MétaCan
Menu
Retour à la cohorte
Enregistrement W4220755885 · doi:10.1061/9780784483961.132

Optimization of Labor Flow Efficiency in Steel Fabrication Project Planning

2022· article· en· W4220755885 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueConstruction Research Congress 2022 · 2022
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueResource-Constrained Project Scheduling
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésSolverProductivityComputer scienceWorkstationFlow shop schedulingLabor costOperations managementOperations researchJob shop schedulingEngineeringScheduleEconomicsOperating systemMechanical engineering

Résumé

récupéré en direct d'OpenAlex

This study considers projects that employ multi-skilled labor resources in performing different tasks aiming at improving labor utilization efficiency. Based on field observation, the journeymen employed in a steel girder fabrication shop for bridge construction exemplify multi-skilled labor resources in a practical setting. In particular, the need for crew transferring and waiting between various workstations on the shop floor gives rise to the bulk of semi-productive labor time. Unpredictable and unnecessary semi-productive worker hours are considered as a kind of waste as per lean principles. Increasing labor flow efficiency by properly allocating limited labor resources to project activities would reduce the semi-productive labor hours while enhancing the labor flow reliability, leading to better productivity and leaner processes. Labor Flow Waste Index (LFWI) is defined based on the determination of the semi-productive worker hours using resource-constrained project scheduling analysis. Further, the optimization problem of minimizing LFWI is formulated. A case study was conducted Utilizing Microsoft Excel Solver, resulting in significant decrease on the waste in labor resource flow.

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 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)0,014
score de la tête « metaresearch » (Gemma)0,011
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,069
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,008
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,160
Tête enseignante GPT0,448
Écart entre enseignants0,288 · 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