Automation in Construction· 2026Q1
Büyük dil modellerinin otomatik yapısal analiz için entegrasyonu
Integrating large language models for automated structural analysis
- 2atıf
- Q1SCImago
- 2026yıl
Kısa özet
Alan özelindeki komut tasarımı ve bağlam içi öğrenme stratejilerini kullanan yeni bir çerçeve, Büyük Dil Modellerinin (BDM'ler) metin açıklamalarından model çıktılarına kadar tam otomatik yapısal analiz yapmasını sağlıyor ve bir kıyaslama veri setinde %100 doğruluk elde ediyor.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- BDM'leri kullanarak, alana özgü komutlar ve bağlam içi öğrenmeyi entegre eden tam otomatik yapısal analiz için bir çerçeve önerilmiştir.
- Çerçeve, 20 problemden oluşan bir kıyaslama veri setinde GPT-5.4 ve GPT-4o kullanılarak %100 doğruluk elde etmiştir.
- GPT-4 %85, Gemini 1.5 Pro %80 ve Llama-3.3 ise aynı veri setinde %30 doğruluk elde etmiştir.
- Alana özgü talimatlar, asimetrik yapılandırmalara sahip problemler için performansı %30 oranında artırmıştır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Automated analysis for engineering structures offers considerable potential for boosting efficiency by minimizing repetitive tasks. Although AI-driven methods are increasingly common, no systematic framework yet leverages Large Language Models (LLMs) for automatic structural analysis. This paper proposes a framework that employs domain-specific prompt design and in-context learning strategies to enhance LLM problem-solving capabilities and generative stability, enabling fully automated structural analysis from descriptive text to model outputs. A small-scale benchmark dataset consisting of 20 structural analysis word problems (SAWPs) is also introduced to evaluate the performance of different LLMs within the proposed framework. The results demonstrate that the proposed approach can increase the level of automation in solving SAWPs compared with traditional methods. Quantitatively, the framework built on GPT-5.4 and GPT-4o both achieved 100% accuracy, outperforming GPT-4 (85%), Gemini 1.5 Pro (80%), and Llama-3.3 (30%) on the test examples. Furthermore, integrating domain-specific instructions enhanced performance by 30% on problems with asymmetrical structural configurations.
Yazarların özeti; kaynağından alınmıştır. Automation in Construction, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yazılım
SoftwareComputer Science