MétaCan
Menu
Retour à la cohorte
Enregistrement W4389042065 · doi:10.1155/2023/8873464

Evaluating a Sustainable Intelligent Logistic System (ILS) Utilizing O-S Data and Holistic Managerial Models

2023· article· en· W4389042065 sur OpenAlexvenueno aff
Hong Bing Liu, Kamarajugadda Tulasi Vigneswara Rao, Kottala Sri Yogi, Neelkanth Dhone

Notice bibliographique

RevueJournal of Advanced Transportation · 2023
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSustainable Supply Chain Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)Computer scienceScale (ratio)Fuzzy logicIndex (typography)Artificial intelligenceOperations researchMachine learningIndustrial engineeringMathematicsEngineeringWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

The intelligent logistic system (ILS) has benefited Industry 4.0. ILS assures clean, on-time manufacturing. Due to its unique architectures, qualities, and sensory aspects, the robot logistic system (RLS) is sought after as an ILS in Industry 4.0. In case of COVID-19, multiple nations routinely used RLS as ILS to cleanse areas, check patients, and monitor crowds on highways. Research documents (RDs) show that prior researchers attempted to build the static robot logistic system (RLS) performance mapping index; however, most indexes measured only anatomy performance of static RLS. Thus, few RDs are edited previously in the context of MRLS. It is sensed that few RDs examined MRLS-linked performance mapping indexes, including only regular subjective (S) or objective (O) designs, excluding mixed S-O architectures. Most RDs constantly execute the linguistic variables related to fuzzy, grey, rough, ambiguous, and intuitionistic sets/scales to tackle the uncertainty connected with MRLS designs. The authors prioritize those as RGs. The authors proposed (1) an MRLS performance mapping index with respect to technical, cost, and value O-S architectures for recruiting MRLS, (2) linear information to assign ratings in a range of min-max values choosing from 1 to 100% without executing the linguistic scale, and (3) Holistic Managerial Models (HMM-1 and HMM-2) to handle subjective ratings and significance, assigned by Ex against evaluated O-S architectures under linear scale (1–100%). To prove the concept, RLS performance mapping is shown. Only MRLS recruitment and selection are covered. The effort helps CIM, FMS, and WCMS create sustainable, cleaner operations and achieve future goals.

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)0,010
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,017
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0000,001
Communication savante0,0040,003
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,119
Tête enseignante GPT0,344
Écart entre enseignants0,225 · 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'étudeSimulation ou modélisation
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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Advanced TransportationMême sujetSustainable Supply Chain ManagementTravaux en français237 207