論文の概要: Integrated BIM and Machine Learning System for Circularity Prediction of Construction Demolition Waste
- arxiv url: http://arxiv.org/abs/2407.14847v1
- Date: Sat, 20 Jul 2024 11:32:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 20:32:23.219214
- Title: Integrated BIM and Machine Learning System for Circularity Prediction of Construction Demolition Waste
- Title（参考訳）: 建設解体廃棄物の循環予測のための統合的BIMと機械学習システム
- Authors: Abdullahi Saka, Ridwan Taiwo, Nurudeen Saka, Benjamin Oluleye, Jamiu Dauda, Lukman Akanbi,
- Abstract要約: 本研究では,機械学習(ML)を用いた可変モデリング(VM)による分解定量化を推し進める。
2280のプロジェクトの解体データセットは、MLモデリングに利用された。
本研究は, 建物解体からリサイクル・埋立処分資材の量を予測するシステムを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective management of construction and demolition waste (C&DW) is crucial for sustainable development, as the industry accounts for 40% of the waste generated globally. The effectiveness of the C&DW management relies on the proper quantification of C&DW to be generated. Despite demolition activities having larger contributions to C&DW generation, extant studies have focused on construction waste. The few extant studies on demolition are often from the regional level perspective and provide no circularity insights. Thus, this study advances demolition quantification via Variable Modelling (VM) with Machine Learning (ML). The demolition dataset of 2280 projects were leveraged for the ML modelling, with XGBoost model emerging as the best (based on the Copeland algorithm), achieving R2 of 0.9977 and a Mean Absolute Error of 5.0910 on the testing dataset. Through the integration of the ML model with Building Information Modelling (BIM), the study developed a system for predicting quantities of recyclable and landfill materials from building demolitions. This provides detailed insights into the circularity of demolition waste and facilitates better planning and management. The SHapley Additive exPlanations (SHAP) method highlighted the implications of the features for demolition waste circularity. The study contributes to empirical studies on pre-demolition auditing at the project level and provides practical tools for implementation. Its findings would benefit stakeholders in driving a circular economy in the industry.
- Abstract（参考訳）: 建設・解体廃棄物(C&DW)の有効管理は, 世界の廃棄物の40%を産業が占めているため, 持続可能な開発に不可欠である。
C&DW管理の有効性は、生成されるC&DWの適切な定量化に依存する。
C&DWの発生に大きく貢献する解体活動にもかかわらず、現存する研究は建設廃棄物に重点を置いている。
取り壊しに関する数少ない研究は、しばしば地域レベルでのものであり、円度の洞察を与えていない。
そこで本研究では,機械学習(ML)を用いた可変モデリング(VM)による分解定量化を進めた。
2280のプロジェクトの分解データセットはMLモデリングに利用され、XGBoostモデルは(コペランドアルゴリズムに基づく)最高のモデルとして登場し、テストデータセット上では0.9977のR2、平均絶対誤差5.0910のR2を達成した。
MLモデルとビルディングインフォメーション・モデリング(BIM)の統合により,建物解体からリサイクル・埋立処分資材の量を予測するシステムを開発した。
これは廃棄廃棄物の循環性に関する詳細な洞察を与え、より良い計画と管理を促進する。
shapley Additive exPlanations (SHAP) 法は, 廃廃棄物の円形化にともなう特徴を浮き彫りにした。
本研究は, プロジェクトレベルでのプレデモルション監査に関する実証的研究に寄与し, 実装のための実践的ツールを提供する。
その発見は、業界における循環経済の推進に利害関係者の利益をもたらすだろう。
