ایجاد نیمه خودکار ساختارهای قاب متقابل با استفاده از یادگیری عمیق

عنوان ایجاد نیمه خودکار ساختارهای قاب متقابل با استفاده از یادگیری عمیق
نویسنده آگیرباس، اصلی
تاریخ انتشار: 2024-09
محل انتشار - الزویر
موضوع تحلیل ساختاری، یادگیری عمیق، تقسیم‌بندی نمونه، ماسک RCNN، ساختارهای قاب متقابل
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 0926-5805
شماره ثبت 9de5a97b-1e7d-4e91-84b5-cc86537d7ddf
محل کتابخانه معماری
تاریخ 2024-09
متن نمونه سیستم هایی که می توانند طرح های دو بعدی (2 بعدی) را به مدل های سه بعدی در حین انجام تحلیل های ساختاری تبدیل کنند، برای اسکیس های معماری ضروری هستند. برای پرداختن به این چالش، این مقاله بر این موضوع تمرکز دارد که چگونه الگوریتم‌های یادگیری عمیق می‌توانند به این فرآیند تبدیل کمک کنند. این مدلی را ارائه می‌کند که از تکنیک قطعه‌بندی نمونه با Mask RCNN برای شناسایی و تشخیص دو نوع پرتوهای کوتاه سازه‌های قاب متقابل (RFs) در طرح‌های دوبعدی استفاده می‌کند و از این اطلاعات در ایجاد سیستماتیک یک مدل سه‌بعدی از RFها برای انجام تحلیل ساختاری آنها استفاده می‌کند. نتایج نشان می‌دهد که مدل قادر به خوشه‌بندی انواع پرتوها در طرح‌های دو بعدی از طریق پوشاندن و طبقه‌بندی، حذف اشیاء پس‌زمینه نامربوط، ایجاد RFهای پارامتریک با استفاده از اطلاعات پوششی و انجام تحلیل ساختاری است. این مدل که به بهینه سازی و سهولت فرآیند طراحی کمک می کند، می تواند توسط معماران یا مهندسان استفاده شود. این مقاله الهام بخش کار آینده در ایجاد سیستم های مدل سازی یکپارچه خواهد بود.
DOI 10.1016/j.autcon.2024.105515
Cilt 165
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

ایجاد نیمه خودکار ساختارهای قاب متقابل با استفاده از یادگیری عمیق

نویسنده آگیرباس، اصلی
تاریخ انتشار 2024-09
محل انتشار - الزویر
موضوع تحلیل ساختاری، یادگیری عمیق، تقسیم‌بندی نمونه، ماسک RCNN، ساختارهای قاب متقابل
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 0926-5805
شماره ثبت 9de5a97b-1e7d-4e91-84b5-cc86537d7ddf
محل کتابخانه معماری
تاریخ 2024-09
متن نمونه سیستم هایی که می توانند طرح های دو بعدی (2 بعدی) را به مدل های سه بعدی در حین انجام تحلیل های ساختاری تبدیل کنند، برای اسکیس های معماری ضروری هستند. برای پرداختن به این چالش، این مقاله بر این موضوع تمرکز دارد که چگونه الگوریتم‌های یادگیری عمیق می‌توانند به این فرآیند تبدیل کمک کنند. این مدلی را ارائه می‌کند که از تکنیک قطعه‌بندی نمونه با Mask RCNN برای شناسایی و تشخیص دو نوع پرتوهای کوتاه سازه‌های قاب متقابل (RFs) در طرح‌های دوبعدی استفاده می‌کند و از این اطلاعات در ایجاد سیستماتیک یک مدل سه‌بعدی از RFها برای انجام تحلیل ساختاری آنها استفاده می‌کند. نتایج نشان می‌دهد که مدل قادر به خوشه‌بندی انواع پرتوها در طرح‌های دو بعدی از طریق پوشاندن و طبقه‌بندی، حذف اشیاء پس‌زمینه نامربوط، ایجاد RFهای پارامتریک با استفاده از اطلاعات پوششی و انجام تحلیل ساختاری است. این مدل که به بهینه سازی و سهولت فرآیند طراحی کمک می کند، می تواند توسط معماران یا مهندسان استفاده شود. این مقاله الهام بخش کار آینده در ایجاد سیستم های مدل سازی یکپارچه خواهد بود.
DOI 10.1016/j.autcon.2024.105515
Cilt 165
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید