Integrating Automated Data Acquisition Technologies for Progress Reporting of Construction Projects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Integrating Automated Data Acquisition Technologies for Progress Reporting of Construction Projects Samir El-Omari, Osama Moselhi Pages 86-94 (2009 Proceedings of the 26th ISARC, Austin, USA, ISBN 978-0-578-02312-0, ISSN 2413-5844) Abstract: Controlling construction projects necessitates controlling their time and cost in an effort to meet the planned targets. Management needs timely data that represent the status of the project to take corrective actions, if needed. This paper presents a control model that integrates different automated data acquisition technology to collect data from construction sites required for progress measurement purposes. Current automated data acquisition technologies are described, and their suitability for use in tracking and controlling construction activities is assessed. This includes bar coding, Radio Frequency Identification (RFID) 3D laser scanning, photogrammetry, multimedia, and pen-based computers. The user can move with a tablet PC in the construction site and record, take snapshots and also hand written comments about activities on site. The proposed cost/schedule control model Integrates with the automated data acquisition technologies, a planning and scheduling software system, a relational database, and AutoCAD to generate progress reports that can assist project management teams in decision making. Keywords: 3D laser scanning, photogrammetry, RFID, Tablet PC, Bar Coding progress reporting, data acquisition, automation DOI: https://doi.org/10.22260/ISARC2009/0048 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle