MétaCan
Menu
Retour à la cohorte
Enregistrement W2783699638 · doi:10.5555/3242181.3242394

Synthesizing engineering design, material takeoff and simulation-based estimating on a bridge deck reinforcement case

2017· article· en· W2783699638 sur OpenAlex
Ming Lu, Chaoyu Zheng, Chaojue Yi, Monjurul Hasan

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueWinter Simulation Conference · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCrewTakeoffCost estimateBridge (graph theory)LappingComputer scienceDiscrete event simulationReinforcementBenchmark (surveying)Reliability engineeringOperations researchIndustrial engineeringEngineeringSimulationStructural engineeringAutomotive engineeringSystems engineeringAeronauticsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

To enhance the accuracy in material and crew costs for steel reinforcement installation, numerous tools have been developed. Precise estimating in general considers both lapping details and other required supporting structures while deriving the crew cost by accounting for reinforcing operations. In contrast, rough estimating ignores rebar lapping details in quantity takeoff and relies on industry benchmark productivity data for crew cost estimation. The distinction between precise estimating and rough estimating still lacks quantitative evidence and remains vague to both academic researchers and professional estimators. This research presents systematic comparison between the two strategies with a case study of a bridge deck. A discrete event simulation tool is used to aid in the crew cost in reinforcement handling and installation. The results indicate that compared with the precise estimating approach, the rough estimating approach underestimates the material and crew costs by 13% and 38%, respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,727
Score d'incertitude au seuil0,828

Scores Codex et Gemma par catégorie

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

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 Opus0,047
Tête enseignante GPT0,272
Écart entre enseignants0,225 · 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