MétaCan
Menu
Retour à la cohorte
Enregistrement W4367317952 · doi:10.18280/mmep.100212

Evaluation of Construction Project’s Cost Using BIM Technology

2023· article· en· W4367317952 sur OpenAlexvenueno aff
Ruwaida Al-Musawi, Sepanta Naimi

Notice bibliographique

RevueMathematical Modelling and Engineering Problems · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueBIM and Construction Integration
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésConstruction engineeringEngineeringBuilding information modelingArchitectural engineeringSystems engineeringComputer scienceOperations management

Résumé

récupéré en direct d'OpenAlex

In this research, a case study is explored and examined by choosing a construction project.The budget of this project is calculated and analyzed using two methods.A comparison between these two approaches is conducted in terms of performance, effort, accuracy, and cost of calculation.These two techniques are manual quantity surveying and numerical project take-off depending on BIM technology (REVIT software package).The quantity take-off of steel, concrete, and other vital architectural elements and structural building components was considered.The results of this work revealed that there are perfect agreements between the traditional cost-estimation method and the ANSYS numerical calculation associated with all construction elements and components, indicating that BIM technology can offer a reliable solution to determine the construction project cost with higher complexity and components.Furthermore, it was found that the use of REVIT software has cut a significant number of human errors that occurred during the estimation process and quantity take-off for the project cost.In addition, the results of the manual and numerical methods of cost calculation indicated that the REVIT software had saved much time and effort needed for engineers to estimate the budget related to this challenging case study that represents a hospital building with various structural components.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0080,006
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,068
Tête enseignante GPT0,261
Écart entre enseignants0,193 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling and Engineering ProblemsMême sujetBIM and Construction IntegrationTravaux en français237 207