論文の概要: eBIM-GNN : Fast and Scalable energy analysis through BIMs and Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2205.10497v1
• Date: Sat, 21 May 2022 03:24:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-05 18:28:10.340536
• Title: eBIM-GNN : Fast and Scalable energy analysis through BIMs and Graph Neural Networks
• Title（参考訳）: eBIM-GNN : BIMとグラフニューラルネットワークによる高速でスケーラブルなエネルギー分析
• Authors: Rucha Bhalchandra Joshi and Annada Prasad Behera and Subhankar Mishra
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building Information Modeling has been used to analyze as well as increase the energy efficiency of the buildings. It has shown significant promise in existing buildings by deconstruction and retrofitting. Current cities which were built without the knowledge of energy savings are now demanding better ways to become smart in energy utilization. However, the existing methods of generating BIMs work on building basis. Hence they are slow and expensive when we scale to a larger community or even entire towns or cities. In this paper, we propose a method to creation of prototype buildings that enable us to match and generate statistics very efficiently. Our method suggests better energy efficient prototypes for the existing buildings. The existing buildings are identified and located in the 3D point cloud. We perform experiments on synthetic dataset to demonstrate the working of our approach.
• Abstract（参考訳）: 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。 既存の建物では、解体と改造によって大きな期待が持たれている。 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。 しかし,既存のBIM生成手法は構築ベースで機能する。 したがって、大きなコミュニティや町全体や都市にスケールする場合は、遅くて費用がかかります。 本稿では, 統計的に非常に効率的に一致し, 生成できるプロトタイプビルを創出する手法を提案する。 提案手法は既存の建物のエネルギー効率のよいプロトタイプを提案する。 既存の建物は3Dポイントクラウドに識別され、配置されている。 我々は、このアプローチの動作を実証するために、合成データセットで実験を行う。

関連論文リスト

• Digital Twin for Grey Box modeling of Multistory residential building thermal dynamics [1.0987093127987972]
  北ヨーロッパでは、暖房エネルギーだけで全体のエネルギー消費の70%を占める。 本研究では,建築熱力学のグレーボックスモデリングを容易にするアーキテクチャを提案する。 このアーキテクチャは、デジタルツインプラットフォームを作成するケーススタディで検証されている。
  論文  参考訳（メタデータ） (2024-02-05T11:25:42Z)
• Semi-supervised Learning from Street-View Images and OpenStreetMap for Automatic Building Height Estimation [59.6553058160943]
  本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。 提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。 予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
  論文  参考訳（メタデータ） (2023-07-05T18:16:30Z)
• Points for Energy Renovation (PointER): A LiDAR-Derived Point Cloud Dataset of One Million English Buildings Linked to Energy Characteristics [0.705947228027401]
  本稿では,ビルの3次元表現とそのエネルギー特性をデータ駆動で大規模に理解するビルディングポイントクラウドデータセットを提案する。 ジオレファレンスなLiDARデータとビルディングフットプリントを交わし、英国のエネルギーパフォーマンスデータベースの属性とリンクすることで、ビルディングポイントクラウドを生成します。 代表的サンプルを得るため、イングランドの農村部や都市部から100万棟の建物を選定し、その内50万棟がエネルギー特性に結びついている。
  論文  参考訳（メタデータ） (2023-06-28T08:48:22Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Estimating Building Energy Efficiency From Street View Imagery, Aerial Imagery, and Land Surface Temperature Data [0.0]
  本研究は,純粋にリモートセンシングされたデータを用いて建物のエネルギー効率を推定できる新しい手法を提案する。 効率的な建物と非効率な建物を区別するバイナリ設定において、我々のエンドツーエンドのディープラーニングモデルは62.06%のマクロ平均F1スコアを達成する。
  論文  参考訳（メタデータ） (2022-06-05T21:04:20Z)
• 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)
• Automatic digital twin data model generation of building energy systems from piping and instrumentation diagrams [58.720142291102135]
  建物からP&IDのシンボルや接続を自動で認識する手法を提案する。 シンボル認識,線認識,およびデータセットへの接続の導出にアルゴリズムを適用する。 このアプローチは、制御生成、(分散)モデル予測制御、障害検出といった、さらなるプロセスで使用することができる。
  論文  参考訳（メタデータ） (2021-08-31T15:09:39Z)
• Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
  非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。 近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。 我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
  論文  参考訳（メタデータ） (2021-08-02T03:56:35Z)
• Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network [20.358180125750046]
  建設業はアメリカにおけるエネルギー消費の40%以上を占めている。 UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。 データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
  論文  参考訳（メタデータ） (2021-05-27T19:02:04Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。