Busque entre los 168426 recursos disponibles en el repositorio
Mostrar el registro sencillo del ítem
dc.date.accessioned | 2024-11-15T21:23:25Z | |
dc.date.available | 2024-11-15T21:23:25Z | |
dc.date.issued | 2024 | |
dc.identifier.uri | http://sedici.unlp.edu.ar/handle/10915/173172 | |
dc.description.abstract | PropósitoEl objetivo de esta investigación es desarrollar un enfoque automatizado que permita, a partir de planos raster, generar modelos de construcción compabitbles con la metodologia Building Information Model (BIM). Para ello, se plantean los siguientes objetivos específicos:1.Definir un mapeo entre planos y BIM: Se propone establecer una correspondencia entre los elementos de los planos (muros, puertas, ventanas, vigas, columnas, etc.) y los componentes de un BIM, tomando como base el estándar de planos de Argentina.2.Clasificación de elementos mediante inteligencia artificial (IA): Se utilizarán técnicas avanzadas de IA para clasificar los elementos identificados en los planos. Estos resultados permitirán la generación de documentos interoperables en formato BIM. Los planos arquitectónicos y estructurales serán procesados para reconocer automáticamente los distintos componentes constructivos y generar archivos exportables para su uso en modelos BIM.3.Validación del enfoque: Se evaluará la precisión del enfoque mediante el procesamiento de planos reales de viviendas y edificios, verificando su capacidad para generar modelos precisos y funcionales.ActividadesConstrucción de un dataset de planos: Dado que no se dispone de un banco de datos estructurado de legajos de obra en Argentina, se ha recolectado y clasificado una serie de planos de construcción en diversas especialidades (arquitectura, estructura, instalaciones). Los elementos de interés fueron etiquetados utilizando herramientas open source como LabelMe.Selección e implementación de técnicas de IA: A lo largo de la investigación, se probarán diversos modelos preentrenados de detección de objetos, como Mask R-CNN, Cascade R-CNN y YOLO, con técnicas de transfer learning adaptadas para optimizar su rendimiento en la clasificación de elementos de planos.Modelado BIM en Python: Los elementos clasificados serán integrados en un modelo BIM en formato IFC, utilizando librerías especializadas como IfcOpenShell para garantizar la interoperabilidad y la precisión del modelo generado. | es |
dc.language | es | es |
dc.subject | BIM | es |
dc.subject | aprendizaje automátcico | es |
dc.subject | ifc | es |
dc.subject | modelado | es |
dc.subject | mep | es |
dc.subject | planos de planta | es |
dc.subject | construcción | es |
dc.subject | planos | es |
dc.subject | bim | en |
dc.subject | machine learning | en |
dc.subject | ifc | en |
dc.subject | modelling | en |
dc.subject | building | en |
dc.subject | mep | en |
dc.subject | floorplans | en |
dc.subject | blueprints | en |
dc.title | Generación de modelo BIM implementando algoritmos de inteligencia artificial | es |
dc.title.alternative | BIM model generation implementing artificial intelligence algorithms | en |
dc.type | Objeto de conferencia | es |
sedici.creator.person | Urbieta, Martin | es |
sedici.description.note | Carrera: Doctorado en Ciencia Informáticas Lugar de trabajo: Laboratorio de Investigación y Formación en Informática Avanzada (LFIA) Organismo: CONICET Año de inicio de beca: 2021 Año de finalización de beca: 2026 Apellido, Nombre del Director/a/e: Rossi, Gustavo Apellido, Nombre del Codirector/a/e: Urbieta, Matias Lugar de desarrollo: Laboratorio de Investigación y Formación en Informática Avanzada (LFIA) Áreas de conocimiento: Cs de la Computación Tipo de investigación: Aplicada | es |
sedici.subject.materias | Cs de la Computación | es |
sedici.description.fulltext | true | es |
mods.originInfo.place | Facultad de Ingeniería | es |
sedici.subtype | Objeto de conferencia | es |
sedici.rights.license | Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) | |
sedici.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | |
sedici.institucionDesarrollo | Laboratorio de Investigación y Formación en Informática Avanzada (LFIA) | es |
sedici.date.exposure | 2024-11-20 | |
sedici.relation.event | Encuentro de Becaries de Grado y Posgrado de la UNLP (EBEC) (La Plata, 20 de noviembre de 2024) | es |
sedici.description.peerReview | peer-review | es |