Multi-Criteria Decision Making to Improve Performance in Construction Projects with LEED Certification
Notice bibliographique
Résumé
The Leadership in Energy and Environmental Design (LEED) Green Building Rating System, developed by the U.S. Green Building Council (USGBC) and later adopted by the Canada Green Building Council (CaGBC), has been widely accepted by public and private owners. Nevertheless it has been proven that adherence to LEED requirements has various effects on construction worker performance and productivity, construction cost and schedule and the environment. As a result, this limits the extent to which industry professionals apply the LEED principles, and are faced with difficulties in selecting the credits to be implemented in LEED certified projects. Therefore, there is a growing need to improve the sustainable goals by optimizing the LEED credit selection process to gain higher efficiency and productivity, which would result in increased popularity among contractors and design consultants. It has been identified that each LEED credit would have a different impact on cost, schedule, environment and the construction productivity. A considerable amount of literature has been published regarding these impact areas and it is clear that the impact is different from each credit and each project. However, very little research has been carried out that considers the combined effect of the identified factors. This paper describes the development of a multi-criteria prediction model that has the ability to model phenomena with significant uncertainty in inputs and multiple criteria such as project cost variation, the environmental impact, the impact on schedule and the impact on construction productivity. This simulation tool can be used by the design team at an early stage of the design process to optimise the benefits and minimise the negative impacts of LEED implementation in a new construction project.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».