Data-driven cycle time prediction of fitting and welding stations in steel fabrication
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
The construction industry's lack of materials, resources, and financial assets streamlined a shift toward using digital lean principles to obtain precise management over the limited resources. Steel fabrication companies rely heavily upon the enormous equipment to get promising results. However, implementing lean principles in the fabrication process is not straightforward due to the non-repetitive nature of steel construction products. Hence, the time-based modeling for such a process lacks accuracy and reliability, especially for manual steel fabrication processes. Accordingly, the current study aims to achieve a practical and accurate estimation of fabrication time aspects. This study targets modeling manual steel fabrication processes (fitting and welding workstations) in terms of processing times (cycle time and value-added time). The proposed approach builds a machine learning (ML) model to estimate the identified processing time aspects. For performance assessment, the typical correlation analysis and linear regression (LR) approach was used as a benchmark to quantify the ML model's pros and cons in terms of practicality and accuracy. The required data source for this study is a steel fabrication industry partner. The results of this study show ML superiority in accuracy over LR processing time predictive models, particularly when predictive parameters increase ML presents a 13.2 % improvement in mean squared error compared to the LR predictive model. LR models need fewer data and are not computationally expensive like ML models, making them more practical. Additionally, the study introduces a precise and practical time estimation approach. Such an approach provides precious input for simulation models which support evidence-based decisions and benefits quantification of plans.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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