論文の概要: A SegFormer-based model for spatial Daylight Factor prediction with comprehensive obstruction encoding and regulatory validation

• arxiv url: http://arxiv.org/abs/2610.33737v1
• Date: Sat, 24 Oct 2026 15:26:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.431705
• Title: A SegFormer-based model for spatial Daylight Factor prediction with comprehensive obstruction encoding and regulatory validation
• Title（参考訳）: 包括的障害物符号化と規制検証を用いたSegFormerを用いた空間日光係数予測モデル
• Abstract要約: 本稿では,建築情報モデリング環境内での日光係数(DF)の空間分布を機械学習で予測する手法を提案する。 このアプローチは、既存のモデルで一緒にカバーされていない5つのギャップに対処する。 2つのモデルが開発され、予備設計チェックのための固定反射率を持つデフォルト材料モデルと、プロジェクト固有の反射率の異なるカスタム材料モデルである。
• 参考スコア（独自算出の注目度）: 35.18016233072556
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Daylight compliance assessment in residential buildings requires time-consuming raytracing simulations and specialist model preparation, limiting its integration into iterative architectural design. We present a machine learning-based methodology for predicting the spatial distribution of the Daylight Factor (DF) directly within Building Information Modelling (BIM) environments, delivering results in seconds without model export or manual curation. The approach addresses five gaps not jointly covered by any existing model: external obstruction encoding including balconies, own building height, variable material reflectances, non-orthogonal room geometries, and regulatory validation. Two models are developed: a default-materials model with fixed reflectances for preliminary design checks, and a custom-materials model with variable project-specific reflectances. Both are trained on about 20,000 synthetic Radiance-simulated rooms and validated on a held-out synthetic dataset and 102 rooms from 18 real building models. The default-materials model achieves $δ_1$ = 83.4% and MAE = 0.11% DF on synthetic data, and on real buildings predicts BBR (Swedish) compliance area within 4.85 pp MAE (bias +2.31 pp) and TEK17 (Norwegian) mean room DF within 0.304% DF MAE (bias +0.287% DF). The custom-materials variant shows 1.7-2.4$\times$ higher error across all metrics. Both models concentrate accuracy in the BBR compliance-critical zone (DF < 1%), achieving a sub-1% DF MAE of 0.105% DF and Compliance IoU of 0.883 on real buildings. All cases where compliance is overestimated are borderline, within 10.7 pp of the BBR threshold (median 3.2 pp) and 0.36% DF of the TEK17 threshold (median 0.10% DF). The default-materials model is recommended as a replacement for preliminary daylight simulations; the custom-materials variant requires further development before use in final compliance verification.
• Abstract（参考訳）: 住宅における日光コンプライアンス評価には、時間を要するレイトレーシングシミュレーションと専門モデル作成が必要であり、反復的な建築設計への統合を制限している。 本稿では,ビルディング情報モデリング(BIM)環境において,日光因子(DF)の空間分布を予測する機械学習手法を提案する。 このアプローチは、バルコニーを含む外部障害物符号化、自作の建物の高さ、可変材料反射率、非直交室の幾何学、規制検証の5つのギャップに対処する。 2つのモデルが開発され、予備設計チェックのための固定反射率を持つデフォルト材料モデルと、プロジェクト固有の反射率の異なるカスタム材料モデルである。 どちらも約20,000の合成放射能シミュレーション室でトレーニングされ、18の実際の建物モデルから102室の合成データセットで検証されている。 デフォルト物質モデルでは、合成データ上でδ_1$ = 83.4%、MAE = 0.11%のDFが得られ、実際の建物では、BBR(スウェーデン語)準拠面積が4.85 pp MAE (ビアス+2.31 pp)とTEK17 (ノルウェー語)平均室DFが0.304% DF MAE (ビアス+0.287% DF)と予測されている。 カスタムマテリアルのバリエーションは、すべてのメトリクスに対して1.7-2.4$\times$高いエラーを示す。 両モデルはBBRコンプライアンスクリティカルゾーン(DF < 1%)に精度を集中させ、DF MAEは0.105%、IoUは0.883である。 コンプライアンスが過大評価されるすべてのケースは境界線であり、BBR閾値の10.7 pp(中間3.2 pp)とTEK17閾値の0.36% DF(中間0.10% DF)である。 デフォルト素材モデルは、事前の日光シミュレーションの代替として推奨され、カスタム素材のバリエーションは、最終的なコンプライアンス検証に使用する前にさらなる開発が必要である。

関連論文リスト

• When Do External Priors Help Low-Resource Structured Prediction? A Ranking-Level Alignment Study [3.3448907202559517]
  本稿では,モデルのランキング分布を外部の事前に整合させるモデル非依存の目的であるランキング優先(RPA)について検討する。 クロスサンプルツリーアライメントでは、高額の教師がノーアライメントベースラインに対して$+0.028$AUCを得る。 バグ内のMILアテンションアライメントでは、同じ高額の教師が何も転送しない。
  論文  参考訳（メタデータ） (2026-10-08T03:11:02Z)
• Physics-based prediction, uncertainty quantification and decision-making for IN718 crystallographic texture intensity across LPBF defocus regimes [24.75122350313112]
  本研究では,Inconel 718における001>BDテクスチャの2段階物理モデルを開発した。 ステージ1は、変数を解凍モードにマッピングし、プール幾何学を解凍する。 ステージ2は、経験的物理モデルとランダムフォレスト残差モデルを組み合わせることでテクスチャを予測する。
  論文  参考訳（メタデータ） (2026-09-16T16:02:37Z)
• Toward a foundational thermal model for residential buildings [1.628785836948598]
  本稿では、ドメイン知識をデコーダのみのフレームワークに組み込む物理インフォームドトランスフォーマーアーキテクチャを提案する。 我々は,3つの気候帯にまたがる247棟の住宅ビルを対象としたCityLearnデータセットのモデルについて検討した。 本研究は, 普遍的な熱モデル構築の基盤として, 物理インフォームドアーキテクチャーの原理を確立した。
  論文  参考訳（メタデータ） (2026-05-02T10:19:24Z)
• LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
  JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。 最初のJEPAであるLeModelWorldを紹介します。 数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
  論文  参考訳（メタデータ） (2026-03-13T19:48:14Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• BuildingBRep-11K: Precise Multi-Storey B-Rep Building Solids with Rich Layout Metadata [5.436963837926521]
  ビルディングブレープ11Kは、11,978棟(2-10階)の多層建築物(約10GB)のコレクションである。 全てのサンプルは幾何学的に正確なB-rep固体で覆われた床、壁、スラブ、規則に基づく開口で構成されている。 データセットの学習性を検証するために、2つの軽量なPointNetベースラインをトレーニングしました。
  論文  参考訳（メタデータ） (2025-06-03T03:44:34Z)
• WorldPM: Scaling Human Preference Modeling [130.23230492612214]
  我々は、このスケーリングの可能性を強調するために、World Preference Modeling$ (WorldPM)を提案する。 多様なユーザコミュニティをカバーする公開フォーラムから選好データを収集する。 1.5Bから72Bパラメータの範囲で15Mスケールのデータを用いて広範囲なトレーニングを行う。
  論文  参考訳（メタデータ） (2025-05-15T17:38:37Z)
• Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous Density Prediction [3.59465210252619]
  制御されていない低高度空域での日々のsUAS活動の数は、数年のうちに数百万人に達すると予想されている。 深層学習に基づくUAS瞬時密度予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-22T02:40:28Z)

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。