論文の概要: Comparison of Brick and Project Haystack to Support Smart Building
Applications
- arxiv url: http://arxiv.org/abs/2205.05521v2
- Date: Thu, 25 Aug 2022 12:06:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 16:49:57.562522
- Title: Comparison of Brick and Project Haystack to Support Smart Building
Applications
- Title(参考訳): スマートビルディングアプリケーションをサポートするためのbrickとproject haystackの比較
- Authors: Caroline Quinn (1), J.J. McArthur (1), ((1) Department of
Architectural Science, Ryerson University, Toronto, Canada)
- Abstract要約: ブリックとプロジェクト・ヘイスタックの生存可能性は、業界や学界で見られるように、完全性と表現性の比較を引き起こした。
適切なオントロジーの推奨は、長期的なスマートビルディングアプリケーション開発の基礎となる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Enabling buildings with Smart Building applications will help to achieve the
ongoing efficient commissioning of buildings, ultimately attaining peak
performance in energy use and improved occupant health and comfort, at minimum
cost. For these technologies to be scalable data ontology must be adopted to
semantically represent data generated by building mechanical systems, acting as
conduit for connection to Smart Building applications. The viability of Brick
and Project Haystack ontologies, as found by industry and academia, prompted a
quantitative comparison of completeness and expressiveness using a case study
with an industry ontology as the baseline. Additionally, a qualitative
comparison was completed using key ontology qualities outlined in literature. A
recommendation of Brick is made based on results. Brick achieved higher
assessment values in completeness and expressiveness achieving 59% and 100%
respectively, as compared to Haystacks 43% and 96%. Additionally, Brick
exhibited five of six desirable qualities, where Haystack exhibited only three.
The recommendation of the appropriate ontology forms the basis for longer-term
Smart Building application development, which will support innovative
approaches to sustainability in building operations across scale, as well as
next-generation building controls and automation strategies.
- Abstract(参考訳): スマートビルディングを応用した建物の建設は、建築の継続的な効率化に寄与し、最終的にはエネルギー利用における最高性能を達成し、住民の健康と快適性を最低限のコストで改善する。
これらの技術をスケーラブルなデータオントロジーにするためには、機械システムの構築によって生成されたデータを意味的に表現し、スマートビルディングアプリケーションとの接続の導管として振る舞う必要がある。
ブリックとプロジェクトヘイスタックのオントロジーの有効性は、産業やアカデミアに見られるように、産業オントロジーを基準としたケーススタディを用いて、完全性と表現力の定量的比較を促した。
また,文献に概説されたキーオントロジー的性質を用いて質的比較を行った。
Brickの推奨は結果に基づいて行われる。
brickは、haystacks 43%と96%と比較して、完ぺきさと表現力においてそれぞれ59%と100%という高い評価値を達成した。
さらに、ブリックは6つの望ましい品質のうち5つを示し、ヘイスタックはわずか3つしか示さなかった。
適切なオントロジーの推奨は、より長期的なスマートなビルディングアプリケーション開発の基礎を形成します。これは、スケールにわたる運用の持続可能性に対する革新的なアプローチと、次世代のビルディングコントロールと自動化戦略をサポートします。
関連論文リスト
- TFNet: Tuning Fork Network with Neighborhood Pixel Aggregation for
Improved Building Footprint Extraction [11.845097068829551]
深層セマンティックセグメンテーションのための新しいチューニングフォークネットワーク(TFNet)の設計を提案する。
TFNetの設計は、トレーニングプロセス中にタイル境界に周辺情報を組み込む新しい手法と組み合わせられている。
パフォーマンス比較では、SpaceNet2とWHUのデータセットと、密接な接続された建物をキャプチャするパキスタンのラホールのエリアからのデータセットを使用します。
