivi- ja parvekelaattojen suunnittelu rajattiin tarkastelujen ulkopuolelle, sillä CADS House -ohjelmistolla niitä ei vielä pystytä toistaiseksi mallintamaan. Samalla pystyttiin vertailemaan suunnitteluohjelman uusia ja vanhoja betonielementtitoimintoja keskenään. Vertailu otettiin työhön mukaan, sillä JL-Rakenne Oy käyttää suunnittelutyössä vanhoja toimintoja, jotka on koettu toimiviksi.\n\nTyön tuloksena saatiin näkökulmia Kymdata Oy:lle ohjelmiston kehittämiseen. Kehitysideat muodostuivat muun muassa betonielementtien tietomallinnusvaatimuksista, jotka eivät toteutuneet kaikilta osin BEC 2012:n mukaisina.\n\nJL-Rakenne Oy:n tarpeisiin toteutettiin suunnittelutyöhön kuluvan ajan vertailua uusien ja vanhojen betonielementtitoimintojen välillä. Aikavertailun pohjalta voidaan todeta, että tietomallin luominen uusilla betonielementtitoiminnoilla toimii hyvin perustapauksissa. Sen sijaan jos elementtiin lisätään geometriaan liittyviä muutoksia, uudet toiminnot vielä toistaiseksi hidastavat suunnittelutyötä vanhoihin menetelmiin verrattuna. Tarkastelussa muodostettua elementin tietomallia ei saatu kaikilta osin todenmukaisiksi. On syytä korostaa, että ohjelmiston kehitystyö on käynnissä ja tehdyissä tarkasteluissa käytettiin ohjelmiston beta-versiota.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.132 | 0.025 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".