Ability of Technologies to Collect the Positioning and Occupancy of Work Crews and Resources on Construction Job Sites
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
Introduction Efficiently updating construction schedules is vital for managing dynamic workflows. Traditional methods like Gantt charts rely on manual updates, but newer approaches, such as Chronographic Modelling and Dynamic Modelling of Occupancy Rate Scheduling (DMORS), require tracking spatial positioning and occupancy rates of teams and resources. Given the complexity of these tasks, emerging technologies are being adopted to enhance data collection. Methods This study reviews recent advancements in tracking construction site occupancy and spatial positioning. It categorizes these technologies into three main types: image and video capture, 3D point cloud generation, and sensor-based tracking systems. Each method is evaluated based on seven essential criteria: data collection speed, portability, accuracy, worksite impact, post-processing time, accessibility, and technology maturity. Results The research provides a selection framework for contractors, helping them choose the most suitable tools based on project size and complexity. High-precision tools like LiDAR and laser scanning are ideal for large contractors requiring detailed modelling, while smaller firms may prefer cost-effective solutions such as manual data collection with photos or videos. Discussion This research highlights that no single technology meets all needs for tracking construction site occupancy. High-precision tools offer accuracy but may disrupt work, while simpler methods are easier to use but less detailed. So, depending on the size of the contractor or the project, the best technology may vary. Conclusion Ultimately, this paper supports the integration of space planning schedules in construction management by offering a structured approach to implementing modern data capture technologies. The study also highlights future trends, advocating for multi-technology integration to improve accuracy and exploring the potential of artificial intelligence for automated data analysis.
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 | 0,000 | 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 découle