論文 参考訳(メタデータ) (2023-11-05T10:52:16Z) - MARL: Multi-scale Archetype Representation Learning for Urban Building
Energy Modeling [0.5898893619901381]
本稿では,MARL(Multi-scale Archetype Representation Learning)を提案する。
MARLは、建築のフットプリントを符号化し、幾何情報を複数のアーキテクチャ上の下流タスクによって制約された潜在ベクトルに浄化する。
その結果, 幾何学的特徴埋め込みはエネルギー消費推定の精度と信頼性を著しく向上させることがわかった。
論文 参考訳(メタデータ) (2023-09-29T22:56:19Z) - LLMs for Knowledge Graph Construction and Reasoning: Recent Capabilities
and Future Opportunities [68.86209486449924]
知識グラフ(KG)の構築と推論のための大規模言語モデル(LLM)の評価。
我々は,LLMと外部ソースを用いたマルチエージェントベースのアプローチであるAutoKGを提案し,KGの構築と推論を行う。
論文 参考訳(メタデータ) (2023-05-22T15:56:44Z) - Exploring Deep Reinforcement Learning for Holistic Smart Building
Control [3.463438487417909]
我々はOCTOPUSと呼ばれるシステムを開発し、データ駆動方式を用いてすべての建物のサブシステムの最適制御シーケンスを探索する。
OCTOPUSは、LEEDゴールド認定ビルにおける最先端のルールベースの手法と比較して14.26%と8.1%の省エネを達成できる。
論文 参考訳(メタデータ) (2023-01-27T03:03:21Z) - Meta Architecure for Point Cloud Analysis [77.92830049514264]
我々は,3Dポイントクラウド分析手法を解釈する,PointMetaと呼ばれる統合フレームワークを提案する。
PointMetaでは、さまざまなアプローチを公平に比較することができ、迅速な実験を使用して、比較から経験的な観察や仮定を検証することができます。
既存のアプローチを簡単に微調整することで、PointMetaBaseと呼ばれる基本的なビルディングブロックを導き出すことができます。
論文 参考訳(メタデータ) (2022-11-26T02:53:40Z) - eBIM-GNN : Fast and Scalable energy analysis through BIMs and Graph
Neural Networks [0.0]
建築情報モデリングは、建物のエネルギー効率を高めるだけでなく、分析にも使われてきた。
省エネの知識のない現在の都市では、エネルギー利用でスマートになるためのより良い方法が求められている。
提案手法は, 非常に効率的に一致し, 統計を生成できるプロトタイプビルを創出する手法である。
論文 参考訳(メタデータ) (2022-05-21T03:24:03Z) - Zero Shot Learning for Predicting Energy Usage of Buildings in
Sustainable Design [2.929237637363991]
2030年の挑戦は、2030年までにすべての新しい建物と大規模な改修をカーボン中立にすることを目的としている。
建築要素が建築のエネルギー利用にどのように貢献するかを理解することが重要である。
予測精度を向上させるために、AIベースのソリューションにリッチなトレーニングデータセットが必要である。
論文 参考訳(メタデータ) (2022-02-10T18:08:58Z) - Landmark Policy Optimization for Object Navigation Task [77.34726150561087]
本研究は,未確認環境において,与えられたセマンティックカテゴリに関連する最も近いオブジェクトにナビゲートするオブジェクトゴールナビゲーションタスクについて研究する。
最近の研究は、エンドツーエンドの強化学習アプローチとモジュールシステムの両方において大きな成果を上げていますが、堅牢で最適なものにするには大きな前進が必要です。
本稿では,これらのランドマークを抽出する手法として,標準的なタスクの定式化とランドマークとしての付加的な地域知識を取り入れた階層的手法を提案する。
論文 参考訳(メタデータ) (2021-09-17T12:28:46Z) - AutoRC: Improving BERT Based Relation Classification Models via
Architecture Search [50.349407334562045]
BERTに基づく関係分類(RC)モデルは、従来のディープラーニングモデルよりも大幅に改善されている。
最適なアーキテクチャとは何かという合意は得られない。
BERTをベースとしたRCモデルのための包括的検索空間を設計し、設計選択を自動的に検出するためにNAS(Neural Architecture Search)手法を用いる。
論文 参考訳(メタデータ) (2020-09-22T16:55:49Z) - KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
知識集約型言語タスク(KILT)のベンチマークを示す。
KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。
共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
論文 参考訳(メタデータ) (2020-09-04T15:32:19Z) - SEEK: Segmented Embedding of Knowledge Graphs [77.5307592941209]
本稿では,モデル複雑性を増大させることなく,高い競争力を持つ関係表現性を実現する軽量なモデリングフレームワークを提案する。
本フレームワークは,評価関数の設計に重点を置いており,1)十分な特徴相互作用の促進,2)関係の対称性と反対称性の両特性の保存,という2つの重要な特徴を強調している。
論文 参考訳(メタデータ) (2020-05-02T15:15:50Z)
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。