論文の概要: A machine-learning framework for daylight and visual comfort assessment in early design stages

• arxiv url: http://arxiv.org/abs/2109.06450v1
• Date: Tue, 14 Sep 2021 05:34:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:33:26.506726
• Title: A machine-learning framework for daylight and visual comfort assessment in early design stages
• Title（参考訳）: 初期設計における日光と視覚的快適性評価のための機械学習フレームワーク
• Authors: Hanieh Nourkojouri, Zahra Sadat Zomorodian, Mohammad Tahsildoost, Zohreh Shaghaghian
• Abstract要約: 本研究は主に、初期の設計段階における日光および視覚的快適度予測における機械学習アルゴリズムの評価に焦点を当てている。 データセットは、主にHoneybee for Grasshopperから派生した2880のシミュレーションから開発された。 予測精度は平均97%と推定された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This research is mainly focused on the assessment of machine learning algorithms in the prediction of daylight and visual comfort metrics in the early design stages. A dataset was primarily developed from 2880 simulations derived from Honeybee for Grasshopper. The simulations were done for a shoebox space with a one side window. The alternatives emerged from different physical features, including room dimensions, interior surfaces reflectance, window dimensions and orientations, number of windows, and shading states. 5 metrics were used for daylight evaluations, including UDI, sDA, mDA, ASE, and sVD. Quality Views were analyzed for the same shoebox spaces via a grasshopper-based algorithm, developed from the LEED v4 evaluation framework for Quality Views. The dataset was further analyzed with an Artificial Neural Network algorithm written in Python. The accuracy of the predictions was estimated at 97% on average. The developed model could be used in early design stages analyses without the need for time-consuming simulations in previously used platforms and programs.
• Abstract（参考訳）: 本研究は主に、初期の設計段階における日光および視覚的快適度予測における機械学習アルゴリズムの評価に焦点を当てている。 データセットは主にHoneybee for Grasshopperから派生した2880のシミュレーションから開発された。 シミュレーションは片方の窓のある靴箱のスペースで行われました。 代替案は、部屋の寸法、内面の反射率、窓の寸法と方向、窓の数、シェーディング状態など、様々な物理的特徴から生まれた。 日中評価には, UDI, sDA, mDA, ASE, sVDが5。 品質ビューは,leed v4評価フレームワークから開発されたグラスホッパーベースのアルゴリズムを用いて,同じ靴箱空間で解析された。 データセットはさらに、Pythonで書かれた人工ニューラルネットワークアルゴリズムで分析された。 予測の精度は平均97%と推定された。 既存のプラットフォームやプログラムで時間を消費するシミュレーションを必要とせずに、初期の設計段階の分析に使用できる。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Towards a Perceptual Evaluation Framework for Lighting Estimation [18.79213515450804]
  本研究は,既存の画像品質評価(IQA)指標を用いて,照明推定の進歩を追跡した結果である。 これは合理的なアプローチのように見えるが、仮想シーンをリアルな写真にリライトするために推定照明を使用する場合、人間の嗜好と相関しないことを示す。
  論文  参考訳（メタデータ） (2023-12-07T14:51:12Z)
• EMA-VIO: Deep Visual-Inertial Odometry with External Memory Attention [5.144653418944836]
  視覚慣性オドメトリー(VIO)アルゴリズムは、カメラと慣性センサーからの情報を利用して位置と翻訳を推定する。 最近のディープラーニングベースのVIOモデルは、データ駆動方式でポーズ情報を提供するため、注目を集めている。 状態推定のための視覚的特徴と慣性的特徴を効果的かつ効率的に組み合わせた,外部記憶に配慮した新しい学習ベースのVIOフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-18T07:05:36Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Development of a hybrid machine-learning and optimization tool for performance-based solar shading design [0.0]
  この研究には、最適化された機械学習モデルに導入された87912の代替と6つの計算されたメトリクスが含まれている。 最も正確かつ高速な推定モデルはRandom Forrestで、r2_scoreは0.967から1。 開発したツールは,それぞれ数秒以内で,さまざまな設計代替案を評価することができる。
  論文  参考訳（メタデータ） (2022-01-09T14:54:33Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Prediction of progressive lens performance from neural network simulations [62.997667081978825]
  本研究の目的は,畳み込みニューラルネットワーク(CNN)に基づく視覚的視力(VA)予測の枠組みを提案することである。 提案する総合シミュレーションツールは主観的視覚性能の正確なモデルとして機能することが示されている。
  論文  参考訳（メタデータ） (2021-03-19T14:51:02Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)
• Application of Deep Learning in Generating Desired Design Options: Experiments Using Synthetic Training Dataset [5.564299196293697]
  本研究では,Deep Learning (DL) アルゴリズムを用いて要求された設計オプションを生成する手法を適用した。 物体認識問題は, 異なる種類の合成2次元形状からなるトレーニングデータセットに基づいて, 未知のサンプル画像のラベルを最初に予測するために検討される。 次のステップでは、空間日光自律性(sDA)メトリクスに基づいて、所望の光/影のパフォーマンスのためのウィンドウ/壁パターンを生成するようにアルゴリズムを訓練する。
  論文  参考訳（メタデータ） (2019-12-28T01:26:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。