Integration of 4D BIM, PtD and databases to improve OHS and knowledge management in construction
Notice bibliographique
Résumé
The construction industry faces high incidences of accidents and injuries, resulting in project delays, additional costs, and loss of lives.In developing countries, conventional methods are employed to identify risks and prevent accidents due to limited familiarity with tools such as Building Information Modelling (BIM) and Safety and Health Management (SHM) models.Furthermore, the lack of knowledge retention and lessons learned hinders continuous improvement in safety.Previous research has proposed specific solutions to address these issues, including the integration of BIM in occupational risk management, the use of technology to store safety data, and the application of the Prevention through Design (PtD) approach.However, these solutions tend to focus on individual challenges.This paper introduces a novel methodology called Ultra Safety Design (USD), which comprehensively addresses OHS management in construction projects.USD combines the use of BIM, PtD, and a centralized database.BIM enables precise identification of hazards and risks during the design stages, facilitating the implementation of appropriate control measures.PtD promotes a proactive safety mindset by preventing risks from the design phase, and the centralized database allows for knowledge retention, information exchange, and referencing of previous projects, fostering a culture of continuous improvement.The study's results demonstrate effective risk mitigation, with a significant reduction in overall risk levels.The USD methodology proves to be an integral and effective approach to address OHS management in construction, integrating multiple tools and promoting continuous improvement in OHS practices.
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 | 0,000 | 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 ».