MétaCan
Menu
Retour à la cohorte
Enregistrement W45633412 · doi:10.5957/jsp.2008.24.4.214

Major Factors Affecting Tugboat Ship Design and Construction

2008· article· en· W45633412 sur OpenAlexaff
Biman Das, Navin Tejpal

Notice bibliographique

RevueJournal of Ship Production · 2008
Typearticle
Langueen
DomaineEngineering
ThématiqueMarine and Offshore Engineering Studies
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésShipyardShipbuildingVendorReworkEngineeringNaval architectureManufacturing engineeringOperations researchOperations managementMarine engineeringBusiness

Résumé

récupéré en direct d'OpenAlex

Tugboat shipbuilding activities and costs were studied with a view to deal with the ship design and development problems and to suggest possible solutions. The lack of communication among shipyard design engineers, vendors, regulatory authority personnel, and shipyard construction department managers at the start of the preliminary and detail drawings gave rise to errors in material specifications in design drawings. This caused the shipyard a significant amount of rework on drawings, resulting in wasted labor costs and lengthening of the shipbuilding cycle time. The timely and correct vendor-furnished information (VFI) on material specification, while preparing the preliminary and detailed drawings, would permit the elimination/ reduction of errors and changes made in the drawings. A medium-sized tugboat ship costs about $14 million, comprising about $5 million labor cost and about $9 million of construction material cost. The completion time for this kind of vessel ranges from 28 to 38 months. It would be possible to reduce the labor and material costs and completion time substantially with adequate and timely information of material re- quirements from the vendor through VFI. Management tools and techniques, such as concurrent engineering, computer simulation, and program evaluation review technique (PERT) could be applied advantageously to improve tugboat shipbuilding de- sign and development productivity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,301
Score d'incertitude au seuil0,418

Scores Codex et Gemma par catégorie

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

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 Opus0,023
Tête enseignante GPT0,208
Écart entre enseignants0,185 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations3
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Ship ProductionMême sujetMarine and Offshore Engineering StudiesTravaux en français237 207