SVR and GA Aided Lean Six Sigma Method for Planning in Modular 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
Modular construction presents a strong alternative to traditional construction, offering advantages such as improved productivity, and better quality.However, the prefabrication of module components follows a make-to-order process, resulting in customized module components.This design customization, along with various factors such as worker skill levels, and defects in shop drawings causes significant variability in the process times for prefabricating module components at workstations.This variability leads to imbalanced production line, and idle time at workstations, which increases the overall completion time of fabricating module components.To address these challenges, this paper develops a Lean Six Sigma based method that comprises three modules.In the first module, the production line that requires improvements is identified and project objectives are defined.In the second module, the process time data of module components at workstations are collected to identify and analyse inefficiencies in the production line utilizing six sigma performance metrics.The third module focuses on improving and controlling the production line process using support vector regression (SVR) and meta-heuristic optimization.A light gauge steel (LGS) wall panel production line in Edmonton, Canada was analysed to demonstrate the use of the developed method and test its performance.The results show that, after addressing the production line bottlenecks, the sigma level improves to 1.85 compared to 1.41 earlier.This method can help production managers identify wastes and bottlenecks in the production line, enabling them to plan their processes more efficiently.
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 | 0,000 | 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