Optimizing Production Scheduling for Decarbonization in Off-Site 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
The construction industry is under increasing pressure to mitigate its environmental impact.In Canada, the building sector ranks as the third-largest contributor to carbon emissions, accounting for 13% of the nation's total emissions.This underscores the urgent need for innovative construction paradigms to address environmental challenges (e.g., carbon emissions).While off-site construction (OSC) presents a promising solution due to its potential to reduce carbon emissions, OSC production factories face critical challenges in identifying an effective production sequence to minimize CO emissions.Thus, developing an effective production scheduling method to minimize CO emissions during the production stage is crucial.To address these challenges, this paper proposes an optimal production scheduling framework aimed at minimizing CO emissions during the production stage in OSC.The methodology consists of two key procedures: (i) data collection and analysis to quantify CO emissions for each panel at each workstation; and (ii) the development of a genetic algorithm (GA)-based optimization model to reduce CO emissions through production sequencing.The proposed method is applied to a wood-based panelized wall production factory in Edmonton, Canada.The results demonstrate that the proposed optimization model effectively reduces CO emissions by 4,000 kg annually from a single production line (i.e., the wall production line), thereby enhancing the environmental performance of OSC.This research offers a novel framework for quantifying and mitigating CO emissions in OSC production through sequencing optimization, making a significant contribution to sustainable construction 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.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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