A Simulation Model to Analyze Different Automation Scenarios in a Mixed-Assembly Manufacturing Line: Timber-Frame Prefabrication Industry
Notice bibliographique
Résumé
As prefabrication of timber structures in the construction sector becomes part of the solution to overcome the housing and environmental crisis, the lack of efficiency of this industry needs to be addressed. This inefficiency, characterized by low production capacity, high costs, and large workforce, are in part due to the low adoption of automation and robotic technologies, caused by insufficient knowledge and research measuring the impact of these technologies. This paper aims to measure the efficiency of introducing automation in a prefabrication environment of timber-frame structures, through a decision analysis tool. Four layout types with varying automation levels are explored using simulation modeling, while KPIs are exploited to measure the efficiency of each production environment. A sensitivity analysis is conducted to assess the most performing layout if a new type of wall, requiring fewer tasks, is introduced in the product mix. A design of experiments (DOE) is also performed on the fourth layout, a fixed robotic cell with the highest level of automation, to assess the most influential variables. Results show a positive increase in worker, space, and production efficiency as the level of automation increase. This research contributes to the body of knowledge by providing a decision analysis tool supporting the choice of an optimized layout for the prefabrication of timber-frame walls (TFW). The findings and the decision analysis tool should provide solid grounds for future exploration of automation and practice in the field.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».