MétaCan
Menu
Retour à la cohorte
Enregistrement W2123303660 · doi:10.1061/9780784412329.249

Improving Concrete Trade Labor Productivity through the Use of Innovations

2012· article· en· W2123303660 sur OpenAlexaff
Gabriel B. Dadi, Mahdi Safa, Paul M. Goodrum, Carl T. Haas, Carlos Caldas, David MacNeel

Notice bibliographique

RevueConstruction Research Congress 2012 · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésFormworkProductivityScheduleModular designEngineeringConstruction industryUnit (ring theory)Civil engineeringComputer scienceConstruction engineeringEconomicsMathematics

Résumé

récupéré en direct d'OpenAlex

Concrete activities are typically critical to a project's schedule, therefore examining how to improve their labor productivity can have a direct impact on a project's overall performance. As part of a research program to improve construction productivity sponsored by the Construction Industry Institute (CII), the authors investigated innovations in the concrete trades and their impact on labor productivity. The innovations studied were 100ksi steel reinforcement, self-consolidating concrete (SCC), and modular formwork. The 100ksi reinforcing steel study analyzed a typical beam cross-section and compared its total weight to that of a typical 60ksi reinforcing design. Often, high strength reinforcing steel is a lower cost alternative to a standard design due to lower amounts of steel. The SCC study collected quantities and unit rates of SCC and a comparable conventional mix at several projects. The projects using SCC had faster placement unit rates compared to conventional concrete mixes. Modular formwork was found to have significant advantages in productivity over stick-built formwork systems. From the analysis of a sample project, modular formwork gains a cost advantage at varying floors based on local labor rates. The findings should help management understand performance of these concrete innovations when considering their use.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,085
Tête enseignante GPT0,316
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConstruction Research Congress 2012Même sujetBIM and Construction IntegrationTravaux en français237 207