Διερεύνηση και συγκριτική ανάλυση των μοντέλων καμπύλης μάθησης στην παραγωγικότητα κατασκευαστικών δραστηριοτήτων

Investigation and comparative analysis of learning curve models on productivity of construction activities (Αγγλική)

  1. MSc thesis
  2. ΡΑΛΛΗ, ΠΑΝΑΓΙΩΤΑ
  3. Διαχείριση Τεχνικών Έργων (ΔΧΤ)
  4. 07 Σεπτεμβρίου 2019 [2019-09-07]
  5. Ελληνικά
  6. 215
  7. ΠΑΝΑΣ, ΑΝΤΩΝΙΟΣ
  8. ΠΑΝΑΣ, ΑΝΤΩΝΙΟΣ | ΠΑΠΑΓΕΩΡΓΙΟΥ, ΓΡΗΓΟΡΙΟΣ
  9. Καμπύλες μάθησης (Learning curves) | Φαινόμενο μάθησης (Learning phenomenon) | Ρυθμός μάθησης (Learning Rate) | Μοντέλα καμπύλης μάθησης (Learning curve models) | Επαναληπτικές δραστηριότητες (Repetitive activities) | Παραγωγικότητα (Construction productivity) | Στατιστική ανάλυση (Statistical analysis) | Κυψελωτά Κιβώτια Οπλισμένου Σκυροδέματος (Caissons) | Λιμενικά έργα (Marine projects)
  10. 4
  11. 1
  12. 102
  13. Περιέχει: πίνακες, σχήματα, διαγράμματα, εικόνες, φωτογραφίες.
    • ΑΝΑΒΟΛΗ ΑΝΑΡΤΗΣΗΣ ΗΛ. ΑΡΧΕΙΟΥ ΕΩΣ ΤΟΝ 9/2022. Η έρευνα της παρούσας διπλωματικής εργασίας αφορά στο ρόλο των μοντέλων καμπύλης μάθησης για την εκτίμηση της παραγωγικότητας των τεχνικών έργων. Η θεωρία της καμπύλης μάθησης εφαρμόζεται τόσο στο χρονικό προγραμματισμό όσο και στη κοστολόγηση σύνθετων κατασκευαστικών δραστηριοτήτων. Ο σκοπός της έρευνας είναι η αξιολόγηση της καταλληλότητας των δημοσιευμένων μοντέλων καμπύλης μάθησης ως προς την ανάλυση πολύπλοκων κατασκευαστικών συστημάτων υπό το πρίσμα του φαινομένου της μάθησης. Η διερεύνηση αφορά τα εξής πέντε (5) μοντέλα καμπύλης μάθησης: α) ευθύγραμμο μοντέλο ή μοντέλο Wright, β) μοντέλο Stanford "B", γ) κυβικό μοντέλο, δ) βαθμωτό μοντέλο και ε) εκθετικό μοντέλο. Η ερευνητική μεθοδολογία περιλαμβάνει τη συγκριτική εφαρμογή κάθε μοντέλου, για την ανάλυση λιμενικού έργου υποδομής μεγάλης κλίμακας, με τη χρήση μοναδιαίων δεδομένων παραγωγικότητας και δεδομένων αθροιστικού μέσου όρου. Η ανάλυση πραγματοποιείται σε δύο επίπεδα καθώς κάθε ένα από τα πέντε (5) μοντέλα χρησιμοποιείται για τον προσδιορισμό: i) του βέλτιστου μοντέλου καμπύλης μάθησης για την προσαρμογή ιστορικών δεδομένων παραγωγικότητας και ii) του βέλτιστου μοντέλου καμπύλης μάθησης για την πρόβλεψη μελλοντικών αποδόσεων. Το κριτήριο αξιολόγησης είναι ο βαθμός απόκλισης των πραγματικών δεδομένων από τις εκτιμήσεις που δίνει το κάθε μοντέλο. Τα αποτελέσματα υποδεικνύουν ότι στην περίπτωση που χρησιμοποιούνται δεδομένα μονάδας, το κυβικό μοντέλο υπερέχει ως προς την εκτίμηση των ιστορικών δεδομένων, ενώ το μοντέλο Stanford "B" προβλέπει καλύτερα το ρυθμό παραγωγικότητας. Στην περίπτωση χρήσης δεδομένων αθροιστικού μέσου όρου, τα αποτελέσματα έδωσαν υπεροχή πάλι στο κυβικό μοντέλο για την εκτίμηση των ιστορικών δεδομένων, ενώ το ευθύγραμμο μοντέλο αποτελεί το βέλτιστο προγνωστικό δείκτη μελλοντικών αποδόσεων. Ως μελλοντική ερευνητική κατεύθυνση προτείνεται η επέκταση του πεδίου της έρευνας με την ενσωμάτωση περισσότερων μοντέλων καμπύλης μάθησης σε συνδυασμό με την ενίσχυση των δεδομένων πεδίου από άλλα, παρόμοιου τύπου, έργα.
    • This research investigates the role of learning curve models in estimating construction productivity. Learning curve theory is actively implemented for both scheduling and cost estimation of complex construction projects. The purpose of this research is to assess the suitability of published learning curve models in effectively analyzing the learning phenomenon for substantially complex construction operations. The research investigates five (5) learning curve models, namely the (a) Straight-line or Wright, (b) Stanford "B", (c) Cubic, (d) Piecewise or Stepwise and (e) Exponential models. The methodology includes the comparative implementation of each one of the aforementioned models for the analysis of a large-scale marine project with the use of both unit and cumulative productivity data. A two-stage investigative process for the five models was applied in order to define (a) the best-fit model for historical productivity data of completed construction activities and (b) the best predictor model of future performance. The assessment criterion for the suitability is the deviation of the real construction data from the predictions generated by each model. The research results indicate that in case of using unit data the Cubic model dominates in terms of its predictive capability on historical data, while the Stanford "B" model is a better future performance predictor. Furthermore, in case of using cumulative data the Cubic model dominates of its predictive capability on historical data, while the straight-line model is a better future performance predictor. Future research directions include the extension of the research scope with the inclusion of more learning curve models in conjunction with a populated database of historical field data.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.