Benutzer: Gast  Login
Mehr Felder
Einfache Suche
Originaltitel:
Digital Twin Modeling of Existing Bridges Using Optimization Algorithms and Artificial Intelligence Techniques
Übersetzter Titel:
Digitale Zwillingsmodellierung bestehender Brücken unter Verwendung von Optimierungsalgorithmen und Techniken der künstlichen Intelligenz
Autor:
Mafipour, Mohammad Saeed
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Engineering and Design
Institution:
Lehrstuhl für Computergestützte Modellierung und Simulation (Prof. Borrmann)
Betreuer:
Borrmann, André (Prof. Dr.)
Gutachter:
Borrmann, André (Prof. Dr.); Zhu, Xiaoxiang (Prof. Dr. habil.)
Sprache:
en
Fachgebiet:
BAU Bauingenieurwesen, Vermessungswesen
Stichworte:
Digital Twin ; Semantic Segmentation ; Deep Learning ; Parametric Modeling ; Reverse Engineering ; Metaheuristic Optimization
Übersetzte Stichworte:
Digitaler Zwilling ; Semantische Segmentierung ; Deep Learning ; Parametrische Modellierung ; Reverse Engineering ; Metaheuristische Optimierung
TU-Systematik:
BAU 005; ARC 045
Kurzfassung:
This thesis automates the geometric digital twinning of existing bridges from their point clouds. It proposes automated semantic segmentation of bridge point clouds using a deep learning architecture. It also automates the parametric modeling process of bridges through reverse engineering and optimization techniques. Results of applying the proposed method to ten bridges show high accuracy in segmentation (OA = 96.97%, mIoU = 91.57%) and low error in model generation (MAE = 8.43 cm).
Übersetzte Kurzfassung:
Diese Arbeit automatisiert das geometrische digitale Twinning von bestehenden Brücken anhand ihrer Punktwolken. Sie schlägt eine automatisierte semantische Segmentierung von Brückenpunktwolken unter Verwendung einer Deep-Learning-Architektur vor. Außerdem wird der parametrische Modellierungsprozess von Brücken durch Reverse Engineering und Optimierungstechniken automatisiert. Die Ergebnisse der Anwendung der vorgeschlagenen Methode auf zehn Brücken zeigen eine hohe Genauigkeit bei der Segmentier...     »
WWW:
https://mediatum.ub.tum.de/?id=1738035
Eingereicht am:
22.03.2024
Mündliche Prüfung:
22.07.2024
Dateigröße:
70721000 bytes
Seiten:
200
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240722-1738035-1-5
Letzte Änderung:
13.09.2024
 BibTeX