Automating Pipe Spool Fabrication Shop Scheduling for Modularized Industrial Construction Projects Using Reinforcement Learning
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
Industrial projects are primarily constructed using a modularized and prefabricated approach. Modules are produced in an offsite fabrication shop and then transported to the construction site for installation. Thus, timely and sequence-specific delivery of preassembled construction elements is essential to prevent delays and ensure a smooth construction progress. As such, fabrication shop schedules are crucial for the success of the entire construction project. Unlike a manufacturing fabrication shop, a construction fabrication shop fabricates unique engineer-to-order products, resulting in challenging shop schedules that involve several conditions and constraints, including material availability, processing time, resource availability, and due dates. Further, the manual iterative nature of the scheduling process makes it laborious and time-consuming, especially when it happens on a frequent basis. This paper presents a deep reinforcement learning (DRL) model for automating the scheduling process. The scheduling process is formulated as a Markov decision process (MDP); then, DRL is used to solve the MDP efficiently for a fabrication shop with large state space. The model is tested on a data set from a pipe spool fabrication shop located in Alberta, Canada; the results show that the DRL outperforms the most popular dispatching rules. This study serves as a first attempt, to our best knowledge, to automate the scheduling process using DRL, thus creating a solid foundation for future advancement in automating and optimizing construction scheduling.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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