Optimizing planning of build–operate–transfer projects to maximize investor profit
Notice bibliographique
Résumé
During planning of repetitive build–operate–transfer (BOT) construction projects, investors and (or) investor-representatives are always faced with a challenging task to identify an optimal project plan that maximizes the investor’s profit within a specified concession period. Minimizing project duration in BOT projects often results in additional costs, however, it increases the project operation period and accordingly increases the investor’s profit. Optimal plan of constructing repetitive BOT projects requires identifying construction methods and the associated start and finish time of each construction activity according to the availability of resources and contractors. Traditional scheduling methods such as critical path method (CPM) networks do not provide efficient planning of repetitive construction projects as they (1) do not maintain crew work continuity as well as resources availability, and (2) often result in large and repetitive number of activities to model repetitive construction projects. This paper presents the development of an optimization model using linear scheduling method that identifies the near-optimal plan for constructing repetitive BOT projects to maximize the investor’s profit. The development of this optimization model includes three steps: formulation phase that formulates the model decision variables, objective function, and constraints; implementation phase that executes the model computations using genetic algorithms and identifies the model inputs and outputs; and evaluation phase that verifies the model performance and document its value. A case study of a construction project is presented to illustrate the new capabilities of the model. The results of the model showed 21% profit increase as compared to the existing schedule adopted by the investor.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».