Applying the Flow-interception Location Model to Select the Location of Construction Industrial Yard
Notice bibliographique
Résumé
Construction industrialization is a remarkable innovation and improvement in construction industry. This new construction method can address the drawbacks of conventional one, which has extensive mode of production, lower labour productivity and serious energy consumption and environmental pollution. Recent years, the construction industrial yard emerges as a method to promote the modernization of construction industry in China. However, there has been little to no empirical literature discussed the method to identify the location of construction industrial yard. The location problem is one of key factors to affect whether the yard can be sustainable in economic, social and environmental profits. In order to make the location of construction industrial yard more scientific and meet the special requirements of construction industry, this paper proposes a bi-level model based on the flow-interception location model (FILM). In the location model, the transport network is divided into sub-networks of raw materials and products respectively. The upper-level model is assumed to make the decision about the location and the originäóñdestination (OD) matrices of raw materials and products flow. The lower-level is used to calculate the flow of each section under given OD flow matrices, and gives feedback to the upper model. An efficient heuristic method is introduced to solve this bi-level model. This bi-level model of construction industrial yard can help planners make a more scientific decision when establishing a new yard and promote the development of construction industrialization.
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 | 0,001 |
| 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 ».