Examining Impacts of Future Procurement and Construction Project Schedules on Naval Berthing Capacity by Integrating Constraint Programming and K-Modes Clustering
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 Royal Canadian Navy (RCN) is undergoing the largest recapitalisation of naval assets in its modern history. Over a multi-decade period, several fleets are to be replaced, and naval dockyard infrastructure upgraded, to meet the requirements of the new fleets. Careful coordination of multiple procurement and construction projects is critical to ensure current and future fleets have appropriate berths at in-service jetties during the transition period, and to minimise disruption to RCN operations. Determining whether a proposed schedule permits viable berth plans (i.e., assignments of vessels to berths) for the fleets over the course of several years is a constraint satisfaction problem (CSP). Examples of constraints include vessel safety distances, manoeuvring space requirements, and nesting rules. A multi-stage CSP was developed to identify pressure points in scenarios where no viable berth plans are found. In scenarios where berth plan solutions are found, any caveats that could pose risks to RCN operations are highlighted. To help identify patterns and potential operational risks in berth plan solutions, k-modes clustering, an unsupervised machine learning technique, was integrated into the analysis. This approach yields a representative subset of the full solution space. A visualisation tool was then developed to graphically display the representative solution sets on dockyard map images, enabling quick assessment of the viability of the CSP solutions, and validation of the results by project managers and naval staff.
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 | 0,002 | 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 | 0,004 |
| 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