Resilience Analysis of Additive Manufacturing-enabled Supply Chains: An Exploratory Study
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
Unparalleled level of globalization and fierce competition have made supply chains (SCs) exceedingly complex and fragile as ever before. Increased incidences of natural disasters and unprecedented COVID-19 have highlighted the significance of improving supply chain resilience (SCR) by divulging its susceptibility to the external events. Additive manufacturing (AM) is envisioned as the disruptive technology that allows layer-wised fabrication and has been claimed to be an important contributor to the improved SCR as it could bring new opportunities through expanded design freedom, improved material efficiency, shortened supply chains, and decentralized manufacturing. Nonetheless, rare research has quantitatively measured the impacts of AM on SCR. To fill this research gap, the indices for assessing SCR of AM-enabled supply chains (AM-SCs) are first proposed, and then, the technique for order of preference by similarity to ideal solution (TOPSIS) is employed to derive a quantifiable SCR score that can be used to measure the performance of different SCs. A case study of a gas pedal assembly is presented with three different SC configurations: the original assembly with conventional manufacturing, original assembly with AM, and redesigned assembly with AM. The exploratory study shows that the redesigned assembly with AM considerations could improve the SCR by 200%. Sensitivity analysis also revealed that part count and reaction time of suppliers are influential factors of improving SCR. Last, challenges and limitations of the proposed framework are also deliberated upon alongside future research scope.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,008 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle