Quantitative and qualitative risk in EPCM projects using fuzzy set theory
Notice bibliographique
Résumé
The importance of risk management for engineering, procurement and construction management (EPCM) projects has been progressively recognized over the last two decades. Researchers and practitioners alike introduced a wide range of methods to analyze and evaluate risks. Several methods were developed using fuzzy set theory in view of its capabilities for modeling projects risk quantitatively and qualitatively, which assists in providing more representative modeling and evaluation of project risk. This research focuses on fuzzy set theory and presents a methodology to analyze the risks associated with EPCM projects quantitatively and qualitatively. The proposed method implements a linguistic representation for risk which gives experts the choice to evaluate the risk linguistically or numerically based on their experience. The proposed method also presents a systematic procedure to convert the linguistic evaluations into numerical evaluations. The converted numerical evaluations should be aggregated using a screening procedure, based on several rules implemented by users, in order to combine the numerical and linguistic evaluations. This combination uses the arithmetic operations of fuzzy set theory in order to calculate the fuzzy mean of identified components of risk (e.g. each risk has one fuzzy representation). The generated fuzzy evaluations of risk are also deffuzzified using one of the defuzzification methods (e.g. Center Of Area) commonly used in literature. A case example is presented to investigate the effectiveness of proposed method followed by a discussion of results and conclusions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».