Dynamic and Proactive Risk-Based Methodology for Managing Excessive Geometric Variability Issues in Modular Construction Projects Using Bayesian Theory
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.
Notice bibliographique
Résumé
Managing excessive geometric variability risks (i.e., out-of-tolerance and out-of-alignment issues) represents a major challenge in modular construction projects, owing to lack of accurate data on modularization process capabilities for fabrication, transportation, and erection at the early design phase. Unrealistic and insufficient modularization process capability data typically convey a misleading risk profile and result in suboptimal mitigation solutions, which can in turn lead to cost overruns, schedule delays, quality issues, and owner dissatisfaction. Current modularization practices and previously developed risk management frameworks apply static risk assessment and management techniques, which do not enable updating of the generic information and initial assessment of the risk profile, when more realistic data become available. To address this persistent challenge in modular construction projects, this paper aims to introduce a systematic methodology that employs Bayesian inference theory for the dynamic assessment and proactive management of excessive geometric variability issues. The developed methodology includes a practical process for continual (1) updating of initial estimates of the performance of tolerance-based mitigation strategies based on real-time data, (2) reassessment of the risk profile, and (3) refinement of risk response decisions. The results of the case study described subsequently in this paper demonstrate how key project stakeholders and modular construction managers (e.g., designers, fabricators, and contractors) can use this methodology to efficiently reduce uncertainty in tolerance-related risk estimates and proactively manage impacts to improve modularization performance and maximize its benefits.
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 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 | 0,001 | 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 découle