MétaCan
Menu
Retour à la cohorte
Enregistrement W2985967184 · doi:10.2118/197745-ms

Improving Project Delivery Using Virtual Reality in Design Reviews —A Case Study

2019· article· en· W2985967184 sur OpenAlexaff
Wassim Ghadban, Vladan Kozina, Branwen Kelly

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensSNC-Lavalin (Canada)
Organismes subventionnairesnon disponible
Mots-clésComputer scienceContext (archaeology)DeliverableVirtual realityProcess (computing)Engineering design processAsset (computer security)Systems engineeringProcess managementEngineering managementEngineeringHuman–computer interaction

Résumé

récupéré en direct d'OpenAlex

Abstract With the advent of the computerized 3D model environment, the engineering review process for complex process plants has improved dramatically, however, recent technological advances are facilitating the next step in productivity. Typically, engineering companies conduct design reviews using a multidisciplinary panel of seasoned engineering experts to assess the safety and the utility of the design. The review is based upon a combination of traditional paper-based deliverables and on-screen views of the 3D model using conventional software tools, e.g. SP3D, PDMS and PDS. The Operations function is often not represented in the review phase at this early stage in the lifecycle of the asset. By conducting two separate design review exercises, first using the conventional design review method followed by a review built around virtual reality (VR) immersion, we were able to demonstrate incremental benefits possible through the incorporation of VR technology. The identified benefits fell into two main categories, specifically identification of design deficiencies that: were not observable using traditional design review methodswere overlooked by the traditional panel of expert reviewers Using VR technology, the immersive model review was provided in an intuitive format which allowed deeper understanding of the spatial context and allowed a more diverse team of field operatives and maintenance personnel to participate. The final design outcome was improved by the addition of practical insights from operations stakeholders who would otherwise have been excluded from the design review process. Ultimately, the combination of improved spatial understanding and greater diversity of inputs led to a client-certified savings of USD$2.55M in future modifications and reworks.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,065
score de la tête « metaresearch » (Gemma)0,109
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,065
Score d'incertitude au seuil0,342

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0650,109
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0050,003
Communication savante0,0060,003
Science ouverte0,0040,006
Intégrité de la recherche0,0040,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,064
Tête enseignante GPT0,282
Écart entre enseignants0,219 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeÉtude de cas
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetManufacturing Process and OptimizationTravaux en français237 207