Εκτίμηση της κατασκευασιμότητας τεχνικών έργων βάσει της ανάλυσης κινδύνων
Bibliographic record
Abstract
Σκοπός της παρούσας διδακτορικής διατριβής είναι η, για πρώτη φορά, αντιμετώπιση της έλλειψης μεθοδολογικής και υπολογιστικής διασύνδεσης της κατασκευασιμότητας και της ανάλυσης κινδύνων τεχνικών έργων. Με μια τέτοια διασύνδεση, ώστε τα προαναφερόμενα να λειτουργούν συμπληρωματικά και ως ενιαίο πλαίσιο, μπορούν να επιτευχθούν η καλύτερη συνεργασία και επικοινωνία γνώσεων και πληροφοριών ανάμεσα στα ενδιαφερόμενα μέρη της διαχειριστικής ομάδας, οι πιο οργανωμένες και καλύτερα διασυνδεδεμένες διαδικασίες μελέτης και κατασκευής, οι πιο στοχευμένες επενδύσεις κεφαλαίου και η εφαρμογή καινοτόμων τεχνολογιών, η καλύτερη διαχείριση εφοδιαστικής αλυσίδας, η πιο στοιχειοθετημένη αποτίμηση συνθηκών εργοταξίου, η μεγαλύτερη έμφαση στην εργασιακή ασφάλεια και υγεία, οι καλύτερα ενημερωμένες συμφωνίες ιδιοκτητών και εργολάβων, και οι καλύτερα διατεταγμένες διαδικασίες δημοπράτησης, αναδοχής, και διοίκησης του τεχνικού έργου. Η διασύνδεση αυτή, και έπειτα από μια διεξοδική κι εξαντλητική βιβλιογραφική μελέτη, αντιμετωπίστηκε ως ένα πρόβλημα στατιστικής ταξινόμησης, το οποίο μοντελοποιήθηκε ως εξής: (1) διατύπωση δεκατριών πρωτότυπων και συνεκτικών εφαρμοστικών έννοιων κατασκευασιμότητας, (2) εύρεση και διατύπωση των ανεξάρτητων μεταβλητών του μοντέλου (129 γενικές πηγές κινδύνων), με την κατασκευή και εργαλειοποίηση πρωτότυπου αλγορίθμου μη-εποπτευόμενης μηχανικής εκμάθησης που εκτελεί σημασιολογική επεξεργασία και ομαδοποίηση γλωσσικών δεδομένων υπό μορφή λίστας, και ο οποίος εφαρμόστηκε σε εξαντλητικό κομμάτι της σχετικής εκπονηθείσας έρευνας (που αποτέλεσε το σχετικό σύνολο δεδομένων)· ο αλγόριθμος αυτός περιλάμβανε συγκεκριμένα εργαλεία σημασιολογικής επεξεργασίας, δηλαδή την απομάκρυνση ανοηματικών λέξεων και την εύρεση λεξιλογικών ριζών μέσω της ανάλυσης επιθημάτων του Porter, καθώς και το εργαλείο γλωσσικής ομαδοποίησης k-means++, και αντιμετώπισε τα προβλήματα της εννοιολογικής σύγχυσης αναφορικά με τον ορισμό του κινδύνου, καθώς και της υπο-αξιοποίηση της πρότερης έρευνας, (3) διατύπωση των εξαρτημένων μεταβλητών του μοντέλου (κλάσεις κατασκευασιμότητας), (4) πραγματοποίηση της καθαυτής διασύνδεσης, μέσω της κατασκευής και εργαλειοποίησης πρωτότυπου αλγορίθμου που χρησιμοποιεί εποπτευόμενη μηχανική εκμάθηση για την εκτίμηση της κλάσης κατασκευασιμότητας ενός τεχνικού έργου όταν δίνονται οι τιμές των αναγνωρισμένων γενικών πηγών κινδύνων που δυνητικά το πλήττουν, και που εκπαιδεύτηκε κι επικυρώθηκε με την χρήση πραγματικών – και συλλεχθέντων μέσω αδόμητων συνεντεύξεων και χρήσης των δεκατριών νέων εφαρμοστικών εννοιών κατασκευασιμότητας – δεδομένων αναλύσεων κινδύνων και προσδιορισμένης κλάσης κατασκευασιμότητας από τεχνικά έργα· ο αλγόριθμος αυτός περιλάμβανε παραγοντοποίηση κανονικοποιημένης στοχαστικής κλίσης μη-αρνητικού μητρώου με εκλιπούσες τιμές, εκπαίδευση μηχανών υποστηρικτικών διανυσμάτων «μαλακού περιθωρίου» που επιλύονται με την βελτιστοποιημένη διαδοχική ελάχιστη βελτιστοποίηση, και ταυτόχρονη επικύρωση με την διασταυρωμένη επικύρωση n διαμερίσεων, (5) εξαγωγή εξίσωσης που εκτιμά, με μεγάλη ακρίβεια, αν ένα καινούριο τεχνικό έργο είναι κατασκευάσιμο ή μη κατασκευάσιμο, βάσει των τιμών των 129 γενικών πηγών κινδύνων που δυνητικά το πλήττουν, και (6) κατασκευή του εργαλείου λογισμικού RISCONA (RIsk Source-based CONstructability Appraisal) για την πιο εύχρηστη εφαρμογή και την καλύτερη εποπτεία των αποτελεσμάτων του μοντέλου. Η κύρια συνεισφορά αυτής της διατριβής είναι ότι μέσω αυτής παρέχεται – για πρώτη φορά – η δυνατότητα σε έναν πολιτικό μηχανικό να μπορεί να εκτελέσει μια κατανοητή και πλήρως ορισμένη ανάλυση πηγών κινδύνων, και βάσει αυτής να λάβει μια πολύ καλή γενική εκτίμηση της κατασκευασιμότητας του τεχνικού έργου που μελετά.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.008 | 0.008 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.096 | 0.036 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".