MétaCan
Menu
Retour à la cohorte
Enregistrement W3103651076 · doi:10.1061/9780784482889.052

A Comparative Study of Offsite Construction Manufacturing Techniques

2020· article· en· W3103651076 sur OpenAlexaff
Chelsea Ritter, Béda Barkokébas, Youyi Zhang, Mohamed Al‐Hussein

Notice bibliographique

RevueConstruction Research Congress 2020 · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)Construction industryFactory (object-oriented programming)AutomationVariance (accounting)Risk analysis (engineering)Manufacturing engineeringEngineeringConstruction engineeringComputer scienceBusiness

Résumé

récupéré en direct d'OpenAlex

Offsite manufacturers are commonly competing with each other, as well as with conventional construction companies for projects. The construction industry is interested in knowing how the performance of the manufacturers compares to traditional onsite constructed projects in terms of time, safety, waste, and cost. While this comparison is important for the industry; limited information is available to make this comparison since the vast difference in the methods makes detailed comparisons time consuming and the same project is rarely built with both methods, so different projects must be compared. Each manufacturer carries out their construction process differently, employing varying levels of planning, automation, and manufacturing principles. While some manufacturers are operating almost as conventional builders in a factory, others have leveraged the opportunities available through offsite construction to create a more predictable and productive process. Because of this diversity, there is a significant variance in the cost, time, safety, and waste measurements between offsite manufacturers. This variance necessitates the comparison between the varying approaches for offsite construction first. This paper details some of the methods used for floor panel construction in offsite construction using two case studies and begins to compare them based on cost and time.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,819
Score d'incertitude au seuil0,908

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,331
Écart entre enseignants0,275 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConstruction Research Congress 2020Même sujetBIM and Construction IntegrationTravaux en français237 207