Utilizing augmented reality for the assembly and disassembly of panelized construction
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
Prefabricated construction allows for efficient resource usage while creating higher-quality products that can be assembled on-site within a short time. While this translates to significant benefits for the overall construction, challenges arise from an increased demand for trained prefabrication assembly workers. As prefabrication calls for skills differing from traditional construction, the local labor force can be negatively affected to impede the successful uptake of prefabricated construction. Upskilling the local workforce to take on prefabrication assembly and potential disassembly can solve this problem. This is more relevant to remote construction projects as they stand to gain more from prefabricated construction. This study presents two workflows for creating Augmented Reality (AR) solutions. The AR solutions are aimed to help workers transition between traditional and prefabrication assembly in a panelized construction project. They are: (1) using QR codes to identify a panel’s intended location and construction sequence and (2) using predefined markers to show required equipment and on-site assembly procedures. The solutions are delivered through smartphones, which are readily available and provide a cost-effective medium. Furthermore, developed workflows present an opportunity to implement Design for Disassembly (DfD) concepts in a project. The proposed workflows show the potential to substantially help communicate to the workers the instructions on both the panel assembly and disassembly activities and upskill the local workforce to support the transition to prefabrication assembly in construction projects.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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