Automation of Project Planning and Resource Scheduling on a Rough Grading Project
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
Traditional earthwork projects rely heavily on project managers and superintendents to generate the truck hauling plan based on experiences. Though various linear programming methods have been proposed to produce cost effective plans specifying each job with source, destination, and volume of material to be transported, how to sequence these haul jobs tends to be neglected. As such, temporal and spatial conflicts between jobs are commonplace in resulting construction plans. On the other hand, establishing linear equations requires considerable expertise and time. This could hamper the updating of the project plan due to the rapidly changing situation on the earthmoving site. In this paper, a fully automated flow network based project planning method is applied to: 1) optimize the earthwork operation; 2) define conflict-free haul jobs; and 3) produce an activity-on-node (AON) network model. Further automation can be achieved through integration with resource constrained scheduling. The clearly defined haul jobs and the AON network will serve as input to the computer platform of simplified discrete event simulation approach (SDESA) for schedule optimization subject to resource availability limits. The complete automation approach is applied to a rough grading case based on a real-world project in northern Alberta, Canada. The case study shows the proposed approach is intuitive to communicate and implement in the field. A comparison is also done between the plan generated by automation and the plan proposed by the superintendent. The result shows considerable savings on both haul effort and total cost.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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