Predictive Model for Siding Practice in Panelized Construction
Notice bibliographique
Résumé
Offsite construction offers an opportunity to standardize processes and better predict schedule requirements when compared with onsite construction. This predictability allows for balanced labor distribution and accurate time estimation. This research investigates the exterior wall siding practice at a panelized home manufacturing facility in order to predict future productivity of this operation based on a time study and known panel design characteristics such as wall length, wall height, and number and size of openings in the wall. The siding workstation is currently a bottleneck in the wall production line. In this area vinyl siding, window and door trim, and other exterior finishes are added to the panels. The case study plant uses a radio frequency identification (RFID) system to track panel locations and the amount of time spent at each station. This system tracks the time the panels spend in the siding area, but not the amount of time that is necessary to complete the work required. This discrepancy results in difficulties identifying the idle time and the working time within the total duration. By applying data science procedures of classification and association applied to lean manufacturing concepts, such as value-added activities and waste minimization, the research in this paper establishes a model to predict the labor requirement for each panel at early design stages. Using the developed model, the case study factory is able to quantify the idle versus working time that panels are subject to at the exterior wall siding workstation, as well as the ratio of value-added activities to non-value- added activities.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».