Modularization Business Case Analysis Tool: Learning from Industry Practices
Notice bibliographique
Résumé
Modularization is a method of enhancing project value by exporting a portion of site work to fabrication/assembly shops/yards. Maximizing modularization’s benefits, however, is something the industry is still struggling to achieve. To achieve it, the construction industry needs a new modularization business case analysis approach and an associated computational tool. Thus the Construction Industry Institute’s (CII) Research Team (RT) 283 has developed a business case process to identify the optimum proportion of work hours to be moved offsite via module scope; the process also identifies the drivers of modularization. An optimal decision-making process is thereby established. Still missing from modularization business case analysis is a tool to support this process. This study develops just such a tool with the support of the CII Modularization Community of Practice. The tool manages information on module project drivers and, to the different parts of a module job, assigns a cost/factor/productivity. In developing the tool, researchers collected existing business case analysis tools from different companies and from the literature. The most suitable elements from these have been incorporated into a new modularization business case analysis tool. The tool identifies the optimum level of work hours to move offsite, providing specific savings, not just an indicative value. The tool, set up in three layers, permits details to be added and can be used, as a project is further developed, at successive phases with increasing rigor. This tool was subsequently reviewed by CII Modularization Community of Practice. This tool, by selecting optimum level of modularization, should help the construction industry maximize the benefits of modularization.
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 | 0,001 |
| 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 ».