関連論文リスト
- Rare Class Prediction Model for Smart Industry in Semiconductor Manufacturing [1.3955252961896323]
本研究では, 半導体製造プロセスから収集したIn situデータに対して, 希少なクラス予測手法を開発した。
第一の目的は、ノイズとクラス不均衡の問題に対処し、クラス分離を強化するモデルを構築することである。
ROC曲線はAUCが0.95、精度が0.66、リコールが0.96である。
論文 参考訳（メタデータ） (2024-06-06T22:09:43Z) - MiniCPM: Unveiling the Potential of Small Language Models with Scalable Training Strategies [85.57899012821211]
SLM(Small Language Models)は、LLM(Large Language Models)に代わるリソース効率の高いモデルである。
我々はMiniCPM、特に1.2Bと2.4Bの非埋め込みパラメータの変種を紹介する。
また、MiniCPM-DPO、MiniCPM-MoE、MiniCPM-128Kを含むMiniCPMファミリーについても紹介する。
論文 参考訳（メタデータ） (2024-04-09T15:36:50Z) - Assessment of the suitability of degradation models for the planning of
CCTV inspections of sewer pipes [0.360953887026184]
下水道管の劣化は、経済的、環境的、健康的な問題を引き起こす。
このような計画の開発には、統計的および機械学習手法に基づく分解モデルが必要である。
本研究は, 精度指標, 長期劣化曲線の生成能力, 説明可能性の3次元を考慮した検査計画への適合性を評価する手法を提案する。
論文 参考訳（メタデータ） (2023-07-12T10:58:29Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。
しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。
これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文 参考訳（メタデータ） (2023-04-05T07:28:33Z) - Dataset Distillation: A Comprehensive Review [76.26276286545284]
データセット蒸留(DD)は、トレーニングされたモデルが元のデータセットでトレーニングされたデータセットに匹敵するパフォーマンスを得るために、合成サンプルを含むはるかに小さなデータセットを導出することを目的としている。
本稿ではDDの最近の進歩とその応用について概説する。
論文 参考訳（メタデータ） (2023-01-17T17:03:28Z) - AL-iGAN: An Active Learning Framework for Tunnel Geological
Reconstruction Based on TBM Operational Data [70.99694324397903]
地下トンネル掘削機 (TBM) では, トンネル内に分布する岩盤のタイプを正確に記述することで, 建設リスクを低減できる。
TBM操作データに基づくトンネル地質復元のためのアクティブラーニングフレームワークAL-iGANを提案する。
論文 参考訳（メタデータ） (2022-12-02T04:39:58Z) - Self-Supervised Learning for Building Damage Assessment from Large-scale
xBD Satellite Imagery Benchmark Datasets [3.2248805768155826]
本稿では,ラベル付きデータを必要としない自己教師付き比較学習手法を提案する。
我々は、新しい非対称なツインネットワークアーキテクチャを構築し、その性能をxBDデータセット上で検証した。
論文 参考訳（メタデータ） (2022-05-31T11:08:35Z) - A deep reinforcement learning model for predictive maintenance planning
of road assets: Integrating LCA and LCCA [0.0]
本研究では,M&R実践のタイプとタイミングを決定するために,強化学習(RL)を用いたフレームワークを提案する。
その結果,道路条件が良好な条件域に留まる20年間のM&R計画が提案された。
意思決定者や交通機関は、このスキームを利用して、予算の無駄を防ぎ、環境への影響を最小限に抑える、より良いメンテナンスの実践を行うことができる。
論文 参考訳（メタデータ） (2021-12-20T13:46:39Z) - Automated Estimation of Construction Equipment Emission using Inertial
Sensors and Machine Learning Models [0.0]
建設産業は温室効果ガス(GHG)の主要な生産国の一つである
本稿では,IoT(Internet of Things,モノのインターネット)を介して監視される重建設機器からの排出量を予測するために,機械学習(ML)手法を用いた新しいフレームワークの開発と展開について述べる。
異なるMLアルゴリズムを開発し、慣性センサデータから放射レベルを予測する最良のモデルを特定した。
論文 参考訳（メタデータ） (2021-09-27T22:37:55Z) - Quantitatively Assessing the Benefits of Model-driven Development in
Agent-based Modeling and Simulation [80.49040344355431]
本稿では,MDD とABMS プラットフォームの利用状況と開発ミスについて比較する。
その結果、MDD4ABMSはNetLogoと類似した設計品質のシミュレーションを開発するのに、より少ない労力を必要とすることがわかった。
論文 参考訳（メタデータ） (2020-06-15T23:29:04Z)
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。